Open-access Seções de Lévy e a emergência do comportamento Gaussiano: Uma perspectiva da econofísica

Lévy Sections and the emergence of Gaussian behavior: An econophysics perspective

Resumo

O Teorema Central do Limite desempenha um papel fundamental na física estatística ao explicar a emergência de um comportamento gaussiano em sistemas compostos por muitas contribuições aleatórias. No entanto, em diversos sistemas complexos, como séries financeiras, suas hipóteses clássicas não são satisfeitas, resultando em distribuições com caudas pesadas, heterocedasticidade e convergência lenta ao regime gaussiano. Neste trabalho, apresentamos o Teorema das Seções de Lévy sob uma perspectiva pedagógica, destacando sua interpretação como uma mudança estocástica de escala temporal baseada na variância acumulada do processo. Mostramos que, ao reorganizar a soma das variáveis aleatórias em função de sua variabilidade local, é possível recuperar a convergência para a distribuição normal sob formas de dependência compatíveis com as condições do teorema. A metodologia é ilustrada por meio de séries de log-retornos de ativos financeiros, nas quais a aplicação das seções de Lévy atenua o agrupamento da volatilidade e a dependência serial dos retornos ao quadrado, ao mesmo tempo em que promove uma aproximação ao comportamento gaussiano. Os resultados evidenciam o potencial dessa abordagem tanto para a compreensão de fenômenos não gaussianos em sistemas complexos quanto como ferramenta didática para o ensino de probabilidade e de processos estocásticos em física.

Palavras-chave:
Teorema central do limite; Seções de Lévy; Econofísica

Abstract

The Central Limit Theorem plays a fundamental role in statistical physics by explaining the emergence of Gaussian behavior in systems composed of many random contributions. However, in several complex systems, such as financial time series, its classical assumptions are often violated, leading to heavy-tailed distributions and heteroscedasticity. In this work, we present the Lévy Sections Theorem from a pedagogical perspective, emphasizing its interpretation as a stochastic time-scale transformation based on the accumulated variance of the process. We show that, by reorganizing sums of random variables according to their local variability, it is possible to recover convergence to the normal distribution under forms of dependence compatible with the conditions of the theorem. We illustrate the methodology using financial log-return series, for which applying Lévy sections attenuates volatility clustering and the serial dependence of squared returns while promoting an approximation to Gaussian behavior. The results highlight the potential of this approach both for understanding non-Gaussian phenomena in complex systems and as a didactic tool for teaching probability and stochastic processes in physics.

Keywords:
Central Limit Theorem; Lévy Sections; Econophysics

1. Introdução

O Teorema Central do Limite (TCL) ocupa um papel central na física estatística e na teoria das probabilidades, ao explicar a emergência do comportamento gaussiano em sistemas compostos por muitas contribuições aleatórias. Em sua formulação clássica, o teorema pressupõe, entre outras condições, independência entre as variáveis aleatórias [1], embora extensões permitam determinadas formas de dependência [2]. Em diversos sistemas físicos e complexos, entretanto, essas condições podem não ser satisfeitas, sendo frequentemente observadas distribuições com caudas pesadas, leis de escala e convergência lenta para o regime gaussiano [3].

Essas características têm sido amplamente documentadas no contexto de sistemas complexos e da econofísica. Em particular, séries financeiras exibem auto-similaridade e distribuições com caudas pesadas, motivando a introdução dos chamados voos de Lévy truncados como uma forma de explicar desvios em relação ao TCL clássico e a presença de leis de escala [4, 5]. Trabalhos posteriores exploraram explicações alternativas baseadas em autocorrelação, heterogeneidade e dependência não linear entre as variáveis [3, 6, 7].

Uma contribuição fundamental, embora menos difundida na literatura didática, remonta aos trabalhos de Paul Lévy [8, 9]. Nesses trabalhos, Lévy introduziu uma ideia, posteriormente denominada seções [10, 11, 12], como ferramenta para estender o TCL ao caso de somas de variáveis aleatórias dependentes. Esse resultado, conhecido como Teorema das Seções de Lévy, pode ser interpretado como uma mudança da escala temporal segundo a qual essas somas são construídas: em vez de considerar intervalos fixos de tempo cronológico, as seções são determinadas pela acumulação da variabilidade do processo. Dessa forma, introduz-se uma escala de tempo intrínseca à própria dinâmica do sistema, na qual intervalos cronológicos de diferentes durações podem corresponder a uma mesma quantidade de variabilidade acumulada. Sob condições que serão apresentadas adiante, essa mudança de escala permite recuperar a convergência para o comportamento gaussiano mesmo em situações nas quais as somas construídas no tempo cronológico apresentam convergência lenta [13].

Essa abordagem foi retomada e desenvolvida no contexto da física de sistemas complexos e da econofísica. Em particular, mostrou-se que o uso de seções de Lévy permite analisar séries temporais heterocedásticas, isto é, com variabilidade não constante ao longo do tempo, e correlacionadas, promovendo uma convergência mais rápida para o regime gaussiano em comparação com os métodos tradicionais de agregação [12]. Além disso, essa perspectiva oferece uma interpretação alternativa para a presença de caudas pesadas: em vez de serem atribuídas exclusivamente a distribuições não gaussianas, elas podem ser entendidas como resultado de flutuações na intensidade da variabilidade dos retornos ao longo do tempo e da estrutura de dependência dos dados [10, 11].

Aplicações do Teorema das Seções de Lévy em econofísica demonstram sua capacidade de revelar padrões estatísticos robustos em séries financeiras e de atenuar os efeitos da heterocedasticidade e da correlação. Em particular, essa abordagem permite construir, a partir de séries empíricas, retornos seccionados com distribuições aproximadamente gaussianas, o que abre caminho para novas aplicações, como o desenvolvimento de estratégias de redução de risco [14].

Apesar de sua relevância teórica e potencial didático, o Teorema das Seções de Lévy ainda é pouco explorado no ensino de física. Considerando suas conexões com o TCL, processos estocásticos e fenômenos de difusão, ele constitui uma ferramenta valiosa para a introdução de conceitos de probabilidade e de processos estocásticos em contextos motivados fisicamente.

Neste trabalho, apresentamos o Teorema das Seções de Lévy sob uma perspectiva pedagógica, destacando sua interpretação como uma mudança de escala temporal baseada na variância. O texto é dirigido a estudantes e pesquisadores de física e áreas afins, pressupondo apenas conhecimentos básicos de cálculo e de probabilidade. Discutimos também sua relevância para a compreensão de fenômenos não gaussianos em sistemas complexos e ilustramos sua aplicação em séries temporais financeiras. Com isso, buscamos contribuir para a aproximação entre os resultados da teoria das probabilidades e suas aplicações na física contemporânea. O restante do artigo está organizado da seguinte forma. Na Seção 2, apresentamos conceitos básicos de econofísica e de séries financeiras necessários à compreensão da aplicação proposta. Na Seção 3, discutimos a passagem do Teorema Central do Limite às seções de Lévy, enfatizando a interpretação da construção como a substituição do tempo cronológico por uma escala temporal intrínseca ao processo. Na Seção 4, apresentamos o Teorema das Seções de Lévy e suas principais hipóteses. Na Seção 5, descrevemos a construção numérica das seções e os procedimentos utilizados em sua implementação. Na Seção 6, aplicamos a metodologia a séries financeiras e discutimos os resultados obtidos. Por fim, na Seção 7, apresentamos as conclusões, as limitações e as perspectivas para investigações futuras.

2. Conceitos Básicos de Econofísica e Séries Financeiras

A aplicação de métodos probabilísticos ao estudo dos mercados financeiros possui uma longa tradição, remontando pelo menos ao trabalho pioneiro de Bachelier sobre a dinâmica dos preços especulativos [15]. Ao longo do século XX, o desenvolvimento da teoria financeira incorporou progressivamente modelos probabilísticos e estatísticos para descrever preços, retornos e risco. Mais recentemente, a chamada econofísica passou a abordar esses mesmos fenômenos sob a perspectiva da física estatística e dos sistemas complexos, tratando os mercados como sistemas nos quais a interação entre numerosos agentes pode produzir séries temporais com propriedades estatísticas não triviais [16]. Nessa perspectiva, preços, retornos e volumes negociados podem ser tratados como grandezas observáveis, cuja dinâmica é investigada por meio de ferramentas oriundas da mecânica estatística, da teoria dos processos estocásticos e do estudo de sistemas complexos.

Uma característica metodológica da econofísica é a ênfase na identificação de regularidades empíricas antes da formulação de modelos destinados a explicá-las [17, 18]. Essa perspectiva difere, em seu ponto de partida, de abordagens tradicionais da teoria financeira, nas quais parte importante dos modelos foi desenvolvida a partir de construções teóricas sobre escolha sob risco, equilíbrio e precificação de ativos, das quais são exemplos a teoria de seleção de carteiras de Markowitz [19], a hipótese de mercados eficientes sistematizada por Fama [20] e os modelos de equilíbrio e precificação de ativos [21]. Na abordagem inspirada pela Física, por sua vez, parte-se primordialmente da observação, buscando caracterizar propriedades estatísticas das séries financeiras e identificar padrões empíricos capazes de orientar a construção de modelos estocásticos que os reproduzam. Essa diferença não deve ser entendida como uma oposição entre áreas, tampouco como uma distinção entre abordagens quantitativas e não quantitativas, mas sobretudo como uma diferença de ênfase e de ponto de partida metodológico [18].

Essa orientação empírica revelou um conjunto de propriedades recorrentes em diferentes mercados e períodos, frequentemente denominadas fatos estilizados [22]. Entre elas encontram-se a ocorrência de flutuações extremas com frequência superior à prevista por modelos gaussianos, distribuições de retornos com caudas pesadas, agrupamentos de volatilidade e diferentes formas de dependência temporal [16, 18, 22]. Tais regularidades sugerem que grandes oscilações não devem ser tratadas necessariamente como observações anômalas externas à dinâmica do mercado, mas como eventos que podem emergir do próprio processo gerador das séries financeiras. A caracterização dessas propriedades constitui, portanto, um ponto de partida natural para a construção de modelos probabilísticos de retornos.

No estudo empírico dos mercados financeiros, essa perspectiva conduz naturalmente à análise das flutuações dos preços dos ativos ao longo do tempo. Mais do que os níveis de preços propriamente ditos, interessa caracterizar suas variações, uma vez que são elas que permitem investigar propriedades estatísticas como distribuição, dependência temporal, volatilidade e comportamento de escala.

Considere uma série temporal de preços {Pt} observada em tempo discreto, em que Pt denota o preço de um ativo no instante t∈ℕ. Sua dinâmica de atualização pode ser descrita por meio da taxa de retorno simplesrt, definida por

(1) P t = ( 1 + r t ) ⁢ P t − 1 ,

de modo que

(2) P t P t − 1 = 1 + r t

representa o chamado preço relativo. Equivalentemente, o retorno simples pode ser escrito como

(3) r t = P t − P t − 1 P t − 1 .

Em finanças, é também usual representar as variações relativas dos preços por meio do log-retorno [16, 18], definido por

(4) x t = ln ⁡ ( P t P t − 1 ) = ln ⁡ P t − ln ⁡ P t − 1 = ln ⁡ ( 1 + r t ) .

Quando |rt|≪1, a expansão de primeira ordem ln⁡(1+rt)≈rt fornece

(5) x t ≈ r t .

Uma propriedade particularmente conveniente dos log-retornos é sua aditividade temporal. De fato, o log-retorno acumulado entre os instantes t e t+h pode ser escrito como

(6) ln ⁡ ( P t + h P t ) = ∑ j = 1 h ln ⁡ ( P t + j P t + j − 1 ) = ∑ j = 1 h x t + j .

Assim, enquanto os retornos simples se compõem multiplicativamente, os log-retornos se somam ao longo do tempo. Neste trabalho, essa propriedade é especialmente relevante, pois permite representar retornos acumulados como somas de variáveis aleatórias, estabelecendo uma conexão direta com o Teorema Central do Limite e, posteriormente, com a construção das seções de Lévy.

A partir dessa definição, a dinâmica do log-preço pode ser escrita como

(7) ln ⁡ P t = ln ⁡ P t − 1 + x t ,

de modo que as variações do log-preço são determinadas pelos log-retornos. Iterando essa relação, obtém-se

(8) ln ⁡ P t = ln ⁡ P 0 + ∑ s = 1 t x s .

Sob a hipótese particular de que os log-retornos xt sejam variáveis aleatórias independentes e identicamente distribuídas, essa representação corresponde a um passeio aleatório no espaço dos log-preços.

Para modelar os retornos, é comum considerar {xt} como um processo estocástico com propriedades de regularidade. Uma hipótese frequentemente adotada é a estacionaridade em sentido amplo, segundo a qual a média é constante e a autocovariância entre xt e xt+h depende apenas da defasagem h. Assim,

(9) 𝔼 ⁢ [ x t ] = μ , Var ⁡ ( x t ) = σ 2 < ∞ , Cov ⁡ ( x t , x t + h ) = γ ⁢ ( h ) .

Por simplicidade, pode-se trabalhar com retornos centrados, de modo que μ=0.

A hipótese de variância finita e constante refere-se à variância incondicional do processo e não exclui a possibilidade de que sua variabilidade local se altere ao longo do tempo. Em séries financeiras, essa variação temporal da intensidade das flutuações está associada ao fenômeno da heterocedasticidade e ao agrupamento de volatilidade mencionado anteriormente. Embora os fatos estilizados observados em séries financeiras indiquem a presença de caudas pesadas nas distribuições dos log-retornos, essa característica não implica, necessariamente, variância infinita. Em particular, distribuições com caudas pesadas e segundo momento finito podem descrever adequadamente esse comportamento, como ocorre em modelos que incorporam truncamento das caudas ou outras formas de afastamento da distribuição gaussiana [3, 5, 6, 14]. Dessa forma, a suposição de σ2 finita, além de ser compatível com essas propriedades empíricas, permite considerar o Teorema das Seções de Lévy no contexto das séries financeiras analisadas neste trabalho.

As propriedades distribucionais dos retornos, entretanto, constituem apenas uma dimensão da descrição estatística dos mercados financeiros. Outra questão fundamental diz respeito à possibilidade de utilizar a informação disponível para prever sistematicamente suas variações futuras. Essa questão está na origem da hipótese de eficiência de mercado [20], segundo a qual os preços refletem a informação disponível. Sob essa perspectiva, novas informações são incorporadas aos preços à medida que se tornam disponíveis, limitando a possibilidade de antecipar sistematicamente os retornos futuros com base no conjunto de informações já conhecido.

É importante distinguir essa hipótese das propriedades distribucionais discutidas anteriormente. A eficiência de mercado não requer, por si só, que os retornos sejam gaussianos, homocedásticos ou independentes. Assim, a presença de caudas pesadas, agrupamentos de volatilidade ou outras formas de dependência estatística não implica necessariamente previsibilidade dos retornos nem constitui, isoladamente, evidência de ineficiência. Nesse sentido, a perspectiva da econofísica pode ser entendida como complementar: independentemente da interpretação econômica atribuída à formação dos preços, procura-se caracterizar empiricamente as propriedades estatísticas das séries observadas e construir modelos capazes de reproduzi-las [17, 18].

Em termos probabilísticos, a informação disponível ao longo do tempo pode ser representada por uma sequência crescente de conjuntos de informação, denominada filtragem e denotada por {ℱt}. Nesse caso, ℱt−1 representa o conjunto de informações disponíveis até o instante t−1 [23]. Intuitivamente, essa informação pode incluir toda a trajetória passada dos retornos, bem como quantidades calculadas a partir dela, como médias, variâncias, volatilidades estimadas ou outras estatísticas disponíveis naquele instante. Dependendo do problema, podem ainda ser incorporadas outras variáveis observadas até t−1, como preços, volumes negociados ou indicadores de mercado. O aspecto essencial é que ℱt−1 contém apenas informação disponível até o instante t−1, não podendo incorporar valores futuros do processo.

Uma forma simplificada de expressar matematicamente a ausência de previsibilidade associada à hipótese de eficiência de mercado consiste em considerar o caso particular em que os log-retornos possuem esperança condicional nula [20]. Essa condição pode ser escrita como

(10) 𝔼 ⁢ [ x t ∣ ℱ t − 1 ] = 0 .

Essa condição fornece uma representação probabilística simples da ausência de previsibilidade: mesmo conhecendo toda a informação contida em ℱt−1, o valor esperado do próximo log-retorno permanece igual a zero. Isso não significa que xt seja necessariamente independente dos retornos passados, mas apenas que a informação disponível até t−1 não permite antecipar sistematicamente seu valor médio. Nesse caso, {xt} constitui uma sequência de diferenças de martingal. Como

(11) ln ⁡ P t = ln ⁡ P t − 1 + x t

e ln⁡Pt−1 é conhecido no instante t−1, segue que

(12) 𝔼 ⁢ [ ln ⁡ P t ∣ ℱ t − 1 ] = ln ⁡ P t − 1 ,

de modo que o processo de log-preços constitui um martingal com respeito à filtragem considerada. Em termos intuitivos, um martingal descreve, portanto, um processo cujo valor esperado no instante seguinte, condicionando-se à informação disponível no instante atual, coincide com seu valor presente.

3. Do Teorema Central do Limite às Seções de Lévy

3.1. A emergência do comportamento gaussiano

Na física, a distribuição gaussiana está associada à descrição de sistemas constituídos por um grande número de contribuições microscópicas, como ocorre na teoria cinética dos gases, em que as componentes da velocidade das partículas em equilíbrio seguem distribuições gaussianas [24, 25]. Sob condições adequadas, flutuações macroscópicas resultantes da combinação de muitas contribuições aleatórias tendem a apresentar comportamento aproximadamente gaussiano. Essa ideia encontra uma formulação probabilística no Teorema Central do Limite (TCL).

Em sua forma clássica, dada uma sequência de variáveis aleatórias independentes e identicamente distribuídas {Yt}, com média μ e variância finita σ2 [24, 26], definindo-se a soma parcial

(13) S n = ∑ t = 1 n Y t ,

o TCL estabelece que

(14) S n − n ⁢ μ σ ⁢ n → d 𝒩 ⁢ ( 0,1 ) , n → ∞ ,

em que →d denota convergência em distribuição e 𝒩⁢(0,1) denota a distribuição normal padrão (com média 0 e variância 1). Assim, mesmo quando as variáveis individuais possuem distribuições quaisquer, sua soma, devidamente centralizada e normalizada, tende a apresentar comportamento assintoticamente gaussiano à medida que n aumenta.

As distribuições de Poisson e binomial fornecem exemplos elementares dessa emergência. Sob condições adequadas sobre seus parâmetros, essas distribuições, após centralização e normalização, podem ser aproximadamente descritas por uma distribuição normal [24, 26]. Nesse caso, o comportamento gaussiano resulta da acumulação de um grande número de eventos elementares. A mesma ideia geral aparece em diversos contextos físicos: a distribuição normal emerge como uma descrição efetiva de flutuações resultantes da agregação de muitas contribuições aleatórias.

No caso particular de variáveis centradas, μ=0, tem-se

(15) 𝔼 ⁢ [ S n ] = 0

e, sob independência,

(16) Var ⁡ ( S n ) = n ⁢ σ 2 .

A Equação (16) mostra que, no caso clássico, o número de termos n e a variância acumulada crescem proporcionalmente. Em outras palavras, contar o número de observações equivale, a menos do fator constante σ2, a medir a quantidade de variabilidade acumulada pela soma.

Essa correspondência deixa de ser imediata quando as contribuições não apresentam a mesma intensidade de variabilidade ao longo do tempo. Em séries financeiras, por exemplo, períodos de pequenas oscilações podem ser intercalados com períodos de intensa flutuação [3, 6, 7]. Nesse caso, dois intervalos cronológicos com o mesmo número de observações podem acumular quantidades muito diferentes de variabilidade. Essa observação sugere que o tempo cronológico pode não ser a única escala relevante para descrever a evolução estatística do processo [10, 11].

3.2. Do tempo cronológico ao tempo de variância

Considere novamente a sequência de log-retornos {xt} introduzida na Seção 2. Sob a condição de diferença de martingal,

(17) 𝔼 ⁢ [ x t ∣ ℱ t − 1 ] = 0 ,

o segundo momento condicional de xt coincide com sua variância condicional. Portanto, considere a variância condicional dos retornos, definida por

(18) M t 2 = 𝔼 ⁢ [ x t 2 ∣ ℱ t − 1 ] ,

a qual pode ser interpretada como o quadrado da volatilidade estocástica do processo no instante t. Embora a variância incondicional dos retornos possa permanecer constante, a quantidade Mt2 pode variar ao longo do tempo. Essa distinção permite representar situações em que períodos de elevada variabilidade se alternam com períodos de menor variabilidade, como ocorre no agrupamento de volatilidade frequentemente observado em séries financeiras.

Pelas propriedades do valor esperado de uma média condicional,

(19) σ 2 = 𝔼 ⁢ [ x t 2 ] = 𝔼 ⁢ [ 𝔼 ⁢ [ x t 2 ∣ ℱ t − 1 ] ] = 𝔼 ⁢ [ M t 2 ] .

Assim, a variância incondicional dos retornos corresponde à esperança de sua variância condicional.

Se, adicionalmente, o processo {Mt2} for estacionário e ergódico, com esperança finita, sua média ao longo de uma trajetória suficientemente longa converge para a correspondente média populacional. A estacionaridade significa, nesse contexto, que as propriedades probabilísticas do processo não se alteram sistematicamente com o deslocamento no tempo. A ergodicidade, por sua vez, permite que propriedades do conjunto de possíveis realizações do processo sejam inferidas a partir da observação de uma única trajetória suficientemente longa. Em particular, sob essas condições, o teorema ergódico fornece, com probabilidade um,

(20) lim n → ∞ 1 n ⁢ ∑ t = 1 n M t 2 = 𝔼 ⁢ [ M t 2 ] = σ 2 .

A Equação (20) mostra que, embora a variância condicional possa flutuar ao longo do tempo, sua acumulação possui uma escala média bem definida. Isso sugere uma forma alternativa de acompanhar a evolução do processo. Em vez de medir sua duração exclusivamente pelo número de períodos cronológicos transcorridos, pode-se utilizar como referência a quantidade de variância acumulada ao longo da trajetória.

Para tornar essa ideia explícita, definimos a variância condicional acumulada até o instante n por

(21) V n = ∑ t = 1 n M t 2 .

A quantidade Vn pode ser interpretada como um relógio de variância, que associa a cada instante cronológico n a quantidade de variância condicional acumulada até esse instante. Enquanto o tempo cronológico avança uma unidade a cada nova observação, Vn avança segundo a intensidade da variabilidade condicional do processo. Como Mt2 pode variar aleatoriamente ao longo da trajetória, o próprio relógio de variância {Vn} é um processo aleatório.

Essa interpretação permite inverter a perspectiva usual de medição do tempo. Em vez de perguntar quanta variância foi acumulada após um número fixo de observações, pode-se perguntar quantas observações são necessárias para que uma quantidade predeterminada de variância seja acumulada. Assim, fixado um nível τ no relógio de variância, o número de observações cronológicas necessárias para atingi-lo é uma variável aleatória.

3.3. Um exemplo simples de mudança da escala temporal

A diferença entre essas duas escalas pode ser ilustrada por um exemplo elementar. Considere, para fins didáticos, oito instantes consecutivos para os quais as variâncias condicionais sejam dadas por

M 1 2 = 0,5 , M 2 2 = 1,0 , M 3 2 = 2,0 , M 4 2 = 1,5 ,
M 5 2 = 1,5 , M 6 2 = 1,0 , M 7 2 = 1,5 , M 8 2 = 0,5 .

Se a série for dividida em intervalos cronológicos de duas observações, as variâncias acumuladas nesses intervalos serão, respectivamente,

M 1 2 + M 2 2 = 1,5 , M 3 2 + M 4 2 = 3,5 , M 5 2 + M 6 2 = 2,5 , M 7 2 + M 8 2 = 2,0 .

Portanto, intervalos de mesma duração cronológica podem representar quantidades diferentes de variabilidade acumulada.

Considere agora uma forma alternativa de particionar a trajetória: em vez de fixar previamente o número de observações em cada intervalo, estabelece-se um limiar para a variância acumulada e deixa-se que a duração cronológica necessária para atingi-lo varie ao longo do processo. Em regiões de maior variabilidade, poucas observações podem ser suficientes para atingir o limiar estabelecido; em regiões de menor variabilidade, um número maior de observações pode ser necessário.

Por exemplo, estabelecendo-se o limiar τ=2,8 para a variância condicional acumulada, cada seção é encerrada na primeira observação em que a soma das variâncias condicionais atinge ou ultrapassa esse valor. Para a primeira seção, tem-se M12+M22=1,5<2,8, sendo necessária a inclusão da terceira observação, que resulta em M12+M22+M32=3,5. Aplicando sucessivamente o mesmo critério, obtêm-se

M 1 2 + M 2 2 + M 3 2 = 3,5 , M 4 2 + M 5 2 = 3,0 , M 6 2 + M 7 2 + M 8 2 = 3,0 .

Essa mudança de perspectiva não altera a ordem das observações. O que se modifica são os instantes em que as somas são delimitadas. Em vez de construir somas sobre blocos com duração cronológica fixa, constroem-se somas cujos limites são determinados pela quantidade de variância acumulada. Dessa forma, a trajetória passa a ser observada segundo uma escala temporal determinada pela própria dinâmica do processo.

3.4. Das somas cronológicas às seções de Lévy

A construção anterior fornece a intuição fundamental das chamadas seções de Lévy. Considere um nível τ>0 de variância acumulada. Em termos simplificados, procura-se determinar o número de observações necessário para que o relógio de variância atinja esse nível. Esse instante pode ser representado por

(22) ν ⁢ ( τ ) = inf { n ≥ 1 : ∑ t = 1 n M t 2 ≥ τ } .

Assim, ν⁢(τ) é um tempo aleatório: seu valor depende da trajetória das variâncias condicionais observadas ao longo do processo.

A soma dos retornos avaliada nesse novo tempo pode então ser escrita como

(23) S ν ⁢ ( τ ) = ∑ t = 1 ν ⁢ ( τ ) x t .

Enquanto uma soma cronológica convencional utiliza um número previamente fixado de termos, a soma em (23) contém um número de termos determinado pela quantidade de variância acumulada. Em períodos de maior variabilidade, ν⁢(τ) tende a crescer mais lentamente em relação ao tempo cronológico; em períodos de menor variabilidade, são necessárias mais observações para atingir o mesmo nível τ.

Essa construção pode ser interpretada como uma mudança aleatória de escala temporal. O tempo cronológico continua ordenando os acontecimentos, mas a agregação das variáveis passa a ser determinada por um relógio intrínseco, associado à acumulação de variância. Assim, intervalos cronológicos de diferentes durações podem representar quantidades comparáveis de variabilidade do processo.

Essa ideia é particularmente relevante quando a intensidade das flutuações varia ao longo do tempo. No caso clássico em que Mt2=σ2 é constante, tem-se

(24) V n = n ⁢ σ 2 ,

e o relógio de variância é simplesmente proporcional ao tempo cronológico. Nesse caso, a mudança de escala não introduz uma diferença essencial. Quando Mt2 varia, entretanto, Vn deixa de crescer linearmente a cada observação, e o tempo de variância passa a refletir a heterogeneidade local das flutuações.

A ideia das seções de Lévy consiste, portanto, em substituir a agregação baseada exclusivamente em intervalos cronológicos de duração fixa por uma agregação determinada pela variabilidade acumulada do processo. Sob condições apropriadas, essa mudança de escala permite recuperar um comportamento assintoticamente gaussiano mesmo quando a agregação realizada diretamente no tempo cronológico apresenta convergência lenta. A formulação matemática precisa desse resultado exige condições sobre a estrutura de dependência, a variância condicional acumulada e a contribuição de flutuações individuais extremas. Essas condições conduzem ao Teorema das Seções de Lévy, apresentado na seção seguinte.

4. O Teorema das Seções de Lévy Aplicado a Finanças

A interpretação apresentada na seção anterior permite compreender as seções de Lévy como uma mudança da escala temporal baseada na acumulação da variância condicional. Nesta seção, apresentamos inicialmente o Teorema das Seções de Lévy em sua formulação probabilística, explicitando as condições sob as quais essa mudança de escala conduz ao comportamento gaussiano. Em seguida, especializamos o resultado para o caso dos log-retornos financeiros.

4.1. O Teorema das Seções de Lévy

Considere uma sequência de variáveis aleatórias {Xn}n≥1, adaptada a uma filtragem {ℱn}n≥0. A média condicional de Xn, dada a informação disponível até o instante n−1, é definida por

(25) μ n − 1 = 𝔼 ⁢ [ X n ∣ ℱ n − 1 ] ,

enquanto sua variância condicional é dada por

(26) M n − 1 2 = 𝔼 ⁢ [ ( X n − μ n − 1 ) 2 ∣ ℱ n − 1 ] = 𝔼 ⁢ [ X n 2 ∣ ℱ n − 1 ] − ( 𝔼 ⁢ [ X n ∣ ℱ n − 1 ] ) 2 .

A partir dessas variâncias condicionais, define-se a variância condicional acumulada até o instante n por

(27) V n = ∑ i = 1 n M i − 1 2 .

Como discutido na seção anterior, {Vn} pode ser interpretado como um relógio de variância: enquanto n representa o tempo cronológico, Vn mede a quantidade de variância condicional acumulada ao longo da trajetória.

Dado um nível τ>0 nesse relógio de variância, considera-se o primeiro índice n para o qual

(28) V n − 1 < τ ≤ V n .

Esse índice depende, em geral, da trajetória realizada pelo processo, uma vez que as variâncias condicionais Mi−12 podem variar ao longo do tempo. Consequentemente, diferentes trajetórias podem necessitar de diferentes números de observações para atingir um mesmo nível τ de variância acumulada.

A soma das variáveis aleatórias correspondente à seção τ é então denotada por

(29) S τ = ∑ i = 1 n X i ,

em que n é determinado pela condição (28). O Teorema das Seções de Lévy estabelece condições sob as quais essas somas, construídas segundo o relógio de variância, apresentam comportamento assintoticamente gaussiano [9, 10, 11, 13].

Teorema 1 (Teorema das Seções de Lévy)

Considere a sequência {Xn}n≥1 definida anteriormente. Suponha que suas médias condicionais sejam nulas,

(30) 𝔼 ⁢ [ X n ∣ ℱ n − 1 ] = 0 , n ≥ 1 ,

e que suas variâncias condicionais sejam finitas. Suponha ainda que a variância condicional acumulada definida na Equação (27) tenda ao infinito quando n→∞, de modo que ν⁢(τ), dado pela expressão (22), possa ser definido para valores arbitrariamente grandes de τ, e que contribuições individuais extremas não dominem assintoticamente a variabilidade acumulada da soma [9, 13], de modo que, para todo ε>0,

(31) 1 τ ⁢ ∑ i = 1 ν ⁢ ( τ ) 𝔼 ⁢ [ X i 2 ⁢ 1 { | X i | > ε ⁢ τ } ∣ ℱ i − 1 ] → P 0 , τ → ∞ .

Então, para todo z∈ℝ,

(32) lim τ → ∞ ℙ ⁢ ( S τ τ < z ) = 1 2 ⁢ π ⁢ ∫ − ∞ z exp ⁡ ( − u 2 2 ) ⁢ du .

Equivalentemente,

(33) S τ τ → d 𝒩 ⁢ ( 0,1 ) , τ → ∞ .

A hipótese de média condicional nula estabelece que {Xn} constitui uma sequência de diferenças de martingal: dado o conjunto de informações disponíveis até o instante n−1, não existe uma componente média previsível em Xn. Essa condição não implica independência entre as variáveis aleatórias, permitindo, portanto, formas de dependência que não são contempladas pelo TCL em sua formulação clássica.

A exigência de que contribuições individuais extremas não dominem assintoticamente a variabilidade acumulada garante que o comportamento da soma resulte da combinação de muitas contribuições aleatórias. Intuitivamente, à medida que τ aumenta, nenhuma variável individual deve representar uma parcela relevante da variabilidade total acumulada. Essa condição evita que o comportamento assintótico da soma seja determinado por um número reduzido de flutuações extremas.

O aspecto fundamental do teorema é que o número de variáveis incluídas em Sτ não é fixado previamente. Ele é determinado pela quantidade de variância condicional acumulada ao longo da trajetória. A escala cronológica, representada pelo número de observações n, é assim substituída por uma escala intrínseca ao processo, representada pelo nível τ do relógio de variância. Sob as condições estabelecidas pelo teorema, as somas construídas nessa nova escala, quando normalizadas por τ, convergem em distribuição para uma variável aleatória gaussiana padrão.

4.2. Aplicação em finanças

Considere novamente a sequência de log-retornos {xt} introduzida na Seção 2. Defina sua soma parcial por

(34) y n = ∑ t = 1 n x t ,

de modo que, conforme a Equação (8),

(35) y n = ln ⁡ P n − ln ⁡ P 0 .

Considerando o caso particular discutido anteriormente, em que os log-retornos possuem esperança condicional nula,

(36) 𝔼 ⁢ [ x t ∣ ℱ t − 1 ] = 0 ,

a sequência {xt} constitui uma sequência de diferenças de martingal e, consequentemente, {yn} constitui um martingal em relação à filtragem {ℱn}.

A variância condicional de cada incremento é dada por

(37) M t 2 = 𝔼 ⁢ [ x t 2 ∣ ℱ t − 1 ] ,

e a correspondente variação quadrática previsível do processo {yn} é

(38) ⟨ y ⟩ n = ∑ t = 1 n 𝔼 ⁢ [ x t 2 ∣ ℱ t − 1 ] = ∑ t = 1 n M t 2 .

Essa quantidade corresponde precisamente ao relógio de variância introduzido na seção anterior. Para um nível τ>0, define-se o primeiro instante em que a variância condicional acumulada atinge ou ultrapassa esse nível por

(39) n ⁢ ( τ ) = min ⁡ { n ∈ ℕ : ⟨ y ⟩ n ≥ τ } ,

de modo que

(40) ⟨ y ⟩ n ⁢ ( τ ) − 1 < τ ≤ ⟨ y ⟩ n ⁢ ( τ ) .

A soma seccionada correspondente ao nível τ é então definida por

(41) Z ( τ ) = ∑ t = 1 n ⁢ ( τ ) x t .

Dessa forma, o número de log-retornos incluídos em Z(τ) não é determinado por um intervalo cronológico previamente fixado, mas pela quantidade de variância condicional acumulada ao longo da trajetória. O parâmetro τ passa, assim, a representar uma escala temporal intrínseca ao processo, na qual períodos de elevada variabilidade correspondem a intervalos cronológicos mais curtos, enquanto períodos de baixa variabilidade podem corresponder a intervalos mais longos.

Sob as condições estabelecidas pelo Teorema das Seções de Lévy, tem-se

(42) Z ( τ ) τ ⁢ ⟶ 𝒟 ⁢ 𝒩 ⁢ ( 0,1 ) , τ → ∞ .

5. Metodologia: Construção Numérica das Seções de Lévy

A aplicação empírica do Teorema das Seções de Lévy requer a construção numérica das somas seccionadas a partir de uma única realização da série temporal de log-retornos {xt}t=1N. Como a variância condicional Mt2=𝔼⁢[xt2∣ℱt−1] não é diretamente observável, utiliza-se uma aproximação empírica baseada na estrutura local da série.

Nesta seção, descrevemos o procedimento computacional para a obtenção das seções de Lévy, em conformidade com a formulação discreta proposta na literatura de econofísica [10, 11, 12, 14].

5.1. Estimação da variância condicional

A variância condicional Mt2 é estimada por meio de uma janela móvel de tamanho 2⁢q+1, definindo

(43) M ^ t 2 = 1 2 ⁢ q + 1 ⁢ ∑ i = t − q t + q x i 2 − ( 1 2 ⁢ q + 1 ⁢ ∑ i = t − q t + q x i ) 2 ,

para t=q+1,…,N−q.

A variância condicional Mt2 não é diretamente observável e, portanto, sua utilização na construção empírica das seções requer algum procedimento de estimação. Diferentes alternativas poderiam ser consideradas para esse propósito, incluindo modelos específicos para a dinâmica da volatilidade. Neste trabalho, optou-se pela estimação local da variância por meio de janelas deslizantes, por constituir um procedimento simples, não paramétrico e compatível com o caráter pedagógico da abordagem proposta. Essa escolha evita a introdução de hipóteses adicionais sobre a dinâmica da volatilidade e a necessidade de especificação e estimação de um modelo particular.

Cabe observar que a expressão (43), por ser calculada a partir de uma janela centrada em t, utiliza também observações posteriores a esse instante. Portanto, M^t2 não deve ser interpretada, em geral, como uma estimativa da variância condicional Mt2=E⁢[xt2∣ℱt−1] baseada exclusivamente na informação disponível até t−1. A construção adotada neste trabalho é retrospectiva e deve ser entendida como uma aproximação empírica do relógio de variância utilizado na formulação teórica das seções de Lévy, e não como uma aplicação direta das hipóteses do teorema. Essa escolha permite preservar o caráter simples e não paramétrico da construção numérica apresentada. Em aplicações nas quais seja necessário respeitar estritamente a estrutura de informação ℱt−1, a variância condicional pode ser estimada por modelos específicos de séries temporais para a dinâmica da volatilidade [22].

Naturalmente, a substituição de Mt2 por uma variância estimada localmente introduz um erro de aproximação na construção do relógio de variância e, consequentemente, na determinação das seções. Esse erro depende, entre outros fatores, do comprimento da janela utilizada: janelas muito curtas produzem estimativas mais sensíveis às flutuações amostrais, enquanto janelas mais longas podem suavizar excessivamente mudanças locais na variabilidade. Assim, a construção numérica deve ser entendida como uma aproximação empírica das seções definidas pelo teorema. Os resultados apresentados adiante mostram, contudo, que essa aproximação é suficiente para produzir somas seccionadas empiricamente mais próximas do comportamento gaussiano, fornecendo evidência de sua adequação ao objetivo deste trabalho.

5.2. Construção da variância acumulada

Define-se a soma acumulada das variâncias locais por

(44) S ^ n 2 = ∑ t = 1 n M ^ t 2 ,

que representa uma aproximação empírica da variação quadrática previsível do processo.

5.3. Definição das seções de Lévy

Fixado um nível τ>0, define-se o índice

(45) n ⁢ ( τ ) = min ⁡ { n ∈ ℕ : S ^ n 2 ≥ τ } .

A condição de seção é dada por

(46) S ^ n ⁢ ( τ ) − 1 2 < τ ≤ S ^ n ⁢ ( τ ) 2 ,

e a contraparte empírica da soma seccionada é escrita como

(47) Z ⁢ ( τ ) = ∑ t = 1 n ⁢ ( τ ) x t .

Essa construção corresponde à definição original de seções de Lévy em tempo discreto, na qual cada seção é composta por um número inteiro de observações.

5.4. Construção de múltiplas seções

Na prática, o interesse está na construção de uma coleção de somas seccionadas {Z⁢(τk)}, associadas a diferentes níveis τk. Alternativamente, pode-se construir uma sequência de seções não sobrepostas, particionando a série em blocos consecutivos.

Nesse caso, define-se iterativamente:

  1. Inicializar i=1.

  2. Acumular a variância local até encontrar o menor índice j>i tal que

    (48) ∑ t = i j M ^ t 2 ≥ τ .

  3. Definir a seção como o bloco {xi,…,xj}.

  4. Calcular a soma da seção:

    (49) Z τ ( k ) = ∑ t = i j x t .

  5. Atualizar i←j+1 e repetir o procedimento.

Esse procedimento gera uma sequência de somas seccionadas {Zτ(k)}, cada uma correspondendo a um intervalo de tempo de comprimento variável, mas com variância acumulada aproximadamente constante. O detalhamento do método está apresentado no Algoritmo 1.

Algoritmo 1: Construção numérica das seções de Lévy

Cabe observar que o parâmetro τ deve ser escolhido no intervalo

(50) 0 < τ ≤ S ^ N − 2 ⁢ q 2 ,

no qual S^N−2⁢q2 representa a variância acumulada total da série. Valores muito pequenos de τ conduzem a seções de comprimento reduzido, enquanto valores muito grandes resultam em poucas seções, o que limita a análise estatística.

Como critério ad hoc controlado por escala para a escolha de um τ, pode-se defini-lo como um múltiplo da estimativa da variância global dos retornos,

(51) τ = c ⁢ σ ^ 2 ,

em que c>0 é um parâmetro de escala. Essa parametrização permite definir o limiar relativamente à variabilidade característica da própria série, em vez de fixá-lo em termos absolutos. Nesse caso, τ representa o equivalente a c unidades da variância média global da série na expressão (19). A escolha de c controla o grau de agregação das seções: valores pequenos produzem seções curtas e numerosas, enquanto valores maiores produzem seções mais longas e em menor número. Assim, c pode ser variado em uma grade para avaliar a convergência das somas seccionadas ao regime gaussiano.

5.5. Interpretação

O procedimento descrito implementa uma mudança de escala temporal baseada na variância acumulada. Cada seção corresponde a um intervalo de tempo cuja “duração” é determinada pela quantidade de variabilidade observada, e não pelo número de observações.

Como consequência, obtém-se uma sequência de somas com propriedades estatísticas mais homogêneas, favorecendo sua aproximação ao regime gaussiano, mesmo na presença de heterocedasticidade e dependência temporal.

6. Aplicações

Como ilustração, consideramos séries temporais de retornos de ativos financeiros, que tipicamente apresentam características não gaussianas, como heterocedasticidade, dependência temporal e caudas pesadas, constituindo um ambiente natural para a aplicação do Teorema das Seções de Lévy [5, 17].

Em particular, analisamos ações listadas na Nasdaq, uma das principais bolsas eletrônicas dos Estados Unidos, caracterizada pela predominância de empresas de tecnologia e crescimento. Os ativos selecionados descritos na Tabela 1 pertencem a diferentes segmentos, incluindo veículos elétricos, semicondutores, biotecnologia e plataformas digitais, mas compartilham elevada volatilidade estrutural. Essa característica decorre da forte sensibilidade a inovações tecnológicas, mudanças regulatórias, expectativas de mercado e divulgação de resultados, reforçando a adequação dessas séries para a análise da convergência ao regime gaussiano.

Tabela 1
Ações selecionadas do mercado acionário dos Estados Unidos (Nasdaq). Preços de fechamento diários, considerando o período disponível para cada ativo até 20 de abril de 2026.

A Figura 1 mostra a evolução dos log-retornos (à esquerda) e distribuição empírica correspondente (à direita). Os dados evidenciam desvios sistemáticos em relação ao comportamento gaussiano, particularmente nas regiões de cauda, onde a frequência de eventos extremos excede a prevista pelo modelo normal. Esse padrão é consistente com a presença de caudas pesadas e heterocedasticidade, características amplamente documentadas em séries financeiras. Tais evidências reforçam a inadequação da hipótese de normalidade e justificam a adoção de abordagens alternativas, como as seções de Lévy.

Figura 1
Série temporal dos log-retornos (à esquerda) e distribuição empírica correspondente (à direita). O histograma é acompanhado pela densidade empírica (linha azul) e pela distribuição normal ajustada (linha vermelha).

Para corroborar essa evidência quantitativamente, aplicamos os testes de Shapiro–Wilk, Anderson–Darling, Lilliefors, Cramér–von Mises e Jarque–Bera [27]. Em todos os casos, a hipótese nula de normalidade foi rejeitada de forma contundente, com p-valores inferiores a 10−9.

A transformação baseada em seções de Lévy produz uma dinâmica substancialmente distinta da observada nos log-retornos originais. Em particular, a reparametrização do tempo em função da variância acumulada resulta em uma série de retornos seccionais Zt mais regular, com redução visível de heterocedasticidade e menor incidência de eventos extremos (Figura 2).

Figura 2
Séries temporais dos retornos seccionais Zt (à esquerda), em que t denota o instante cronológico correspondente ao início de cada seção de Lévy, e suas distribuições empíricas (à direita). As curvas em azul representam a densidade empírica (KDE), enquanto as curvas em vermelho correspondem à distribuição normal ajustada. As seções foram construídas com τ=c⋅σ^2, em que σ^2 é a variância global dos log-retornos e c é uma constante de ajuste (Tabela 2).

Do ponto de vista distributivo, observa-se uma aproximação visual ao comportamento gaussiano. As densidades empíricas tornam-se mais simétricas e apresentam melhor alinhamento com a curva normal ajustada, sugerindo que a agregação em tempo estocástico atua como um mecanismo de estabilização da variância.

Para a construção das seções, adotou-se um critério ad hoc no qual o limiar τ é definido como um múltiplo da variância global dos retornos, isto é, τ=c⋅σ^2. Os valores de σ^2 e da constante c utilizados para cada ativo estão reportados na Tabela 2.

Tabela 2
Resultados dos testes de normalidade da distribuição dos log-retornos seccionais com τ=c⋅σ^2 e K seções, em que σ^2 representa a variância global de cada log-retorno. Os valores correspondem aos p-valores aproximados de cada teste. O total de seções é denotado por K.

Essa evidência visual é corroborada pelos testes formais de normalidade, cujos p-valores apresentados na Tabela 2 não permitem rejeitar a hipótese de normalidade nas amostras de retornos seccionais obtidas. Em contraste com os resultados obtidos para os log-retornos originais, esses resultados são compatíveis com uma aproximação ao regime gaussiano após a aplicação das seções de Lévy, mesmo em séries caracterizadas por heterocedasticidade e dependência temporal.

Para quantificar a redução da dependência serial de segunda ordem após a construção das seções de Lévy, define-se, para um número máximo de defasagens H, a medida

(52) R c = ∑ h = 1 H | ρ ^ Z c 2 ⁢ ( h ) | ∑ h = 1 H | ρ ^ x 2 ⁢ ( h ) | ,

em que ρ^x2⁢(h) denota a autocorrelação amostral dos log-retornos ao quadrado na defasagem h, enquanto ρ^Zc2⁢(h) representa a correspondente autocorrelação dos retornos seccionados ao quadrado, obtidos com τ=c⁢σ^2. O uso dos valores absolutos evita que autocorrelações de sinais opostos se compensem na agregação ao longo das diferentes defasagens. Dessa forma, Rc compara a intensidade acumulada da dependência serial de segunda ordem antes e depois do seccionamento: Rc<1 indica redução dessa dependência, Rc=1 indica que sua intensidade acumulada permanece inalterada e Rc>1 indica aumento. Como a persistência das autocorrelações dos retornos ao quadrado constitui uma manifestação do agrupamento de volatilidade, essa medida fornece uma forma simples de quantificar a atenuação desse fenômeno após a construção das seções.

A Figura 3 apresenta a análise de sensibilidade da medida Rc em função do parâmetro de escala c. A linha horizontal tracejada em Rc=1 representa a situação em que a intensidade acumulada da dependência serial de segunda ordem é a mesma nos retornos originais e nos retornos seccionados. De modo geral, observa-se que Rc permanece abaixo da unidade para a maior parte dos valores de c considerados, indicando que a redução da dependência serial dos retornos ao quadrado não está restrita a uma escolha particular do parâmetro de escala.

Figura 3
Razão Rc entre a dependência serial acumulada dos retornos seccionados ao quadrado e dos log-retornos originais ao quadrado, em função do parâmetro de escala c, para H=20. Valores de Rc<1 indicam redução da dependência serial de segunda ordem após a construção das seções de Lévy.

A intensidade dessa redução, entretanto, varia entre os ativos. Para NVDA e META, Rc permanece inferior à unidade em toda a faixa analisada. Para TSLA, embora a maior parte dos valores também satisfaça Rc<1, observa-se maior variabilidade da medida e, para alguns valores de c, Rc ultrapassa ligeiramente a unidade. No caso de MRNA, verifica-se uma tendência de aumento de Rc à medida que c cresce: valores pequenos e intermediários do parâmetro produzem redução substancial da dependência serial, enquanto níveis elevados de agregação podem eliminar esse efeito ou mesmo produzir Rc>1.

Esses resultados mostram que o efeito do seccionamento depende do grau de agregação e das características da série analisada. Ao mesmo tempo, a predominância de valores Rc<1 em intervalos relativamente amplos de c indica que a atenuação da dependência serial de segunda ordem não resulta exclusivamente da seleção de um valor específico do parâmetro. A análise de sensibilidade fornece, assim, evidência quantitativa complementar à inspeção visual da redução do agrupamento de volatilidade após a construção das seções de Lévy.

Em particular, para os valores de c empregados na Tabela 2, obtêm-se Rc=0,453 para TSLA, Rc=0,317 para NVDA, Rc=0,663 para MRNA e Rc=0,382 para META, correspondendo a reduções de aproximadamente 54,7%, 68,3%, 33,7% e 61,7%, respectivamente, na dependência serial acumulada dos retornos ao quadrado.

Do ponto de vista prático, a abordagem baseada em seções de Lévy permite redefinir os retornos financeiros em termos de uma escala temporal estocástica, determinada pela volatilidade acumulada. Essa transformação apresenta implicações relevantes para a mensuração de risco e a formulação de estratégias de investimento. Ao induzir um comportamento aproximadamente gaussiano nos retornos seccionais, torna-se possível utilizar ferramentas estatísticas clássicas de forma mais robusta, como a estimação de volatilidade e a construção de intervalos de confiança.

Além disso, conforme evidenciado em [14], estratégias baseadas em seções de Lévy podem proporcionar uma relação risco–retorno mais favorável em comparação com abordagens tradicionais baseadas em tempo fixo. Esse resultado sugere que decisões financeiras podem se beneficiar de uma reparametrização do tempo em função da dinâmica intrínseca do mercado, em vez de se basearem exclusivamente no tempo cronológico.

7. Conclusão

Neste trabalho, exploramos o Teorema das Seções de Lévy como uma ferramenta para reinterpretar a dinâmica dos retornos financeiros a partir de uma escala temporal determinada pela variância acumulada. Diferentemente do tempo cronológico, no qual cada observação corresponde a um intervalo de duração fixa, essa escala evolui de acordo com a variabilidade do processo, de modo que o relógio de variância avança mais rapidamente em períodos de maior volatilidade e mais lentamente em períodos de menor volatilidade. Essa construção estabelece uma conexão entre o Teorema Central do Limite, resultados de limite para martingais e a possibilidade de representar séries financeiras em uma escala temporal intrínseca à sua própria dinâmica.

Os resultados empíricos mostram que essa mudança de escala produz duas consequências importantes. Em primeiro lugar, as somas construídas no tempo seccional apresentam distribuições consideravelmente mais próximas da distribuição gaussiana do que os log-retornos observados em tempo cronológico, em concordância com o comportamento previsto pelo Teorema das Seções de Lévy. Em segundo lugar, observa-se uma atenuação do agrupamento de volatilidade. Essa redução, além de ser perceptível graficamente, foi quantificada por meio da dependência serial acumulada dos retornos ao quadrado. Para os valores do parâmetro de escala utilizados na análise principal, foram observadas reduções de aproximadamente 54,7%, 68,3%, 33,7% e 61,7% para TSLA, NVDA, MRNA e META, respectivamente. A análise de sensibilidade mostra, ainda, que a redução da dependência serial ocorre, em geral, para intervalos relativamente amplos do parâmetro c, embora sua intensidade dependa tanto do grau de agregação quanto das características da série considerada.

Esses resultados reforçam a interpretação de que o tempo cronológico não constitui necessariamente a única escala relevante para a descrição estatística das séries financeiras. Ao construir intervalos segundo a quantidade de variância acumulada, a heterogeneidade observada em intervalos cronológicos fixos passa a ser representada em uma escala temporal que evolui de acordo com a própria variabilidade do processo. O procedimento não elimina necessariamente toda a dependência presente nos retornos, mas produz uma representação na qual o agrupamento de volatilidade e os desvios em relação à normalidade são substancialmente atenuados. Nesse sentido, as seções de Lévy fornecem uma maneira de aproximar a dinâmica empírica dos retornos das condições sob as quais resultados gaussianos podem emergir.

A construção empírica apresenta, naturalmente, limitações. A variância condicional que define teoricamente o relógio de variância não é diretamente observável e foi aproximada neste trabalho por variâncias locais calculadas em janelas deslizantes. Modelos específicos de volatilidade constituem uma alternativa possível e podem ser investigados em trabalhos futuros. Da mesma forma, a parametrização τ=c⁢σ^2 fornece um critério simples e controlado pela escala global de variabilidade da série, mas não estabelece um valor ótimo para c. Os resultados da análise de sensibilidade mostram que o efeito do seccionamento varia com esse parâmetro, embora a redução da dependência serial tenha sido observada, em geral, para intervalos relativamente amplos de c.

Do ponto de vista das aplicações financeiras, a utilização de uma escala temporal intrínseca não se restringe à caracterização estatística dos retornos. Em trabalho anterior, as seções de Lévy foram utilizadas como referência para a construção de estratégias de compra e venda voltadas à redução da exposição ao risco [14]. Em uma perspectiva mais ampla, escalas temporais associadas à própria dinâmica do mercado também têm sido consideradas em problemas de precificação. Por exemplo, a precificação de opções em um “tempo de informação” foi proposta em [28], enquanto a incorporação de mudanças da escala temporal a modelos de precificação de opções foi explorada em [29]. De forma semelhante, uma formulação baseada em tempo de informação para a precificação de contratos futuros foi apresentada em [30]. Esses trabalhos mostram que a utilização de escalas temporais determinadas pela própria dinâmica financeira, em substituição ao tempo cronológico, encontra aplicações em diferentes problemas de finanças.

As seções de Lévy não constituem, por si mesmas, um modelo de precificação ou uma estratégia operacional. A transformação para o tempo seccional também introduz o problema de traduzir resultados obtidos nessa escala novamente para decisões formuladas em tempo cronológico. Entretanto, aplicações anteriores das seções de Lévy em estratégias de compra e venda, juntamente com a literatura financeira sobre tempos intrínsecos, indicam um campo de investigação ainda aberto. Entre possíveis extensões encontram-se o desenvolvimento de critérios sistemáticos para a escolha de τ, o uso de modelos alternativos para a estimação da volatilidade, o estudo da correspondência entre tempo seccional e tempo cronológico e a aplicação do relógio de variância a problemas de precificação, alocação de portfólio e gerenciamento de risco. Assim, além de fornecer uma interpretação probabilística para a gaussianização observada após a mudança de escala temporal, as seções de Lévy oferecem uma estrutura para explorar novas aplicações de tempos intrínsecos em finanças.

Agradecimentos

FAPDF [Processo 00193-00001860/2023-17 (R.M., L.M.)], CNPq [Processos 302462/2026-0 (R.M.) e 3302356/2022-3 (I.G.)], Capes [Código de Financiamento 001 (A.F., R.M., I.G.)].

Disponibilidade de Dados

Os códigos e funções em R estão disponíveis no Figshare (https://doi.org/10.6084/m9.figshare.31092916)

Referências

  • [1] P.G. Hoel, S.C. Port e C.J. Stone, Introduction to Probability Theory (Houghton Mifflin, Boston, 1971).
  • [2] P. Billingsley, Probability and Measure (John Wiley & Sons, New York, 1995), 3 ed.
  • [3] A. Figueiredo, I. Gleria, R. Matsushita e S. Da Silva, Physica A 337, 369 (2004).
  • [4] R.N. Mantegna e H.E. Stanley, Phys. Rev. Lett. 73, 2946 (1994).
  • [5] R.N. Mantegna e H.E. Stanley, Nature 376, 46 (1995).
  • [6] A. Figueiredo, I. Gleria, R. Matsushita e S. Da Silva, Physica A 323, 601 (2003).
  • [7] A. Figueiredo, I. Gleria, R. Matsushita e S. Da Silva, Physica A 363, 171 (2006).
  • [8] P. Lévy, Bull. Soc. Math. Fr. 62, 42 (1934).
  • [9] D. Dugué, Eléments Aléatoires (Gauthier-Villars, Paris, 1976), v. 3.
  • [10] A. Figueiredo, I. Gleria, R. Matsushita e S. Da Silva, J. Phys. A: Math. Theor. 40, 5783 (2007).
  • [11] A. Figueiredo, R. Matsushita, S. Da Silva, G.M. Viswanathan, C. Nascimento e I. Gleria, Physica A 386, 756 (2007).
  • [12] C.M. Nascimento, E. Helena, F. Passos, I. Gleria, A. Figueiredo e G. Viswanathan, Europhys. Lett. 96, 68004 (2011).
  • [13] P. Billingsley, Proc. Am. Math. Soc. 12, 788 (1961).
  • [14] A. Figueiredo, M.T. Castro, R.C.B. Fonseca e R. Matsushita, Commun. Nonlinear Sci. Numer. Simul. 104, 106023 (2022).
  • [15] L. Bachelier, Ann. Sci. Ec. Norm. Super. 17, 21 (1900).
  • [16] R.N. Mantegna e H.E. Stanley, An Introduction to Econophysics: Correlations and Complexity in Finance (Cambridge University Press, Cambridge, 1999).
  • [17] S. Da Silva, R. Matsushita, I. Gleria, A. Figueiredo e P. Rathie, Commun. Nonlinear Sci. Numer. Simul. 10, 365 (2005).
  • [18] F. Jovanovic e C. Schinckus, Econophysics and Financial Economics: An Emerging Dialogue (Oxford University Press, New York, 2017).
  • [19] H. Markowitz, J. Finance 7, 77 (1952).
  • [20] E.F. Fama, J. Finance 25, 383 (1970).
  • [21] M.C. Jensen, Bell J. Econom. Management Sci. 3, 357 (1972).
  • [22] R. Cont, Quant. Finance 1, 223 (2001).
  • [23] D. Williams, Probability with Martingales (Cambridge University Press, Cambridge, 1991).
  • [24] S.R.A. Salinas, Introdução à Física Estatística (Edusp, São Paulo, 2013), 2 ed.
  • [25] B. Gyenis, Stud. Hist. Philos. Mod. Phys. 57, 53 (2017).
  • [26] P.L. Meyer, Probabilidade: Aplicações à Estatística (Livros Técnicos e Científicos, Rio de Janeiro, 1983), 2 ed.
  • [27] H.C. Thode, Testing for Normality (Marcel Dekker, New York, 2002).
  • [28] C.W. Chang, J.S.K. Chang e K.G. Lim, J. Financ. Econ. 48, 211 (1998).
  • [29] P. Carr e L. Wu, J. Financ. Econ. 71, 113 (2004).
  • [30] S. Yen e J.J. Wang, Physica A 388, 3826 (2009).

*

Endereço de correspondência: raulmta@unb.br

Editor-Chefe:

Datas de Publicação

  • Publicação nesta coleção
    17 Nov 2026
  • Data do Fascículo
    2026

Histórico

  • Recebido
    28 Maio 2026
  • Revisado
    23 Set 2026
  • Aceito
    24 Set 2026
location_on
Sociedade Brasileira de Física - SBF Rua do Matão, travessa R, 187 - Edifício Sede - Cidade Universitária, São Paulo, SP, Brasil, CEP 05508-090, Tel: +55 (11) 3034-0429 - São Paulo - SP - Brazil
E-mail: rbef@sbfisica.org.br, marcellof@unb.br
rss_feed Acompañe los números de esta revista en su lector de RSS
Ir para arriba