O Teorema do Limite Central em finanças
Entenda o que o Teorema do Limite Central afirma sobre somas padronizadas, quais premissas os retornos financeiros podem violar, por que a convergência não é exata e quando o escalonamento pela raiz do tempo falha
Resposta direta
O Teorema do Limite Central afirma que uma soma devidamente centralizada e escalonada de muitas contribuições aleatórias suficientemente bem-comportadas se aproxima de uma distribuição normal. É uma afirmação assintótica com condições, não uma prova de que retornos diários são normais ou de que perdas de cauda em um horizonte finito seguem uma curva em sino
O teorema trata de somas, não de observações brutas
Sejam X_1,…,X_n independentes e identicamente distribuídas, com média finita μ e variância positiva e finita σ².
A formulação clássica é que (Σ_iX_i−nμ)/(σ√n) converge em distribuição para N(0,1) quando n tende ao infinito.
Cada X_i pode ser assimétrica ou discreta; a conclusão trata do agregado padronizado, não do formato de cada entrada.
Centralização e escalonamento são essenciais
A soma cresce em torno de nμ, enquanto seu desvio-padrão cresce como σ√n sob independência.
Para a média amostral, √n(Ȳ_n−μ)/σ tem o mesmo limite padronizado, e o erro-padrão diminui à taxa de 1/√n.
Remover a centralização, usar a variância errada ou ignorar a covariância muda o objeto e pode invalidar a comparação normal.
Convergência não significa normalidade exata
Convergência em distribuição descreve limiares padronizados fixos no limite; ela não dá igualdade para um n específico.
A velocidade depende da assimetria, da espessura das caudas, dos efeitos de reticulado e de condições de momentos mais fortes, e pode ser lenta na cauda distante.
Uma aproximação normal pode parecer adequada perto do centro e ainda subestimar materialmente a probabilidade de uma grande perda em uma amostra finita.
Retornos financeiros desafiam as premissas
Retornos exibem agrupamento de volatilidade, dependência serial, saltos, quebras estruturais, exposição variável e distribuições que mudam com o tempo.
Existem versões do TCL para dependência fraca e martingais, mas cada uma troca a independência por condições precisas de regularidade.
Se a variância for infinita, o limite normal clássico de √n pode falhar por completo, e um limite estável não gaussiano pode surgir sob um escalonamento diferente.
A regra da raiz do tempo é consequência de um modelo
Para incrementos estacionários não correlacionados com variância constante, Var(Σ_iX_i)=nσ², produzindo volatilidade proporcional a √n.
As autocovariâncias acrescentam 2Σ_{h=1}^{n−1}(n−h)γ_h; portanto, persistência ou reversão mudam a variância no horizonte.
Composição, volatilidade estocástica, saltos, dados sobrepostos e efeitos de calendário também impedem uma conversão mecânica de diário para anual.
A inferência precisa de uma variância de longo prazo estimável
Substituir σ por uma estimativa amostral produz erros-padrão assintóticos apenas quando o estimador e as premissas de dependência são válidos.
Métodos consistentes para heterocedasticidade e autocorrelação estimam a variância de longo prazo em vez de fingir que as observações são independentes.
Amostras pequenas, caudas pesadas, busca excessiva em dados e médias instáveis podem deixar um intervalo de confiança com aparência de precisão, mas mal calibrado.
A validação deve testar o propósito da aproximação
Inspecione dependência, regimes de volatilidade, gráficos de cauda, estabilidade em subamostras e como os retornos padronizados agregados mudam com o horizonte.
Compare a cobertura empírica de intervalos centrais e de limiares de cauda separadamente, porque o sucesso perto da mediana não valida capital de risco.
Use alternativas bootstrap, robustas, de leis estáveis ou de séries temporais explícitas quando suas premissas corresponderem melhor à decisão e aos diagnósticos observados.
Perguntas frequentes
O que afirma o Teorema do Limite Central?
Sob condições adequadas, uma soma centralizada dividida pelo seu desvio-padrão se aproxima de uma distribuição normal padrão.
O TCL prova que retornos de ações são normais?
Não. Ele descreve um agregado assintótico sob condições e não afirma que retornos de um período nem caudas de horizontes finitos sejam normais.
Por que a volatilidade escala com a raiz do tempo?
Isso ocorre quando incrementos estacionários não correlacionados têm variância constante e finita, não por causa do TCL sozinho.
O que acontece se a variância dos retornos for infinita?
O TCL normal clássico pode falhar, e somas normalizadas podem convergir para uma lei estável não gaussiana sob outro escalonamento.