Professional Documents
Culture Documents
ADMINISTRAO E ECONOMIA
DISSERTAO DE MESTRADO
PROFISSIONALIZANTE EM ECONOMIA
BANCA EXAMINADORA:
_____________________________________________________
Professor ANTNIO MARCOS DUARTE JUNIOR (Orientador)
Instituio: Ibmec-RJ
_____________________________________________________
Professor FERNANDO NASCIMENTO DE OLIVEIRA
Instituio: Ibmec-RJ
_____________________________________________________
Professor CARLOS PATRICIO SAMANEZ
Instituio: PUC-RJ
332.63220981
A658m
DEDICATRIA
AGRADECIMENTOS
Agradeo ao meu orientador Antnio Marcos Duarte pela elaborao desse trabalho, desde a
deciso do tema quanto elaborao do projeto.
RESUMO
Pode-se dizer que indexao de carteiras a estratgia mais utilizada na administrao passiva
de fundos de investimento. Dessa forma, enquanto uma alocao ativa de ativos
possivelmente gera grandes desvios do benchmark, um fundo indexado possuir retornos
prximos aos do benchmark, sendo esses desvios definidos como o tracking error. Visto isso,
este trabalho busca indexar uma carteira um ndice considerado como benchmark, a partir de
um modelo de otimizao quadrtica com restries lineares e combinatrias, sendo a funo
objetivo minimizar o tracking error entre o ndice escolhido e a carteira, de forma a
determinar a quantidade tima de ativos a ser alocada pelo gestor passivo do fundo. Nesse
caso, o ndice que utilizaremos ser o Ibovespa, um dos mais importantes indicadores de
desempenho da Bolsa de Valores de So Paulo. Resultados sugerem que investir em ativos
com maiores pesos no ndice geram um tracking error menor, fazendo com que alguns setores
escolhidos gerassem tracking errors menores. Alm disso, quanto mais ativos na carteira,
menor o tracking error. Por fim, os modelos no-lineares implementados nesse trabalho
comportaram-se de forma similar ao analisarmos os desvios realizados dos mesmos.
ABSTRACT
It can be said that portfolio indexing is one of the most common passive strategies of
investment funds. While active asset allocation possibly generates relevant deviations from
the benchmark index, deviations from returns of an index fund, defined as tracking error, will
be much smaller. Therefore, this work proposes a quadratic optimization model using binary
and combinatory restrictions for indexing a portfolio to a benchmark index, where the
objective function seeks to minimize the tracking error of the chosen index and the portfolio
in order to find the optimal allocation. In this case, we will be using the Ibovespa index, one
of the most important performance indicators of the Bolsa de Valores de So Paulo. Results
suggest that investing in assets that have bigger weights regarding the Bovespa Index implies
smaller tracking errors, which also suggests that some industrial sectors generated smaller
tracking errors. Also, when more assets are included in our portfolio, smaller tracking errors
are resulted. At last, nonlinear models behaved in a similar way when we analyze the realized
deviations of our models.
LISTA DE TABEL
Tabela 1- Alocaes do Modelo Simples..................................................................................46
YTabela 2- Simulao com restrio mxima de 42 ativos (24 selecionados).........................48
YTabela 3- Exemplo com 3 setores e 6 ativos..........................................................................50
Tabela 4- Simulao com restrio mxima de 8 ativos...............................................................
Tabela 5- Simulao com restrio mxima de 16 ativos.........................................................54
YTabela 6- Comparao entre Modelos....................................................................................56
YTabela 7- Relatrio de Convergncia.....................................................................................73
LISTA DE SMBOLOS
VARIVEIS DE DECISO:
( Xi
( Ei , F i
( rj
de controle.
transao
NDICES:
j = 1, ... , m perodos
7
i = 1,, n
k = 1,, s
ativos
setores
Sumrio
INTRODUO.....................................................................................................10
1.1
O PROBLEMA.......................................................................................................................................13
1.2
O OBJETIVO..........................................................................................................................................14
1.3
JUSTIFICATIVA....................................................................................................................................14
1.4
METODOLOGIA...................................................................................................................................16
1.5
RESULTADOS........................................................................................................................................16
1.6
LIMITAES.........................................................................................................................................16
1.7
ESTRUTURA DA DISSERTAO......................................................................................................17
GESTO..............................................................................................................19
2.1
GESTO ATIVA.....................................................................................................................................20
2.1.1
ANLISE FUNDAMENTALISTA.....................................................................................................21
2.1.2
ANLISE TCNICA..........................................................................................................................21
2.1.3
MODELO MDIA VARINCIA........................................................................................................22
2.1.4
DESVIO ABSOLUTO MDIO...........................................................................................................24
2.2
GESTO PASSIVA................................................................................................................................26
2.2.1
HIPTESE DE EFICINCIA DE MERCADO..................................................................................28
2.2.2
BUY AND HOLD.................................................................................................................................29
2.2.3
INDEXAO......................................................................................................................................29
2.2.3.1 CONTRATOS FUTUROS.......................................................................................................30
2.2.3.2 FULL REPLICATION..............................................................................................................30
2.2.3.3 AMOSTRAGEM ESTRATIFICADA.....................................................................................31
2.2.3.4 LARGEST HOLDING..............................................................................................................31
2.2.3
DESVIO ABSOLUTO MDIO DE DUARTE...................................................................................32
2.3
ENHANCED INDEXING.......................................................................................................................33
O MODELO..........................................................................................................34
3.1
3.2
3.3
3.4
4
4.1
SIMULAES.....................................................................................................43
DADOS....................................................................................................................................................43
4.2
RESULTADOS SEM ESTRATIFICAO AMOSTRAL.................................................................44
4.2.1
UM MODELO SIMPLES....................................................................................................................44
4.2.2
CASO GERAL.....................................................................................................................................46
4.3
RESULTADOS COM ESTRATIFICAO AMOSTRAL................................................................49
4.3.1
EXEMPLO COM 3 SETORES E 6 ATIVOS DISPONVEIS............................................................49
4.3.2
PRIMEIRA SIMULAO..................................................................................................................50
4.3.3
SEGUNDA SIMULAO..................................................................................................................52
4.4
4.5
CONCLUSO......................................................................................................58
5.1
LIMITAES.........................................................................................................................................59
5.2
SUGESTES...........................................................................................................................................60
REFERNCIAS BIBLIOGRFICAS..........................................................................61
APNDICE A (O NDICE IBOVESPA).......................................................................63
APNDICE B (RESUMO)...........................................................................................65
APNDICE C (UTILIZANDO O EXCEL E ANLISE DE CONVERGNCIA)...........70
INTRODUO
Podemos definir alocao de recursos como um processo ou mtodo de deciso sobre como
distribuir a riqueza de determinado indivduo em diversas classes de ativos (ttulos pblicos,
contratos futuros, etc.), ou seja, em diversos grupos de ativos que possuem os mesmos
atributos ou similaridades, como por exemplo, relaes de risco e retorno, ativos pr ou psfixados, entre outras similaridades. Alm disso, para construirmos portflios e administrarmos
recursos, necessrio definirmos as etapas do processo decisrio, elaborando polticas de
investimento, estratgias e monitoramento dos portflios gerados a partir de caractersticas
especficas de cada investidor.
Investidores, em geral, compreendem que existe uma relao ntima entre risco e retorno,
sendo que, quanto maior o risco, maior o retorno esperado de determinado investimento.
Dessa forma, torna-se essencial e primordial a gesto de risco em fundos de investimentos.
Aps minuciosa anlise dos riscos atribudos aos investimentos que podemos comear a
pensar na administrao dos retornos.
10
Existem diversas estratgias de investimento que podem ser utilizadas pelos gestores que
dependero diretamente das caractersticas de cada investidor (como o grau de averso ao
risco por exemplo), podendo dividi-las em 3 grupos : gesto ativa, passiva e enhanced
indexing. A gesto ativa busca superar um determinado ndice de referncia (o benchmark),
sendo que uma das justificativas para a presena de gestores de carteiras a de que os
mesmos agregam valor, dados seus esforos em selecionar ativos que buscam otimizar a
relao risco retorno de um portflio. J a gesto passiva busca acompanhar a rentabilidade do
benchmark, evitando grandes desvios em relao ao mesmo. Dentre as estratgias de gesto
passiva, destaca-se a indexao de carteiras, estratgia que tem se tornado cada vez mais
popular e, consequentemente, o nmero de fundos administrados de forma passiva tem
crescido de forma relevante (assim como o volume), como mencionado em Fuhr e Kelly
(2011). Existem uma srie de vantagens e desvantagens desses grupos de estratgias que
sero tratados com mais detalhes nos prximos captulos (porm, estudos indicam que a
diferena de retornos de uma gesto ativa contra uma passiva estatisticamente
insignificante). Por fim, o enhanced indexing uma estratgia que pode utilizar tanto
estratgias passivas quanto ativas, buscando uma melhor performance com um efeito
marginal no tracking error da carteira.
11
error, ou seja, como minimizar os desvios do retorno da carteira indexada e do ndice em si.
Este, na verdade, um dos mtodos de indexarmos uma carteira, sendo importante mencionar
aqui mtodos alternativos como o uso de contratos futuros, amostra estratificada e largest
holding.
Deve-se dizer que, aps o modelo Mdia Varincia, assim como o modelo mencionado no
pargrafo anterior, foram propostos uma srie de modelos como modelo Mdia Semivarincia
de Markowitz (1993), Mean-Downside de Harlow (1993), o modelo Maxmin de Young
(1998) e assim por diante.
Outro grupo que tem ganhado bastante importncia em termos de investimento refere-se
gesto passiva. Como mencionado anteriormente, a mesma busca replicar a rentabilidade de
determinado ndice. Para isso, existe uma srie de tcnicas de indexao, sendo importante
12
O modelo de Duarte (1997) um exemplo de modelo que busca minimizar o tracking error
de uma carteira (composto pelo desvio absoluto mdio), porm atrelando-a a um ndice
especfico. Note que, nesse caso, tambm temos o processo de escolha entre risco e retorno da
suposta carteira, porm voltada para a gesto passiva de recursos. Alm disso, tal metodologia
est relacionada construo de carteiras eficientes de Markowitz (1959), ou seja, a carteira
otimizada ser aquela com o maior retorno esperado, se comparada com outras com mesma
varincia.
O PROBLEMA
Para o trabalho em questo, utilizaremos o Ibovespa, uma carteira terica que busca servir
como um indicador do comportamento do mercado. Atualmente, o ndice composto por 68
13
ativos, sendo que os dez ativos com maior participao no ndice representem mais de 50% do
total do mesmo.
O OBJETIVO
JUSTIFICATIVA
Alm disso, alguns trabalhos acadmicos desde a dcada de 50 e 60, como Markowitz (1959),
William Sharpe (1966) e Jensen (1967), buscam validar o uso de estratgias de indexao.
Sharpe (1966) desenvolveu um ndice que calcula a razo entre retorno esperado de uma
carteira e sua volatilidade, obtendo assim um indicador de performance para os fundos. Alm
disso, Sharpe comparou o ndice de 34 fundos durante determinado perodo com o ndice
Dow Jones. O resultado foi que o ndice de Sharpe dos fundos foi menor do que o do Dow
Jones, concluindo que a performance dos fundos pior do que a do mercado (note que a
comparao feita baseada em retornos esperados, porm, Sharpe no identificou nenhuma
consistncia na performance dos fundos estudados, fazendo com que a performance passada
dos fundos no tivesse nenhum poder de previso). J o trabalho de Jensen (1967) utilizou o
Capital Asset Pricing Model (CAPM) para avaliar se determinado fundo possui um retorno
esperado maior do que a taxa de juros livre de risco. Ao comparar 115 fundos com o ndice
S&P500, Jensen mostrou que apenas 39 possuam um alfa positivo (esse alfa sendo definido
como o ndice de Jensen), sendo apenas um deles estatisticamente diferente de zero,
concluindo que nenhum investidor, dentro daquela amostra, conseguiu superar o mercado.
Alm disso, Fama (1970) enuncia critrios de eficincia de mercado, dando suporte para
formas de gesto passiva ao afirmar que informaes sobre as empresas, assim como dados
histricos, j esto incorporados nos preos dos ativos, inviabilizando assim gerao de lucros
utilizando estratgias ativas.
15
METODOLOGIA
O modelo apresentado nesse trabalho baseado no proposto em Duarte (1997), que utiliza
como funo objetivo o desvio absoluto mdio entre os retornos dos ativos do portflio em
relao ao retorno do ndice. Note que, dessa forma, utilizaremos tcnicas de otimizao
voltadas para a minimizao do tracking error, incorporando a tcnica de amostragem
estratificada por setores industriais. Alm disso, iremos incorporar no modelo restries
binrias, definindo um nmero mximo de ativos que podero compor a carteira, limitando
tambm a alocao mnima e mxima dos mesmos. Dessa forma, limitaremos a entrada de
ativos especficos por setor, alm de permitir apenas lotes com valores inteiros.
RESULTADOS
Resultados sugerem que, investir em ativos com maiores pesos no ndice geram um tracking
error menor. Alm disso, quanto mais ativos na carteira, menor ser o tracking error. Alm
disso, ao analisarmos os modelos com a funo modular, ao compararmos o caso linear com o
no-linear, vemos que ambos geraram as mesma carteira final, alm dos desvios realizados.
Por fim, modelos no-lineares presentes nesse trabalho apresentaram resultados similares em
termos dos desvios realizados.
LIMITAES
poderiam compor o ndice, incorrendo no risco de eliminar determinada alocao que seja
uma melhor soluo final. Somado esse fato, desconsideramos tambm, a partir desse
mtodo, outros fatores de risco que impactam os ativos, assim como ndice escolhido (as
vantagens e desvantagens das tcnicas de indexao sero discutidas na prxima seo).
ESTRUTURA DA DISSERTAO
17
simulaes implementadas, assim como os dados utilizados em nosso modelo, enquanto que o
captulo 5 concluir o presente trabalho.
18
GESTO
Podemos dizer que o primeiro passo do processo de gesto de recursos a elaborao de uma
poltica, ou regulamento de investimentos. Esta etapa de extrema relevncia pois guia o
investidor sobre quais seus objetivos e restries, alm de criar um certo padro para julgar a
performance do gestor. O regulamento pode conter diversas caractersticas que, de certa
forma, relaciona-se com o apetite ao risco do investidor (como por exemplo limites de
alavancagem, vendas a descoberto, limite mnimo de alocao em ttulos pblicos federais,
limites de exposio a fatores de risco cambial, juros e bolsa, dentre outros).
20
ativo e o valor de mercado movem-se de acordo com tendncias, com relativa persistncia no
tempo. Por fim, a ltima hiptese diz que tendncias persistentes mudam em funo de
alteraes na oferta e demanda, podendo ser detectada em funo da prpria alterao do
mercado. Nesse caso, analistas tcnicos acreditam que essas tendncias so persistentes pois
as informaes novas entram no mercado durante um perodo no tempo, e no
instantaneamente, gerando assim em um ajuste gradual no preo do ativo (o que de certa
forma contra a anlise fundamentalista e aqueles que acreditam na eficincia de mercado).
X i , i = 1, ... , n , sendo
seja,
Xi
=1 e
i=1
Alm dos elementos mencionados, o modelo utiliza o retorno esperado de todos os ativos para
cada perodo, de forma a selecionarmos de forma correta o portflio timo. Seja:
[ ]
m
j=1
R ji X i =
i=1
R i X i
(2.1.1)
R i
a taxa mdia de
22
( x )= X i X q iq
2
, q=1,... , n , i=1,... , n
(2.1.2)
i=1 q=1
onde iq
1
iq = [ ( r ij R i )( r qj R q ) ]
m j=1
q=1,... , n , i=1,... , n
(2.1.3)
Minimizar
2 ( x) X i X q iq
i 1 i 1
Sujeito a
X
i 1
Ri
X
i 1
Xi 0
, i 1,..., n
(2.1.4)
Note que a funo objetivo busca minimizar o risco da carteira a partir da sua varincia. Alm
disso, ao considerarmos as restries, vemos que a taxa mdia de retorno da carteira restrita
um parmetro exgeno definido pelo gestor. Como mencionado anteriormente, temos
outra restrio que refere-se restrio oramentria do gestor, enquanto que a ltima
restrio impede que o mesmo mantenha posies vendidas nos ativos.
23
Para que os resultados sejam vlidos, supe-se que os retornos dos ativos possuem
distribuio normal multivariada e que os investidores so avessos ao risco, ou seja, preferem
um menor desvio padro tornando a carteira menos arriscada, sacrificando, por outro lado, a
possibilidade de retornos maiores.
( x )=E
[|
r i X iE r i X i
i=1
i=1
]|]
(2.2.1)
A partir da condio da normalidade dos retornos dos ativos, pode ser provado que:
( x )= ( x )1,25
(2.2.2)
[|
n
( x )=E
i=1
[ ]|]
n
r i X iE
i=1
r i Xi
1
=
m j=1
| (
n
i =1
r ij r j ) X i
(2.2.3)
Minimizar
1 m
L( B j )
m j 1
L: X X
n
(r
Bj
Sujeito a
i 1
ij
rj ) X i
i 1
i 1
i 1
i 1
, j 1,..., m
(rij r j ) X i (rij r j ) X i 0
(rij r j ) X i (rij r j ) X i 0
, j 1,..., m
, j 1,..., m
X r
i 1
i i
X
i 1
Xi 0
, i 1,..., n
(2.2.4)
perodo j. Alm disso, foi includa outra restrio estabelecendo que a soma dos retornos para
cada ativo escolhido maior do que o retorno
Existem algumas vantagens para utilizarmos o modelo de desvio absoluto mdio ao invs do
Mdia Varincia. Primeiramente, no necessrio o clculo da matriz de varincia
25
covarincia, sendo assim mais eficiente ao atualizarmos os dados. Alm disso, o modelo
computacionalmente mais eficaz devido natureza linear do problema.
Portanto, ambos os modelos apresentados podem ser considerados como pontos de partida
para a seleo de carteiras. A partir dos modelos citados, podemos incluir outros tipos de
restries que correspondam melhor realidade e aos interesses dos gestores. Tais
proposies sero expostas na prxima seo.
Vantagens:
1- Baixo custo em termos de capital humano, alm do fato de no necessitar ajustes
em sua carteira regularmente, gerando menos custos para a administrao da
mesma (taxas de corretagem menores por exemplo).
2- A administrao relativamente simples, facilitando a comunicao entre os
gestores dos recursos e clientes.
Desvantagens:
26
Podemos definir duas estratgias gerais da gesto passiva: buy and hold e indexao.
Contudo, antes de enunci-las, torna-se necessrio explicar melhor os conceitos que norteiam
e justificam a utilizao de estratgias passivas de investimento.
apenas novas informaes afetaro os preos dos ativos. Essa relao o que podemos definir
como a Hiptese (Fraca) de Eficincia de Mercado.
Como mencionado no pargrafo anterior, tal hiptese est associada idia de que os preos
dos ativos seguem um passeio aleatrio. Isso sugere que, caso o fluxo de informaes seja
livre e impactem de forma direta os preos, ento variaes dos mesmos nos dias seguintes
estaro associadas notcias futuras, fazendo com que variaes futuras sejam independentes
das mudanas de preos hoje (em outras palavras, variaes dirias no preos dos ativos
possuem mdia zero).
Atualmente existem trs verses da Hiptese de Eficincia de Mercado, sendo elas: a forma
Fraca, Semi-Forte e Forte.
A hiptese Fraca diz que os preos dos ativos j refletem toda a informao passada, como
volumes e preos histricos. Dessa forma, caso tal hiptese seja verdade, estratgias de
tendncia utilizadas em anlise tcnica no possuem embasamento terico algum, dado que o
histrico de preos e volumes passados podem ser obtidos de forma simples e com baixos
custos e, portanto, qualquer informao passada j foi incorporada no preo do ativo hoje,
impossibilitando tambm qualquer tipo de previso.
A hiptese Semi-Forte define que toda informao pblica disponvel sobre os prospectos de
uma empresa devem ser refletidos no preo do ativo, sendo essas informaes, alm de dados
histricos como preos e volume, assim como dados fundamentalistas, como prticas
contbeis, composio do balano e linhas de produto. Com isso, supondo que tal hiptese
seja vlida, estratgias envolvendo anlise fundamentalista (alm da anlise tcnica) no iro
28
gerar o lucro esperado, pois as avaliaes dos analistas respeito das empresas no iro
mudar de forma considervel, dado que todos se baseiam nas mesmas informaes.
Por fim, a forma Forte de eficincia de mercado define que os preos dos ativos refletem toda
informao relevante firma, tanto informaes pblicas quanto privadas.
Dessa forma, a Hiptese de Eficincia de Mercado sugere que a gesto ativa no a melhor
forma de gerir a renda de um indivduo, sendo mais interessante implementar estratgias
passivas de investimento.
2.2.3 INDEXAO
Fundos indexados so exemplos de uma administrao passiva, que possuem como estratgia
de investimento escolher um ndice de mercado (como o S&P 500 ou o Ibovespa) e tentar
replicar o retorno do mesmo (sendo chamada de indexao tradicional). Outras formas de
indexao podem ser mencionadas como a sinttica, combinando contratos futuros e bonds de
baixo risco, alm do enhanced indexing, sendo esta ltima combinada com estratgias ativas.
Alm disso, existem diferentes tcnicas de indexao de carteiras, a partir do uso de contratos
futuros, full replication, amostragem estratificada e largest holding
29
Porm, tal mtodo possui uma srie de desvantagens. Caso haja recomposio do ndice, o
gestor ter que rebalancear totalmente a carteira. Somado isso, caso alguns ativos sejam
ilquidos, teremos custos de transao maiores ainda.
30
Podemos estratificar, por exemplo com base nos setores industriais que cada ativo pertence
(Petrleo e Gs, Minerao dentre outros), yield, price earning ratio, ou seja, podemos
determinar uma srie de filtros que iro balizar as decises do gestor.
31
r
ij
o retorno do ativo i no
Minimizar
1 m
L( B j )
m j 1
L: X X
n
B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
i 1
i 1
Ei Fi
ai Ei Fi X i
n
(E
i 1
, i 1,..., n
n
Fi ) ai
X i , Fi , Ei 0
i 1
, i 1,..., n
(2.3.1)
Primeiramente temos a funo objetivo, ou seja, o tracking error, simbolizado como o desvio
absoluto mdio entre o ndice selecionado e a suposta carteira a ser otimizada (note que a
mesma est em mdulo, sendo uma boa soluo para o caso de outliers). Alm disso, rij nos
32
mostra o retorno do ativo i por perodo j dos ativos da carteira indexada, considerando
tambm o custo de transao dos ativos (como j mencionado, fixo no tempo).
Ei e F i ).
Notem que essas variveis de balanceamento entram na funo objetivo do modelo tambm e,
dessa forma, so determinadas a partir da minimizao do tracking error.
Nesse modelo, restringe-se tambm o turnover da carteira, dado que o mesmo, se muito
elevado, certamente influenciar a convergncia do modelo, limitando a possibilidade de
variao do financeiro a ser alocado para cada ativo.
33
O MODELO
ativos
k = 1,, s
setores
34
Minimizar
1 m
L( B j )
m j 1
L: X X2
n
B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
C w
X i
, i 1,..., n
(3.1)
35
(porm ainda no mencionamos nada em relao aos setores industriais cujos ativos esto
inseridos). Dessa forma, definimos as novas restries do modelo da seguinte forma:
Zi
Xi
Z i ,i=1,2, , n
w
( 1 x n) ( Z n x 1 ) h
(3.2)
Z { 0,1 }
Muitas das restries so anlogas quelas enunciadas no captulo anterior. Contudo, torna-se
necessria a anlise das novas restries. Uma das novas restries refere-se condio de
cardinalidade da carteira, ou seja, definimos exogenamente h, forando a carteira otimizada a
conter um nmero mximo de ativos predeterminado. Para tal, como mencionado
anteriormente, define-se novas variveis binrias Zi, e fazemos com que a soma dessas
variveis seja menor ou igual ao valor de h (note que necessrio restringir as variveis,
sendo essa restrio incorporada em nosso modelo). Nesse caso, a matriz
1x n
um vetor
Assumimos que, caso o ativo i seja selecionado, seu valor relativo ao capital total disponvel
deve estar contido entre o limite inferior e superior . Intuitivamente, podemos dizer que
existe uma relao entre essa restrio e a condio de cardinalidade, dado que ambas
buscam reduzir o nmero de pequenas operaes. Alm disso, definimos uma restrio de
caixa, visando tornar o modelo mais real, pois dinheiro em caixa soluciona problemas como
chamada de margem ou resgates.
36
( s x n) ( Z n x1 ) =s x 1
Onde s xn
(3.3)
as variveis binrias e
sx 1
Por exemplo, suponha que existam apenas 3 setores industriais e 6 ativos disponveis, sendo
que restrinjo meu modelo para selecionar apenas 1 ativo de cada setor. Com isso, temos que:
Z1
Z2
1 1 00 0 0
Z
0 0 11 0 0 3
0 0 0 0 1 1 3x 6 Z4
Z5
Z6
()
1
=1
1
()
3x1
6x1
( ) ()
Z1 + Z 2
Z3+ Z4
Z5 + Z 6
1
=1
1
3x1
3x 1
Note que a forma matricial anloga formulao do exemplo, ou seja, os pares de ativos
(1,2), (3,4) e (4,5) pertencem a setores distintos, sendo os mesmos multiplicados por variveis
binrias que sero iguais a 1 caso os ativos sejam selecionados e 0, caso contrrio, Alm
37
disso, note que a o valor final da soma de cada linha da matriz deve ser igual 1, ou seja,
igual ao limite pr-estabelecido de participao de ativos por setor. Com isso:
Minimizar
1 m
L( B j )
m j 1
L: X X2
n
B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
Z i
Xi
Z i
w
, i 1,..., n
, k 1,..., s
Z
i 1
i ik
C w
X i
, i 1,..., n
Z 0,1
(3.4)
38
Minimizar
1 m
L( B j )
m j 1
L: X X
n
B j rij X i ( r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
Z i
Xi
Z i
w
, i 1,..., n
, k 1,..., s
Z
i 1
ik
C w
X i
Z 0,1
, i 1,..., n
(3.5)
Contudo, no caso dos desvios absolutos, podemos tornar o modelo linear, utilizando assim
otimizadores lineares como o Simplex (sendo este utilizado no Microsoft Excel). Alm disso,
39
no caso linear, caso o modelo obtenha uma soluo, podemos garantir que ela ser um timo
global, ao contrrio do problema quadrtico. Utilizando-se desse fato, o modelo pode ser
linearizado da seguinte forma:
Minimizar
1 m
( B j B j )
m j 1
n
B j B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
Z i
Xi
Z i
w
, i 1,..., n
, k 1,..., s
Z
i 1
i ik
C w
X i
, i 1,..., n
B j , B j 0
, j 1,..., m
Z 0,1
(3.6)
40
Minimizar
B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
Z i
Xi
Z i
w
, i 1,..., n
, k 1,..., s
Z
i 1
i ik
C w
X i
Z 0,1
, i 1,..., n
(3.7)
Alm disso, podemos fazer uma leve alterao no modelo acima, utilizando no apenas o
quadrado dos desvios realizados como tambm o mdulo desses desvios, resultando no
modelo descrito abaixo:
41
Minimizar
Mediana B1 , B2 , B3 ,..., B j
n
B j rij X i (r jindice ) w
, j 1,..., m
i 1
Sujeito a
X
i 1
C w
Z i
Xi
Z i
w
, i 1,..., n
, k 1,..., s
Z
i 1
i ik
C w
X i
, i 1,..., n
Z 0,1
(3.8)
42
SIMULAES
4.1 DADOS
Para a realizao das simulaes e da otimizao do modelo, utilizou-se a srie histrica
semanal do Ibovespa e dos ativos que compuseram o ndice a partir do segundo semestre de
2010 at o novembro de 2011, totalizando 108 semanas. A srie de preos dos ativos, assim
como a srie do ndice Bovespa, foram obtidas utilizando o Economatica como fonte de dados
para as simulaes. A partir dos preos dos ativos, calculamos os retornos logartmicos.
Um fator importante a ser mencionado diz respeito reestruturao do ndice para diferentes
quadrimestres. Partimos da hiptese de que os ativos que compuseram o ndice no passado
sero os mesmos que compuseram o ndice no ltimo quadrimestre em anlise. Dessa forma,
fixamos os ativos do ndice, alterando apenas a quantidade terica dos mesmos. Para isso,
utilizamos as frmulas contidas no Apndice A deste trabalho. Nas prximas sees,
listaremos os resultados dos modelos utilizando a tcnica de estratificao amostral, assim
como os modelos na forma mais simples.
43
Observando as figuras 3 e 4, vemos que, quanto maior o nmero de ativos, menor ser o
tracking error da carteira. Porm, selecionar 3 ativos parece ser mais eficiente pois, a partir
desse nmero, tanto o tracking error quanto seus quartis no apresentam melhora relevante.
44
Primeiro Quartil
Terceiro Quartil
Mediana
Primeiro Quartil
Terceiro Quartil
Mediana
primeiramente, ativos com os maiores pesos no ndice. Fazendo com que o modelo escolha
apenas um ativo, o mesmo seleciona VALE5, o ativo com maior peso no ndice. Aumentando
para dois o nmero de ativos na carteira, o modelo seleciona VALE5 e PETR4, ativos com os
dois maiores pesos no ndice, e assim por diante. Dessa forma, o modelo mais simples parece
nos fornecer valiosas intuies em relao ao caso geral, contendo todos os ativos e com
restries mais parcimoniosas.
45
46
Primeiro Quartil
Terceiro Quartil
Mediana
Primeiro Quartil
Terceiro Quartil
Mediana
A partir das figuras, vemos que o tracking error cada vez maior quanto menor for o limite
mximo de ativos disponveis para o gestor. Alm disso, aparentemente, a partir do limite
mximo de 17 ativos, aumentar o limite parece no tornar a carteira mais eficiente (no sentido
de desvios realizados). Dessa forma, podemos dizer que, no necessariamente, selecionar
todos os ativos que compem o ndice seja a melhor soluo para indexarmos uma carteira.
A partir da tabela 1, podemos ver uma das simulaes implementadas. Note que, nesse caso, o
modelo seleciona ativos que possuem maior participao no ndice. Contudo, ao rodarmos os
modelos com limites mximos de ativos diferentes, no obtivemos o mesmo resultado. Talvez
47
isso se deva ao fato do modelo no selecionar o timo global em algumas das simulaes
implementadas.
48
4.3.1
Apenas para ilustrar como funciona a restrio que relaciona os setores e ativos disponveis
com as variveis binrias, suponha o caso em que temos apenas 3 setores e 6 ativos
disponveis, divididos entre Minerao, Petrleo e Bancos. Nesse caso, podemos escrever
i ik
i 1
, k 1,..., s como:
Z1
Z2
1 1 00 0 0
Z
0 0 11 0 0 3
0 0 0 0 1 1 3x 6 Z4
Z5
Z6
()
() ( ) ()
Z 1+ Z 2
1
= 1 Z3 + Z 4
1
Z 5+ Z 6
1
=1
1
3x 1
3 x1
6x1
49
Podemos ver acima que existem 2 ativos em cada setor, sendo que minha carteira ir possuir
um ativo de cada setor disponvel. Dessa forma, obtivemos os seguintes resultados:
Setores
Metalurgia
Cartei
ra
VALE5
Petrleo
PETR4
Bancos
ITUB4
Tracking
Error
1.00%
Desvio
Absoluto
Primeiro
Quartil
Mediana
Terceiro Quartil
Alocao
Final
$34,048,084
.00
$24,444,816
.00
$39,507,048
.00
0.27%
0.65%
1.18%
Desvio
Realizado
Primeiro
Quartil
Mediana
Terceiro
Quartil
-0.60%
0.06%
0.76%
Os resultados mostram que o modelo, para cada setor especfico, selecionou ativos com
maiores pesos no ndice, corroborando resultados anteriores.
4.3.2
PRIMEIRA SIMULAO
Como ponto de partida, utilizando como base o modelo com estratificao amostral,
restringimos a carteira para um total de apenas 8 ativos, gerando 17 possveis combinaes
(na verdade existem milhares de combinaes para a composio da carteira).
a partir da Tabela 5, a simulao que seleciona setores industriais com os menores pesos no
ndice apresentou os maiores desvios. Esse resultado corrobora os resultados das simulaes
anteriores, dado que os mesmos sugerem que uma indexao mais eficiente implica em
selecionar ativos com maiores pesos no ndice.
Primeiro Quartil
Terceiro Quartil
Mediana
Primeiro Quartil
Terceiro Quartil
Mediana
51
4.3.3
SEGUNDA SIMULAO
52
Primeiro Quartil
Terceiro Quartil
Mediana
Primeiro Quartil
Terceiro Quartil
Mediana
Figura 10- T.E da Carteira com Estratificao (desvios realizados da Segunda Simulao)
53
Alm dos fatos mencionados no pargrafo anterior, comparando os quartis tanto da primeira
quanto da segunda simulao, vemos que o primeiro e terceiro quartil dos desvios da segunda
simulao so menores do que os quartis da primeira simulao, gerando, tambm, tracking
errors menores. Como justificativa, tal fato se deve pela quantidade maior de ativos que
compem a carteira, gerando maiores combinaes possveis do que no caso com apenas 8
ativos. Dessa forma, podemos dizer que os resultados da segunda simulao corroboram os
resultados da primeira simulao com estratificao amostral.
54
4.4
Nessa parte, iremos mostrar o resultado de uma simulao contendo 7 ativos na carteira.
Porm, necessrio dizer que, utilizando o modelo dessa forma, o nmero de restries
aumenta significativamente (basicamente o dobro do tamanho da srie histrica de retornos).
Utilizando o software Microsoft Excel, existe um limite de variveis e restries, sendo que,
se utilizarmos o tamanho total da srie disponvel, excedemos o limite mximo de restries
possveis. Com isso, foi necessrio reduzir o nmero de dias e de ativos, de forma satisfazer
as restries do programa. Nesse caso especfico, restringimos o modelo para 20 ativos e 42
dados semanais. Como base de comparao, iremos implementar tambm o modelo
quadrtico visando mostrar as diferenas na alocao tima determinada em cada uma das
situaes, assim como tracking error final. A idia mostrar se a alocao tima e os desvios
realizados do modelo linear diferem ou no da forma quadrtica. Dessa forma:
Desvio Quadrtico
Desvio em Mdulo
55
A partir dos resultados acima, vemos que o modelo com a funo objetivo em mdulo gerou
uma alocao final diferente do modelo com a funo quadrtica. Porm, analisando a figura,
vemos que os desvios realizados em ambos os casos foram praticamente os mesmos. Alm
disso, o modelo tanto na forma linear quanto no-linear geraram praticamente a mesma
carteira. Os resultados sugerem que ambos alcanaram um timo global, principalmente
devido ao fato de termos linearizado o modelo com desvios em mdulo, utilizando assim o
Simplex como algoritmo otimizador.
4.5
Nessa seo, iremos comparar os desvios realizados dos modelos implementados na forma
no linear, sendo eles: a forma quadrtica, com a funo mdulo direto na funo objetivo, a
mediana dos desvios realizados em mdulo e, por fim, a mediana dos desvios realizados ao
quadrado. A idia bsica comparar o comportamento do modelo com diferentes formas no
lineares. Com isso:
56
Desvio Quadrtico
Desvio em Mdulo
A partir da figura 12, vemos que os desvios realizados em todos os casos se comportaram de
forma similar, gerando praticamente os mesmos desvios em todos os casos mencionados.
Portanto, pode-se dizer que, nos casos no lineares, a estabilidade do modelo permaneceu a
mesma entre modelos.
57
CONCLUSO
Comparando os resultados dos modelos com estratificao amostral, os mesmos sugerem que
quanto mais ativos na carteira, menores sero os tracking errors. Alm disso, selecionar
setores industriais com maiores pesos no ndice geram resultados melhores do que os demais
casos. Contudo, alguns setores parecem ter performado melhor do que outros, impactando
tambm o resultado final.
Os resultados dos quartis dos desvios tambm sugerem certa convergncia para um tracking
error mnimo (sendo aproximadamente 0.30% para 16 ativos e 0.55% para 8 ativos).
Contudo, seria interessante implementar mais simulaes visando validar os resultados
obtidos. Alm disso, seria interessante tambm comparar a carteira gerada pelo modelo com
fundos de investimento existentes atualmente com caractersticas semelhantes, sendo essas
informaes disponveis na Comisso de Valores Mobilirios (CVM), uma autarquia
vinculada ao Ministrio da Fazenda do Brasil, responsvel por administrar carteiras e custdia
de valores mobilirios, assegurar o funcionamento regular dos mercados de bolsa, assim como
outros elementos de carter disciplinar e funcional.
Um fator importante a ser mencionado diz respeito ao patrimnio disponvel ao gestor. Foram
implementadas outras simulaes aumentando o patrimnio disponvel para R$200.000.000 e
58
Alm disso, ao rodarmos o modelo com desvios em mdulo linearizado, os desvios realizados
foram muito prximos do modelo na forma quadrtica, porm, talvez seja interessante
implementar tal modelo em outros softwares mais robustos do que o Microsoft Excel.
Por fim, os modelos no lineares apresentam resultados similares entre si, mostrando que,
para a srie e perodo analisados, a forma de modelagem parece no fazer muita diferena ao
analisarmos os desvios realizados.
5.1 LIMITAES
Como mencionado anteriormente, existem algumas limitaes na implementao do modelo,
a comear pela volatilidade do ndice e do grau de concentrao de ativos que determinam o
mesmo. Ambos os fatores influenciam diretamente a minimizao do tracking error da
carteira. Alm disso, custos operacionais como taxas de administrao no so levados em
conta no nosso modelo. Outro fator ser mencionado diz respeito s limitaes do Microsoft
Excel, j que o limite mximo de restries a variveis acaba afetando o tamanho final do
modelo, impactando principalmente na forma dos desvios em mdulo. Por fim, a utilizao da
59
5.2 SUGESTES
Podemos sugerir prximos passos a serem implementados buscando melhorar o modelo
proposto. Um deles busca responder a seguinte pergunta: como melhorar a performance de
nosso modelo a partir de estratgias long e short de setores industriais? Para isso ser
necessrio adaptarmos nosso modelo possibilitando o gestor a estar vendido em determinado
grupo de aes. Alm disso, seria interessante analisar mais cenrios e utilizar outras medidas
de risco alm da forma quadrtica.
60
REFERNCIAS BIBLIOGRFICAS
BODIE, KANE, MARCUS. Investments, 6th ed., McGraw-Hill, New York, NY, 2005.
CARVALHAIS, R. E. Indexao de Carteiras de Renda Fixa: Uma Aplicao no Brasil.
Projeto de Dissertao de Mestrado Profissionalizante em Administrao, Ibmec-RJ, 2011.
CHIANG, W. Optimizing Performance, in A. Neubert (ed.), Indexing for Maximum
Investment Results. GPCo Publishers, Chicago, Illinois, USA, 1998.
DUARTE, Jr., A.M. Indexing Stock Portfolios in Brazil: Tracking the IBOVESPA and the
FGV100. Emerging Markets Quarterly, 1, 20-26, 1997.
FABOZZI, F.J., KOLM, P.N., PACHAMANOVA, D., FOCARDI, S.M. Robust Portfolio
Optimization and Management. John Wiley & Sons, Hoboken, NJ, 2007.
FAMA, F.E. Efficient Capital Markets: A Review of Theory and Empirical Work. Journal
of Finance, V.25 , i.2, p. 383-417, may, 1970.
FAMA, F.E. Components of Investment Performance, Journal of Finance, 27, 551-567,
1972.
FRINO, A., and D. GALLAGHER. Tracking S&P 500 Index Funds. Journal of Portfolio
Management, Vol.28(1): 44-55, 2001.
FRINO, A., and D. GALLAGHER. Is Index Performance Achievable? An Analysis of
Australian Equity Index Funds. Abacus, Vol.38(2): 200-214, 2002.
FUHR, D.; KELLY, S. ETF landscape industry review, February 2011. BlackRock, 2011.
HARLOW, W.V. Asset Allocation in a Downside Risk Framework. Financial Analysts
Journal, 49, 14-26, 1993.
61
62
Alm disso, a carteira sofre alteraes ao final de cada quadrimestre , com vigncia de janeiro
a abril, maio a agosto e setembro a dezembro. Para a realizao do rebalanceamento
quadrimestral, calcula-se o ndice de negociabilidade para cada uma das aes negociadas nos
ltimos 12 meses. Aps o clculo do ndice de negociabilidade, lista-se as aes cujo volume
seja superior a 0,1% do total, alm daquelas que foram negociadas em, no mnimo, 80% do
total de preges no perodo. Atendendo esses critrios, essas aes selecionadas iro compor
a carteira do ndice.
( NN. I )( VV. I )
2
(1)
Onde:
Ind.Ng = ndice de negociabilidade
N.I = nmero de negcios com a ao i no mercado a vista
N = nmero total de negcios da BOVESPA
V.I = financeiro gerado pelos negcios com a ao i no mercado a vista
V = financeiro total da BOVESPA
63
Q.N=
Q . AP . C
P . Ex
Onde:
Q.N = quantidade nova
Q.A = quantidade antiga
P.C = ltimo preo de fechamento anterior ao incio da negociao ex-provento
P.Ex = preo ex-terico, calculado com base em P.C
64
APNDICE B ( RESUMO )
Esse apndice busca listar os setores industriais utilizados.
A princpio, os ativos que compem o ndice podem ser divididos por setores da seguinte
forma (informaes extradas do Economatica) :
65
67
Porm, temos setores que possuem apenas 1 ativo, sendo a escolha bvia no processo de
otimizao do modelo. O Economatica fornece tambm um agrupamento dos setores,
consolidando ainda mais os setores industriais. Com isso, agrupamos da seguinte forma:
4. Energia Eltrica: CMIG4, ELPL4, ELET3, ELET6, CPLE6, CESP6, LIGT3, CPFE3,
TRPL4.
68
14. Outros: BRAP4, LLXL3, SBSP3, CRUZ3, DTEX3, BRML3, HYPE3, HGTX3,
EMBR3.
Mesmo com esse agrupamento, alguns setores continuaram com apenas um ativo. Dessa
forma, decidimos aloc-los no setor Outros, sendo o caso de HGTX3 (Txtil) e EMBR3
(Veculos e Peas).
69
Estudaremos um dos casos implementados nesse trabalho, sendo ele uma das simulaes
utilizando a tcnica de estratificao amostral, permitindo um total de 16 ativos em nossa
carteira. Nesse caso, iremos analisar a simulao que gerou o menos tracking error dentre os
17 casos implementados.
70
Como ponto de partida, o chute inicial para determinao da soluo final respeita todas as
restries implementadas, de forma a facilitar a processo de determinao da soluo. Alm
disso, podemos dizer que um bom chute inicial provavelmente nos deixa prximo do timo
global, facilitando a velocidade de convergncia do modelo.
A figura 13 mostra a tela no Excel com os parmetros do Solver abertos, podendo ser melhor
visto na figura 14.
71
Na figura 14, vemos que estamos querendo minimizar o tracking error, selecionando como
variveis as linhas do Excel referentes s variveis binrias e quantidades finais dos ativos.
Nesse caso, iremos analisar a simulao que gerou o menor tracking error dentre os 17 casos
implementados. Alm disso, vemos tambm as restries implementadas, como restrio de
caixa, restrio oramentrio e limite mnimo e mximo de alocao de ativos. Por fim, notem
que selecionamos tambm o mtodo do Solver, sendo ele, nesse caso, o GRG No-Linear, j
que buscamos minimizar o desvio quadrtico mdio.
72
73
74