Aula 6: CAPM e Otimização de Portfólios

Do risco individual à gestão de carteira

Objetivos de Aprendizagem

• Explicar o modelo CAPM e interpretar alpha e beta
• Construir a fronteira eficiente de Markowitz
• Otimizar portfólios com restrições práticas
• Avaliar performance de carteiras contra benchmarks

CAPM: Capital Asset Pricing Model

A pergunta central

Quanto de retorno esperado um ativo deve oferecer dado o seu nível de risco? O CAPM, desenvolvido por Sharpe (1964) e Lintner (1965), responde com uma das equações mais importantes de finanças:

CAPM — Sharpe (1964), Lintner (1965) \[E[R_i] = R_f + \beta_i \cdot (E[R_m] - R_f)\]

Parâmetro	Significado	Exemplo no Brasil
\(R_f\)	Taxa livre de risco	CDI, Selic
\(\beta_i\)	Sensibilidade do ativo ao mercado	Estimado por regressão
\(E[R_m] - R_f\)	Prêmio de risco do mercado	~5–8% a.a. historicamente

Intuição do Beta

O \(\beta\) mede a exposição ao risco sistemático (risco de mercado). É estimado pela regressão:

\[R_i - R_f = \alpha_i + \beta_i (R_m - R_f) + \varepsilon_i\]

Beta como medida de sensibilidade \[\beta_i = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)}\]

Simulador interativo: Security Market Line (SML)

A SML mostra a relação esperada entre beta e retorno segundo o CAPM:

viewof sml_rf = Inputs.range([0, 10], {
  value: 4, step: 0.5, label: "Taxa livre de risco Rf (% a.a.):"
})

viewof sml_premium = Inputs.range([2, 12], {
  value: 6, step: 0.5, label: "Prêmio de risco E[Rm]-Rf (% a.a.):"
})

{
  const rf = sml_rf;
  const premium = sml_premium;
  const rm = rf + premium;

  // Gerar pontos da SML
  const smlData = [];
  for (let b = -0.2; b <= 2.2; b += 0.01) {
    smlData.push({beta: b, retorno: rf + b * premium, tipo: "SML"});
  }

  // Ativos exemplo
  const ativos = [
    {nome: "CDI", beta: 0, retorno: rf, cor: "Sobre a SML"},
    {nome: "Ibovespa", beta: 1.0, retorno: rm, cor: "Sobre a SML"},
    {nome: "PETR4", beta: 1.3, retorno: rf + 1.3 * premium + 2, cor: "Acima (α > 0)"},
    {nome: "VALE3", beta: 1.1, retorno: rf + 1.1 * premium - 1.5, cor: "Abaixo (α < 0)"},
    {nome: "ITUB4", beta: 0.8, retorno: rf + 0.8 * premium + 0.5, cor: "Acima (α > 0)"},
    {nome: "Utilidades", beta: 0.5, retorno: rf + 0.5 * premium, cor: "Sobre a SML"},
    {nome: "Tech Growth", beta: 1.8, retorno: rf + 1.8 * premium - 2, cor: "Abaixo (α < 0)"},
  ];

  return Plot.plot({
    width: 800, height: 400,
    marks: [
      Plot.line(smlData, {x: "beta", y: "retorno", stroke: "#E50505", strokeWidth: 2}),
      Plot.dot(ativos, {
        x: "beta", y: "retorno", fill: "cor", r: 6,
        stroke: "#3F3F3F", strokeWidth: 1
      }),
      Plot.text(ativos, {
        x: "beta", y: "retorno", text: "nome",
        dy: -12, fontSize: 11, fontWeight: "bold"
      }),
      Plot.ruleY([rf], {stroke: "#808080", strokeDasharray: "4,4", strokeWidth: 1}),
      Plot.text([{x: 0.05, y: rf - 0.5, text: `Rf = ${rf}%`}],
        {x: "x", y: "y", text: "text", fill: "#808080", fontSize: 10}),
    ],
    x: {label: "Beta (β)", domain: [-0.2, 2.2]},
    y: {label: "Retorno esperado (% a.a.)"},
    color: {
      domain: ["Sobre a SML", "Acima (α > 0)", "Abaixo (α < 0)"],
      range: ["#808080", "#3ACC9F", "#E50505"]
    },
    title: `Security Market Line: Rf = ${rf}%, E[Rm] = ${rm}%`
  });
}

DicaComo ler o gráfico

• Sobre a SML: o ativo oferece exatamente o retorno previsto pelo CAPM (\(\alpha = 0\))
• Acima da SML (verde): o ativo supera o previsto (\(\alpha > 0\)) — “gera valor”
• Abaixo da SML (vermelho): o ativo fica aquém do previsto (\(\alpha < 0\)) — “destrói valor”

Interpretação do Beta

Beta	Significado	Exemplo
\(\beta = 0\)	Sem risco de mercado	CDI, renda fixa pós
\(\beta = 1\)	Move igual ao mercado	ETF de Ibovespa (BOVA11)
\(\beta > 1\)	Mais volátil que o mercado	Ações de tecnologia, small caps
\(0 < \beta < 1\)	Menos volátil que o mercado	Utilidades públicas, elétricas
\(\beta < 0\)	Move contrário ao mercado	Ouro (em alguns períodos)

Alpha de Jensen

Alpha de Jensen \[\alpha_i = R_i - [R_f + \beta_i (R_m - R_f)]\]

O alpha mede o retorno em excesso após ajustar pelo risco de mercado:

• \(\alpha > 0\): o gestor/ativo superou o que o CAPM previa — gerou valor
• \(\alpha = 0\): retorno consistente com o risco assumido
• \(\alpha < 0\): retorno inferior ao esperado — o gestor não compensou o risco

Risco Sistemático vs. Risco Idiossincrático

O risco total de um ativo pode ser decomposto em duas parcelas:

Decomposição do risco \[\underbrace{\sigma_i^2}_{\text{Risco total}} = \underbrace{\beta_i^2 \sigma_m^2}_{\text{Risco sistemático}} + \underbrace{\sigma^2(\varepsilon_i)}_{\text{Risco idiossincrático}}\]

Tipo	Fonte	Diversificável?	Remunerado pelo mercado?
Sistemático	Economia, juros, inflação, geopolítica	Não	Sim (via \(\beta\))
Idiossincrático	Específico da empresa (gestão, produto, processo)	Sim	Não

A implicação prática é poderosa: como o risco idiossincrático pode ser eliminado com diversificação, o mercado não remunera quem o carrega. Apenas o risco sistemático (\(\beta\)) é precificado. Um portfólio com 20–30 ações já elimina a maior parte do risco idiossincrático.

Beta de um portfólio

Uma propriedade fundamental do \(\beta\) é ser linear nos pesos. Para um portfólio com \(n\) ativos e pesos \(w_1, \ldots, w_n\):

Beta de portfólio \[\beta_p = \sum_{i=1}^{n} w_i \, \beta_i\]

A demonstração é imediata a partir da definição \(\beta_i = \text{Cov}(R_i, R_m) / \text{Var}(R_m)\) e da linearidade da covariância. Isso tem três implicações práticas importantes:

1. Hedge de portfólio: para neutralizar o risco de mercado de uma carteira com \(\beta_p = 0{,}8\) usando um índice futuro com \(\beta = 1\), basta vender a descoberto uma posição de tamanho \(0{,}8 \times W\).
2. Alocação tática: ajustar o \(\beta\) do portfólio (por ex., de 0,9 para 1,1) é uma forma direta de aumentar/reduzir exposição ao mercado.
3. Atribuição de performance: o \(\beta\) agregado revela quanto do retorno vem de exposição ao mercado vs. seleção de ativos.

ImportanteLimitações do CAPM

O CAPM assume: (1) investidores são racionais e avessos a risco, (2) mercados são eficientes, (3) existe um ativo livre de risco, (4) investidores podem emprestar/tomar emprestado à taxa \(R_f\). Na prática, essas hipóteses são aproximações. Modelos multifatoriais estendem o CAPM para capturar anomalias que ele não explica.

Além do CAPM: Modelos Multifatoriais

O CAPM usa apenas um fator (o mercado) para explicar retornos. Na prática, outros fatores também importam:

Fama-French 3 Fatores (1993) \[E[R_i] - R_f = \beta_i^{MKT}(R_m - R_f) + \beta_i^{SMB} \cdot SMB + \beta_i^{HML} \cdot HML\]

Fator	Significado	Prêmio histórico
MKT (Mercado)	Retorno do mercado menos \(R_f\)	~5–8% a.a.
SMB (Small Minus Big)	Retorno de small caps menos large caps	~2–3% a.a.
HML (High Minus Low)	Retorno de ações “value” menos “growth”	~3–5% a.a.

O modelo de Carhart (1997) adiciona um quarto fator: momentum (WML: Winners Minus Losers) — ações que subiram nos últimos 12 meses tendem a continuar subindo no curto prazo.

Modelos mais recentes, como o Fama-French 5 Fatores (2015), adicionam lucratividade (RMW: Robust Minus Weak) e investimento (CMA: Conservative Minus Aggressive).

Aplicações Corporativas do CAPM

O CAPM não é apenas teoria acadêmica — ele é usado diariamente em decisões corporativas reais:

1. Custo de Capital Próprio (\(K_e\))

A aplicação mais importante do CAPM no mundo corporativo é estimar o custo de capital próprio (\(K_e\)), componente essencial do WACC (Weighted Average Cost of Capital):

\[K_e = R_f + \beta \cdot (E[R_m] - R_f)\]

O WACC é usado para:

• Valuation por DCF: descontar fluxos de caixa futuros a valor presente
• Decisão de investimento: projetos com TIR > WACC criam valor; projetos com TIR < WACC destroem
• M&A: avaliar se o preço de aquisição faz sentido dado o risco do alvo

Exemplo: uma empresa de utilidades com \(\beta = 0.6\) e \(R_f = 10\%\) (Selic), prêmio de mercado de 6%:

\[K_e = 10\% + 0.6 \times 6\% = 13.6\%\]

Já uma startup de tecnologia com \(\beta = 1.8\):

\[K_e = 10\% + 1.8 \times 6\% = 20.8\%\]

A diferença no custo de capital reflete diretamente o risco percebido pelo mercado.

2. Avaliação de Performance de Fundos

Gestores de fundos são avaliados pelo alpha de Jensen: retorno ajustado ao risco. Um fundo que entregou 18% quando o CAPM previa 15% (dado seu \(\beta\)) tem \(\alpha = +3\%\) — evidência de habilidade do gestor (ou sorte).

Na prática:

• Fundos de pensão usam alpha e Sharpe para selecionar gestores
• Family offices usam para decidir entre gestão ativa (pagar taxas maiores por alpha positivo) vs. gestão passiva (ETFs com taxa baixa)
• Reguladores (CVM) monitoram se fundos estão assumindo risco compatível com o mandato

3. Gestão de Risco Corporativo

Empresas com operações internacionais usam \(\beta\) para entender sua exposição ao risco de mercado e tomar decisões de hedge:

• Tesouraria da Petrobras: \(\beta\) em relação ao petróleo determina quanto de hedge cambial/commodity é necessário
• Bancos: \(\beta\) de cada linha de negócio ajuda a alocar capital regulatório (Basileia)
• Seguradoras: usam CAPM para precificar o prêmio de risco em produtos de investimento

Fronteira Eficiente de Markowitz

A ideia genial

Harry Markowitz (Nobel 1990) mostrou que o risco de um portfólio não é a média dos riscos individuais — a diversificação reduz o risco total. Dada uma coleção de ativos, existe um conjunto ótimo de carteiras que oferece o máximo retorno para cada nível de risco.

flowchart TD
    A["Retornos Históricos<br/>dos N ativos"] --> B["Vetor de Retornos<br/>Esperados μ"]
    A --> C["Matriz de<br/>Covariância Σ"]
    B --> D["Otimização<br/>Quadrática"]
    C --> D
    D --> E["Fronteira<br/>Eficiente"]
    E --> F["Portfólio<br/>Ótimo"]

    style A fill:#E50505,color:#fff
    style D fill:#FFCC00,color:#000
    style F fill:#3ACC9F,color:#fff

Formulação Matemática

Problema de Markowitz \[\min_{\mathbf{w}} \quad \mathbf{w}^T \boldsymbol{\Sigma} \mathbf{w}\] \[\text{sujeito a} \quad \mathbf{w}^T \boldsymbol{\mu} = \mu_{\text{alvo}}, \quad \mathbf{w}^T \mathbf{1} = 1\]

onde \(\mathbf{w}\) são os pesos dos ativos, \(\boldsymbol{\Sigma}\) é a matriz de covariância e \(\boldsymbol{\mu}\) os retornos esperados.

Variando \(\mu_{\text{alvo}}\), obtemos a fronteira eficiente — a curva de portfólios ótimos no espaço risco × retorno.

Simulador interativo: Fronteira Eficiente com 3 Ativos

Ajuste as correlações entre ativos e veja como a fronteira muda:

viewof corr_12 = Inputs.range([-0.8, 0.8], {
  value: 0.3, step: 0.1, label: "ρ(Ativo 1, Ativo 2):"
})

viewof corr_13 = Inputs.range([-0.8, 0.8], {
  value: 0.1, step: 0.1, label: "ρ(Ativo 1, Ativo 3):"
})

viewof corr_23 = Inputs.range([-0.8, 0.8], {
  value: -0.2, step: 0.1, label: "ρ(Ativo 2, Ativo 3):"
})

viewof ef_rf = Inputs.range([0, 10], {
  value: 4, step: 0.5, label: "Taxa livre de risco Rf (%):"
})

viewof ef_w1 = Inputs.range([0, 100], {
  value: 40, step: 5, label: "Peso Ativo 1 (%):"
})

viewof ef_w2 = Inputs.range([0, 100], {
  value: 30, step: 5, label: "Peso Ativo 2 (%):"
})

viewof ef_w3 = Inputs.range([0, 100], {
  value: 30, step: 5, label: "Peso Ativo 3 (%):"
})

{
  const mu = [0.12, 0.08, 0.15]; // retornos esperados
  const sig = [0.20, 0.12, 0.25]; // desvio padrão
  const rho12 = corr_12, rho13 = corr_13, rho23 = corr_23;
  const rf = ef_rf;

  // Normalizar pesos para somar 100%
  const rawSum = ef_w1 + ef_w2 + ef_w3;
  const userW = rawSum > 0
    ? [ef_w1 / rawSum, ef_w2 / rawSum, ef_w3 / rawSum]
    : [1/3, 1/3, 1/3];

  function seededRandom(seed) {
    let s = seed;
    return function() {
      s = (s * 16807) % 2147483647;
      return (s - 1) / 2147483646;
    };
  }
  const rng = seededRandom(99);

  let portfolios = [];
  let frontierPoints = [];

  // Covariância
  const cov = [
    [sig[0]**2, rho12*sig[0]*sig[1], rho13*sig[0]*sig[2]],
    [rho12*sig[0]*sig[1], sig[1]**2, rho23*sig[1]*sig[2]],
    [rho13*sig[0]*sig[2], rho23*sig[1]*sig[2], sig[2]**2]
  ];

  function portfolioStats(w) {
    const ret = w[0]*mu[0] + w[1]*mu[1] + w[2]*mu[2];
    let variance = 0;
    for (let i = 0; i < 3; i++) {
      for (let j = 0; j < 3; j++) {
        variance += w[i] * w[j] * cov[i][j];
      }
    }
    return {ret: ret * 100, risk: Math.sqrt(Math.max(variance, 1e-10)) * 100};
  }

  // Gerar portfólios aleatórios (longo-only)
  for (let i = 0; i < 3000; i++) {
    const r1 = rng(), r2 = rng(), r3 = rng();
    const total = r1 + r2 + r3;
    const w = [r1/total, r2/total, r3/total];
    const stats = portfolioStats(w);
    portfolios.push({risk: stats.risk, retorno: stats.ret});
  }

  // Encontrar fronteira eficiente + melhor Sharpe por grid fino
  const retMin = Math.min(...portfolios.map(p => p.retorno));
  const retMax = Math.max(...portfolios.map(p => p.retorno));
  let bestSharpe = -Infinity;
  let bestSharpePoint = null;
  let bestSharpeW = null;

  for (let targetRet = retMin; targetRet <= retMax; targetRet += 0.1) {
    let bestRisk = Infinity;
    let bestPoint = null;
    for (let w0 = 0; w0 <= 1; w0 += 0.01) {
      for (let w1 = 0; w1 <= 1 - w0; w1 += 0.01) {
        const w2 = 1 - w0 - w1;
        const stats = portfolioStats([w0, w1, w2]);
        if (Math.abs(stats.ret - targetRet) < 0.15 && stats.risk < bestRisk) {
          bestRisk = stats.risk;
          bestPoint = {risk: stats.risk, retorno: stats.ret};
        }
        const sharpe = (stats.ret - rf) / stats.risk;
        if (sharpe > bestSharpe && stats.ret > rf) {
          bestSharpe = sharpe;
          bestSharpePoint = {risk: stats.risk, retorno: stats.ret};
          bestSharpeW = [w0, w1, w2];
        }
      }
    }
    if (bestPoint) frontierPoints.push(bestPoint);
  }

  // Portfólio de mínima variância global
  let minVarPort = frontierPoints.reduce((a, b) => a.risk < b.risk ? a : b, frontierPoints[0]);

  // Capital Market Line (tangent from Rf through best Sharpe) — clipped to chart range
  let cmlData = [];
  if (bestSharpePoint) {
    const slope = (bestSharpePoint.retorno - rf) / bestSharpePoint.risk;
    const riskMin = Math.max(0, minVarPort.risk - 3);
    for (let r = riskMin; r <= 30; r += 0.3) {
      cmlData.push({risk: r, retorno: rf + slope * r});
    }
  }

  // Portfólio customizado do usuário
  const userStats = portfolioStats(userW);

  // Ativos individuais
  const ativosInd = [
    {risk: sig[0]*100, retorno: mu[0]*100, nome: "Ativo 1 (μ=12%, σ=20%)"},
    {risk: sig[1]*100, retorno: mu[1]*100, nome: "Ativo 2 (μ=8%, σ=12%)"},
    {risk: sig[2]*100, retorno: mu[2]*100, nome: "Ativo 3 (μ=15%, σ=25%)"},
  ];

  const userSharpe = ((userStats.ret - rf) / userStats.risk).toFixed(2);
  const maxSharpeVal = bestSharpePoint ? bestSharpe.toFixed(2) : "—";

  // Dynamic x-axis: zoom around the parabola
  const allRisks = portfolios.map(p => p.risk);
  const xLo = Math.max(0, Math.min(...allRisks) - 2);
  const xHi = Math.max(...allRisks) + 2;

  return Plot.plot({
    width: 800, height: 480,
    marks: [
      // Cloud of random portfolios
      Plot.dot(portfolios, {x: "risk", y: "retorno", fill: "#DCDCDC", fillOpacity: 0.25, r: 1.5}),
      // Capital Market Line
      Plot.line(cmlData, {x: "risk", y: "retorno", stroke: "#808080", strokeWidth: 1.5, strokeDasharray: "8,4"}),
      // Efficient frontier
      Plot.dot(frontierPoints, {x: "risk", y: "retorno", fill: "#E50505", r: 2.5}),
      // Individual assets
      Plot.dot(ativosInd, {x: "risk", y: "retorno", fill: "#3ACC9F", r: 7, stroke: "#000", strokeWidth: 1}),
      Plot.text(ativosInd, {x: "risk", y: "retorno", text: "nome", dy: -14, fontSize: 10, fontWeight: "bold"}),
      // Min variance
      Plot.dot([minVarPort], {x: "risk", y: "retorno", fill: "#FFCC00", r: 8, stroke: "#000", strokeWidth: 2}),
      Plot.text([{...minVarPort, text: "Mín. Variância"}],
        {x: "risk", y: "retorno", text: "text", dy: 15, fontSize: 10, fontWeight: "bold", fill: "#b8860b"}),
      // Best Sharpe
      ...(bestSharpePoint ? [
        Plot.dot([bestSharpePoint], {x: "risk", y: "retorno", symbol: "diamond", fill: "#7B2FBE", r: 9, stroke: "#000", strokeWidth: 2}),
        Plot.text([{...bestSharpePoint, text: `Max Sharpe (${maxSharpeVal})`}],
          {x: "risk", y: "retorno", text: "text", dy: -14, fontSize: 10, fontWeight: "bold", fill: "#7B2FBE"})
      ] : []),
      // User portfolio
      Plot.dot([{risk: userStats.risk, retorno: userStats.ret}],
        {x: "risk", y: "retorno", fill: "#FF6B00", r: 9, stroke: "#000", strokeWidth: 2}),
      Plot.text([{risk: userStats.risk, retorno: userStats.ret,
        text: `Seu portfólio (${(userW[0]*100).toFixed(0)}/${(userW[1]*100).toFixed(0)}/${(userW[2]*100).toFixed(0)}) Sharpe=${userSharpe}`}],
        {x: "risk", y: "retorno", text: "text", dy: -14, fontSize: 10, fontWeight: "bold", fill: "#FF6B00"}),
    ],
    x: {label: "Risco: Desvio Padrão (%)", domain: [xLo, xHi]},
    y: {label: "Retorno Esperado (% a.a.)"},
    title: `Fronteira Eficiente: ρ₁₂=${rho12.toFixed(1)}, ρ₁₃=${rho13.toFixed(1)}, ρ₂₃=${rho23.toFixed(1)}`,
    subtitle: `Pesos normalizados: ${(userW[0]*100).toFixed(0)}% / ${(userW[1]*100).toFixed(0)}% / ${(userW[2]*100).toFixed(0)}% | CML a partir de Rf = ${rf}%`
  });
}

DicaExperimente!

• Correlações altas (0.7, 0.8): a fronteira fica “estreita” — pouco benefício de diversificação
• Correlações baixas ou negativas (-0.5, -0.8): a fronteira se curva para a esquerda — grande benefício de diversificação
• O ponto roxo (Max Sharpe) é o portfólio com melhor retorno por unidade de risco — a reta tracejada que parte de Rf e passa por ele é a Capital Market Line (CML)
• Ajuste os pesos dos 3 ativos para posicionar seu portfólio (laranja) no gráfico — tente colocá-lo sobre a fronteira eficiente!
• Note como o portfólio de mínima variância (amarelo) sempre fica à esquerda dos ativos individuais

O Papel da Diversificação

A fórmula do risco de um portfólio com 2 ativos revela a mágica da diversificação:

Risco de um portfólio com 2 ativos \[\sigma_p^2 = w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2 w_1 w_2 \rho_{12} \sigma_1 \sigma_2\]

O terceiro termo é a chave: se \(\rho_{12} < 1\) (e especialmente se \(\rho_{12} < 0\)), o risco do portfólio é menor que a média ponderada dos riscos individuais. Quanto menor a correlação, maior o benefício.

Correlação \(\rho_{12}\)	Efeito no risco do portfólio
\(+1.0\)	Nenhuma diversificação — risco é a média ponderada
\(+0.5\)	Diversificação moderada
\(0.0\)	Diversificação significativa
\(-0.5\)	Diversificação forte
\(-1.0\)	Diversificação perfeita — risco pode chegar a zero

Na prática, correlações entre ações de um mesmo mercado tipicamente variam entre 0.3 e 0.7. Diversificação entre classes de ativos (ações + renda fixa + commodities + internacional) oferece correlações menores e benefícios maiores.

Capital Market Line (CML)

Quando incluímos o ativo livre de risco (\(R_f\)), o investidor pode combinar o portfólio tangente (Max Sharpe) com empréstimo ou investimento em \(R_f\). A reta que liga \(R_f\) ao portfólio tangente é a Capital Market Line:

Capital Market Line \[E[R_p] = R_f + \frac{E[R_T] - R_f}{\sigma_T} \cdot \sigma_p\]

onde \(T\) é o portfólio tangente (Max Sharpe). Qualquer ponto na CML é uma combinação do ativo livre de risco com o portfólio tangente — e domina todos os portfólios da fronteira eficiente (exceto o próprio tangente).

Restrições Práticas

Na vida real, a otimização pura de Markowitz frequentemente produz portfólios extremos (ex: 90% em um único ativo). Para evitar isso, adicionamos restrições:

Restrição	Motivação	Exemplo
\(w_i \geq 0\)	Sem vendas a descoberto	Fundos de pensão brasileiros
\(w_i \leq w_{\max}\)	Diversificação mínima	Máximo 10–30% por ativo
\(\sum_{i \in \text{setor}} w_i \leq 0.4\)	Limite por setor	Regulação CVM/SUSEP
Custos de transação	Realismo no rebalanceamento	Corretagem + spread + impostos
Turnover \(\leq T_{\max}\)	Limitar giro da carteira	Fundos com restrição fiscal

AvisoO Problema da Estimação (Error Maximization)

A fronteira eficiente é tão boa quanto as estimativas de \(\boldsymbol{\mu}\) e \(\boldsymbol{\Sigma}\). Na prática, estimar retornos esperados é muito mais difícil que estimar covariâncias. Pequenos erros em \(\boldsymbol{\mu}\) podem gerar portfólios completamente diferentes — o otimizador explora os erros de estimação, concentrando nos ativos cujo retorno foi superestimado.

Abordagens Robustas para a Prática

Abordagem	Ideia	Quando usar
Mínima Variância	Ignora \(\mu\), usa apenas \(\Sigma\)	Quando não confia nas estimativas de retorno
Black-Litterman	Combina equilíbrio de mercado com views do gestor	Quando o gestor tem convicções sobre certos ativos
Shrinkage (Ledoit-Wolf)	“Encolhe” a covariância amostral em direção a uma estrutura mais estável	Quando \(N\) (ativos) é grande relativo a \(T\) (observações)
Risk Parity	Equaliza a contribuição de risco de cada ativo	Quando quer diversificação de risco, não de capital
Resampled Frontier	Simula múltiplas fronteiras e tira a média	Quando quer estabilidade nas alocações

Caso: Como Fundos de Pensão Usam Markowitz

Fundos de pensão brasileiros (como Previ, Petros, Funcef) gerem centenas de bilhões em ativos e usam variantes de Markowitz diariamente:

1. Estudo de ALM (Asset-Liability Management): a fronteira eficiente é construída considerando não apenas retorno/risco dos ativos, mas também o passivo atuarial (obrigações futuras com aposentados). O portfólio ótimo minimiza o risco de não conseguir pagar os benefícios.

2. Rebalanceamento trimestral: a cada trimestre, o comitê de investimentos revisa as estimativas de \(\mu\) e \(\Sigma\) e reotimiza, respeitando limites regulatórios (Resolução CMN 4.994).

3. Stress testing: além da fronteira “normal”, simulam cenários extremos (2008, COVID) para verificar se o portfólio sobrevive a crises. O VaR e o ES (aula anterior) são métricas centrais nessa análise.

Indicadores de Performance

Indicador	Fórmula	Interpretação
Sharpe	\(\frac{R_p - R_f}{\sigma_p}\)	Retorno por unidade de risco total
Sortino	\(\frac{R_p - R_f}{\sigma_{\text{down}}}\)	Sharpe usando apenas downside risk
Treynor	\(\frac{R_p - R_f}{\beta_p}\)	Retorno por unidade de risco sistemático
Information Ratio	\(\frac{R_p - R_b}{\sigma(R_p - R_b)}\)	Excesso de retorno por tracking error
Max Drawdown	\(\max_t \frac{P_{\max} - P_t}{P_{\max}}\)	Maior queda acumulada do pico

Sharpe como inclinação da Linha do Mercado de Capitais (CML)

A SML (Security Market Line) liga \(\beta\) a retorno esperado para ativos individuais. A CML (Capital Market Line) faz o mesmo para portfólios eficientes compostos pelo ativo livre de risco e pelo portfólio de mercado:

Capital Market Line \[E[R_p] = R_f + \underbrace{\frac{E[R_m] - R_f}{\sigma_m}}_{\text{Sharpe do mercado}} \cdot \sigma_p\]

A inclinação da CML é exatamente o Sharpe ratio do portfólio de mercado. Isso dá ao Sharpe uma interpretação geométrica forte:

• O Sharpe de qualquer portfólio é a inclinação da reta que liga \(R_f\) a esse portfólio no plano \((\sigma, E[R])\)
• O portfólio tangente à fronteira eficiente a partir de \(R_f\) é o que maximiza o Sharpe ratio — é ele que define a CML
• Todos os portfólios sobre a CML dominam qualquer portfólio abaixo dela, ou seja, oferecem mais retorno para o mesmo risco

Essa é a razão profunda pela qual o Sharpe é o indicador de performance mais usado: ele identifica a reta mais inclinada no plano risco-retorno, e qualquer combinação linear entre \(R_f\) e o portfólio tangente é eficiente.

Sharpe vs. Sortino

O Sharpe penaliza toda volatilidade igualmente — tanto ganhos extremos quanto perdas extremas. O Sortino penaliza apenas a volatilidade negativa (downside), o que é mais intuitivo: investidores não se importam com “surpresas positivas”.

Na prática, a escolha da métrica depende do contexto:

Situação	Métrica preferida	Por quê
Comparar fundos multimercado	Sharpe	Padrão da indústria, facilita comparação
Avaliar proteção de capital	Sortino	Foco no downside, relevante para perfis conservadores
Gestor que assume risco direcional	Treynor	Separa risco de mercado (\(\beta\)) da habilidade
Tracking de benchmark	Information Ratio	Mede consistência do excesso de retorno
Apresentar para cliente leigo	Max Drawdown	“Quanto perderia no pior momento” — mais intuitivo

Caso: Alocação para Pessoa Física

Um cliente private do Itaú tem R$ 5 milhões e perfil moderado. Você precisa montar uma carteira com:

• Pelo menos 30% em renda fixa
• No máximo 10% em um único ativo
• Sharpe ratio > 0.5

Discussão com o grupo:

1. Quais classes de ativos você consideraria? (Renda fixa, ações, fundos imobiliários, ouro, internacional)
2. Como você estimaria os retornos esperados e a matriz de covariância?
3. Como apresentaria a fronteira eficiente para um cliente que não é analista quant?
4. Qual a frequência ideal de rebalanceamento?

Workflow Completo: Da Teoria à Carteira Real

Na prática corporativa, a construção de portfólios segue um pipeline estruturado:

flowchart TD
    A["1. Definir Universo<br/>de Ativos"] --> B["2. Estimar μ e Σ"]
    B --> C["3. Definir Restrições<br/>(regulatórias + cliente)"]
    C --> D["4. Otimizar<br/>(Markowitz + robustez)"]
    D --> E["5. Backtesting<br/>e Stress Test"]
    E --> F["6. Implementar<br/>e Monitorar"]
    F -->|"Rebalanceamento<br/>periódico"| B

    style A fill:#E50505,color:#fff
    style D fill:#FFCC00,color:#000
    style F fill:#3ACC9F,color:#fff

Etapa	Ferramenta/Modelo	Cuidado principal
Estimar \(\mu\)	Média histórica, CAPM, Black-Litterman	Retornos passados ≠ retornos futuros
Estimar \(\Sigma\)	Covariância amostral, shrinkage, DCC-GARCH	\(N > T\) gera matriz singular
Otimizar	QP solver, scipy.optimize, cvxpy	Error maximization se não usar robustez
Backtest	Rolling window, walk-forward	Cuidado com look-ahead bias
Monitorar	Sharpe, drawdown, tracking error	Rebalancear demais gera custos

Quizzes: Teste seu Entendimento

CuidadoQuestão 1: PETR4 tem \(\beta = 1.3\). Se o Ibovespa subir 10%, quanto você espera que PETR4 suba (pelo CAPM)?

Pelo CAPM, o excesso de retorno de PETR4 é \(\beta\) vezes o excesso de retorno do mercado. Se \(R_f = 4\%\) e o Ibovespa sobe 10%: excesso do mercado = \(10\% - 4\% = 6\%\). Excesso esperado de PETR4 = \(1.3 \times 6\% = 7.8\%\). Retorno total esperado = \(4\% + 7.8\% = 11.8\%\). Atenção: na prática, o \(\beta\) é estimado com erro e não é constante ao longo do tempo.

CuidadoQuestão 2: Um fundo tem alpha de Jensen positivo. O que isso significa?

O fundo entregou retorno acima do que o CAPM previa para o nível de risco (\(\beta\)) assumido. Se o CAPM previa 12% e o fundo entregou 14%, o alpha é +2%. Isso pode indicar: (a) habilidade genuína do gestor em selecionar ativos, (b) exposição a fatores de risco não capturados pelo CAPM (tamanho, valor, momentum), ou (c) simplesmente sorte (alpha pode não ser estatisticamente significativo). Para distinguir, analise o p-valor do alpha e o período da análise.

CuidadoQuestão 3: A fronteira eficiente é uma curva. Um portfólio abaixo dela é ineficiente. O que isso significa na prática?

Significa que existe outro portfólio com o mesmo risco mas retorno maior (ou mesmo retorno mas risco menor). O investidor está “deixando dinheiro na mesa” — poderia melhorar seu retorno sem assumir mais risco, simplesmente rebalanceando os pesos. Na prática, portfólios ineficientes surgem por: (1) restrições regulatórias, (2) custos de transação, (3) alocação por “intuição” em vez de otimização, (4) home bias (concentração em ativos domésticos).

CuidadoQuestão 4: Você otimizou um portfólio e ele colocou 90% em um único ativo. O que provavelmente aconteceu? Como resolver?

O otimizador de Markowitz é extremamente sensível às estimativas de retorno esperado (\(\boldsymbol{\mu}\)). Pequenas diferenças nos retornos estimados levam a concentrações extremas. Isso é chamado de “error maximization” — o otimizador concentra nos ativos cujo retorno foi superestimado por erro amostral. Soluções: (1) impor restrições de peso máximo (ex: \(w_i \leq 20\%\)); (2) usar shrinkage nos retornos esperados (ex: Black-Litterman); (3) usar portfólio de mínima variância (ignora \(\mu\), usa apenas \(\Sigma\)); (4) equal risk contribution (risk parity).

CuidadoQuestão 5: O Sharpe do seu portfólio é 0.8 e o do Ibovespa é 0.5. O que você conclui?

Seu portfólio oferece mais retorno por unidade de risco que o Ibovespa. Para cada 1% de volatilidade, seu portfólio entrega 0.8% de excesso de retorno (acima do CDI), enquanto o Ibovespa entrega 0.5%. Porém, cuidado: (1) o Sharpe pode mudar drasticamente dependendo do período analisado; (2) se o portfólio tem alavancagem ou derivativos, a comparação não é direta; (3) o Sharpe assume distribuição normal dos retornos — para retornos assimétricos, o Sortino pode ser mais informativo.

Para Saber Mais

• Bodie, Z., Kane, A., & Marcus, A.J. (2018). Investments. 11th ed. McGraw-Hill. Cap. 7–8.
• Markowitz, H. (1952). Portfolio Selection. The Journal of Finance.
• Black, F. & Litterman, R. (1992). Global Portfolio Optimization. Financial Analysts Journal.
• Lopez de Prado, M. (2018). Advances in Financial Machine Learning. Cap. 16: Machine Learning Asset Allocation.