Você está na página 1de 78

FACULDADE DE ECONOMIA E FINANAS IBMEC

PROGRAMA DE PS-GRADUAO E PESQUISA EM

ADMINISTRAO E ECONOMIA

DISSERTAO DE MESTRADO
PROFISSIONALIZANTE EM ECONOMIA

UM MODELO SETORIAL PARA A


INDEXAO DE CARTEIRAS DE AES
NO BRASIL.

RAPHAEL CROUZEILLES DE ARAUJO

ORIENTADOR: PROF. DR. ANTNIO MARCOS DUARTE JUNIOR

Rio de Janeiro, 29 de maio de 2012.

UM MODELO SETORIAL PARA A INDEXAO DE CARTEIRAS DE AES NO


BRASIL

RAPHAEL CROUZEILLES DE ARAUJO

Dissertao apresentada ao curso de


Mestrado Profissionalizante em Economia
como requisito parcial para obteno do
Grau de Mestre em Economia.
rea de Concentrao: Finanas

ORIENTADOR: ANTNIO MARCOS DUARTE JUNIOR

Rio de Janeiro, 29 de maio de 2012.

UM MODELO SETORIAL PARA A INDEXAO DE CARTEIRAS DE AES NO


BRASIL

RAPHAEL CROUZEILLES DE ARAUJO

Dissertao apresentada ao curso de


Mestrado Profissionalizante em Economia
como requisito parcial para obteno do
Grau de Mestre em Economia.
rea de Concentrao: Finanas
Avaliao:

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

Rio de Janeiro, 29 de maio de 2012.

332.63220981
A658m

Arajo, Raphael Crouzeilles de.


Um modelo setorial para a indexao de carteiras de aes no
Brasil. / Raphael Crouzeilles de Arajo. - Rio de Janeiro:
Faculdades Ibmec, 2012.
77.; 29 cm.
Dissertao de Mestrado Profissionalizante apresentada ao
Programa de Ps-Graduao e Pesquisa em Administrao e
Economia das Faculdades Ibmec, como requisito parcial necessrio
para a obteno do ttulo de Mestre em Economia.
rea de concentrao: Finanas.
Orientador: Dr. Prof. Antnio Marques Duarte Junior.
1.

Economia. 2. Finanas. 3. Indexao de carteiras.4.


Tracking error. I. Arajo, Raphael Crouzeilles de.II. Dr.
Prof. Antnio Marques Duarte Junior. III. Um modelo
setorial para a indexao de carteiras de aes no Brasil.

DEDICATRIA

Dedico este trabalho toda minha famlia que me apoiou


durante todo o tempo, principalmente minha me, Tania, e
minha irm Fernanda. Agradeo tambm a Jeniffer, minha
companheira durante todo esse perodo.

AGRADECIMENTOS
Agradeo ao meu orientador Antnio Marcos Duarte pela elaborao desse trabalho, desde a
deciso do tema quanto elaborao do projeto.

Agradeo tambm todos os professores e funcionrios que de alguma forma ajudaram


durante a realizao do Mestrado em Economia.
Dedico tambm este trabalho Jeniffer, minha companheira durante todo esse tempo.
toda minha famlia, em especial minha me e irm.

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.

Palavras Chave: Indexao de carteiras, tracking error

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.

Key Words: portfolio indexing, tracking error

Figura 1- % de Participao dos ativos no ndice Ibovespa (Terceiro Quadrimestre de 2011) 14


YFigura 2- Volatilidade Anualizada do ndice Ibovespa..........................................................17
YFigura 3- T.E do Modelo Simples (desvios absolutos)..........................................................45
YFigura 4- T.E do Modelo Simples (desvios realizados).........................................................45
YFigura 5- T.E da Carteira (desvios absolutos)........................................................................47
YFigura 6- T.E da Carteira ( desvios realizados ).....................................................................47
YFigura 7- T.E da Carteira com Estratificao (desvios absolutos da Primeira Simulao)....51
YFigura 8- T.E da Carteira com Estratificao (desvios realizados da Primeira Simulao)...51
YFigura 9- T.E da Carteira com Estratificao (desvios absolutos da Segunda Simulao)....53
YFigura 10- T.E da Carteira com Estratificao (desvios realizados da Segunda Simulao).53
Figura 11- Desvios realizados do Modelo na Forma Quadrtica e em Mdulo...55
Figura 12- Desvios Realizados dos Modelos No Lineares.....................................................57
Figura 13- Modelagem pelo Solver......71
Figura 14- Parmetros do Solver..72

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

alocao final do ativo i.


= variveis

de controle.

retorno da carteira do gestor no perodo j, levando-se em conta os custos de

transao

(Zi ) = varivel binria utilizada para indicar o investimento no ativo j ( investir


igual 1 ).
PARMETROS:

= retorno do ndice selecionado no perodo j.


( r ndice
j
( c i = custo de transao do ativo j, definido pela mdia do spread do preo de
compra e de venda.
( ai = alocao inicial do ativo j.
= limite inferior de alocao da carteira.
= limite superior de alocao da carteira.
h = limite mximo de ativos na carteira otimizada.
w = financeiro disponvel para investimento.
rj = retorno mdio do ativo j.
iq = covarincia entre retornos dos ativos i & q.
= taxa mnima de retorno.
= matriz contendo os ativos disponveis.
= matriz contendo as restries da estratificao amostral.
= limite de turnover da carteira.
C = caixa total disponvel.
= limite mnimo de caixa.

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

INCLUSO DE VARIVEIS BINRIAS...........................................................................................35

3.2

INCLUINDO ESTRATIFICAO AMOSTRAL NO MODELO....................................................37

3.3

MODELO COM DESVIOS EM MDULO........................................................................................39

3.4

MODELO UTILIZANDO A MEDIANA NA FUNO OBJETIVO...............................................41

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

RESULTADOS COM DESVIOS EM MDULO NA FORMA LINEAR.........................................55

4.5

COMPARAO ENTRE MODELOS NO LINEARES.................................................................56

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.

Gestores de portflios costumam avaliar a performance de suas carteiras comparando-as a


benchmarks ou, no caso em questo, ao indexador do portflio (gesto passiva). Esse
benchmark pr-estabelecido na poltica de investimento, definida de acordo com as
caractersticas dos indivduos. O indexador do portflio nada mais do que um indicador
estatstico que busca mensurar mudanas de um mercado especfico (como o mercado de
aes e bonds). Porm, em uma gesto passiva da carteira, alguns problemas surgem, sendo,
um deles, como selecionar os ativos e quantidades dos mesmos que minimizem o tracking

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.

Em termos de gesto ativa de recursos, um dos modelos mais conhecidos relacionados


alocao de portflio o modelo de Mdia Varincia de H.V. Markowitz (1952). A idia
central gerar uma carteira de ativos baseada em dados histricos que minimize o risco,
medida em termos da mdia e varincia da carteira gerada. Dado que esses momentos levam
em considerao o efeito de pares de ativos sobre outros, essa modelagem torna-se bastante
eficiente em termos de diversificao.

Konno e Yamazaki (1991) mantiveram a mesma idia de minimizao de risco, porm em


termos do desvio absoluto mdio. Assumindo que os retornos dos ativos observados possuem
distribuio Normal Multivariada, os mesmos mostraram a equivalncia entre o modelo
proposto e o de Markowitz (1952).

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

mencionar modelos de otimizao voltados para a alocao de recursos com base na


indexao.

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

Com o crescimento de fundos indexados e Exchange Traded Funds, estratgias de gesto


passiva passaram a ter mais importncia no mercado financeiro. Uma forma inicial de
alocao de recursos seria implementar a replicao total de um ndice especfico, ou seja,
comprar todos os ativos que compem o ndice em quantidades proporcionais aos pesos dos
mesmos. Porm, existem uma srie de fatores que impedem ou geram entraves replicao
total do ndice como custos de transao e iliquidez de alguns ativos. Dessa forma, buscam-se
mtodos que visam eliminar ou reduzir esses contratempos. Como mencionado anteriormente,
uma das estratgias relacionada indexao utiliza como base modelos de otimizao
voltados para a minimizao do tracking error de uma carteira.

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.

Figura 1 - % de Participao dos ativos no ndice Ibovespa (Terceiro Quadrimestre de 2011)

O OBJETIVO

O objetivo do trabalho , a partir de tcnicas de otimizao, indexar uma carteira hipottica ao


ndice Ibovespa, utilizando restries que busquem resultados parcimoniosos e prximos da
realidade. A idia aprimorar modelos de otimizao com aplicao no Brasil, com
possibilidade de aplicao real em termos de gesto de recursos. Alm disso, a partir dos
modelos apresentados nesse trabalho, podemos expandi-lo de vrias formas, de forma a
incorporarmos estratgias de compra e venda de aes, alm da modelagem de diversos
custos de transao.

JUSTIFICATIVA

A abordagem do tema torna-se relevante principalmente em funo da reduzida literatura de


indexao de carteiras voltadas para o mercado brasileiro (alm disso, de forma geral, a
literatura voltada para estratgias passivas de carteiras, se comparada com o caso da gesto
ativa, significativamente menor).
14

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.

Dessa forma, os trabalhos mencionados, alm daqueles desenvolvidos posteriormente,


aumentaram o debate entre as melhores escolhas de formas de gesto (passiva ou ativa) e qual
o mtodo a ser implementado. Somando isso pouca literatura voltada para fundos indexados
no Brasil, torna-se importante uma anlise mais profunda voltada para o mercado brasileiro.

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

Uma das limitaes do modelo refere-se ao fato de utilizarmos a tcnica de amostragem


estratificada para assim minimizarmos o tracking error. Dividiremos os ativos que compem
o ndice em setores industriais, obrigando o modelo a determinar um nmero especfico de
ativos de cada setor (por exemplo, podemos restringir o modelo a selecionar apenas 1 ativo de
cada setor). Dessa forma, limitamos o nmero de combinaes possveis de ativos que
16

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).

Um outro problema ao minimizarmos o tracking error est relacionado volatilidade do


ndice escolhido, assim como a participao de cada ativo que compe o mesmo. Ao
analisarmos o caso brasileiro, vemos que o ndice Ibovespa possui elevada volatilidade, assim
como elevada concentrao em poucos ativos, tendendo a gerar assim elevados tracking
errors.

Figura 2- Volatilidade Anualizada do ndice Ibovespa

ESTRUTURA DA DISSERTAO

No captulo 2, explicaremos melhor o conceito de gesto e as diversas estratgias de


investimento, como a indexao e as diversas tcnicas de implementao. Posteriormente, no
captulo 3, explicitaremos o modelo utilizado neste trabalho baseado em Duarte (1997),
explicando tambm a incluso de novas restries. J no captulo 4 falaremos sobre as

17

simulaes implementadas, assim como os dados utilizados em nosso modelo, enquanto que o
captulo 5 concluir o presente trabalho.

18

GESTO

Como mencionado anteriormente, a gesto de investimento um mtodo ou processo


decisrio sobre como alocar a renda de determinado indivduo em um instante do tempo.
Porm deve-se dizer que existem determinadas etapas que devem ser cumpridas, desde a
identificao do perfil de risco do investidor at a seleo dos ativos e monitoramento do
portflio.

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).

Aps elaborao da poltica de investimentos, o gestor deve estudar sobre as condies


econmicas visando identificar possveis tendncias e, dessa forma, buscar as melhores
estratgias que busquem relacionar tanto o regulamento quanto o perfil do investidor com o
cenrio econmico traado pelo gestor.
19

Somando o regulamento do investidor, delineando suas necessidades, com os cenrios


econmicos e financeiros definidos pelo gestor, o prximo passo definir a estratgia de
investimento. As estratgias de alocao de recursos costumam ser definidas em 3 tipos:
ativa, passiva ou enhanced indexing. A idia central da construo do portflio gerar uma
carteira com exposio mnima de risco que satisfaa as restries e condies da poltica de
investimento.

Por fim, a ltima etapa do processo de administrao de recursos o monitoramento das


necessidades do investidor, buscando implementar possveis mudanas na poltica de
investimento. Alm disso, nessa etapa, mensura-se o desempenho da carteira do investidor,
comparando o resultado s necessidades previamente estabelecidas pelo investidor.

2.1 GESTO ATIVA


O objetivo da gesto ativa obter retornos acima de um determinado benchmark. Note que,
uma das hipteses que norteia qualquer estratgia de investimento baseia na eficincia de
mercado, como visto em Fama (1970). Nesse caso, supe-se que mercados no so eficientes
e, dessa forma, existem assimetrias nos preos dos ativos, possibilitando a existncia de
elevados retornos. Podemos definir estratgias de gesto ativa em 2 categorias: anlise
fundamentalista e anlise tcnica.

necessrio dizer que as estratgias mencionadas no pargrafo anterior esto intimamente


relacionadas com duas tcnicas de gesto ativa definidas no artigo de Fama (1972), sendo elas
stock picking e market timing. Porm, ambos os casos esto presentes tanto em estratgias
voltadas para a anlise fundamentalista quanto tcnica.

20

Nas sees a seguir apresentaremos tambm os modelos mencionados no captulo introdutrio


relacionados gesto ativa, sendo eles o modelo Mdia Varincia de Markowitz (1956) e o
modelo de Konno e Yamazaki (1991).

2.1.1 ANLISE FUNDAMENTALISTA


Nesse caso, podemos definir 2 estratgias: top-bottom e bottom-up. No primeiro caso, analisase primeiramente a condio da economia de um pas como um todo, pois queles que
utilizam essa estratgia acreditam que efeitos econmicos e industriais como um todo geram
impactos significantes nos retornos dos ativos. Aps a anlise do cenrio geral, o gestor filtra
o espectro da anlise, passando a observar os setores industriais at chegar na anlise de um
especfico ativo. No segundo caso, a premissa a de que possvel encontrar ativos que esto
subvalorizados se comparados com o preo de mercado e com o setor industrial especfico.
Note que as 2 estratgias baseiam-se primordialmente no princpio de seleo de ativos (stock
picking) e na determinao de qual o melhor momento para comprar ou vender os ativos
( market timing).

2.1.2 ANLISE TCNICA


Essa estratgia envolve basicamente a anlise de dados passados como preos e volumes,
determinando tendncias de preos futuros. Dessa forma, tal mtodo diverge da anlise
fundamentalista, pois dados econmicos so analisados conjuntamente com os ativos j que,
nesse caso, o mercado considerado o melhor previsor.

Existem algumas hipteses atreladas anlise tcnica. A primeira a de que o valor de


mercado de um ativo determinando apenas pela oferta e demanda. A segunda que a oferta
e demanda influenciada por fatores racionais e irracionais. A terceira diz que o preo de um
21

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).

2.1.3 MODELO MDIA VARINCIA


Suponha que existam um total de n de ativos disponveis. Para cada ativo, calcula-se a taxa de
retorno simbolizada por Rj para cada perodo. Define-se tambm

X i , i = 1, ... , n , sendo

essas as variveis representando o peso de cada ativo na carteira total. O modelo,


inicialmente, assume que os gestores so impossibilitados de ficarem vendidos nos ativos, ou

seja,

Xi

=1 e

X i 0 para todo i = 1, ... , n.

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

Rj(x1, ... , xn) = E

j=1

R ji X i =

i=1

R i X i

Sendo Rj o retorno esperado do portflio para cada perodo j, onde

(2.1.1)

R i

a taxa mdia de

retorno do ativo i. Da mesma forma, podemos definir a varincia da carteira como:

22

( x )= X i X q iq
2

, q=1,... , n , i=1,... , n

(2.1.2)

i=1 q=1

onde iq

a covaricia entre os ativos i e q, definida como:

1
iq = [ ( r ij R i )( r qj R q ) ]
m j=1

q=1,... , n , i=1,... , n

(2.1.3)

A partir desses parmetros, definimos o modelo de Mdia Varincia de Markowitz como um


problema quadrtico de Kuhn-Tucker da seguinte forma:

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.

2.1.4 DESVIO ABSOLUTO MDIO


Como mencionado, o modelo de otimizao proposto por Konno e Yamazaki (1991)
representa uma aproximao linear do modelo Mdia Varincia de Markowitz. O desvio
absoluto pode ser definido como:

( 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)

ou seja, o problema de otimizao de Mdia Varincia equivalente minimizao do Desvio


Absoluto Mdio.

Podemos, alternativamente, escrever o desvio absoluto mdio como:

[|
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)

Com isso, podemos definir o problema de minimizao da seguinte forma:


24

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

As duas primeiras restries buscam igualar

, i 1,..., n

(2.2.4)

ao valor absoluto da soma de desvios no

perodo j. Alm disso, foi includa outra restrio estabelecendo que a soma dos retornos para
cada ativo escolhido maior do que o retorno

, um parmetro exgeno. Por fim, as duas

ltimas restries so semelhantes s do modelo de Markowitz, representando,


respectivamente, a restrio oramentria dos investidores e a impossibilidade dos gestor de
manter posies vendidas nos ativos.

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.

2.2 GESTO PASSIVA


A gesto passiva busca montar um portflio que replique a performance de um ndice
especfico (ou o benchmark). Podemos listar algumas vantagens e desvantagens dessa forma
de gesto, dentre elas:

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.

3- Supondo a existncia de eficincia de mercado, a indexao de portflio


considerada como uma das melhores estratgias de investimento, dado que pouca
informao ainda no est disponvel para o mercado. Dessa forma, o gestor
provavelmente no tomar decises que sejam extremamente custosas.

Desvantagens:

26

4- Tracking error do ndice, ou seja, a diferena entre o retorno do portflio e do


ndice diverge entre gestores.
5- Dada a correlao positiva com o ndice, perde-se a habilidade ou a possibilidade
de alterar estratgias defensivas ou ofensivas em funo de condies adversas de
mercado.

6- Retornos determinados apenas pelo ndice.


necessrio dizer que existem alguns elementos que influenciam e impactam diretamente os
desvios entre a carteira do gestor e do ndice. Chiang (1998) identifica alguns fatores que
influenciam o tracking error dos fundos, sendo eles: custos de transao (a liquidez um fator
crucial nesse caso pois, ao selecionarmos uma quantidade menor de ativos para compor a
carteira, prevenimos posies muito pequenas e/ou ilquidas); fluxo de caixa do fundo; a
volatilidade e tratamento de dividendos do ndice; mudanas na composio do ndice (a
entrada de um novo ativo no ndice faz com que o gestor compre o mesmo, possivelmente a
um preo valorizado dado que, empiricamente, quando um ativo passa a fazer parte de um
tradicional ndice, o mesmo passa a ser mais valorizado, gerando um aumento no preo).
Dessa forma, nota-se a existncia de um trade-off entre a minimizao do tracking error e dos
custos de transao.

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.

2.2.1 HIPTESE DE EFICINCIA DE MERCADO


Desde a dcada de 50, artigos mostram que no possvel identificar padres nos preos dos
ativos, ou seja, mudanas nos preos so aleatrias e no podem ser previstas, sendo que
27

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.

2.2.2 BUY AND HOLD


Essa estratgia mais comum em carteiras de bonds. Basicamente envolve investir em ativos
com caractersticas que satisfaam o perfil do investidor. Caractersticas como cupom,
vencimentos e duration dos bonds so analisadas no processo de seleo de ativos,
carregando os ttulos selecionados at o vencimento dos mesmos.

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

2.2.3.1 CONTRATOS FUTUROS


Em mercado lquidos, a utilizao do contrato futuro de ndice torna-se um instrumento
relativamente simples de indexao. Um contrato futuro de ndice Bovespa nada mais do
que um derivativo com vencimento pr-determinado, sendo o ativo uma cesta de aes. Alm
disso no existe entrega fsica, apenas a liquidao financeira.

Contudo, a utilizao de contratos futuros possuem limitaes. Uma delas, j mencionada no


pargrafo anterior, refere-se ao fato dos contratos possurem vencimentos fixos, sendo
necessrio rolar o ndice mensalmente, gerando custos de transao durante a rolagem. Alm
disso, ao utilizarmos contratos futuros, impossibilitamos o emprstimo de aes que seria
disponvel nos demais casos de indexao.

2.2.3.2 FULL REPLICATION


Esse mtodo pode ser considerado como o mais simples de todos. Basicamente, o gestor pode
comprar todos os ativos que compem o ndice, levando em conta o peso dos mesmos na
carteira, reproduzindo totalmente o ndice.

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.

2.2.3.3 AMOSTRAGEM ESTRATIFICADA


Esse mtodo busca minimizar o tracking error selecionando especificidades relacionadas aos
ativos que compem o ndice responsveis pela tomada de deciso do gestor.

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.

Estratificar uma tcnica que certamente reduzir os custos de transao se compararmos


com o full replication, pois selecionamos menos ativos, porm, o mesmo sofre limitaes,
principalmente em termos de controle de risco. Ao filtrarmos caractersticas especficas de
cada ativo, ignoramos os demais fatores de risco que influenciam o ndice. Alm disso, a
determinao do mtodo de estratificao a ser utilizado baseia-se na premissa de que o
mesmo possui grande influncia no ndice. Caso no seja verdade, possivelmente existir
outra combinao de ativos mais eficiente que minimize ainda mais o tracking error da
carteira.

2.2.3.4 LARGEST HOLDING


A lgica da indexao via largest holding baseia-se na compra de ativos com maiores pesos
no ndice. A idia que os ativos com maiores pesos explicam melhor a dinmica do ndice e,
dessa forma, torna-se uma interessante estratgia de indexao.

Ao utilizarmos tal mtodo, eliminamos o problema de liquidez e, quanto maior a liquidez,


menores sero os custos de operao. Note que, ao selecionarmos os ativos, necessrio ainda
minimizar o tracking error para assim determinarmos o peso dos ativos na carteira. Contudo,
esse procedimento possui a mesma falha que a amostragem estratificada em termos de
controle de risco.

31

2.2.4 DESVIO ABSOLUTO MDIO DE DUARTE (1997)


O modelo proposto em Duarte (1997) utiliza como tracking error o desvio absoluto mdio
entre a carteira a ser otimizada e o ndice considerado como benchmark. Alm disso,
adicionamos uma nova restrio de turnover e definimos custos fixos para cada ativo
negociado, sendo os mesmos obtidos a partir da mdia dos spreads dos bids e asks dirios dos
ativos. Alm disso, definimos m como o total de perodos,

r
ij

o retorno do ativo i no

perodo j, j=1,2, , m e i=1,2, , n .Dessa forma, temos que:

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).

As duas primeiras restries podem ser consideradas como restries de equilbrio.


Basicamente, fazem com que a alocao inicial da carteira somada deva ser igual quantidade
final somada ou reduzida de um fator (no caso, os fatores seriam as variveis

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.

2.3 ENHANCED INDEXING


Como mencionado anteriormente, tal metodologia busca incluir estratgias tanto ativas como
passivas. Ao analisar o cenrio econmico ou condies especficas de ativos, o gestor pode
determinar que existam estratgias ativas que gerem performance superior ao do mercado.
Caso contrrio, o gestor pode ser mais conservador e adotar estratgias passivas. Dessa forma,
pode existir uma combinao de estratgias tanto ativas quanto passivas que, em funo da
necessidade do investidor e do cenrio econmico financeiro, determinaro a alocao tima
de recursos. Com isso, um possvel efeito seria o de sacrificar o tracking error da carteira em
relao ao benchmark, garantindo, por outro lado, melhor performance.

33

O MODELO

Como mencionado anteriormente, o modelo proposto baseado em Duarte (1997) com a


incluso de novas restries. Primeiramente, torna-se necessrio enunciarmos as variveis e
parmetros, presentes em nossos modelos, definidos da seguinte forma:
VARIVEIS DE DECISO:
( X i = alocao final do ativo i.
(Zi )= varivel binria utilizada para indicar o investimento no ativo i.
PARMETROS:
( r ndice
= retorno do ndice selecionado no perodo j.
j
= limite inferior de alocao da carteira.
= limite superior de alocao da carteira.
h = limite mximo de ativos na carteira otimizada.
w = financeiro disponvel para investimento,

= matriz contendo os ativos disponveis

= matriz contendo as restries da estratificao amostral

= caixa total disponvel

= limite mnimo de caixa.


NDICES:
j = 1, ... , m perodos
i = 1,, n

ativos

k = 1,, s

setores

Em nossas simulaes, faremos as seguintes suposies:


= 2%
= 20%
w = R$100.000.000,00
= 2%

34

Inicialmente, explicitaremos o modelo inicial sem a incluso de variveis binrias e sem


rebalanceamento. Dessa forma, temos a seguinte formulao (na forma de desvio quadrtico
mdio):

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)

3.1 INCLUSO DE VARIVEIS BINRIAS


Visando aperfeioar o modelo, fazendo com que o mesmo selecione no s a quantidade
tima dos ativos mas tambm quais ativos sero escolhidos, necessrio definirmos uma
nova varivel binria Zi {0,1}, assumindo valor zero quando o ativo i no selecionado
no ponto de timo e valor um caso contrrio. Alm disso, outro fator interessante, que nos
aproxima da realidade, diz respeito restrio do nmero de ativos permitidos na carteira,
sendo definida como uma restrio de cardinalidade, limitando a quantidade total de ativos

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

linha que contm todos os ativos disponveis.

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

3.2 INCLUINDO ESTRATIFICAO AMOSTRAL NO MODELO


Definidas as variveis binrias torna-se importante relacionar os ativos a serem selecionados
em funo tambm dos setores industriais que pertencem. Dessa forma, substitumos a
restrio de cardinalidade da seo anterior pela seguinte restrio:

( s x n) ( Z n x1 ) =s x 1

Onde s xn

(3.3)

uma matriz contendo s setores e n ativos, Z n x1 um vetor coluna contendo

as variveis binrias e

sx 1

um vetor coluna contendo as restries totais por cada setor.

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

3.3 MODELO COM DESVIOS EM MDULO


Alm de utilizarmos o desvio quadrtico mdio, iremos implementar tambm a forma
absoluta de desvios. A forma no linear dos desvios utilizando a funo modular direto na
funo objetivo pode ser descrita da seguinte forma:

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

3.4 MODELO UTILIZANDO A MEDIANA NA FUNO OBJETIVO


Utilizando no s a funo objetivo em mdulo e na forma quadrtica, podemos implementar
a mediana dentro da funo objetivo. Dessa forma:

Mediana B12 , B22 , B32 ,..., B 2j

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

4.2 RESULTADOS SEM ESTRATIFICAO AMOSTRAL


Os resultados mencionados dizem respeito forma quadrtica com a adio das variveis
binrias e inteiras, ou seja, o modelo da seo 3.1 do Captulo 3. Utiliza-se como passo inicial
no modelo de otimizao os mesmos pesos dos ativos que compem o ndice. Alm disso,
definimos o parmetro de mnimo de caixa equivalente 2%, com recursos disponveis no
total de R$100.000.000.

4.2.1 UM MODELO SIMPLES


Como ponto de partida, iremos implementar um caso com apenas 6 ativos, inseridos em
apenas 2 setores industriais (Minerao e Petrleo e Gs). A idia analisar o comportamento
do modelo na situao mais simples possvel. Nesse caso, iremos eliminar as restries de lote
mnimo e mximo (na verdade iremos supor que o limite mximo de 100% do patrimnio
do gestor e 0% para o limite mnimo). Os dois setores mencionados possuem os maiores
pesos no ndice, sendo equivalente a aproximadamente 32,66% do peso total, sendo que
Minerao possui 15.21%, enquanto que Petrleo e Gs possui 17.45%.

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

Figura 3- T.E do Modelo Simples (desvios absolutos)

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 4- T.E do Modelo Simples (desvios realizados)

Alm disso, a partir da tabela 4, vemos que

o critrio de seleo do modelo escolher,

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

Tabela 1- Alocaes do Modelo Simples

4.2.2 CASO GERAL


Utilizando um total de 47 ativos disponveis para investimento e alterando a restrio, em
cada simulao, do limite mximo de ativos, vemos que o tracking error aumenta quanto
menos ativos disponveis. As figuras 5 e 6 mostram estatsticas dos tracking errors semanais
obtidas em nossas simulaes. A primeira figura mostra os desvios absolutos, assim como os
quartis dos tracking errors, enquanto que a segunda figura mostra os desvios realizados,
assim como os quartis. Alm disso, deve-se dizer que, ao utilizarmos a restrio que estipula
um limite mximo de nmero de ativos, no necessariamente o modelo selecionar o mximo
em cada simulao. Dessa forma, o eixo horizontal das tabelas reflete o nmero mximo de
ativos que podem ser selecionados pelo gestor mas no necessariamente ser o valor final no
ponto timo.

46

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 5- T.E da Carteira (desvios absolutos)

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 6- T.E da Carteira ( desvios realizados )

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.

Tabela 2- Simulao com restrio mxima de 42 ativos (24 selecionados)

48

4.3 RESULTADOS COM ESTRATIFICAO AMOSTRAL


Nessa parte, explicitaremos o modelo incluindo um critrio de seleo de ativos com base na
estratificao amostral por setores industriais. No modelo anterior restringimos apenas o
nmero mximo de ativos presentes na carteira, independente do setor dos mesmos. Dessa
forma, a soluo final ignoraria qualquer critrio utilizando setores industriais, podendo, por
exemplo, escolher ativos que participassem de apenas um setor (caso fosse a soluo tima).
Com isso, vemos que, ao restringirmos o modelo por estratificao amostral, estaremos
limitando ainda mais as possveis combinaes de ativos, podendo assim desconsiderar
potencias solues melhores do que a final (no sentido de minimizao do tracking error da
carteira). A atual simulao se basear em um total de 39 ativos que compem o Ibovespa e
14 setores especficos (sendo os setores e ativos que iro compor os mesmos definidos no
Apndice B).

4.3.1

EXEMPLO COM 3 SETORES E 6 ATIVOS DISPONVEIS

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%

Tabela 3- Exemplo com 6 ativos e 3 setores

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).

As figuras 7 e 8 mostram os quartis de cada simulao descrita no pargrafo anterior. Cada


ponto no eixo horizontal reflete uma especfica restrio por estratificao amostral. Note que,
50

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

Figura 7- T.E da Carteira com Estratificao (desvios absolutos da Primeira Simulao)

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 8- T.E da Carteira com Estratificao (desvios realizados da Primeira Simulao)

51

Tabela 5- Simulao com restrio mxima de 8 ativos

4.3.3

SEGUNDA SIMULAO

Realizamos tambm uma segunda simulao utilizando a tcnica de amostragem estratificada,


restringindo para 16 o nmero total de ativos iro compor a carteira. A melhor simulao (a
melhor soluo final) selecionou ativos que compem os 7 setores com maiores pesos no
ndice. J o pior foi a simulao que selecionou apenas os 4 maiores setores do ndice (a partir
da Tabela 6).

52

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 9- T.E da Carteira com Estratificao (desvios absolutos da Segunda Simulao)

Primeiro Quartil

Terceiro Quartil

Mediana

Figura 10- T.E da Carteira com Estratificao (desvios realizados da Segunda Simulao)

Um fator interessante a ser mencionado que, no caso em que investe-se exatamente em um


ativo nos setores de maiores pesos, o resultado final um dos piores se comparado com os
demais, levando a acreditar que determinados setores industriais performaram melhor do que
outros. Porm, carteiras mais diversificadas geram um tracking error menor do que carteiras
concentradas.

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.

Tabela 5- Simulao com restrio mxima de 16 ativos

54

4.4

RESULTADOS COM DESVIOS EM MDULO NA FORMA LINEAR

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

Figura 11- Desvios realizados do Modelo na Forma Quadrtica e em Mdulo

55

Tabela 6- Comparao entre Modelos

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

COMPARAO ENTRE MODELOS NO LINEARES

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

Mediana com Desvios Quadrticos

Desvio Quadrtico

Desvio em Mdulo

Mediana com Desvios em Mdulo

Figura 12- Desvios Realizados dos Modelos No Lineares

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

R$300.000.000. Os resultados finais selecionaram, respectivamente, o dobro e o triplo das


quantidades encontradas no modelo inicial (com R$100.000.000), j que os lotes das aes
so pequenos, resultado diferente do encontrado em Emilio (2011), que busca indexar uma
carteira utilizando ttulos pblicos federais indexados inflao brasileira, sendo o lote padro
equivalente 10.000. Nesse caso, certamente o patrimnio da carteira influenciar no
processo de seleo dos ativos em funo do alto custo de aquisio de um simples lote do
ttulo pblico, sendo tal fato evidenciado no prprio trabalho de Emilio (2011).

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

tcnica de amostragem estratificada no leva em considerao alguns riscos presentes na


elaborao do modelo.

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

HILLIER, LIEBERMAN. Introduction to Operations Research, 7th ed., McGraw-Hill,


New York, NY, 2001.
JENSEN, C.M. The Performance of Mutual Funds in the Period 1945-1964. Journal of
Finance, Vol.23, No. 2 pp, 389-416l, 1967.
KONNO, HIROSHI, and YAMAZAKI, Hiroaki. Mean-Absolute Deviation Portfolio
Optimization Model and Its Applications to Tokyo Stock Market. Management Science
37.5 pp. 519 - 531, 1991.
MARKOWITZ, H.M. Portfolio selection. Journal of Finance 7,77-91, 1952.
MARKOWITZ, H.M., TODD, P., XU, G., and YAMANE, Y. Computation of MeanSemivariance Efficient Sets by the Critical Line Algorithm. Annals of Operations
Research, 45, 307-317, 1993.
MEADE, N.; SALKIN, G.R. Index funds-construction and performance measurement.
Journal of the Operational Research Society, 40 (10), pp. 871-879, 1989.
SHARPE, W.F. Capital Asset Prices: A Theory of Market Equilibrium under conditions
of Risk. Journal of Finance, v.19, p. 445-442, sep.1964.
SHARPE, W.F. Mutual Fund Performance. The Journal of Business, Vol.39, No. 1, Part 2:
Supplement on Security Prices, pp. 119-138, Jan.,1966.
YOUNG, MR. A minimax portfolio selection rule with linear programming solution.
Management Science; 44:673-83, 1998.

62

APNDICE A (O NDICE IBOVESPA)


Criado em 1968, o ndice Ibovespa nada mais do que uma carteira terica composta pelas
principais aes do mercado, com o objetivo de servir como um indicador de mercado. Dessa
forma, o ndice engloba grande parte do volume negociado no mercado vista da Bovespa
(em mdia 80% do nmero de negcios).

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.

O ndice de negociabilidade definido da seguinte forma:


Ind . Ng=

( 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

A partir dos critrios mencionados no pargrafo anterior, determina-se tambm a quantidade


terica de cada ao, utilizando os preos de fechamento do ltimo dia do quadrimestre
anterior. As quantidades permanecero constantes pelos prximos quatro meses seguintes,
sendo alterada apenas em casos de distribuio de proventos pelas empresas, ciso, etc. Para
ajustarmos os ndice em funo de distribuio de proventos, temos:

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) :

1. Abatedouros: BRFS3, JBSS3, MRFG3.

2. Administrao de empresas e empreendimentos: BRAP4, LLXL3.

3. Agua, esgoto e outros sistemas: SBSP3.

4. Atividades auxiliares ao transporte rodovirio: CCRO3

65

5. Bancos: ITUB4, BBDC4, BBAS3, SANB11, ITSA4.

6. Bolsa de valores e commodities: BVMF3

7. Comrcio atacadista de bens no durveis variados: NATU3.

8. Construo de edifcios residenciais: PDGR3, CYRE3, MRVE3, GFSA3, RSID3,


BISA3.

9. Extrao de petrleo e gas: PETR4, OGXP3, PETR3.

10. Gerao, transmisso e distribuio de energia eltrica: CMIG4, ELPL4, ELET3,


CPLE6, ELET6, CESP6, LIGT3, CPFE3, TRPL4.

11. Indstria de acar e produtos de confeitaria: CSAN3.

12. Indstria de bebidas: AMBV4.

13. Indstria de equipamentos aeroespaciais: EMBR3.

14. Indstria de fumo: CRUZ3.

15. Indstria de mveis e afins: DTEX3.

16. Indstria de papel , celulose e papelo: FIBR3, KLBN4.

17. Indstria de roupas de malha: HGTX3.


66

18. Indstria qumica: BRKM5, UGPA3.

19. Locadora de imveis: BRML3.

20. Loja de departamentos: LAME4, PCAR4.

21. Loja de roupas: LREN3.

22. Minerao de metais: VALE5, VALE3, MMXM3.

23. Outras indstrias: HYPE3.

24. Servios de processamento de dados: CIEL3, RDCD3.

25. Telecomunicaes: TIMP3, VIVT4, TNLP4, BRTO4, TNLP3, TMAR5, TLPP4.

26. Transformao de ao em produtos de ao: GGBR4, USIM5, CSNA3, GOAU4,


USIM3.

27. Transporte areo regular: GOLL4, TAMM4.

28. Transporte ferrovirio: ALLL3.

29. Vendas por correio ou meio eletrnico: BTOW3.

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:

1. Alimentos e Bebidas: BRFS3, JBSS3, MRFG3, CSAN3, AMBV4.

2. Comrcio: NATU3, LAME4, PCAR4, LREN3, BTOW3.

3. Construo: PDGR3, CYRE3, MRVE3, GFSA3, RSID3, BISA3.

4. Energia Eltrica: CMIG4, ELPL4, ELET3, ELET6, CPLE6, CESP6, LIGT3, CPFE3,
TRPL4.

5. Finanas e Seguros: ITUB4, BBDC4, BBAS3, SANB11, BVMF3, ITSA4.

6. Minerao: VALE5, VALE3, MMXM3.

7. Papel e Celulose: FIBR3, KLBN4.

8. Petrleo e Gs: PETR4, PETR3, OGXP3.

9. Qumica: BRKM5, UGPA3.

10. Siderurgia & Metalurgia: GGBR4, USIM5, CSNA3, GOAU4, USIM3.

11. Software e Dados: CIEL3, RDCD3.

68

12. Telecomunicaes: TIMP3, VIVT4, TNLP4, BRTO4, TNLP3,TMAR5, TLPP4.

13. Transporte Servios: CCRO3, GOLL4, TAMM4, ALLL3.

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

APNDICE C ( UTILIZANDO O EXCEL E ANLISE DE CONVERGNCIA )


Como mencionado, o trabalho proposto utiliza o software Microsoft Excel para
implementao das diversas modelagens e simulaes. Neste apndice, mostraremos como foi
utilizado o software, assim como a evoluo dos resultados a partir das simulaes
implementadas, mostrando tambm o tempo necessrio para a determinao da soluo final
( necessrio habilitar o add-in do Solver disponvel pelo prprio Microsoft Excel).

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.

Figura 13- Modelagem pelo Solver

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.

Figura 14- Parmetros do Solver

72

A partir de nosso chute inicial e da elaborao da funo objetivo e restries, rodamos o


Solver do Excel, obtendo assim uma soluo final. Na tabela 7, vemos o relatrio final
disponvel no Excel a partir do momento em que o Solver encontra uma soluo final. Vemos
que o valor original, referente ao nosso chute, aparentemente foi uma boa opo pois a
soluo final est relativamente prxima. Isso se deve pois grande parte dos ativos
selecionados como passo inicial foram os mesmos escolhidos na soluo final. Alm disso, os
pesos dos ativos na carteira inicial foram selecionados visando replicar o peso dos mesmos no
Ibovespa, facilitando a determinarmos a soluo final.

73

Tabela 7- Relatrio de Convergncia

74