Você está na página 1de 33

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Vanessa Silva Barbosa

UM ESTUDO DO MODELO DE MACROALOCAO


PROPOSTO POR BLACK & LITTERMAN

Porto Alegre
2010

Vanessa Silva Barbosa

UM ESTUDO DO MODELO DE MACROALOCAO PROPOSTO POR


BLACK & LITTERMAN

Trabalho de concluso de curso de


Especializao apresentado ao Programa de
Ps-Graduao em Administrao da
Universidade Federal do Rio Grande do Sul,
como requisito parcial para obteno do ttulo
de Especialista em Mercado de Capitais.

Orientador: Prof. Dr. Joo Frois Caldeira

Porto Alegre
2010

AGRADECIMENTOS

Universidade Federal do Rio Grande do


Sul, UFRGS e Associao dos Analistas e
Profissionais de Investimento do Mercado de
Capitais, pelos excelentes professores do
curso de Especializao, de modo especial ao
professor Joo Fris Caldeira pelo apoio
realizao deste trabalho.

SUMRIO

INTRODUO .......................................................................................................................... 6
1 Modelo de Markowitz .............................................................................................................. 8
1.1

Modelo de Markowitz .............................................................................................................. 8

2 Modelo de Black-Litterman................................................................................................... 12
2.1 Otimizao Reversa ao Modelo de Markowitz .......................................................................... 14
2.2 Especificao das Opinies ......................................................................................................... 16
2.2.1 Clculo da Varincia das Opinies.......................................................................................... 16
2.3 Frmula do Modelo de Black-Litterman ................................................................................... 18
2.4 Derivao do Novo Vetor Combinado de Retornos ................................................................... 19
2.5 Calibragem do Modelo ............................................................................................................... 21

3. Aplicao Emprica do Modelo de Black-Litterman ............................................................ 24


3.1 Composio do Mercado: (jan/10) ............................................................................................. 24
3.2 Matriz de Correlao .................................................................................................................. 25
3.3 Matriz de Covarincia dos Excessos de Retornos ...................................................................... 26
3.4 Clculo do Retorno da Carteira ................................................................................................. 26
3.5 Acrescentando Opinies e Definindo Confiana nas Opinies .................................................. 27

4. Concluso............................................................................................................................. 30
5 REFERNCIAS BIBLIOGRFICAS .................................................................................. 32

LISTA DE ILUSTRAES

Figura 1 Fronteira Eficiente ................................................................................................... 9


Figura 2 Derivando o novo vetor combinado de retornos ..................................................... 20
Figura 3 - Capitalizao de mercado (jan/10) .......................................................................... 25
Figura 4 - Matriz de correlao ............................................................................................... 25
Figura 5 - Matriz de covarincia ............................................................................................. 26
Figura 6 - Excesso de retorno da carteira ................................................................................ 26
Figura 7 - Retorno da carteira ................................................................................................. 27
Figura 8 - w de mercado x w posterior ..................................................................................... 29

RESUMO

A construo de carteiras timas um problema recorrente da gesto de ativos, como por


exemplo, em consultorias de investimentos, bancos, asset management, fundos de penses, entre
outras instituies financeiras. E no centro de todas as decises e estratgias da gesto de ativos
est a volatilidade, a qual de compreenso dos investidores antes mesmo de estudos mais
formais, pois o entendimento que o retorno esperado varia diretamente com o risco assumido de
aceitao comum.
Em meados da dcada de 50, os economistas e financistas comearam a tratar de forma
mais formal a relao risco e retorno, do ponto de vista para tomada de deciso para
investimentos. Com vistas a extrair implicaes para construes de carteiras, os investidores, a
partir da publicao do trabalho seminal de Markowitz (1952), costumam utilizar os
embasamentos tericos publicados neste estudo, o qual funda as bases da moderna teoria de
carteiras. O autor aborda quantitativamente o problema da formao de portfolios, propondo que
se leve em considerao para tal fim, alm das caractersticas individuais dos ativos, a forma
como cada ativo se relaciona com os demais, ou seja, a percepo de Markowitz a de olhar para
os ativos no portfolio e no considerar s o risco intrnseco de cada ativo e sim a forma que esses
ativos se correlacionam com outros ativos dentro de uma carteira. Porm, a utilizao do modelo
de Markowitz apresenta problemas como a obteno de portfolios instveis com elevada
sensibilidade s estimativas de retorno esperado imputadas ao modelo, a gerao de portfolios
altamente concentrados e no intuitivos, o problema em no considerar os diferentes nveis de
incerteza associados s estimativas dos inputs do modelo e o de no levar em considerao a
capitalizao de mercado.
Portanto, este trabalho visa apresentar as limitaes do modelo de Markowitz,
desenvolver os fundamentos tericos do modelo construdo por Black-Litterman (ver Litterman
et al., 1992), o qual busca contornar as dificuldades existentes no modelo de Markowitz e
apresentar a construo de um portfolio timo, atravs de dados observados do mercado e por
meio da metodologia bayesiana.

INTRODUO

Os investidores definem estratgias e buscam construir carteiras timas, atravs do


processo de otimizao da mdia/varincia, mtodo bsico de alocao de ativos, que remonta ao
famoso artigo de Markowitz (1952). Onde conceitua portfolio eficiente como aquele que
maximiza o retorno esperado por unidade de risco (varincia ou volatilidade) ou que minimiza o
risco por unidade de retorno. O processo de otimizao seleciona portfolios eficientes com base
nos ativos em questo, combinando as estimativas de retorno esperado e de risco para cada ativo
com a covarincia (ou momentos simultneos de altas e baixas) de cada ativo com cada um dos
demais ativos em questo. O objetivo maximizar o retorno esperado do portfolio e, ao mesmo
tempo, minimizar todas as covarincias, de modo que o portfolio seja to diversificado quanto
possvel.
Porm, os processos de otimizaes geram um problema, j que esses se mostram parciais
em relao aos ativos que apresentam covarincias baixas com outros ativos ou combinaes de
ativos com altas correlaes. Sendo qualquer inconsistncia entre dois conjuntos de inputs, como
por exemplo, retorno esperado e risco (o que acontece com freqncia quando esses dois inputs
so estimados separadamente) so tratados pelo processo de otimizao como oportunidade.
Dessa forma, muitos dos ativos que o processo de otimizao tende a favorecer, como private
equity e aes de mercados emergentes, apresentam liquidez relativamente baixa ou retornos de
alta volatilidade, o que gera portfolios concentrados. Os detentores de portfolios tradicionais se
sentem desconfortveis com processos de otimizao malcomportados, que recomendam
alocaes altas demais para esses tipos de ativos, por envolverem custos de operao muito altos
ou por serem demasiado heterodoxo para gostos conservadores. Sendo possvel melhorar o
comportamento do processo de otimizao por meio de instrues para alocar no mais que
determinada porcentagem do portfolio total para ativos que gerem desconforto. Contudo, embora
tais restries possam tornar o processo de otimizao mais bem comportado, elas tambm criam
um novo dilema: o excesso de restries dilui as prprias vantagens de usar o processo de
otimizao. Contudo, esse dilema poder ser contornado com a utilizao do modelo proposto
por Black-Litterman.

Tem-se, portanto, a inteno de apresentar a metodologia desenvolvida por BlackLitterman que otimiza relao risco/retorno, contrapondo com alguns problemas vivenciados at
ento na utilizao do modelo de Markowitiz e por fim mostrar sua aplicabilidade com dados
observados do mercado financeiro para melhor entendimento do modelo.
O primeiro captulo deste trabalho destina-se, a compreender os problemas encontrados
no modelo de Markowitz, os quais desafiaram a construo do modelo de estratgias de gesto de
ativos de Black-Litterman. O segundo captulo ser abordado os fundamentos tericos do modelo
de Black-Litterman, onde o objetivo ser entender como utilizado a abordagem bayesiana para
combinar as opinies dos investidores, em relao ao retorno esperado de um ou mais ativos com
a posio de mercado. Por fim, o terceiro e ltimo captulo demonstra o modelo passo-a-passo,
desenvolvendo na prtica as teorias abordadas nos captulos anteriores.

Modelo de Markowitz

1.1 Modelo de Markowitz

Nesse modelo, o autor aborda quantitativamente o problema de construo de portfolios,


propondo que se leve em considerao para tal fim, alm das caractersticas individuais dos
ativos, a forma como cada ativo se relaciona com os demais.
A matemtica do retorno esperado de um portfolio relativamente simples, tendo em
vista que os retornos esperados dos diferentes ativos so aditivos em qualquer ponto do tempo.
Considerando-se um portfolio composto por aes (E) e ttulos (D) nas propores w D e w E = 1
w D , tem-se que o retorno esperado do portfolio E(r p ) consiste na mdia ponderada do retorno
esperado dos ativos que o compem, conforme a seguir:

= . ( ) + . ( )
Equao (1)

Diferentemente dos retornos, o risco pode ser no aditivo, medida que depende da forma
com que os retornos se correlacionam, o que tem como implicao que a diversificao entre
ativos pouco correlacionados tende a reduzir o risco do portfolio.
No caso do portfolio composto por aes (E) e ttulos (D) nas propores w D e w E = 1
w D , tem-se que a varincia do portfolio consiste na soma ponderada das covarincias dos ativos
que o compem, tendo como pesos o produto das propores dos pares de ativos de cada
covarincia.

2 = , , + , , + 2 , ,
Equao (2)

Sendo:
( , ) = [ ( )] [ ( )] = [ ( )]2 = 2
( , ) = [ ( )] [ ( )] = [ ( )]2 = 2
Equao (3)

Importante destacar que portfolios com < 1 apresenta-se uma melhor relao risco e
retorno do que a dos ativos isoladamente, sendo maior o ganho de eficincia quanto menor for o
. Se um ativo da carteira se movimentar positivamente e outro ativo se movimentar na mesma
proporo, considero como coeficiente de correlao = 1, no havendo o efeito de diversificao.
A partir da funo de varincia () possvel determinar o portfolio de mnima varincia,
como podemos visualizar, na figura abaixo, diversas combinaes de retorno esperado e risco
(desvio-padro) de todos os portfolios que podem ser construdos com os ativos disponveis.
Onde identificamos a fronteira eficiente (de mnima varincia) e o respectivo conjunto de
oportunidades de investimento, o qual determina o portfolio de ativos com risco timo.

Figura 1 Fronteira Eficiente

10

A contribuio de um ativo para o risco do portfolio mensurada pela sua covarincia


com o portfolio de mercado. A contribuio de um ativo para a varincia do portfolio pode ser
expressa pela soma das covarincias da coluna correspondente ao ativo, multiplicadas pelos pesos
das linhas e da coluna. Deste modo, possvel expressar a contribuio do ativo X para o risco do
portfolio de mercado pela sua covarincia com este portfolio. feita a escolha dos ativos, a partir
da anlise de mercado e dos ttulos, com o intuito de identificar os ativos que apresentam as
melhores relaes entre risco e retorno dentro de cada classe de ativos.
Em finanas existem dois free lunch, um a condio de diversificao de ativos e o
outro a diversificao temporal, medida que se avana no tempo se tem uma diluio no risco.
Atravs da fronteira eficiente, a qual representa todas as combinaes de ativos que so eficientes
sobre o ponto de vista risco / retorno, ou seja, para um determinado risco qual o maior retorno
esperado possvel, otimizando o ndice de Sharpe (maior retorno esperado por unidade de risco
assumida) e considerando o efeito diversificao pode-se aumentar o retorno mantendo-se o
mesmo nvel de risco, escolhendo o melhor ponto sobre a fronteira eficiente, que o ponto que
tangencia a fronteira. Sendo que pode-se combinar a carteira tima com alocaes em ativo livre
de risco para diminuir o risco e adequ-la a averso a risco do investidor.

1.2 Limitaes do Modelo de Markowitz

Deve-se tomar alguns cuidados na utilizao do modelo de Markowitz, pois ele robusto
em conceitos tericos, porm tem problemas na aplicabilidade. Como o modelo utiliza retorno
esperado com base em retornos passados, gera resultados contra intuitivos, como por exemplo, se
considerar o desempenho da bolsa dos ltimos 252 dias, o qual sensibilizado por diversos
fatores, como pelo cenrio macroeconmico, no razovel considerar que ele se repetir daqui
para frente, principalmente quando ocorrem retornos extraordinrios, claro que pode atribuir
maior peso aos eventos mais recentes, utilizando por exemplo, a suavizao exponencial, porm a
incerteza para estimar retornos esperados permanece, por isso o mais interessante analisar o
retorno esperado olhando para frente, de forma prospectiva.

11

Desta forma, obtm-se portfolios instveis com elevada sensibilidade s estimativas de


retorno esperado imputadas ao modelo, gerando muitas vezes portfolios altamente concentrados.
J que o processo de otimizao tende a favorecer ativos que apresentam liquidez relativamente
baixa ou retornos de alta volatilidade, alocando percentuais altos demais nesses ativos, nesse caso
conforme Bernstein, Peter (2007, p. 251): quando isso acontece, o processo de otimizao se
comportou mal: E para melhorar esse comportamento de alta concentrao inserido restries
ao processo de otimizao, porm geram o problema de diluir as prprias vantagens de utilizar o
processo de otimizao.
Portanto, o resultado so carteiras pouco diversificadas, altamente concentradas em
determinados ativos, sem interferncia dos pontos de vista do gestor em relao as suas opinies
de alocaes e no leva em considerao a capitalizao do mercado, ou seja, onde o mercado
est posicionado e qual o retorno esperado que justifica essa posio.

12

2 Modelo de Black-Litterman

Vrias outras metodologias foram propostas com o objetivo de melhor alocao de ativos
e de solucionar os problemas encontrados na utilizao de Markowitz. O problema no processo
de otimizao, de concentrao em determinados ativos e a necessidade de inserir restries
chamou a ateno dos analistas quantitativos do Goldman Sachs em 1989. Conforme (Bernstein,
2007) Bob Litterman (que se juntou a equipe da Goldman Sachs em 1986 e at ento era Vice
Presidente do departamento de anlise do Federal Reserve de Minneapolis) como chefe de
pesquisas de renda fixa teve ento como tarefa construir um modelo global de composio de
portfolios de renda para os clientes do Goldman Sachs em todo mundo. Sentindo-se inseguro
sobre como iniciar o trabalho, Litterman consultou Fischer Black (economista americano,
conhecido por ser co-autor do famoso modelo de Black-Scholes, equao utilizada para avaliar
opes). Este se interessou pelo desafio, mas no tinha o hbito de raciocinar sobre os modelos
em termos de mundo real. Litterman se queixou do comportamento do processo de otimizao.
O mau comportamento bem conhecido, respondeu Black, e por isso que a maioria dos
usurios de processos de otimizao impe restries aos resultados. Litterman resistiu
sugesto, j que acreditava que inserir restries faz com que o processo perca seu valor,
considerando como manipulao. Black sugeriu um mtodo alternativo, j que tinha acabado de
publicar um trabalho onde desenvolveu uma soluo de equilbrio para o problema do hedge do
risco cambial nos portfolios globais, apesar desse trabalho no fazer referncia ao comportamento
dos processos de otimizao, Litterman com base nesse artigo de Black, o qual sugere que se
pode obter a resposta para sua questo, mediante a otimizao do trade-off entre risco de
flutuaes cambiais e o retorno esperado do portfolio. Sem restries e sem pressupostos,
inserem-se no processo de otimizao os retornos esperados da condio de equilbrio para os
ativos de renda fixa e para as moedas, alm das volatilidades e covarincias para cada ativo em
questo. Em seguida, o processo de otimizao recomendar que se mantenha o portfolio de
mercado global de renda fixa. Com isso, Litterman teve um grande entendimento, se no se tem
pressupostos, mantenha o portfolio de mercado.
Em contexto sem restries, o processo de otimizao agora recomenda que o portfolio
timo consiste em manter parte do capital no portfolio do mercado e o restante em portfolios que

13

representem as opinies do gestor. Alm disso, quando se adota o equilbrio como centro de
gravidade, no se precisa ter opinies sobre cada um dos ativos. No entanto, quando se tem
opinies sobre determinados ativos, o processo de otimizao aplica essa opinio, at o ponto
considerado adequado a todos os outros ativos correlacionados, esse procedimento evita os
portfolios malcomportados. Agora, possvel compor portfolios aceitveis com base na
confiana nas prprias opinies e no nvel de risco a ser atribudos s prprias opinies. Dessa
maneira, o processo de otimizao se torna bem comportado.
Litterman assim descreveu a sua abordagem:
O investidor se interessa por uma ou mais opinies, cada uma das quais gera uma
expectativa de retorno do portfolio de sua escolha. Denomina-se cada uma dessas carteiras como
view portfolio. Pede-se ao investidor para especificar no s as expectativas de retorno para
cada um dos portfolios opinativos, mas tambm o grau de confiana, que o desvio-padro em
torno da expectativa, sendo o portfolio timo uma combinao ponderada das capitalizaes de
mercado do portfolio de equilbrio dos portfolios opinativos. Os tamanhos dos desvios para os
portfolios opinativos so funo de magnitude e da confiana expressas nos retornos esperados
inerentes s opinies especficas dos investidores.
Sobre o modelo de Black-Litterman , Idzorek (2002, p. 2) descreve:

The Black-Litterman model enables investors to combine their unique views regarding
the performance of various assets with the market equilibrium in a manner that results
in intuitive, diversified portfolios.

Como vimos, esse modelo permite otimizar um portfolio considerando as posies de


mercado e atribuindo para cada ativo opinies e confiana que o investidor atribui as suas
convices a respeito do cenrio econmico. Esse um modelo de alocao de ativos sofisticado
e que supera problemas encontrados no modelo de Markowitz. Utilizando a abordagem bayesiana
para combinar as opinies dos investidores, em relao ao retorno esperado de um ou mais ativos,
com a posio de mercado.
Conforme Idzorek (2002), esse modelo de alocao de ativos foi introduzido por Black
and Litterman em 1990, mas foi em 1992 que seus estudos culminaram no modelo imortalizado,
capaz da proeza notvel de combinar a noo de retornos esperados em condies de equilbrio

14

com ampla variedade de estratgias de gesto ativa. Ficando conhecido como Black-Litterman
Global Asset Allocation Modal publicado em setembro de 1992 pelo Financial Analyst Journal.

2.1 Otimizao Reversa ao Modelo de Markowitz

A partir da observao do portfolio total dos participantes do mercado (capitalizao de


mercado das classes de ativos relevantes), da estimao da matriz de varincia-covarincia e da
suposio do nvel de averso a risco do mercado, inferido o vetor de retornos esperados
implcitos de equilbrio (distribuio de referncia).
O modelo permite incorporar tambm as opinies dos investidores por meio de uma
abordagem bayesiana (distribuio condicional) que fornece alto grau de liberdade, no sentido
que no h necessidade de fornecer pressupostos para todos os ativos e que pode atribuir maiores
ou menores nveis de confiana s diferentes opinies. Considerando as duas distribuies
obtida uma distribuio combinada posterior.
Sendo o procedimento de otimizao reversa procedido a partir da funo utilidade
quadrtica a seguir 1:

=
2
Equao (4)

onde,
U = funo de utilidade do investidor
w = vetor de pesos investidos em cada ativo
= vetor de excesso de retorno de equilbrio implcito
= parmetro de averso a risco mdio de mercado
= matriz de covarincia de ativos
1

A verso aqui apresentada segue Idzorek (2002)

15

Para utilizar a frmula anterior para necessrio especificar o valor do coeficiente de


averso a risco ().

= =0

Equao (5)

Resolvendo para , primeiramente multiplicam-se ambos os lados da equao por w e


encontra-se o parmetro de averso a risco (), depois se tem ():
= =
=

Equao (6)

A partir da frmula para o excesso de retorno esperado () possvel obter-se o vetor de


pesos timos:
= ()1
Equao (7)

Como seria de se esperar (desde o processo de extrair o retorno de equilbrio implcito do


mercado usando os pesos de capitalizao), o vetor de excesso de retorno de equilbrio implcito
() leva para o portfolio de mercado. Na ausncia dos pontos de vista dos investidores no
portfolio de mercado, que difere dos retornos implcitos obtidos com a otimizao inversa, os
investidores mantm com a carteira de mercado, mercado neutro ou de equilbrio, j que existe a
idia de que o mundo se movimenta para o equilbrio, que a mo invisvel ainda est por a.

16

2.2 Especificao das Opinies

Os gestores de investimentos freqentemente possuem opinies/views especficas sobre o


retorno esperado dos ativos, opinies que podem divergir dos retornos implicitamente retirados
do mercado. O modelo de Black-Litterman permite que esses pontos de vista sejam inseridos na
carteira de mercado e devem ser expressas tanto em termos absolutos ou relativos. A combinao
dos pontos de vista dos investidores chamada de distribuio condicional.
A matriz de covarincia das opinies suposta diagonal, o que implica que cada opinio
no se correlacione com as demais, ou seja, o modelo pressupe que as views so independentes
umas das outras. Porm, o modelo exige disciplina e coerncia dessas opinies, pois essas sero
consideradas para obteno de toda carteira tima.
A representao dos k views sobre n ativos ser realizada considerando-se as seguintes
matrizes:
P, matriz (k x n) dos pesos dos views de cada ativo (para views relativos a soma dos pesos
ser 0; para views absolutos a soma ser 1)
Q, matriz (k x 1) dos retornos de cada view
, matriz (k x k) de covarincia dos views (a varincia dos views inversamente
relacionada com a confiana do investidor nos views)

2.2.1 Clculo da Varincia das Opinies

Uma possibilidade assumir que a varincia dos views proporcional a varincia dos
retornos dos ativos, assim como a varincia da distribuio de referncia o . Deste modo, temse:

= () = [ () ]
Equao (8)

17

A incerteza das opinies representada por um termo de erro aleatrio, independente e


normalmente distribudo, com mdia zero e matriz de covarincia (). Quanto maior a varincia
do termo de erro (), maior a incerteza que o investidor atribui a seu ponto de vista.
Portanto, em termos gerais, uma view assume a seguinte forma:
1
1
+ = +

Equao (9)

Exceto no caso hipottico em que um investidor tem 100% de confiana na sua opinio
expressa, o termo de erro () um valor positivo ou negativo, diferente de 0. O termo de erro ()
no entra diretamente na frmula de Black-Litterman, mas a varincia do erro (), sim. As
varincias dos termos de erro () formam a matriz (), que representa a incerteza das opinies
Para o caso em que se tem k views e n ativos, a matriz de covarincia dos views assume o
formato abaixo, sendo que o modelo no exige que o investidor tenha opinies sobre todos os
ativos.
1
=0
0

0
0

Equao (10)

O vetor coluna das opinies Q vinculado com os ativos por meio da matriz P, que para o
caso de k views e n ativos assume a dimenso (k x n).
Conceitualmente, o modelo Black-Litterman uma mdia ponderada dos complexos vetor
de excesso de retorno de equilbrio implcito () e do vetor view (Q), em que seus relativos pesos
so uma funo escalar () e as incertezas das opinies (). Quanto menor for a confiana e a
certeza do investidor sobre suas percepes, mais prximo ficar o novo vetor de retorno do vetor
de excesso de retorno de equilbrio implcito (), ou seja, quanto menor a certeza em relao s
percepes, mais prximo da alocao de mercado o investidor se posicionar.

18

Infelizmente, a definio do escalar () e a incerteza em relao s opinies so os


parmetros mais abstratos e difceis de especificar no modelo. O escalar () mais ou menos
inversamente proporcional ao peso relativo do vetor de excesso de retorno de equilbrio implcito
(). A abordagem encontrada na literatura sobre a definio do escalar () escassa. Sobre a
abordagem do escalar (), Idzorek (2002, p. 14) comenta: Both Black and Litterman (1992) and
Lee (2000) address this issue: since the uncertainty in the mean is less than the uncertainty in the
return, the scalar () is close to zero. One would expect the Equilibrium Returns to be less
volatile than the historical returns.
Autores divergem ao definirem o valor para o escalar (), Lee (2000) define entre 0,01 e
0,05 e em seguida calibra o modelo baseado em um nvel de tracking error. J Satchell and
Scowcroft (2000) consideram o escalar () como 1,10 e Blamont e Firoozye (2003) interpretam
como erro padro da estimativa do excesso de retorno de equilbrio implcito (), assim, o
escalar () de aproximadamente 1 dividido pelo nmero de observaes.

2.3 Frmula do Modelo de Black-Litterman

Conceitualmente, o modelo de Black-Litterman constitui uma mdia ponderada complexa


do vetor de retorno implcito de mercado e do vetor de opinies, tendo como pesos relativos a
covarincia dos retornos e o nvel de confiana das opinies, conforme a seguir:

[] = [()1 + 1 ]1 [()1 + 1 ]
Equao (11)

Breve descrio de cada um dos elementos da frmula:


E(R) = nova distribuio combinada do vetor de retorno

= escalar
= matriz de covarincia dos excessos de retornos ( matriz N x N)

19

P = matriz que identifica os ativos que possuem opinies


= diagonal da matriz de covarincia dos termos de erros das opinies que expressam as
incertezas de cada opinio
= vetor de retornos implcitos de equilbrio
Q = vetor de views

Essa frmula pode ser dividida em 2 termos, sendo que o 1 termo (denominador) assume
a funo de normalizador e o 2 termo (numerador) expressa a ponderao entre o vetor de
retornos implcitos de equilbrio () e o vetor das opinies, tendo como pesos a covarincia dos
retornos e o nvel de confiana das percepes do investidor
Casos extremos: = 0 () = , 0 () = 1
2.4 Derivao do Novo Vetor Combinado de Retornos

Depois de definido o escalar () e a matriz de covarincia do termo de erro (), todas as


entradas so, ento, vindas da frmula de Black-Litterman e as novas distribuies combinadas
do vetor de retorno (E [R]) so derivadas. O processo de juntar as duas fontes de informao
representado na Figura 2:

20

Figura 2 Derivando o novo vetor combinado de retornos

Como pode ser visto na figura acima a distribuio de equilbrio juntamente com a
distribuio das opinies forma a nova distribuio combinada do vetor de retorno, sendo
importante destacar que mesmo o investidor tendo opinies apenas para alguns ativos, os retornos
individuais de todos os ativos foram influenciados e mudaram seus respectivos retornos de
equilbrio implcitos. A opinio acerca de apenas um nico ativo faz com que o retorno implcito
dos ativos mude, uma vez que cada um dos ativos est linkado com o retorno do outro, atravs da
matriz de covarincia dos excessos de retorno (), por isso importante a disciplina e a coerncia
por parte do investidor ao definir e inserir suas percepes.
De maneira geral, a nova carteira pode ser vista como a soma de duas carteiras, onde a
carteira 1 a carteira extrada da capitalizao do mercado, ou seja, onde o mercado est
posicionado e a carteira 2 uma srie de posies long and short com base nas opinies do
investidor.

21

2.5 Calibragem do Modelo

A matriz de covarincia dos views () constitui o parmetro matemtico mais abstrato do


modelo, no havendo uma resposta universal para a sua especificao. Idzorek (2004) desenvolve
um mtodo para determinao do nvel de confiana implcito das opinies, permitindo que os
mesmos sejam expressos em termos do intervalo de 0% a 100%.
Considerando que as varincias individuais dos termos de erro (), que formam a
diagonal da matriz de covarincia dos views (), so calculadas considerando a varincia dessas
opinies (p k pk ) multiplicada pelo escalar (), o autor entende que h outros fatores (acurcia do
modelo, habilidade, qualidade do analista, etc.) que tambm afetam a confiana do investidor nas
suas percepes.
Se todos os elementos da diagonal principal () so iguais a zero, equivale a
especificao de 100% de confiana em todas opinies, j que a varincia do termo de erro () de
uma opinio inversamente relacionada com a confiana do investidor sobre sua percepo
inserida. Assim, uma variao do termo de erro () de 0 representa 100% de confiana (certeza
absoluta).
Neste caso, tem-se o maior distanciamento possvel dos pesos de equilbrio de mercado,
conforme frmulas a seguir:

[100% ] = + ( )1 ( )
Equao (12)

100% = ()1
Equao (13)

Os novos vetores combinados de retorno esperado [E(R) e E(R 100% )] possibilitam o


clculo dos vetores de pesos.
A partir do distanciamento nos novos vetores em relao ao vetor de pesos de equilbrio
de mercado possvel o clculo dos nveis de confiana implcitos das opinies.

22

Considerando-se o caso mais geral e usual em que = P()P, com 1, e


substituindo na equao principal modificada, tem-se:

[ ] = +

1
(1 )
(1 + )

Equao (14)

= () tem -se:
Substituindo em

= +

1
(1 ) ()1
(1 + )

Resolvendo-se para condies limites, fica:


,

1
= 0 = ()1
(1 )

1
= 1 100 = 1 ()1
(1 )

Combinando-se ambos termos, resulta:

= ()1 +

1
[1 ()1 ()1 ]
(1 + )

Substituindo w mk e w 100 , fica:

= +

1
[100 ]
(1 + )

23

Tem-se, portanto, que:


=

(
1
)

=
(1 + )
(100 )
Equao (15)

Como vimos, o modelo de Black-Litterman permite que os investidores combinem suas


opinies com o vetor de retornos implcitos de equilbrio do mercado () para encontrar o novo
vetor combinado de retornos. Essa nova distribuio combinada leva de forma intuitiva a
encontrar uma carteira bem diversificada. O modelo tem dois parmetros que controlam a
importncia relativa entre o vetor de retornos implcitos de equilbrio () e o retornos das
opinies, que o escalar () e a incerteza dos views (), no qual ambos so muito difceis de
especificar. A frmula de Black-Litterman com 100% de segurana nos permite determinar a
confiana implcita nas percepes dos investidores. Tirando dessa confiana implcita, um novo
mtodo para controlar a inclinao e os pesos do portfolio final, causado pela insero das
opinies. O mtodo afirma que a magnitude das inclinaes deve ser controlada pelo investidor
baseado no nvel de confiana intuitiva de 0% a 100%. Globalmente, o modelo de BlackLitterman supera os problemas encontrados pela otimizao de mdia-varincia, como, as
carteiras pouco intuitivas e altamente concentradas, j que a distribuio de ativos atravs da
otimizao clssica de Markowitz, pode gerar posies em poucos bens. Por no levar em conta a
capitalizao do mercado, este modelo acarreta em problema para gesto efetiva de carteiras, por
gerar portfolios malcomportado. Portanto, o grande diferencial do modelo de Black-Litterman
partir de uma carteira de equilbrio que representa todo o mercado, extraindo implicitamente os
retornos esperados e incorporando as opinies dos investidores para alcanar a carteira tima.

24

3. Aplicao Emprica do Modelo de Black-Litterman

Para desenvolver o modelo foi feita a captao de dados histricos no site


www.andima.com.br da posio dos contratos de DI futuro de vencimentos 2011, 2012 e 2017,
da posio em papis indexados de vencimentos 2011, 2015 e 2045, da posio em IMA-S e do
estoque de CDB, no site www.debentures.com.br do estoque de debntures e no site
www.bmfbovespa.com.br do valor da capitalizao burstil das empresas que compem o IBX100, sendo considerado dessa capitalizao, somente o valor negociado em bolsa. A posio
utilizada de 29 de janeiro de 2010.

3.1 Composio do Mercado: (jan/10)

Com a base de dados adquirida nos sites relacionados acima, chega-se na posio de
mercado. Essa posio a soma da dvida pblica, da dvida privada e da renda varivel. Sendo
que a dvida pblica representada pelos contratos de DI futuro de vencimentos 2011, 2012 e
2017, pelos ttulos pblicos de vencimento 2011, 2015 e 2045 e pelo IMA S, sendo utilizado os
critrios de maior liquidez e representatividade desse segmento, j a dvida privada a soma dos
CDB/RDB e das Debntures e por ltimo a renda varivel, que considerado o valor do free
float, ou seja, o valor que est sendo negociado em bolsa da capitalizao do IBX-100, foi
utilizado esse ndice por medir o retorno de 100 aes selecionadas entre as mais negociadas na
bmfbovespa em termos de nmero de negcios e volume financeiro.
Chegando seguinte composio de mercado no ms de janeiro de 2010:

25

DVIDA PBLICA
TPF

R$ MIL

DVIDA PRIVADA
%

DEBNTURES

383.128.204,02 26,03% PRE

DIJAN11

R$ MIL

RENDA VARIVEL

CDB/RDB

AES

R$ MIL

R$ MIL

MERCADO TOTAL
%

412.212.225,70 12,33%

27.988.407,00 3,75%

1.095.614,69 0,42% PRE

90.544.211,71 6,15%

DIJAN12

90.544.211,71 2,71%
35.435.218,00 1,06%

35.435.218,00 2,41%

DIJAN17

R$ MIL

11.438.267,37 4,41% INFLAO

2.301.442,00 0,31%

162.846.235,21 4,87%

NTNB MAI11

149.106.525,85 10,13% INFLAO

NTNB MAI15

172.138.952,87 11,69%

172.138.952,87 5,15%

NTNB MAI45

128.480.045,49 8,73%

128.480.045,49 3,84%

IMAS

513.314.672,00 34,87% DI

247.007.181,68 95,17% DI

1.476.671.767,68 44,16%

716.349.914,00 95,94%

IBX 100

FREE FLOAT

1.472.147.829,93 100,00%

746.639.763,00 100,00%

259.541.063,73 100,00%

865.238.816,12 25,88%

1.879.728.038,49 100,00%

MKT CAP
TOTAL

865.238.816,12 46,03%

865.238.816,12

3.343.567.472,78 100,00%

Figura 3 - Capitalizao de mercado (jan/10)

3.2 Matriz de Correlao

Para calcular a matriz de correlao foi utilizado dados histricos de um perodo de 252
dias dos preos dirios (PU) dos contratos de DI, dos preos de abertura e fechamento dos ttulos
indexados, IMA-S e do ndice IBX 100 para a partir da variao logartmica dos preos encontrar
os retornos que sero utilizados para calcular a matriz a baixo:

Matriz de Correlao
Ativos
DIJAN11
DIJAN12
DIJAN17
NTNB MAI11
NTNB MAI15
NTNB MAI45
IMAS
IBX 100

DIJAN10

DIJAN12

DIJAN17

NTNB MAI11

NTNBMAI15

NTNBMAI45

IMA-S

IBrX-100

1,00
0,69
0,24
0,51
0,54
0,38
0,12
-0,15

0,69
1,00
0,71
0,37
0,69
0,52
0,19
0,01

0,24
0,71
1,00
0,08
0,50
0,41
0,15
0,15

0,51
0,37
0,08
1,00
0,45
0,28
0,36
-0,37

0,54
0,69
0,50
0,45
1,00
0,76
0,26
-0,05

0,38
0,52
0,41
0,28
0,76
1,00
0,25
-0,07

0,12
0,19
0,15
0,36
0,26
0,25
1,00
-0,20

-0,15
0,01
0,15
-0,37
-0,05
-0,07
-0,20
1,00

Figura 4 - Matriz de correlao

A figura 4 mostra que a matriz de correlao retorna ao coeficiente de correlao entre


pares de ativos, definidos como sendo o mercado.

26

3.3 Matriz de Covarincia dos Excessos de Retornos

Matriz de Covarincia ou Matriz Sigma -


w

0,123

0,027

0,011

0,049

0,051

0,038

0,442

0,259

DIJAN10

DIJAN12

DIJAN17

NTNB MAI11

NTNBMAI15

NTNBMAI45

IMA-S

IBrX-100

0,123 DIJAN11
0,027 DIJAN12

0,0001
0,0001

0,0001
0,0002

0,0001
0,0007

0,0000
0,0000

0,0001
0,0001

0,0001
0,0003

0,0000
0,0000

-0,0003
0,0000

0,011
0,049
0,051
0,038
0,442
0,259

0,0001
0,0000
0,0001
0,0001
0,0000
-0,0003

0,0007
0,0000
0,0001
0,0003
0,0000
0,0000

0,0042
0,0000
0,0004
0,0011
0,0000
0,0023

0,0000
0,0001
0,0001
0,0001
0,0000
-0,0008

0,0004
0,0001
0,0002
0,0004
0,0000
-0,0002

0,0011
0,0001
0,0004
0,0016
0,0000
-0,0006

0,0000
0,0000
0,0000
0,0000
0,0000
0,0000

0,0023
-0,0008
-0,0002
-0,0006
0,0000
0,0567

(0,00001)

0,00000

0,00001

(0,00001)

(0,00000)

(0,00000)

(0,00000)

0,00377

DIJAN17
NTNB MAI11
NTNB MAI15
NTNB MAI45
IMAS
IBX 100

1,0000

Figura 5 - Matriz de covarincia

Para encontrar a matriz dos excessos de retornos, foi necessrio o histrico de 252 dias do
IDI, ndice de preos do ativo livre de risco (CDI). Foi calculada a variao dos retornos desse
ndice utilizando tambm a funo logartmica e dessa forma encontramos os excessos de retorno
de cada um dos ativos em relao ao ativo livre de risco para calcularmos a matriz de
covarincia.
A matriz de covarincia, tambm chamada como matriz sigma a mdia dos produtos dos
desvios de cada par de ativos, levando em considerao o peso de equilbrio de mercado, ou seja,
o percentual de alocao em cada ativo com base na capitalizao de mercado.

3.4 Clculo do Retorno da Carteira

Ativo

Excesso Retorno
(252du)

Risco
(252du)

2,48%
0,73%
DIJAN12
2,07%
1,41%
DIJAN17
-0,21%
6,51%
NTNB MAI11
4,07%
0,93%
NTNB MAI15
5,90%
1,31%
NTNB MAI45
8,65%
3,98%
IMAS
0,04%
0,00%
IBX 100
38,42%
23,81%
Figura 6 - Excesso de retorno da carteira
DIJAN11

= wmkt
-0,02%
0,03%
0,36%
-0,10%
0,00%
-0,02%
0,00%
7,13%

27

Para utilizar a frmula do vetor de retornos implcitos de equilbrio () necessrio


especificar o valor do coeficiente de averso a risco (), neste exerccio esse coeficiente foi
calculado da seguinte forma: Sharpe/Volatilidade. Sendo o Sharpe definido pelo investidor
conforme seu perfil de averso a risco, j que o Sharpe a relao retorno/risco, ou seja, qual o
retorno esperado por unidade de risco assumido. Nesse exerccio foi utilizado Sharpe de 0,30 e a
volatilidade a raiz quadrada da varincia. Com essas informaes foi calculado o vetor de
retornos implcitos de equilbrio (), onde calculamos o valor do coeficiente de averso a risco
() e encontramos o valor de 4,89%, a matriz de covarincia e os pesos de mercado. O excesso de
retorno de 252 dias a mdia dos excessos de retornos dirios anualizados e o risco o desviopadro do excesso de retorno dirio, anualizados. E com o vetor de retornos implcitos de
equilbrio () chegamos ao retorno implcito do mercado, o qual calculado atravs da
multiplicao do vetor de retornos implcitos de equilbrio () pelo vetor de pesos investidos em
cada ativo (w). Como pode ser visto na figura abaixo o retorno encontrado de 1,84%.

ATIVO
DIJAN11
DIJAN12
DIJAN17
NTNB MAI11
NTNB MAI15
NTNB MAI45
IMAS
IBX 100
RETORNO CARTEIRA
VOL CARTEIRA
AVERSO RISCO
SHARPE

EXCESSO RETORNO

RISCO

2,48%
2,07%
-0,21%
4,07%
5,90%
8,65%
0,04%
38,42%

0,73%
1,41%
6,51%
0,93%
1,31%
3,98%
0,00%
23,81%

= wmkt
-0,02%
0,03%
0,36%
-0,10%
0,00%
-0,02%
0,00%
7,13%

1,84%
6,14%
4,89
0,3

Figura 7 - Retorno da carteira

3.5 Acrescentando Opinies e Definindo Confiana nas Opinies

A partir desse modelo de inferncia, os investidores muitas vezes, em comits de


macroaloao formados pelos gestores, discutem os cenrios macroeconmicos. Com o

28

conhecimento do posicionamento do mercado e sabendo qual o excesso de retorno em relao ao


ativo livre de risco, podem concordar ou no com o mercado e a partir dessa carteira de equilbrio
aplicar suas opinies em relao ao desempenho dos ativos. Como por exemplo, considerar que
os excessos de retornos esperados pelos investidores do mercado esto abaixo de suas convices
e aumentar sua exposio em determinados ativos, considerando que suas opinies possam
implicar em maiores exposies a risco. Acrescentando suas opinies e convices e aplicando
percentuais de confiana a elas, encontrar o portfolio timo, que ter embasamento, no em
retornos histricos e sim no posicionamento do mercado, sabendo quanto o mercado espera
ganhar alm do ativo livre de risco e de forma intuitiva encontrar uma carteira que agrega suas
opinies sobre o mercado, ocorrendo uma realocao de ativos de maneira customizada conforme
o perfil do investidor em relao a assumir riscos para atingir seu retorno desejado.
Portanto, atravs da Matriz P, matriz das opinies, composta por k views e n ativos onde
nesse exerccio foi utilizado n= 8 (oito ativos) e o k= 2 (duas opinies), j que o modelo no
exige que o investidor tenha opinies sobre todos os ativos foi trabalhado com duas opinies.
Considerando as condies macroeconmicas e de mercado foram formuladas opinies, sendo
atribudo um nvel de confiana para cada uma delas. Sendo a primeira opinio relativa sobre a
inclinao da curva de juros entre os vrtices DIJAN11 e DIJAN12. Considerando que a opinio
implcita em relao ao vrtice DIJAN11 de queda de 0,02% e a opinio implcita relativa do
vrtice DIJAN12 de valorizao de 0,03%, resulta numa inclinao de 0,05%. A opinio do
investidor considera que a referente inclinao ser de 0,07%. A outra opinio inserida no
modelo absoluta, considerando que o excesso de retorno para bolsa no apenas 7,13% como
foi extrado implicitamente do mercado e sim, sendo em nossa opinio, de 8%. Para essas duas
opinies foi considerado o nvel de confiana de 70% para opinio relativa sobre taxa de juros e
de 60% para opinio absoluta sobre bolsa. Com as inseres dessas opinies encontramos uma
alocao de ativos posterior, como podemos visualizar no quadro abaixo:

29

DIJAN11
DIJAN12
DIJAN17
NTNB MAI11
NTNBMAI15
NTNBMAI45
IMA-S

W Mercado
12,33%
2,71%
1,06%
4,87%
5,15%
3,84%
44,16%
25,9%

W Posterior
-8,08%
22,85%
1,04%
4,78%
5,06%
3,78%
43,39%
27,18%

IBrX-100
Figura 8 - w de mercado x w posterior

Conforme a carteira posterior obtida estaramos -8,08% comprado em taxa (vendido em


PU) em DIJAN11, 22,85% vendido em taxa (comprado em PU) em DIJAN12, 27,18% com uma
exposio em bolsa (IBX-100) e nos demais ativos estaramos posicionados prximo a posio de
mercado.
Com os dados obtidos atravs da utilizao do modelo proposto, importante destacar
que a carteira tima encontrada possui uma estabilidade muitas vezes no vista com a utilizao
dos retornos histricos proposto pelo modelo de Markowitz, j que as opinies dos investidores
sobre as informaes extradas do mercado permitem isso. Os resultados gerados nesse estudo
esto factveis com a realidade e o modelo mostrou-se uma tima ferramenta a ser utilizada pelos
investidores. J que encontramos uma carteira posterior com os reflexos de nossas opinies e em
linha com a posio do mercado.

30

4. Concluso

Todos os trs conjuntos de dados exigidos pelo modelo de otimizao tradicional de


Markowitz como: retorno esperado, volatilidade e correlao esperada so importantes. No
entanto, o mais importante a rentabilidade esperada. Quando se usa retornos histricos os erros
de estimao so grandes. neste ponto que Black-Litterman (1992) propem repensar a teoria
da carteira para torn-la mais til para os investidores.
Do modelo de macroalocao de Black-Litterman se obtm um procedimento robusto
para a criao da carteira tima. O modelo tem um slido fundamento terico, como foi visto
nesse trabalho, onde foram abordados pontos como a incorporao das opinies dos gestores e da
utilizao da carteira de mercado com o enfoque bayesiano, o qual permite determinar vetores de
pesos e a matriz de covarincia, que deve ser usada para fazer a otimizao da carteira, tipo
Markowitz. atravs das opinies que os pesos da carteira de mercado, considerado o ponto de
equilbrio, alterado, sendo que o investidor pode concordar ou no com o retorno
implicitamente obtido do mercado de equilbrio e a partir dessa alocao do mercado inserir suas
opinies. Para os gestores mais intuitivo pensar em pesos relativos para predizer o retorno
esperado dos ativos.
Portanto, a utilizao de Markowitz pode levar a obteno de carteiras mal-comportadas
e Black-Litterman corrigem esse problema partindo da alocao do mercado, tirando
implicitamente o excesso de retorno esperado por classe de ativos e incorporando as views dos
investidores. Sendo vlido ressaltar o importante papel do investidor para a aplicabilidade desse
modelo. Como vimos, a maneira de obter o retorno esperado crucial para encontrar a carteira
tima e o ponto chave para no utilizar o clssico modelo de Markowitz. Black-Litterman partem
de uma posio de equilbrio de mercado, os mesmos argumentam que a definio mais sensata
de equilbrio quando a posio de mercado coincidi com os preos correntes de mercado, se
todos os investidores tm as mesmas vises. Ou seja, em vez de descobrir que peso uma carteira
necessita para certo retorno esperado, feito o contrrio, qual o retorno esperado retirado atravs
da capitalizao do mercado. Esse retorno obtido atravs da otimizao inversa.
Portanto, o retorno retirado implicitamente do mercado pode ser ajustado conforme as
convices do investidor, permitindo encontrar carteiras diversificadas e incorporar essas
convices de maneira intuitiva, embora parea bvio partir da capitalizao do mercado para

31

inferir os retornos esperados, at o surgimento dessa metodologia de Black-Litterman no era


nada simples.

32

5 REFERNCIAS BIBLIOGRFICAS

MARKOWITZ, Portfolio Selection, Journal of Finance, March 1952.


BLACK, Fischer and Robert Litterman, Asset Allocation: Combining Investor Views With
Market Equilibrium, Goldman, Sachs & Co., Fixed IncomeResearch, Setembro, 1990.
BLACK, Fischer and Robert Litterman, Global Asset Allocation Modal, Financial Analysts
Journal, Setembro-Outubro, 1992.
IDZOREK, Thomas M., A step-by-step guide to the black-litterman model, Preprint, January,
2002.
BERNSTEIN, Peter L., A Histria do Mercado de Capitais O Impacto da Cincia e
Tecnologia nos Investimentos Brasil, 2007.
FRANCS, Carlos J., Metodologia: Black-Litterman Global Asset Allocation Model, Janeiro
2007. (artigo)
FRANCS, Carlos J., Un modelo de rebalanceo de carteras en base al VaR por optimizacin
inversa y Black Litterman en un entorno Mifid, Julho 2007. (artigo)
SATCHELL, S. and Scowcroft, A. (2000). A Demystification of the Black-Litterman Model:
Managing Quantitative and Traditional Construction. Journal of Asset Management,
September, 138-150.
LEE, W., Advanced Theory and Methodology of Tactical Asset Allocation, NewYork: John
Wiley & Sons, 2000.
BLAMONT, D. and Firoozy, N. (2003). Asset Allocation Model. Global Markets Research:
Fixed Income Research, Deutsche Bank, July.