ÍNDICE

INTRODUÇÃO.................................................................................... 2

ESTRATÉGIA E FINANÇAS QUANTITATIVAS .........................4

MAIORES NOMES DO MERCADO QUANT ............................9

O QUE É UMA ESTRATÉGIA QUANTITATIVA? ................... 14

COMPLEXIDADE ............................................................................ 23

FREQUÊNCIA DE EXECUÇÃO .................................................... 26

VANTAGENS E DESVANTAGENS ............................................ 33

CONCLUSÃO ................................................................................... 35

AUTORES .......................................................................................... 36

1
 INTRODUÇÃO
Olá,

Se você se interessou por este e-book, imagino que seja

uma pessoa motivada pela busca de conhecimento em
diferentes áreas da gestão de investimentos.

Se for esse o seu caso, as próximas páginas serão

particularmente úteis para que alcance os seus objetivos.

Se esse não é o seu caso, não tem problema.

“Fique comigo e terá uma oportunidade única de

conhecer uma abordagem pouco convencional,
que poderá ser útil não só para a gestão de seus
investimentos, mas também para qualquer que
seja a sua área de atuação.”

O que você verá a seguir é uma introdução aos conceitos

essenciais da escola de análise quantitativa, ou
simplesmente ‘quant’, segmento que conquista e chama
cada vez mais atenção dos investidores e tem
transformado a forma de ganhar dinheiro no mercado
financeiro.

2
Nas próximas linhas, você vai entender como a aplicação
prática dos avanços da tecnologia pode ser a chave na
busca pela excelência.

Um abraço,

Leonardo Pontes

3
 ESTRATÉGIA E FINANÇAS
QUANTITATIVAS
Ao falarmos sobre estratégias que se utilizam de alto
processamento de dados, é comum que as pessoas
rapidamente façam associações aos famosos robô-traders
– robôs que, na teoria, têm a capacidade de encontrar os
melhores investimentos e ganhar dinheiro, sem que o
investidor precise estar na frente de um computador ou
acessar o home-broker de sua corretora.

Sim, isso existe e é uma visão mais avançada das

estratégias quantitativas.

Afinal, esse seria o mundo ideal, não é mesmo?

Porém, vamos dar um passo atrás e entender o que são

as estratégias quantitativas e como é possível usá-las para
ganhar dinheiro no mercado financeiro.

Para explicá-las a contento, preciso fazer uma breve

introdução ao conceito de finanças quantitativas, que é a
base para quase tudo o que vou falar neste e-book.

4
“Quando abordamos finanças quantitativas (em
inglês, quantitative finance), falamos da
aplicação dos ramos da matemática,
principalmente estatística e probabilidade, no
campo das finanças.”

Mais recentemente, ferramentas relacionadas ao

aprendizado de máquina (machine learning) e inteligência
artificial também entraram no jogo.

Pelo fato de ser ampla e muito dinâmica, essa aplicação

pode se dar de várias formas, como na otimização do
retorno de uma carteira de ações, na gestão de risco de
um portfólio ou até na negociação de derivativos.

5
Em versões mais avançadas, as finanças quantitativas
tentam prever – probabilisticamente – o preço de
determinado ativo.

Em vez de se basear exclusivamente na teoria econômica,

essa área faz uso da observação de padrões no
comportamento dos preços das ações, das commodities,
das taxas de juros, do câmbio, além de uma infindável
gama de outros parâmetros que podem, de alguma
forma, influenciar o movimento dos mercados.

Vale de tudo: desde o lado macroeconômico, análise

automática de balanços (microeconômico), até o lado
comportamental, como, por exemplo, “ler” um tweet de
Donald Trump e analisar se o que ele disse é bom ou não
para o mercado.

Um exemplo:

Cruzamos todas as variações diárias do Ibovespa e do

Dólar nos últimos 3 anos...

O resultado é este gráfico abaixo que, embora confuso, o

que importa é o resultado que ele nos dá:

Notei que existe uma influência da variação do dólar no

comportamento do Ibovespa...

6
 Fonte: Bloomberg, Elaboração: Inversa Publicações

Ou seja, se o Dólar sobe ou cai demais, o Ibovespa

também se move bruscamente.

Para ter uma hipótese mais correta, necessitamos de

outras validações estatísticas, mas é um fato e podemos
assumir que se trata de uma relação linear.

Quanto mais um se mexe, o outro também se mexe.

Claro que este é apenas um exemplo básico.

7
O poder desse cruzamento de dados é literalmente
infinito. Muito pode se cruzar para que decisões sejam
tomadas de maneira extremamente assertiva.

Como falei no início, embora venha crescendo ao longo

dos últimos anos, o uso das finanças quantitativas nos
investimentos ainda não é muito difundido no Brasil.

8
 MAIORES NOMES DO
MERCADO QUANT

Jim Simons
Um dos precursores e talvez o
maior nome da gestão
quantitativa ao redor do mundo é
o de Jim Simons. O bilionário
americano de 82 anos fundou a
gestora Renaissance Technologies,
que possui, atualmente, cerca de
US$ 110 bilhões sob gestão.

O seu principal fundo, Medallion,

criado em 1988, possui uma rentabilidade anual média de
39%, já líquido das altas taxas de administração (4%) e
performance (44%).

Antes de taxas, o fundo rendeu mais de 70% ao ano entre

1994 e 2014.

Esse desempenho supera de longe o resultado de

renomados investidores que utilizam estratégias mais

9
convencionais - como Warren Buffett, George Soros, Peter
Lynch e Benjamin Graham.

Os números realmente impressionam.

“Apesar de o fundo Renaissance ser exclusivo

para seus funcionários, quem investiu mil
dólares nele em 1988 teria ganhado cerca de 20
milhões de dólares ao final de 2018.”

Ray Dalio
Outro nome de destaque na
gestão de fundos quantitativos é
o do também americano Ray
Dalio, fundador da gestora
Bridgewater Associates, que tem,
hoje, cerca de US$ 138 bilhões
sob gestão.

Por volta de 1990, Dalio notou

que, por meio da diversificação de
uma carteira com ativos não correlacionados, ele poderia
diminuir a volatilidade do portfólio e ainda aumentar a
sua qualidade, medida pela relação retorno-risco:

10
Fonte: DALIO, Ray. Principles: Life and Work. Simon & Schuster. 2017

11
Após diversos testes, Ray Dalio passou a adotar essa
estratégia, até então pioneira e denominada “Puro Alfa”,
para parte do portfólio de investimentos.

“Desde a criação do fundo Pure Alpha II, em

1991, a gestora Bridgewater apresenta uma
performance média de 11,5% ao ano.”

12
Leda Braga
Mesmo que não tenhamos um
mercado quant muito
desenvolvido no Brasil, um nome
importante nessa área ao redor do
mundo é o da brasileira Leda
Braga.

Nascida no Rio de Janeiro e

radicada em Londres na década
de 1980, ela é fundadora e CEO da
Systematica Investments, gestora especializada em fundos
quantitativos que tem sob gestão mais de US$ 10 bilhões
de dólares.

Após 2008, ano da crise do subprime nos Estados Unidos,

Braga passou a ser conhecida no mercado financeiro
como a “rainha dos fundos quantitativos” quando o
fundo BlueTrend, do qual era administradora.

“Obteve uma performance de 43% no ano,

enquanto os principais índices de ações dos
Estados Unidos caíram mais de 30%.”

13
 O QUE É UMA ESTRATÉGIA
QUANTITATIVA?
Ao longo dos anos, as ferramentas utilizadas no mercado
financeiro vêm se desenvolvendo e, por conta desta
tendência possivelmente irreversível do uso da tecnologia
nos investimentos, os grandes players, como bancos,
corretoras, fundos e casas de análise despendem mais
recursos na criação e desenvolvimento das áreas de Data
Science (ou Ciência de Dados).

O objetivo dessa área é realizar a coleta de dados para

gerar insights, identificar padrões e auxiliar o profissional
que toma a decisão final.
14
Então, uma estratégia quantitativa consiste apenas em
coletar dados e usá-los para tomar decisões?

Não. Não é APENAS isso.

Afinal, ao comprar ações de uma empresa ou aplicar em

um fundo de investimentos, o investidor busca
informações básicas (ou deveria buscar) sobre
alternativas, histórico de preços, riscos, e não é por isso
que está adotando uma estratégia quantitativa.

Não existe uma definição oficial para isso, mas podemos

considerar que uma estratégia quantitativa costuma ter
estes dois principais fatores: sistematização e
backtesting.

Eu vou explicar o que é cada um deles agora.

15
Backtesting
O backtesting é uma ferramenta de validação de
modelos matemáticos e pode ser usado em diversas
áreas de estudo. Uma delas, logicamente, dentro das
estratégias quantitativas de investimento.

Após identificar o padrão nos dados coletados e

determinar os parâmetros para negociar os ativos, o
profissional realiza testes retroativos e aplica a estratégia
em dados históricos.

“Dessa forma, é possível verificar qual seria o

desempenho da estratégia se ela tivesse sido
adotada no passado e, assim, fazer previsões a
respeito do seu desempenho no futuro.”

Existem aqui diversas técnicas para evitar o que se chama

de overfitting, isto é, situação em que o algoritmo
funciona muito bem, porém somente no passado. Ou
seja, é pouco útil para investimentos no presente e no
futuro.

Para exemplificar isso, vamos voltar ao gráfico que

mostrei anteriormente.

16
 Fonte: Bloomberg, Elaboração: Inversa Publicações

Suspeitando que exista um padrão entre o

comportamento do dólar e do Ibovespa, o cientista de
dados deveria executar um back-test para verificar qual
seria a rentabilidade de uma carteira que, ao longo dos
últimos anos, comprasse ações da Bolsa de Valores
sempre que o dólar apresentasse uma queda e, assim que
o câmbio voltasse a subir, se desfizesse da operação.

Dada a simplicidade do modelo, não sei qual seria o

resultado desse teste e, para falar a verdade, o meu
17
objetivo aqui neste e-book não é fazer uma
recomendação para você.

É importante ressaltar que embora o backtesting seja

muito utilizado por investidores quantitativos, seus
resultados não são 100% assertivos, uma vez que
desempenho passado não é garantia de retorno futuro.

“Entretanto, cada vez mais novos indicadores

são desenvolvidos e dão mais segurança de que a
estratégia funciona.”

18
Sistematização
A sistematização, por sua vez, diz respeito à operação da
estratégia e, mais especificamente, à padronização na
execução desse processo.

Isso quer dizer que o algoritmo criado para identificar as

oportunidades de investimento deve operar sempre da
mesma forma, seguindo as mesmas regras ou parâmetros
definidos na estratégia, sem interferência humana.

Ou, em casos mais avançados, os algoritmos são

probabilísticos: existe uma probabilidade p de comprar, q
de vender ou (1 – p – q) de não fazer nada.

Lembre-se: o mercado financeiro é apenas uma

concretização da infinidade de possibilidades que existem
a cada momento.

É aqui que está a primeira vantagem deste tipo de

abordagem em relação às estratégias comuns: a ausência
do fator humano.

19
 “O principal problema do
investidor - e seu pior inimigo –
é provavelmente ele mesmo.”

Benjamin Graham

Os estudiosos das finanças comportamentais costumam

dizer que os investidores estão, a todo momento, sendo
influenciados pelos chamados vieses cognitivos.

Esses vieses são vícios mentais que fazem com que os

investidores não avaliem as situações de forma racional e
tomem decisões que podem ser prejudiciais ao seu
patrimônio.

É muito difícil que um investidor, por melhor que seja,

não se deixe influenciar pelas emoções em algum
momento.

Seja porque naquele dia ele acordou de mau-humor, seja

porque seu time favorito perdeu, seja ainda, e até mesmo,
porque discutiu com a sua parceira.

E aqui nem estou falando na capacidade de armazenar e

processar dados mais rapidamente, nem na disposição a

20
trabalhar de forma constante, 24 horas por dia, sem
reclamar ou pedir férias.

Acho que você já percebeu o potencial, na teoria, de um

algoritmo (ou robô – chame-o como quiser) ser mais
assertivo que um ser humano na hora de investir, não é?

Mesmo assim, ainda que consigam tomar decisões de

investimento ignorando vieses cognitivos, os algoritmos
usados em estratégias quantitativas não “aprendem” a
investir sozinhos, pelo menos não no início.

Como disse Paul Tudor Jones, um dos maiores bilionários

do mundo e gestor do fundo quantitativo da Tudor
Investment Corporation:

“Nenhum homem é melhor do que uma máquina

e nenhuma máquina é melhor do que um homem
com uma máquina.”

Dessa forma, se faz cada vez mais importante a inclusão

de times de tecnologia e Data Science nos processos de
análise dos investidores para melhorar a coleta de
informações e a execução de rotinas.

Jim Simons, curiosamente, tem somente PhDs no seu

time, e nenhum deles é especializado em finanças.

21
Além disso, a adoção de novas tecnologias torna os
algoritmos mais sofisticados e fornece maior
desempenho computacional, o que é importante para o
investidor que deseja realizar diversas operações em
curto espaço de tempo.

Na teoria, o algoritmo nada mais é do que uma

sequência de regras e condições pré-definidas por
quem o criou para executar uma ação. Por exemplo, a
compra ou venda de um ativo.

22
 COMPLEXIDADE
Por mais que isso possa ser empolgante para os amantes
de estatística e modelos econométricos, engana-se quem
pensa que esses algoritmos necessitam de alto grau de
complexidade para apresentar retornos satisfatórios.

Eles podem, sim, ser complexos, mas não é regra.

É possível montar estratégias simples, contendo regras

básicas de trade, como análise de suporte, resistência e
tendências em gráficos de preços, por exemplo.

Assim, se você parar para pensar, perceberá que todo

investidor que faz a gestão de suas finanças já é mais ou
menos quantitativo.

Quando analisa um balanço, por exemplo, ou quando

traça uma reta de suporte e declara “tendência de alta”:
tudo que ele fez ali foi entender que a ação tem o que os
analistas quantitativos chamam de “momento”, isto é, se
uma ação está subindo, ela tem maior probabilidade de
continuar subindo do que começar a cair.

Dessa forma, as condições poderiam ser facilmente

implementadas dentro de ferramentas simples como o

23
Excel, retornando o melhor momento de compra ou
venda de um ativo para o investidor.

Porém, como citei anteriormente, novas tecnologias

adicionam um grau maior de complexidade e permitem
sofisticar as estratégias, tornando os modelos mais
robustos e assertivos.

Para isso, os investidores costumam

utilizar linguagens de programação de
alto nível, como Python e R, além de
ferramentas avançadas de aprendizado
de máquina (machine learning).

Não pretendo tornar essa explicação muito técnica nem

te entediar com todo esse papo geek, mas aprendizado de
máquina pode ser brevemente descrito como um tema
dentro da ciência da computação em que um código é
programado para aprender e, consequentemente,
melhorar seu desempenho - sem interferência humana -
com o passar do tempo.

Eu sei, parece estranho e chega a dar medo, mas isso é

possível e já vem sendo utilizado por diversas empresas
ao redor do mundo.

24
A Amazon tenta descobrir o que você gosta de comprar.

A Uber tenta desenvolver carros que dirigem de forma

independente.

Já está acontecendo... Mas vamos voltar ao tema inicial...

25
 FREQUÊNCIA DE
EXECUÇÃO
Além do nível de sua complexidade, os modelos
utilizados em estratégias quantitativas podem ser
separados de acordo com a frequência (alta ou baixa) em
que são executados.

O modelo será considerado de alta frequência quando

realizar operações em pequeno intervalo de tempo. Por
exemplo, analisando dados de hora em hora, minuto a
minuto (como mostra o gráfico abaixo) ou até mesmo em
intervalos de poucos segundos:

Gráfico de 1 minuto da cotação do Dólar dividido pelo Real.

Fonte: Bloomberg

26
Nos modelos de alta frequência, é mais comum o uso
de robôs, e a complexidade computacional tende a ser
maior do que a complexidade matemática, uma vez que
as operações têm que ser feitas com velocidade.

Nesse modelo, a briga é grande a ponto de investidores

pagarem para deixar seus servidores o mais próximo
possível da bolsa, por exemplo. Tudo é válido para ganhar
alguns milissegundos de vantagem.

Para entender esse tipo de modelo, vamos imaginar, por

exemplo, um investidor que deseja montar uma estratégia
de arbitragem com as ações da empresa Suzano.

Apenas para deixar todo mundo na mesma página,

esclareço que a arbitragem é uma estratégia em que os
investidores buscam tirar proveito das distorções de
preços em mercados distintos para obter lucros.

Sendo assim, uma possível aplicação dessa estratégia

seria o investidor utilizar um sistema que verifica os
preços das ações da Suzano no Brasil (BOV: SUZB3),
negociadas na Bolsa de Valores de São Paulo, e o preço
das ações da Suzano nos Estados Unidos (NYSE: SUZ),
negociadas por meio de um ADR (American Depositary
Receipt) na Bolsa de Valores de Nova Iorque.

27
Por se tratar do mesmo ativo-lastro, com a mesma
expectativa de fluxo de caixa, é esperado que os preços
reajam de forma semelhante no longo prazo.

Porém, no curto prazo, é possível encontrar distorções no

preço dos ativos nos dois mercados, uma vez que existem
custos de transação distintos e assimetrias de informação,
mesmo que a Internet tenha diminuído a recorrência
disso.

Com a inclusão da tecnologia nas operações do mercado

de capitais, essas distorções não costumam durar muito
tempo, com os preços rapidamente convergindo em uma
questão de segundos ou minutos.

“Logo, uma vez que identifica alguma

possibilidade de lucro, já descontado dos custos
da operação, o sistema executa imediatamente a
ordem, aumentando a rentabilidade do
investidor.”

Já os modelos de baixa frequência exigem menor

complexidade computacional, dado que o algoritmo será
executado em intervalos maiores, como, por exemplo,
uma vez por semana ou por mês.

28
 Gráfico de 1 mês da cotação do Dólar/Real.

Fonte: Bloomberg.

Embora facilite as operações, o uso de robôs nesse caso

não se faz tão necessário quanto nos modelos de alta
frequência.

É comum que os modelos de baixa frequência sugiram

rebalanceamentos, ou seja, reajustes periódicos em um
portfólio de investimentos, o que naturalmente exige
maior desenvolvimento dos modelos estatísticos.

Imagine, por exemplo, um investidor que deseja montar

uma carteira ótima de investimentos alocando seu capital
em títulos atrelados ao CDI e ações do Ibovespa,
seguindo os princípios da Teoria Moderna do Portfólio,
de Harry Markowitz.

29
Para isso, com os preços semanais históricos de todos os
ativos da Bolsa já coletados, o sistema deverá realizar
uma série de cálculos matemáticos e estatísticos, como o
da média e desvio-padrão do retorno das ações, para
verificar o nível de risco/volatilidade, a correlação, índice
de Sharpe e diversos outros indicadores que irão
determinar o peso ótimo de cada um desses ativos na
carteira – que terá a melhor relação risco x retorno.

Esse é apenas um exemplo simples de como um modelo

de baixa frequência faria esse ajuste semanal em um
portfólio de investimentos.

Outro possível exemplo, e que vai em linha com a

estratégia Puro Alfa de Ray Dalio, seria um sistema que
identificasse ativos não correlacionados, ou seja, ativos
em que as variações nos preços não apresentassem níveis
estatisticamente significantes de dependência ou
similaridade entre si.

A correlação é calculada ao comparar duas séries

históricas, e seu resultado pode variar entre 1 e -1.

Quanto mais próximo de 1, o movimento dos ativos

tende a ter a mesma direção e proporção. Quanto mais
próximo de -1, o movimento dos ativos tende a ter
mesma proporção, mas na direção oposta.

30
 Correlação próxima a 1: os ativos possuem altas e quedas
similares e na mesma direção.

Correlação próxima a 0: o movimento dos ativos não possui

similaridade.

Correlação próxima a -1: os ativos possuem altas e quedas

similares, mas em direção oposta.

31
“O grande benefício de adicionar ativos
descorrelacionados em uma carteira de
investimentos é reduzir o risco não sistêmico, isto
é, aquela parcela do risco relacionado a algum
setor ou mercado específico, o que otimiza a
performance do seu portfólio.”

32
 VANTAGENS E
DESVANTAGENS
Bom, se chegou até aqui, você já deve ter entendido
como a análise quantitativa pode auxiliar os investidores a
conseguir melhores retornos.

Mas vamos recapitular quais as vantagens desse tipo de

abordagem estratégica:

Ausência do fator humano. Elimina a possibilidade de o

investidor tomar decisões de investimento influenciadas
por vieses cognitivos.

Capacidade de processamento de dados maior do que

a de seres humanos, deixando a análise mais completa.
Além disso, para analisar uma quantidade muito grande
de dados, seria necessário contar com uma equipe muito
grande, causando ruídos no processo de tomada de
decisão.

Previsibilidade. Por operar de acordo com regras pré-

definidas e identificação de padrões, a previsão de um
investimento utilizando estratégia quantitativa pode ser
muito mais assertiva do que a de uma estratégia

33
discricionária, uma vez que não é possível prever
comportamento de investidores.

Baixa correlação com demais tipos de investimento

devido: (i) ao processo de tomada de decisão baseado em
dados, e não em fundamentos; e (ii) à diversificação
trazida pela capacidade de atuar em diversos mercados
simultaneamente.

Porém, você deve imaginar que essas estratégias

quantitativas também podem trazer algumas
desvantagens. São elas:

Eventos inéditos podem prejudicar a execução das

operações. Isso se torna uma desvantagem dado que a
análise quantitativa não é capaz de antecipar
movimentos causados por eventos pontuais, como
eleições ou os efeitos do novo coronavírus, por exemplo.

No caso de fundos quant, as taxas de administração e

performance tendem a ser elevadas, uma vez que os
fundos acabam tendo de arcar com custos altíssimos de
programadores e engenheiros de software, além de
despesas com servidores, banco de dados e
equipamentos de alta performance.

34
 CONCLUSÃO
Esta foi apenas uma breve introdução às estratégias
quantitativas: o que já se faz no mundo dentro dessa
abordagem tem capacidade de encher milhares e
milhares de páginas.

As estratégias quantitativas evoluíram ao longo dos anos,

partindo de dados não sistematizados sobre fundamentos
das empresas ou do mercado, passando por
investimentos baseados em fatores estatísticos,
macroeconômicos e microeconômicos, chegando
atualmente ao machine learning, que veio para dominar.

A cada preço de cada ativo de cada mercado no mundo,

a pergunta sempre é: compra ou vende?

As máquinas conseguem analisar quantidades enormes

de informações para responder a essa pergunta. Com as
ferramentas e algoritmos adequados, elas superam cada
vez mais a performance dos seres humanos.

35
 AUTORES
Leonardo Pontes – CNPI, CQF, CFA

Tendo acumulado 23 anos de experiência no mercado

financeiro, Leonardo Pontes trabalhou em companhias
listadas na Bolsa e em mesas de operações de grandes
assets e bancos.
Conquistou +79% de retorno financeiro com Ações Small
Caps em 2019...

É a pessoa certa para você ouvir quando o assunto são as

pequenas notáveis do mercado de ações e sabe utilizar
sistemas complexos e lucrativos do mundo quantitativo
para fazer seus seguidores ganharem fortunas no
mercado.

36
Leonardo é graduado em Engenharia da Computação
pelo ITA, possui certificação CNPI, CQF (Certificate in
Quantitative Finance) e possui o prestigiado certificado
CFA (Chartered Financial Analyst).

Antonyo Giannini

Formado pelo Insper em Ciências Econômicas e

Administração de Empresas, cursando MBA em Finanças
no Insper e tendo estudado na Universitat Autònoma de
Barcelona, Antonyo Giannini acumulou experiência na
gestão de investimentos em renda fixa. Após anos
estudando o mercado financeiro, se especializou em
Ações Small Caps e Análise Quantitativa através de
estatística e programação.

37
A Inversa é uma Casa de Análise regularmente constituída e credenciada perante CVM e APIMEC.
Todos os nossos profissionais cumprem as regras, diretrizes e procedimentos internos estabelecidos pela Comissão de
Valores Mobiliários em sua Instrução 598, e pelas Políticas Internas estabelecidas pelos Departamentos Jurídico e de
Compliance da Inversa.
A responsabilidade pelas publicações que contenham análises de valores mobiliários é atribuída a Felipe Paletta,
profissional certificado e credenciado perante a APIMEC.
Nossas funções são desempenhadas com absoluta independência, não sendo dotadas de quaisquer conflitos de interesse,
e sempre comprometidas na busca por informações idôneas e fidedignas visando fomentar o debate e a educação
financeira de nossos destinatários.
O conteúdo da Inversa não representa quaisquer ofertas de negociação de valores mobiliários e/ou outros instrumentos
financeiros. Os destinatários devem, portanto, desenvolver as suas próprias avaliações.
Todo o material está protegido pela Lei de Direitos Autorais e é de uso exclusivo de seu destinatário, sendo vedada a sua
reprodução ou distribuição, seja no todo ou em parte, sem prévia e expressa autorização da Inversa, sob pena de sanções
nas esferas cível e criminal.
Nós não compartilharemos o seu endereço de e-mail com ninguém. Leia os nossos Termos de Uso e a nossa Política de
Privacidade. Se quiser saber mais sobre a Inversa, acesse nosso website ou envie um e-mail para
contato@inversa.com.br.
Importante: Retornos passados não são garantia de retornos futuros. Investimentos têm risco e, portanto, podem
gerar prejuízos financeiros.

38