Tese Decio Cunha JR - DEA (ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO)

FUNDAÇÃO GETÚLIO VARGAS
ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO
DÉCIO CUNHA JÚNIOR
ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO

CORPORATIVO NO BRASIL UTILIZANDO DATA ENVELOPMENT ANALYSIS
(DEA)
SÃO PAULO
2021

(DEA)
Tese apresentada à Escola de Administração

de Empresas de São Paulo, da Fundação
Getúlio Vargas, como requisito para a
obtenção do título de Doutor em
Administração de Empresas.
Linha de Pesquisa: Competitividade em

Gestão.
Orientador: Prof. Dr. William Eid Jr.
SÃO PAULO – SP
2021
Cunha Júnior, Décio.
Estratégia de alocação para portfólios de crédito corporativo no Brasil
utilizando Data Envelopment Analysis (DEA) / Décio Cunha Júnior. - 2021.
137 f.
Orientador: William Eid Junior.

Tese (doutorado CDAE) – Fundação Getulio Vargas, Escola de
Administração de Empresas de São Paulo.
1. Debêntures. 2. Investimentos - Administração. 3. Análise envoltória de

dados. I. Eid Junior, William. II. Tese (doutorado CDAE) – Escola de
Administração de Empresas de São Paulo. III. Fundação Getulio Vargas. IV.
Título.
CDU 336.763.3
Ficha Catalográfica elaborada por: Isabele Oliveira dos Santos Garcia CRB SP-
010191/O
Biblioteca Karl A. Boedecker da Fundação Getulio Vargas - SP

(DEA)
Tese apresentada à Escola de Administração de

Empresas de São Paulo, da Fundação Getúlio
Vargas, como requisito para a obtenção do
título de Doutor em Administração de
Empresas.
Linha de Pesquisa: Competitividade em

Gestão.
Data de aprovação: 28/04/2021
Banca Examinadora:
___________________________________
Prof. Dr. William Eid Júnior (Orientador)
FGV-EAESP
___________________________________
Profa. Dra. Cláudia Emiko Yoshinaga
FGV-EAESP
___________________________________
Prof. Dr. Eduardo Facó Lemgruber
UFRJ-COPPEAD
___________________________________
Profa. Dra. Maria Paula Vieira Cicogna
FACAMP
Aos meus filhos João Henrique e Pedro Paulo, pelo carinho.
À minha esposa Patrícia, pelo incentivo,
compreensão e amor demonstrado.
AGRADECIMENTOS
A DEUS, por tudo que ele me proporciona.
Ao meu pai (in memorium), que me ensinou o valor do trabalho e dedicação; à minha mãe
Myriam sempre presente; à minha esposa Patrícia, pela compreensão e carinho; aos meus filhos
João Henrique e Pedro Paulo, por entenderem a importância desta jornada e o motivo pelo qual,
por inúmeras vezes, eu não pude estar com eles; aos meus irmãos por todo apoio e carinho.
Ao meu orientador Prof. Dr. William Eid Jr., pela disponibilidade, apoio, críticas e sugestões
no decorrer deste trabalho.
Aos membros da banca examinadora, pelas valiosas contribuições a esta tese.
Aos professores que souberam transmitir seus conhecimentos e sabedoria.
Aos amigos e colegas que fizeram parte desta etapa em minha vida. Em especial a Fernando
Itano, pelas dicas com relação ao software R, a Fábio Ferreira, pelo acesso a ferramenta Ftrader,
a Leonardo Alves de Almeida, pela troca de ideias e a Gustavo Teixeira Coelho, pelo incentivo
nesta jornada.
E a todos que, direta ou indiretamente, contribuíram para a realização deste estudo.

RESUMO
A finalidade desta tese consiste na utilização da metodologia Data Envelopment Analysis (DEA)
para portfólios de crédito corporativo no Brasil, especificamente constituídos de debêntures,
contudo, pode ser extrapolado para produtos com características similares. A otimização de
carteiras de crédito de títulos corporativos é tratada em raríssimos trabalhos acadêmicos e a
utilização de DEA para este fim é inédita no país. Esta pesquisa consiste na otimização de
portfólios, mediante a verificação da eficiência das metodologias de Markowitz e da Análise
Envoltória de Dados (DEA). São realizadas três análises: a primeira, utilizando o modelo de
Markowitz para um período resultando em uma carteira da fronteira eficiente que apresente
máxima diversificação; a segunda, com a utilização de dois modelos DEA clássicos; e a última,
mediante a aplicação do modelo de fronteira eficiente para uma carteira com máxima
diversificação nas duas modelagens DEA, tendo como resultado uma metodologia híbrida. Os
preços de referência das debêntures são fornecidos por um autorregulador do mercado
financeiro. Com relação ao modelo DEA, são definidos critérios de inputs e outputs do modelo.
Para os indicadores de entrada e saída desta modelagem são considerados, respectivamente, a
volatilidade do spread e o prazo médio do ativo; o retorno do spread de crédito e o rating atual
da emissão. São performadas vinte e quatro alocações mensais e ao final de cada período se
procedeu a comparação dos resultados em cada alocação dos respectivos modelos, e como
resultado, os portfólios gerados pela modelagem DEA performaram melhor do que a carteira
com máxima diversificação resultante do modelo de Markowitz.
Palavras-chave: Data Envelopment Analysis (DEA). Debêntures. Otimização de Portfólio.

Modelo de Markowitz. Carteira com Máxima Diversificação.
ABSTRACT
The purpose of this thesis is to use the Data Envelopment Analysis (DEA) methodology for
corporate credit portfolios in Brazil, specifically made up of corporate bonds (debêntures);
however it can be extrapolated to products with similar characteristics. Optimization of credit
portfolio of corporate bonds is treated in very few academic papers and the use of DEA for this
purpose is unprecedented in the country. This research consists in optimizing portfolios by
checking the efficiency of the methodologies of Markowitz and Data Envelopment Analysis.
Three analyses will be carried out, the first using the Markowitz model for a period resulting in
an efficient frontier portfolio that presents maximum diversification; the second, using two
classic DEA models; and the last, through the application of the efficient frontier model to a
portfolio with maximum diversification in the two DEA models, resulting in a hybrid
methodology. The reference prices for the debentures are provided by a self-regulator in the
financial market. Criteria to inputs and outputs are defined regarding the DEA model. This
modeling considers as inputs and outputs variables, respectively, the volatility of the spread and
the duration of the asset, the return on the credit spread and the current rating of the bond.
Twenty-four monthly allocations are performed and, at the end of each period, the results were
compared in each allocation of the respective models. As a result, the portfolios generated by
DEA methodology were performed better than the set of assets generated by Markowitz’s
model for a portfolio with maximum diversification.
Keywords: Data Envelopment Analysis (DEA). Corporate Bonds. Portfolio Optimization.

Markowitz’s model. Portfolio with Maximum Diversification.
LISTA DE FIGURAS E GRÁFICOS
'Figura 1. IDA Geral e Variantes .............................................................................................. 36

Figura 2. Retornos Crescentes de Escala .................................................................................. 53
Figura 3. Retornos Constantes de Escala.................................................................................. 54
Figura 4. Retornos Decrescentes em Escala ............................................................................. 54
Figura 5. Alternativas de Produção Viáveis – Retornos Decrescentes..................................... 55
Figura 6. Produtividade x Eficiência ........................................................................................ 56
Figura 7. Representação Gráfica da Fronteira Eficiente........................................................... 57
Figura 8. Fronteira de Eficiência .............................................................................................. 59
Figura 9. Fronteiras BCC e CCR .............................................................................................. 66
Figura 10. Fluxograma da Pesquisa .......................................................................................... 72
Figura 11. Composição da Alocação dos Modelos: Alocação 1 – Jan/19................................ 87
Figura 12. Composição das Alocações dos Modelos: Alocação 2 – Fev/19 .......................... 114
Figura 13. Composição das Alocações dos Modelos: Alocação 3 – Mar/19 ......................... 114
Figura 14. Composição das Alocações dos Modelos: Alocação 4 – Abr/19.......................... 115
Figura 15. Composição das Alocações dos Modelos: Alocação 5 – Mai/19 ......................... 115
Figura 16. Composição das Alocações dos Modelos: Alocação 6 – Jun/19 .......................... 116
Figura 17. Composição das Alocações dos Modelos: Alocação 7 – Jul/19 ........................... 116
Figura 18. Composição das Alocações dos Modelos: Alocação 8 – Ago/19 ......................... 117
Figura 19. Composição das Alocações dos Modelos: Alocação 9 – Set/19 ........................... 117
Figura 20. Composição das Alocações dos Modelos: Alocação 10 - Out/19......................... 118
Figura 21. Composição das Alocações dos Modelos: Alocação 11 – Nov/19 ....................... 118
Figura 22. Composição das Alocações dos Modelos: Alocação 12 – Dez/19 ....................... 119
Figura 23. Composição das Alocações dos Modelos: Alocação 13 – Jan/20......................... 119
Figura 24. Composição das Alocações dos Modelos: Alocação 14 – Fev/20 ........................ 120
Figura 25. Composição das Alocações dos Modelos: Alocação 15 – Mar/20 ....................... 120
Figura 26. Composição das Alocações dos Modelos: Alocação 16 – Abr/20........................ 121
Figura 27. Composição das Alocações dos Modelos: Alocação 17 – Mai/20 ....................... 121
Figura 28. Composição das Alocações dos Modelos: Alocação 18 – Jun/20 ........................ 122
Figura 29. Composição das Alocações dos Modelos: Alocação 19 – Jul/20 ......................... 122
Figura 30. Composição das Alocações dos Modelos: Alocação 20 – Ago/20 ....................... 123
Figura 31. Composição das Alocações dos Modelos: Alocação 21 – Set/20 ......................... 123
Figura 32. Composição das Alocações dos Modelos: Alocação 22 – Out/20 ........................ 124
Figura 33. Composição das Alocações dos Modelos: Alocação 23 – Nov/20 ....................... 124
Figura 34. Composição das Alocações dos Modelos: Alocação 24 – Dez/20 ....................... 125
Figura 35. Resultado da Alocação dos Modelos: Alocação 1 - Jan/19 .................................. 126
Figura 36. Resultado da Alocação dos Modelos: Alocação 2 - Fev/19 .................................. 126
Figura 37. Resultado da Alocação dos Modelos: Alocação 3 - Mar/19 ................................. 127
Figura 38. Resultado da Alocação dos Modelos: Alocação 4 - Abr/19 ................................. 127
Figura 39. Resultado da Alocação dos Modelos: Alocação 5 - Mai/19 ................................. 128
Figura 40. Resultado da Alocação dos Modelos: Alocação 6 - Jun/19 .................................. 128
Figura 41. Resultado da Alocação dos Modelos: Alocação 7 - Jul/19 ................................... 129
Figura 42. Resultado da Alocação dos Modelos: Alocação 8 - Ago/19 ................................. 129
Figura 43. Resultado da Alocação dos Modelos: Alocação 9 - Set/19................................... 130
Figura 44. Resultado da Alocação dos Modelos: Alocação 10 - Out/19 ................................ 130
Figura 45. Resultado da Alocação dos Modelos: Alocação 11 - Nov/19 ............................... 131
Figura 46. Resultado da Alocação dos Modelos: Alocação 12 - Dez/19 ............................... 131
Figura 47. Resultado da Alocação dos Modelos: Alocação 13 - Jan/20 ................................ 132
Figura 48. Resultado da Alocação dos Modelos: Alocação 14 - Fev/20 ................................ 132
Figura 49. Resultado da Alocação dos Modelos: Alocação 15 - Mar/20 ............................... 133
Figura 50. Resultado da Alocação dos Modelos: Alocação 16 - Abr/20 ............................... 133
Figura 51. Resultado da Alocação dos Modelos: Alocação 17 - Mai/20 ............................... 134
Figura 52. Resultado da Alocação dos Modelos: Alocação 18 - Jun/20 ................................ 134
Figura 53. Resultado da Alocação dos Modelos: Alocação 19 - Jul/20 ................................. 135
Figura 54. Resultado da Alocação dos Modelos: Alocação 20 - Ago/20 ............................... 135
Figura 55. Resultado da Alocação dos Modelos: Alocação 21 - Set/20................................. 136
Figura 56. Resultado da Alocação dos Modelos: Alocação 22 - Out/20 ................................ 136
Figura 57. Resultado da Alocação dos Modelos: Alocação 23 - Nov/20 ............................... 137
Figura 58. Resultado da Alocação dos Modelos: Alocação 24 - Dez/20 ............................... 137
Gráfico 1. Efeito Isolado dos Betas nas Curvas Zero Coupon ................................................. 46
Gráfico 2. Volatilidade ao Ano - Índice IDA de Infraestrutura................................................ 84
Gráfico 3. Volatilidade e Duration do Spread - Ativos Elegíveis por Alocação ..................... 85
LISTA DE TABELAS E QUADROS
Tabela 1. Estoque, Emissão e Negociação de Debêntures - R$ milhões.................................. 18

Tabela 2. Distribuição dos Indexadores nas Emissões ............................................................. 20
Tabela 3. Composição das Garantias nas Debêntures .............................................................. 22
Tabela 4. Destinação de Recursos ............................................................................................ 23
Tabela 5. Volume Financeiro e Quantidade de Operações por Tipo de Emissão .................... 23
Tabela 6. Capital Social dos Emissores .................................................................................... 25
Tabela 7. Debêntures Incentivadas ........................................................................................... 25
Tabela 8. Garantias das Debêntures Incentivadas .................................................................... 26
Tabela 9. Distribuição das Ofertas de Debêntures Incentivadas por Detentor ......................... 27
Tabela 10. Curvas de Crédito por Rating Divulgadas Diariamente ......................................... 38
Tabela 11. Nível de Confiança por lambda .............................................................................. 51
Tabela 12. ETTJs ANBIMA – Parâmetros NSS para Curvas IPCA e Pré-Fixado .................. 74
Tabela 13. Exemplo de Parte da Composição do IDA IPCA Infraestrutura ............................ 75
Tabela 14. Conversão de Rating ............................................................................................... 76
Tabela 15. Resumo das Alocações Mensais: Volatilidade, Retorno e Índice de Sharpe ......... 88
Tabela 16. Resumo das Alocações Mensais: Duration, Spread e DTS ................................... 89
Tabela 17. Classificação das Alocações Mensais e Quantidade de Ativos por Alocação ........ 90
Tabela 18. Banda Sharpe 5%.................................................................................................... 91
Tabela 19. Banda Sharpe 10%.................................................................................................. 92
Tabela 20. Resumo do Rating, Spread e Duration para os Ativos Elegíveis ........................... 93
Tabela 21. Quantidade de Ativos Alocados e Rating por Alocação ........................................ 94
Tabela 22. Resumo do Resultado das Alocações Mensais por Modelo ................................... 96
Tabela 23. Resultado ODRT11 - Alocação 2 (fevereiro/19) .................................................... 96
Tabela 24. Dados Adicionais do Resultado .............................................................................. 98
Quadro 1. Resumo das Características dos Modelos DEA ...................................................... 68

Quadro 2. Resumo dos Testes Realizados ................................................................................ 79
LISTA DE ABREVIATURAS E SIGLAS
ADR American Deposit Receipts

ANBIMA Associação Brasileira das Entidades dos Mercados Financeiro e de
Capitais
BCC Banker, Charnes e Cooper
BPS Basis points
CAPM Capital Asset Pricing Model (Modelo de Precificação de Ativos)
CCR Charnes, Cooper e Rhodes
CDI Certificado de Depósito Interbancário
CE-DEA Cross Efficiency DEA
CR-DEA Cone Ratio DEA
CP Concentração de propriedade
CRS Constant returns to scale (Retorno constante de escala)
CVaR VaR Contributtion (Contribuição ao Risco)
DEA Data Envelopment Analysis (Análise Envoltória de Dados)
DMU Decision Making Unit (Unidade tomadora de decisão)
DTS Duration Times Spread
EBIT Earnings Before Income and Taxes
ETF Exchange Traded Fund
ETTJ Estrutura a Termo de Taxa de Juros
EWMA Exponentially Weigthed Moving Average (Alisamento Exponencial com
Média Móvel)
FDEA Fuzzy Data Envelopment Analysis (Análise Envoltória de Dados Fuzzy)
GEE Generalized Estimating Equations
ICVM Instrução da Comissão de Valores Mobiliários
IDA Índice de Debêntures ANBIMA
IGC Índice de Governança Corporativa
IGPM Índice Geral de Preços Mercado
IPCA Índice de Preços ao Consumidor Amplo
IS Índice de Sharpe
MODM Multi-objective-decision-making
NS Nelson Siegel
NSS Nelson Siegel Svensson
PD Probability of Default (Probabilidade de Inadimplência)
PU Par Preço Unitário ao Par
ROI Return on Investments
S&P Standard & Poor’s
SE-DEA Super Efficiency DEA
TJLP Taxa de Juros de Longo Prazo
VaR Value at Risk (Valor em Risco)
VRS Variable returns to scale (Retorno variável de escala)
SUMÁRIO
1. INTRODUÇÃO ................................................................................................................... 14
2. MERCADO DE DEBÊNTURES NO BRASIL ................................................................ 17
2.1. Dimensão do Mercado de Debêntures no País .................................................................. 17
2.1.1. Características das Debêntures Emitidas ........................................................................ 19
2.1.2. Instrução ICVM 476 ....................................................................................................... 23
2.1.3. Debêntures Incentivadas – Lei 12.431 ........................................................................... 25
2.2. Fatores que Afetam o Spread das Debêntures ................................................................... 27
2.2.1. Mercado Primário ........................................................................................................... 27
2.2.1.1. Fatores Relacionados ao Crédito ................................................................................ 27
2.2.1.2. Indexador da Emissão ................................................................................................. 30
2.2.1.3. Governança ................................................................................................................. 31
2.2.2. Mercado Secundário ....................................................................................................... 33
2.3. Outros Temas Relacionados ao Entorno das Debêntures .................................................. 35
2.3.1 Índices de Debêntures...................................................................................................... 35
2.3.1.1 Índice de Debêntures ANBIMA (IDA) .......................................................................... 35
2.3.1.2. Idex JGP ...................................................................................................................... 36
2.3.2. Curvas de Crédito ........................................................................................................... 37
2.3.3. Modelos de Otimização para Debêntures no Brasil ....................................................... 38
3. CONCEITOS UTILIZADOS NO TRABALHO ............................................................. 40
3.1. Modelo de Markowitz ....................................................................................................... 40
3.2. Índice de Sharpe ................................................................................................................ 41
3.3. Medidas de Crédito............................................................................................................ 42
3.3.1. Spread Interpolado ......................................................................................................... 42
3.3.2. Duration Times Spread (DTS) ....................................................................................... 42
3.4. Modelo de Nelson e Siegel (NS) ....................................................................................... 45
3.5. Modelo de Nelson, Siegel e Svensson (NSS) .................................................................... 47
3.6. Modelo Cubic Spline ......................................................................................................... 48
3.7. Modelo Exponentially Weigthed Moving Average (EWMA) ............................................. 49
4. ANÁLISE ENVOLTÓRIA DE DADOS ........................................................................... 53
4.1. Curvas de Produção e Análise de Eficiência ..................................................................... 53
4.2. Modelagem DEA ............................................................................................................... 58
4.2.1. Modelo CCR ................................................................................................................... 61
4.2.2. Modelo BCC ................................................................................................................... 63
4.2.3. Outros Modelos DEA ..................................................................................................... 67
4.2.4. Aplicação de DEA na Otimização de Portfólios ............................................................ 68
5. METODOLOGIA ............................................................................................................... 71
5.1. Critérios de Debêntures ..................................................................................................... 73
5.2. Spread de Crédito .............................................................................................................. 73
5.3. Rating de Crédito ............................................................................................................... 76
5.4. Cálculo da Volatilidade ..................................................................................................... 76
5.5. Definição das Entradas e Saídas do Modelo ..................................................................... 77
5.5.1. Entradas e Saídas Analisadas ......................................................................................... 78
5.5.2. Entradas e Saídas Testadas............................................................................................. 78
5.6. Tratamento dos Dados para o Modelo DEA ..................................................................... 80
5.7. Modelo de Markowitz ....................................................................................................... 80
5.8. Análise das Alocações ...................................................................................................... 81
5.9. Resumo da Metodologia ................................................................................................... 81
5.9.1. Determinação dos Ativos Elegíveis para Alocação ....................................................... 81
5.9.2. Cálculo do Spread .......................................................................................................... 81
5.9.3. Cálculo da Volatilidade do Spread ................................................................................ 82
5.9.4. Rating das Emissões ....................................................................................................... 82
5.9.5. Definições de Entradas e Saídas dos Modelos DEA ...................................................... 82
5.9.6. Otimizações .................................................................................................................... 82
5.9.7. Análise das Alocação dos Modelos................................................................................ 83
6. RESULTADOS ................................................................................................................... 84
7. CONCLUSÕES ................................................................................................................... 99
7.1. Considerações Gerais ........................................................................................................ 99
7.2. Recomendações para Trabalhos Futuros ......................................................................... 102
REFERÊNCIAS.................................................................................................................... 104
APÊNDICES ......................................................................................................................... 114
APÊNDICE A – COMPOSIÇÃO DAS ALOCAÇÕES MENSAIS POR MODELO ........... 114
APÊNDICE B – RESULTADO DAS ALOCAÇÕES MENSAIS DOS MODELOS ........... 126
14
1. INTRODUÇÃO
Apesar da importância dos produtos de crédito corporativo – especificamente, as

debêntures que apresentavam um estoque de títulos em poder do mercado em 31/12/2020 de
R$ 662 bilhões, conforme dados da B3 divulgados pela Associação Brasileira das Entidades
dos Mercados Financeiro e de Capitais (ANBIMA) no Boletim de Renda Fixa publicado em
janeiro de 2021 – o mercado brasileiro ainda não apresenta um grau de especialização na gestão
destes tipos de produtos; um dos pontos que pode comprovar este argumento é que são raros os
artigos sobre gestão de carteiras e principalmente sobre otimização de portfólios publicados
sobre o tema no país.
Nos países desenvolvidos, onde o mercado de renda fixa de crédito é maduro e há
disponibilidade de dados públicos e em tempo real, são comuns estudos com aplicação do
modelo de Markowitz (1952), Capital Asset Price Model (CAPM) e suas variantes mais
complexas, buscando a efetiva otimização dos portfólios. Com a evolução do mercado, novas
metodologias são inseridas e, neste contexto, entra a aplicação de Data Envelopment Analysis
(DEA) ou Análise Envoltória de Dados em português, que é uma consequência natural do
progresso, em que disciplinas quantitativas, neste caso, a Pesquisa Operacional, contribui para
a área de Finanças.
Já no mercado financeiro brasileiro há carência de informações a respeito de preços e
spreads de ativos de crédito corporativo; adicionalmente, informações com qualidade são
relativamente recentes e, com isto, são escassos os estudos com aplicação de otimização de
carteiras. Outra questão presente neste mercado é a sua reduzida liquidez, fazendo com que, em
alguns casos, debêntures com vencimento superior a um ano apresentem risco de liquidez
superior ao risco de crédito. Apenas para ilustrar, no mês de dezembro de 2020, foram
negociadas 586 debêntures com um volume financeiro de R$ 18,9 bilhões (Fonte B3) em vinte
e um dias úteis, o que resultou em uma média diária de R$ 0,9 bilhão e se, hipoteticamente,
considerarmos que todos os ativos tivessem sido negociados diariamente teríamos uma média
de apenas R$ 1,5 milhão por debênture. É evidente que esta generalização não pode ser
realizada, mas, o problema de liquidez ainda é crônico no país. Provavelmente, devido a estas
características do mercado brasileiro, os estudos com a utilização da modelagem DEA se
restringiram ao mercado acionário e em fundos de investimento. Dentre alguns trabalhos no
país, podem ser citados os artigos relacionados ao mercado acionário de Lopes, Lima, Dutra e
Saurin (2008) e Rotela Jr., Pamplona e Salomon (2014), além de outros relacionados a fundos
15
de investimentos como os de Ceretta e Costa Jr. (2001) e Bisso, Caldeira, Samanez e Telles
(2016).
A proposta deste trabalho é fazer três tipos de análise em carteiras de debêntures: a
primeira, com a aplicação da modelagem de Markowitz (1952) para um período, tendo como
resultante um portfólio da fronteira que possua diversificação máxima; a segunda, com a
utilização de dois modelos clássicos “puros” de Análise Envoltória de Dados; e, por último,
com a aplicação do modelo de Markowitz (1952) para um portfólio de máxima diversificação,
nos ativos sugeridos pelos modelos DEA, ou seja, como resultado há uma metodologia híbrida.
O rebalanceamento das carteiras é realizado com periodicidade mensal, considerando um
período total de 24 meses. Outro ponto, é a realização da verificação do resultado ex-post de
cada alocação e em cada modelagem.
Este trabalho é inédito para o mercado financeiro brasileiro, pois agrega tanto em
aspectos relacionados à Pesquisa Operacional quanto em Finanças, e visa contribuir para o
desenvolvimento e à modernização do mercado de capitais e do mercado financeiro no país,
mediante a utilização de uma ferramenta mais eficiente no processo de alocação e gestão de
portfólios de crédito. A originalidade deste trabalho vem da apresentação da metodologia DEA
e seu uso na otimização em carteiras de debêntures, mas, que pode ser plenamente expandida
para outros produtos como: Certificado de Recebível Agrícola (CRA) e Certificado de
Recebível Imobiliário (CRI). Vale ressaltar que, com algumas mudanças na escolha de
parâmetros, tal metodologia pode ser usada em outros produtos de crédito. Além disto, nesta
tese se introduz um novo conceito que é o Duration Times Spread (DTS), que é uma métrica
para ser utilizada no processo de gestão de carteiras de crédito. É esperado que a partir deste
trabalho haja o aculturamento sobre os modelos DEA na otimização de carteiras de crédito e,
como consequência, modelos mais sofisticados e com maior performance farão parte deste
universo.
Outro incentivo à utilização de modelos DEA para crédito é o cenário de taxa de juros
no Brasil que está em patamar inferior em relação às últimas décadas e com perspectiva de
manutenção em valores menores se comparado às séries históricas. Com isto, está havendo uma
migração dos investimentos para ativos com maior risco, e aumenta a importância da gestão de
portfólios de crédito, bem como a relevância na escolha de modelos que apresentem
performance superior.
Os beneficiários deste projeto, além do meio acadêmico, são as instituições financeiras,
os asset managements, os investidores institucionais (fundos de pensão e seguradoras), as
wealth managements, os reguladores e, no limite, as pessoas físicas interessadas no tema.
16
A tese está estruturada do seguinte modo:

• O capítulo 1 é composto pela introdução, na qual se contextualiza o objetivo, se
justifica o ineditismo do tema e se generaliza o conteúdo a ser apresentado.
• O capítulo 2 apresenta a dimensão do mercado de debêntures no Brasil e suas
peculiaridades; visa mostrar o estágio atual da pesquisa em relação a este tipo de ativo
financeiro e contribui para mostrar a escassa produção acadêmica em relação à questão da
otimização de portfólios de debêntures.
• O capítulo 3 mostra os conceitos que são utilizados neste trabalho, como metodologias
de Nelson e Siegel (1987) e Nelson, Siegel e Svensson (1994) de construção de curvas, o
método de interpolação de spline cubic, o modelo de Markowitz, índice de Sharpe e conceitos
de crédito, como spread, duration e Duration Times Spread (DTS), e o modelo de alisamento
exponencial.
• O capítulo 4 trata da Análise Envoltória de Dados, desde suas bases conceituais,
características, limitações e uso em otimização de portfólios.
• O capítulo 5 apresenta a metodologia proposta (modelo estruturado) abrangendo os
critérios de tratamento dos dados e premissas utilizadas nas definições dos modelos e nos seus
entornos.
• O capítulo 6 mostra os resultados obtidos com as aplicações dos modelos.
• O capítulo 7 apresenta as conclusões do trabalho e as perspectivas de novas pesquisas
na área.
• O trabalho finaliza com as referências que compuseram este estudo, seguidas pelos
apêndices que complementam a pesquisa.
17
2. MERCADO DE DEBÊNTURES NO BRASIL
Neste capítulo há uma revisão bibliográfica contendo uma síntese dos principais temas
relacionados às debêntures no país e tem como objetivo mostrar a evolução, o estado atual das
pesquisas e como o mercado está organizado. Esta revisão abrange o período de 1995 a 2020,
não contempla debêntures emitidas por empresas financeiras, nem artigos cuja temática tenha
abordagem em aspectos jurídicos, tratamentos contábeis e relativos à política econômica ou à
estrutura de capital dos emissores.
Esta seção ressalta a importância das debêntures para o mercado de capitais do país, as
peculiaridades deste produto no Brasil, as informações existentes, a escassez de produções
acadêmicas em relação a modelos de otimização ‒ motivação desta tese ‒ e o relacionamento
destes pontos com o capítulo 5 que trata da metodologia utilizada no trabalho.
Os temas abordados são:
• A dimensão do mercado de debêntures no Brasil.
• As características das debêntures emitidas no país.
• Principais regulações relacionadas à emissão de debêntures.
• Fatores determinantes nas emissões primárias: rating, garantias, tipos de emissão,
indexador, vencimento e governança.
• Mercado secundário e liquidez.
• Outros temas relacionados ao entorno do mercado de debêntures, ao qual contém o
tema da otimização de carteiras.
2.1. Dimensão do Mercado de Debêntures no País
As debêntures são uma significativa fonte de captação de longo prazo para as empresas
no país e o mercado de renda fixa no Brasil vem crescendo nos últimos anos. Esta seção enfoca,
de forma resumida, a dimensão deste mercado e alguns fatores responsáveis pelo aumento desta
volumetria são descritos em mais detalhes nas seções seguintes.
A Tabela 1 apresenta os dados fornecidos pela B3 e informados pela ANBIMA no
Boletim de Renda Fixa publicado em 11/01/2021 e relativos ao fechamento de 2020. Nesta
tabela se vê o estoque, o financeiro das emissões e o volume de negociação de debêntures de
2011 a 2020. Na primeira coluna nota-se o volume decrescente do estoque das debêntures
emitidas por empresas de leasing que foram proibidas de fazer novas emissões a partir de
normativo da Comissão de Valores Mobiliários (CVM) publicado em outubro de 2016, e isto
18
fica evidente quando se observa que não há volume emitido a partir do ano de 2017. Com
relação ao estoque dos papéis corporativos, nota-se um incremento de R$ 359 bilhões no
período de 10 anos, ou 255%. Quanto ao volume emitido, se percebe que de 2011 a 2014 havia
uma tendência de aumento, porém, com a crise econômica de 2015 e 2016, e com o Produto
Interno Bruto (PIB) apresentando resultados negativos de 3,8% e 3,6% respectivamente, houve
um impacto significativo neste mercado; o mesmo fato se repete com a pandemia da COVID-
19 em 2020, quando o resultado do PIB foi -4,1%, ocasionando uma diminuição do volume
emitido. Nas duas últimas colunas são mostrados o volume negociado, informado a partir de
2012 e o percentual do financeiro negociado, em relação ao montante de recursos verificado no
estoque de debêntures. Anos atípicos de negociação foram 2017 devido à recompra de parte das
debêntures de leasing no mercado, e o ano de 2019 com maior retenção dos ativos pelos
investidores institucionais e alocadores (fundos de investimentos e wealth management)
ocasionado pela redução da taxa de juros no país e consequentemente aumento da demanda por
crédito.
Tabela 1. Estoque, Emissão e Negociação de Debêntures - R$ milhões
Estoque Debêntures (R$ milhões) Emissão de Debêntures (R$ milhões) Negociação (R$ milhões)
Data
Leasing Corporativas Total Leasing Corporativas Total Debêntures % Estoque
2011 252.890 140.911 393.801 11.000 52.315 63.315 - -
2012 309.701 197.946 507.646 39.060 91.778 130.838 136.434 26,88%
2013 356.551 222.899 579.450 20.000 71.054 91.054 179.658 31,00%
2014 416.386 254.878 671.263 20.000 116.454 136.454 200.051 29,80%
2015 479.569 259.688 739.257 10.000 65.900 75.900 299.712 40,54%
2016 529.843 252.246 782.089 20.000 60.317 80.317 300.079 38,37%
2017 469.732 278.129 747.860 - 93.039 93.039 545.769 72,98%
2018 230.118 345.666 575.784 - 143.510 143.510 271.483 47,15%
2019 200.753 458.961 659.714 - 177.427 177.427 149.820 22,71%
2020 162.707 499.676 662.383 - 111.080 111.080 249.468 37,66%
Fonte: ANBIMA (2021).
Alguns fatores influenciaram o aumento do volume desse mercado:

• Evolução dos contratos: padronização e cláusulas abrangentes.
• Evolução dos normativos que regulamentam as ofertas públicas, a partir da edição da
ICVM 400, em 2003, e, principalmente, com a edição da ICVM 476, em 2009, tornando as
emissões mais céleres e menos custosas.
• Lei 12.431, de 2011, com a criação das debêntures vinculadas a projetos de
infraestrutura, incluindo benefício tributário (Presidência da República Brasil, 2011).
• Plataformas de negociação possibilitando maior acesso aos investidores.
19
• Trajetória decrescente do nível das taxas de juros no Brasil fazendo com que os
investidores procurem ativos com maior rentabilidade em relação aos títulos do Tesouro
Nacional e produtos tradicionais de captação de bancos como Certificado de Depósito Bancário
(CDB), Letra de Crédito Agrícola (LCA) e Letra de Crédito Imobiliário (LCI).
2.1.1. Características das Debêntures Emitidas
As debêntures emitidas no Brasil possuem uma ampla variedade de cláusulas que podem
ser utilizadas em sua escritura, entre elas podem ser citadas: i) variedade de indexadores; ii)
conversibilidade em ações; iii) covenants e cláusulas de recompra automática; iv) possibilidade
de flexibilização em pagamentos de juros e amortização; v) remuneração de prêmio; vi) resgate
antecipado ou repactuação programada; vii) garantias reais, fidejussórias ou quirografárias.
Anderson, em estudo realizado em 1999, analisou 50 emissões de debêntures brasileiras
do setor não financeiro, entre 1989 e 1993. Neste período, a economia brasileira apresentava
inflação elevada, instituições frágeis, intervenção do Estado na economia e volatilidade dos
indicadores econômicos. Em virtude deste cenário, o autor identificou quatro principais
procedimentos usados pelas empresas nas emissões de debêntures: 1. utilização de indexadores
para reduzir o risco de inflação para os investidores; 2. mecanismos de vencimento antecipado,
que proporcionam possibilidades de saída ou renegociação para os investidores; 3. covenants
ou cláusulas que restringem as decisões de investimento, financiamento e distribuição de
dividendos dos emissores; 4. mecanismos para reduzir a dependência da ineficiência
institucional. O Plano Real, instituído no Brasil em 1994, trouxe estabilidade à economia e as
debêntures tornaram-se uma alternativa atraente de captação de recursos.
Filgueira e Leal (1998) analisaram debêntures emitidas no período de junho de 1994 a
dezembro de 1997, num total de 91 emissões; sua base amostral se caracterizava pelos seguintes
pontos:
i. Parcela menor de emissões indexadas à inflação.
ii. Utilização mais frequente de taxas flutuantes.
iii. Redução de cláusulas com remuneração de prêmio.
iv. Menor frequência de cláusulas de repactuação programada ou resgate antecipado.
v. Maior presença de títulos conversíveis.
vi. Aumento da frequência de cláusulas que restringem compromissos relativos a
investimentos e financiamentos.
20
Depois de mais de 20 anos do estudo de Filgueira e Leal (1998), algumas conclusões

permanecem iguais: itens de i e ii, que são corroborados pelos dados da ANBIMA reportados
na Tabela 2, enquanto os itens iii, iv e vi precisam de estudo confirmatório. Com relação à
conversibilidade em ações, item v, esta característica, atualmente praticamente inexiste, e é
explorada a seguir com maior detalhamento.
Tomando por base o estudo de Anderson (1999), Krauter (2007) analisou as
características de 88 emissões de debêntures de empresas não financeiras de 2004 e 2005, com
o objetivo de verificar se a estabilidade econômica tem influência nas características das
emissões de debêntures brasileiras. A análise mostra que as principais mudanças ocorridas são:
a) diminuição na emissão de indexadores ligados à inflação; b) diminuição na frequência da
remuneração do prêmio, do resgate antecipado e da amortização e c) diminuição da emissão de
debêntures conversíveis.
A Tabela 2 mostra a distribuição dos indexadores nas emissões para o período de 2014
a 2020, com redução significativa nas emissões em percentual do DI em grande parte migrando
para emissões indexadas a DI + Spread, e o restante para IPCA, com o indexador “outros”
contendo as operações pré-fixadas e que apresentou grande variação entre os anos, mas que,
em 2020, ficou próximo da participação no início do ciclo. Os fatores principais que explicam
a alteração na composição dos indexadores são o novo patamar das taxas de juros nos últimos
dois anos fazendo com que os agentes migrassem de um indexador em percentual para um
indexador com cupom, como é praticado no exterior, e o crescimento contínuo da participação
das debêntures de infraestrutura indexadas ao IPCA.
Tabela 2. Distribuição dos Indexadores nas Emissões
Kimura (2003) investigou diferenças entre as empresas, em função de suas escolhas na

emissão de debêntures simples ou conversíveis em ações. Neste sentido, observou-se nas
amostras selecionadas que havia distinções principalmente entre os diferentes indicadores do
nível de endividamento e de rentabilidade das empresas que emitiram títulos conversíveis, dos
21
indicadores das empresas que emitiram títulos não conversíveis. Este fato sugeriu que empresas
mais alavancadas teriam mais propensão a emitir debêntures conversíveis. Analogamente, as
empresas que emitiram debêntures conversíveis apresentaram pior desempenho em termos de
rentabilidade em relação às empresas que optaram pela emissão de debêntures simples.
Rozembaum (2004) fez um paralelo entre uma emissão nos Estados Unidos, de uma
empresa em reestruturação e com cláusulas especiais e uma no país, cuja emissão, segundo o
autor, foi a única bem-sucedida no Brasil. O objetivo foi analisar se as debêntures conversíveis
em ações poderiam ser um instrumento financeiro eficaz na captação de recursos de longo prazo
para as empresas brasileiras. A conclusão foi que este produto é um importante instrumento de
captação de longo prazo subutilizado no Brasil, porém, algumas emissões malsucedidas ainda
permanecem na memória dos players, aliada à falta de liquidez do mercado.
Um dos pontos que explicam a baixa proporção de debêntures conversíveis em ações é
tratado no artigo de Santos (2012). O autor menciona a característica híbrida para os ativos que
apresentam esta opção, pois há um derivativo embutido em uma operação de crédito; de acordo
com a Lei das Sociedades por Ações (Lei 6.404), o debenturista está protegido em relação ao
valor de face do título, mas, não há proteção em relação ao valor intrínseco do derivativo. Até
que a Lei das S.A. seja alterada para suprir esta lacuna, a melhor solução para resguardar os
direitos dos debenturistas dar-se-á pela estipulação, na escritura de emissão das debêntures
conversíveis, de critérios e mecanismos predefinidos de readequação nas condições da
conversibilidade que preservem as premissas econômico-financeiras originais da debênture,
afastando-se, para esse fim, o direito da companhia de resgatar as debêntures, previsto no §1º
do Artigo 231.
Outro assunto diz respeito às garantias nas emissões; Borges e Lopes (2001) mostraram
que no início dos anos noventa, somente 20,5% das debêntures tinham garantias reais ou
flutuantes. A maioria das emissões (78,7%) contou com garantia subordinada; uma estrutura de
crédito inferior em relação às emissões com garantias. Saito, Sheng, Koshio e Dutra, em
trabalho de 2005, mostraram que o percentual de debêntures com garantias reais ou flutuantes
era 43% do volume total. Ferreira, Ribeiro, Palhares e Carmo (2020) analisaram, para o período
de 2012 a 2019, 280 emissões de 181 empresas, e os resultados mostraram que as variáveis
concentração acionária, endividamento, tamanho da empresa e maturidade da dívida explicam
o uso de garantias reais em escrituras de emissões de debêntures, além de chamar a atenção dos
credores para os fatores que podem explicar o tipo de garantia em títulos da dívida.
Luiz, Gaio, Ambrozini e Pimenta (2019) fizeram um levantamento das principais
características das debêntures emitidas pelas empresas brasileiras em dez anos (2004 a 2013) e
22
buscaram verificar quais as variáveis que influenciaram a determinação dos cupons das
debêntures. As principais constatações foram de que a maioria das debêntures não ofereceu
garantias reais ou flutuantes; que a maturidade média dos títulos era de seis anos; que
praticamente a totalidade dos papéis não é conversível em ações; e que a principal destinação
dos recursos captados foi o alongamento do endividamento das empresas. As debêntures
atreladas ao Depósito Interfinanceiro (DI) pagaram maiores cupons anuais médios (11%) e
apresentaram as piores notas de classificação de crédito, além de menor maturidade média (6,5
anos). O modelo de regressão apresentou melhor poder de explicação para debêntures
vinculadas ao IGP-M com as variáveis explicativas de rating e maturidade apresentando
significância estatística. Um comentário adicional foi que a quantidade de operações em IGP-
M era bem inferior ao DI e ao IPCA.
Uma atualização dos dados referentes à composição das garantias das debêntures
emitidas no período de 2014 a 2020 é mostrada na Tabela 3. Em 2020, verifica-se que, apesar
da pandemia, houve um pequeno incremento nas garantias reais neste ano, contudo estes valores
são inferiores ao período anterior a 2019, o que, a princípio, sugere que o mercado apostava
que o efeito da pandemia nas emissões causasse pouco impacto na qualidade creditícia.
Tabela 3. Composição das Garantias nas Debêntures
Garantias das debêntures
Garantia 2014 2015 2016 2017 2018 2019 2020

Flutuante 0,2% 0,2% 0,0% 0,4% 0,2% 0,0% 0,6%
Flutuante com garantia adicional 0,0% 0,3% 0,0% 0,0% 0,8% 0,1% 0,3%
Quirografária 43,1% 38,0% 29,2% 49,9% 39,5% 57,0% 56,6%
Quirografária com garantia adicional 34,8% 43,8% 35,9% 30,0% 39,4% 30,8% 26,7%
Real 15,3% 5,2% 16,6% 8,9% 9,3% 5,1% 7,0%
Real com garantia adicional 5,9% 12,5% 17,3% 10,2% 10,6% 7,0% 8,9%
Real e flutuante 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Subordinada 0,8% 0,0% 0,6% 0,0% 0,1% 0,0% 0,0%
Subordinada com garantia adicional 0,0% 0,0% 0,4% 0,5% 0,0% 0,0% 0,0%
A Tabela 4 mostra a destinação dos recursos das empresas nas emissões de debêntures
para o período de 2014 a 2020. O que pode ser observado é que até 2019 as destinações ficaram
dentro de suas respectivas bandas de oscilação, contudo, em 2020, provavelmente devido à
pandemia, houve exceção em dois itens que se comportaram de modo diferente, com um
aumento considerável da participação do investimento em imobilizado e com redução
significativa do percentual em refinanciamento do passivo.
23
Tabela 4. Destinação de Recursos
Destinações de recursos
Destinação 2014 2015 2016 2017 2018 2019 2020
Capital de giro 16,3% 16,2% 14,2% 43,2% 28,7% 30,2% 34,2%
Investimento em Infraestrutura 13,8% 15,0% 10,4% 9,9% 17,0% 16,6% 12,0%
Investimento imobilizado 1,5% 1,7% 3,1% 0,1% 0,7% 0,4% 5,6%
Investimento ou aquisição de participação societária 17,3% 13,3% 8,6% 2,0% 8,7% 11,0% 6,5%
Não possui / Não informado 8,4% 3,7% 0,8% 0,3% 1,9% 0,3% 8,1%
Recompra ou resgate de debêntures de emissão anterior 6,3% 17,3% 26,1% 9,8% 9,1% 6,4% 8,9%
Refinanciamento de passivo 36,4% 32,9% 36,8% 34,7% 34,0% 35,0% 24,7%
2.1.2. Instrução ICVM 476
Antes de serem relatados os artigos referentes a este tópico, realiza-se uma comparação
suscinta entre a ICVM 400 (2004) e ICVM 476 (2009) e é apresentada a Tabela 5 que trata do
volume financeiro e da quantidade de operações por emissão para o período de 2014 a 2020.
• ICVM 400: oferta pública tradicional podendo ser distribuída para pessoas físicas e
jurídicas sem limitação da quantidade de investidores; relatório com sumário do emissor,
fatores de risco da empresa, destinação de recursos e demonstrações financeiras dos últimos 3
exercícios; se a empresa estiver em fase pré-operacional, deverá ser destinada apenas para
investidores qualificados (que possuem investimentos superiores a R$ 1 milhão).
• ICVM 476: oferta pública com esforços restritos é limitada à procura de 75
investidores profissionais (investimentos superiores a R$ 10 milhões), sendo que até 50 podem
investir; obrigações menores, o que facilita o acesso ao mercado de capitais pela redução de
custos (anúncio arquivado na CVM, sem necessidade de prospecto etc.); restrição à negociação
pelo prazo de 90 dias a partir da aquisição pelo investidor profissional na emissão.
Tabela 5. Volume Financeiro e Quantidade de Operações por Tipo de Emissão
R$ milhões Número de operações

Ano ICVM/400 ICVM/476 ICVM/400 ICVM/476
2014 4.544 70.090 10 277
2015 9.640 52.022 8 205
2016 2.033 62.051 5 169
2017 6.392 82.994 11 248
2018 2.861 148.331 5 338
2019 14.717 169.950 10 362
2020 3.276 118.802 3 270
24
A Tabela 5 faz parte do Boletim de Mercado de Capitais divulgado mensalmente pela

ANBIMA. Nesta tabela se vê, claramente, a relevância das emissões através da ICVM 476 em
relação à ICVM 400, e nestes sete anos desta tabela, 94% do volume financeiro e 97% da
quantidade de operações foi viabilizada via ICVM 476.
Tarantin Jr. (2019) estudou a ICVM 476 e cita como fatos positivos a redução dos custos
e agilidade nas emissões, e a ampliação da captação para empresas de sociedade anônima de
capital fechado que antes não eram contempladas. Além destes pontos, analisou se o normativo
reduziu as restrições financeiras para as empresas e, a partir de abordagens empíricas, concluiu
que a norma possibilitou o aumento da alavancagem total e de longo prazo das companhias e
que os maiores efeitos são em firmas de capital fechado. Por outro lado, não foram encontradas
evidências robustas que indicaram que a ICVM 476 possibilitou menores valores no caixa
(política de caixa mais agressiva) e maiores investimentos em ativos de longo prazo.
Segundo Belluzzo (2020), a flexibilidade introduzida nos processos de emissão, bem
como a abertura do mercado para empresas de capital fechado não apenas aumentou o volume
total de capital levantado por debêntures por ano, mas, também, expandiu o número de
empresas emissoras no mercado. Os resultados indicaram que, no período de 2009 a 2018, as
frequências de cláusulas restritivas sobre dividendos, investimentos e financiamento atingiram
os mais altos valores desde 1989, primeiro ano com dados disponíveis: 82% delas apresentam
restrições no pagamento de dividendos, 84% limitam outros tipos de pagamentos aos acionistas,
e quase todas as debêntures possuem pelo menos uma cláusula restritiva de financiamento e
uma cláusula restritiva de investimentos. Além disso, indicou que a nova regulação, apesar de
fortemente preferida nos anos recentes, não substituiu totalmente a antiga. A ICVM 400 foi
utilizada em 5,38% das emissões da amostra, e estava relacionada a um maior valor de face
médio, a uma maturidade média mais longa e a um menor número médio de cláusulas restritivas
e dispositivos contratuais.
A Tabela 6 mostra os percentuais das empresas de capital aberto e fechado nas emissões
de debêntures e o número de operações por cada tipo de capital para o período de 2014 a 2020,
e se nota, que as empresas de capital aberto aumentaram a sua participação tanto em quantidade
de empresas quanto em número de operações.
25
Tabela 6. Capital Social dos Emissores
Capital social dos emissores - apenas CVM/476
Empresas abertas e fechadas
2014 2015 2016 2017 2018 2019 2020

Empresas de capital aberto 46,9% 40,9% 41,0% 57,7% 47,1% 59,8% 56,8%
Empresas de capital fechado 53,1% 59,1% 59,0% 42,3% 52,9% 40,2% 43,2%
Empresas abertas e fechadas - número de operações

2014 2015 2016 2017 2018 2019 2020
Empresas de capital aberto 25,3% 20,5% 37,9% 39,1% 37,6% 40,3% 41,3%
Empresas de capital fechado 74,7% 79,5% 62,1% 60,9% 62,4% 59,7% 58,7%
2.1.3. Debêntures Incentivadas – Lei 12.431
A Lei 12.431/2011 concedeu incidência especial de imposto de renda (IR) para

debêntures emitidas, com o intuito de financiar projetos de investimento em infraestrutura.
Esses títulos são conhecidos como debêntures incentivadas.
A Tabela 7 mostra o volume financeiro, o número de operações e os prazos médios para
o período de 2014 a 2020, e se observa que, com a pandemia, em 2020 o volume médio das
emissões foi maior do que em 2019, R$ 603,7 milhões contra R$ 444,5 milhões - 76 emissões
com R$ 33,8 bi em 2019 e 46 emissões com R$ 27,8 bi em 2020, ou seja, grandes projetos
continuaram com demanda dos investidores. Ressalta-se que o prazo médio em 2020 é pouco
inferior a 2019, sendo superior aos anos anteriores, corroborando a aceitação deste produto pelo
mercado mesmo com o cenário verificado na época.
Tabela 7. Debêntures Incentivadas
Ofertas de debêntures 12.431 - volume (R$ milhões)

2014 2015 2016 2017 2018 2019 2020
Volume 4.563 6.353 4.323 9.176 23.923 33.779 27.770
Ofertas de debêntures 12.431 - número de operações

2014 2015 2016 2017 2018 2019 2020
Quantidade 15 23 22 43 64 76 46
Prazo
Prazos médios - 1ª repactuação (anos)
2014 2015 2016 2017 2018 2019 2020
Prazo Médio 9,4 7,4 7,3 7,9 10,3 12,6 11,4

26
Wajnberg (2014) afirma que o instrumento mostrou ter aceitação, tanto do lado da oferta
quanto do lado da demanda. Do lado dos emissores (oferta), pôde-se verificar a emissão do
instrumento em diversas circunstâncias e com diversas formas. Debêntures foram colocadas no
mercado em momentos significativamente anteriores às datas esperadas de finalização das
obras, perto do momento esperado de finalização das obras e depois da conclusão das obras.
Estes títulos foram emitidos por holdings ou Sociedades de Propósito Específico (SPE), com
prazos de vencimento variando entre cinco e 17,5 anos, utilizando sistemas customizados de
amortização ou amortizações únicas no vencimento. Por fim, pôde-se observar a inclusão de
pacotes distintos de garantias, desde emissões puramente quirografárias, até como as emissões
com garantias reais (de projetos) e fidejussórias. Do lado da demanda, verificaram-se emissões
com spreads em relação aos títulos públicos federais comparáveis, próximos ou iguais a zero.
Algumas emissões tiveram demanda superior em cinco vezes a quantidade ofertada de títulos.
Investidores de varejo, entidades de previdência privada, outros investidores institucionais e,
em menor escala, investidores estrangeiros participaram do mercado, acreditando que as
remunerações oferecidas, as quais variaram entre (0,03%) e 4,52% (em relação ao spread sobre
títulos públicos equivalentes), estiveram em linha com as boas classificações de risco emitidas
por agências especializadas.
A Tabela 8 apresenta a atualização da composição das garantias das debêntures
incentivadas para o período de 2014 a 2020, e se observa que apesar do último ano, evento da
COVID-19, não houve mudança na distribuição dos tipos de garantias.
Tabela 8. Garantias das Debêntures Incentivadas
Garantias das debêntures Incentivadas

Garantia 2014 2015 2016 2017 2018 2019 2020
Flutuante 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Flutuante com garantia adicional 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Quirografária 50,1% 73,8% 56,4% 43,5% 26,1% 70,4% 71,2%
Quirografária com garantia adicional 21,9% 15,8% 34,5% 35,2% 33,8% 12,7% 13,3%
Real 19,7% 4,6% 1,5% 7,8% 24,6% 7,5% 5,7%
Real com garantia adicional 8,3% 5,9% 7,6% 13,5% 15,4% 9,4% 9,7%
Real e flutuante 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Subordinada 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Subordinada com garantia adicional 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
Bragança, Pessoa e Souza (2015) concluíram que o mercado nacional de debêntures

cresceu nos últimos anos, mas, ainda apresenta características desfavoráveis ao investimento
de longo prazo, como o prazo curto dos ativos e a participação concentrada em agentes
financeiros e em fundos de investimento. Essas características evidenciam a importância de
27
medidas que incentivem o setor e atraia novos investidores. Encontraram também uma
contribuição da criação das debêntures incentivadas nesses quesitos.
Por fim, a Tabela 9 mostra a distribuição por tipo de investidor, se comparados 2019
com 2020 houve uma redução significativa da participação das pessoas físicas; o mesmo
ocorreu com os fundos de investimentos, em menor escala, porém, igualmente forte na
magnitude. As possíveis causas podem ser a migração de pessoas físicas para o mercado de
renda variável, afetando indiretamente os fundos de renda fixa, e o aumento dos intermediários
e participantes ligados à oferta, com atuação dos bancos, “encarteirando” estes ativos, e atuação
do Banco Central no início da pandemia da COVID-19 visando a redução do risco sistêmico e
aumento de liquidez (Resolução 4.786).
Tabela 9. Distribuição das Ofertas de Debêntures Incentivadas por Detentor
Distribuição das ofertas de debêntures Incentivadas por detentor
Ofertas 12.431 2014 2015 2016 2017 2018 2019 2020

Pessoas físicas 55,0% 48,3% 39,7% 35,9% 18,2% 29,3% 12,1%
Fundos de Investimento 10,6% 8,5% 16,9% 19,4% 15,0% 24,9% 15,7%
Investidores estrangeiros 0,8% 14,2% 0,0% 0,0% 17,9% 0,0% 0,5%
Demais investidores institucionais 19,9% 16,9% 19,1% 13,6% 7,1% 10,4% 14,6%
Intermediários e demais participantes ligados à oferta 13,7% 12,2% 24,3% 31,0% 41,8% 35,4% 57,1%
2.2. Fatores que Afetam o Spread das Debêntures
Nesta seção o objetivo é identificar os principais determinantes que afetam o preço das
debêntures tanto no mercado primário quanto no mercado secundário.
2.2.1. Mercado Primário
Este subitem aborda os principais fatores que influenciam o spread para a emissão
primária de debêntures.
2.2.1.1. Fatores Relacionados ao Crédito
Nesta parte são tratados os aspectos relativos ao crédito, como rating, setor econômico,
prazo, volume da emissão, além dos aspectos da padronização de contratos.
Sheng e Saito (2003) alcançaram as seguintes conclusões com relação à avaliação de
crédito da emissão: é positivamente correlacionada ao spread; é mais importante em um
28
ambiente desfavorável; avaliações de crédito nacionais são mais relevantes do que as

internacionais, e depois do rating, setor e volume são as variáveis essenciais para determinar
os spreads das emissões. Uma outra evidência foi que 61% das emissões foram realizadas em
um ambiente considerado como favorável, com o índice EMBI-Brasil (medida de avaliação do
risco país) inferior a 900 pontos, que sugere oportunismo na busca de recursos de financiamento.
Em uma outra pesquisa, Sheng e Saito (2004) analisaram o impacto da padronização na
taxa de juros, no período 1999-2001, e verificaram que a padronização afeta a taxa de juros e
pode não ser ótima para as emissões de baixa avaliação de crédito. Em trabalho de 2006 os
referidos autores mencionaram que a padronização, de certa forma, já se encontra nas emissões
de empresas de elevado rating. Por outro lado, os resultados mostraram que, para empresas com
emissões de baixo rating, os investidores provavelmente penalizariam as empresas desse tipo
que optassem pelo contrato padrão elevando a taxa de juros dessas emissões.
Paiva e Savoia (2009) analisaram os fatores que influenciaram o preço de emissão das
debêntures de 2000 a 2004 aplicando modelo fatorial, nas quais as variáveis exógenas
explicariam o retorno e o comportamento dos preços. As variáveis analisadas eram: rating,
indexador, vencimento, risco país, taxa de juros, spread de curto e longo prazo, índice
BOVESPA e taxa de câmbio. Os resultados indicaram que o tipo de indexador, a probabilidade
de default e o vencimento influenciavam os preços e a vinculação entre melhores ratings com
vencimentos mais longos.
Paiva (2006) analisou a formação dos preços de emissão de debêntures, além do rating,
o spread em relação aos títulos públicos federais, e do spread em função de grupos e
associações de variáveis. A amostra contou com 154 debêntures não conversíveis emitidas entre
2000 e 2005, com emissão que continha pelo menos um rating. Concluiu que as variáveis
referentes ao risco de crédito foram relevantes na determinação do spread. Com relação à
variável relacionada a períodos de crise, ela está vinculada ao spread e é relevante; as variáveis
referentes aos setores telecomunicações e energia não são relevantes; e os investidores aceitam
alongar emissões de melhor qualidade creditícia.
Costa (2009) verificou quais são os fatores que influenciam o spread e o rating das
emissões de debêntures no Brasil. A principal contribuição em relação aos trabalhos publicados
anteriormente está relacionada com a assimetria de informações. Foi testada se esta variável,
presente em maior escala nos setores não regulados da economia, explicam o spread e o rating
das debêntures. A base de dados utilizada consistiu em emissões realizadas entre 2003 e 2008
por empresas dos setores de energia, construção civil, telecomunicações, siderurgia e
metalurgia, concessões rodoviárias e petróleo e gás. As debêntures são indexadas à Taxa DI, ao
29
IGP-M ou ao IPCA. Os resultados encontrados indicaram que a assimetria de informação é

importante na determinação do rating das emissões. A capacidade creditícia também é mais
alta para empresas maiores e/ou que atuam em setores regulados da economia e para emissões
com maior duration. Foi encontrada relação positiva em média entre risco país e spread. Os
parâmetros estimados igualmente indicaram que, em média, quanto maior o rating, menor é o
spread pago, havendo evidências de não linearidade nesta relação.
Paiva (2011) analisou a influência do rating na formação dos preços das debêntures, a
base de dados do estudo contou com 354 séries de debêntures não conversíveis emitidas por
empresas não financeiras entre janeiro de 2000 e junho de 2010. Os modelos apontaram a
relevância da nota de crédito na explicação do spread de crédito. Isoladamente, no entanto,
explicaram apenas 10% da variabilidade deste. O estudo demonstrou serem significativas as
variáveis de crédito, maturidade, relação entre volume emitido e o estoque de debêntures no
mercado, a evolução do PIB e alteração futura na magnitude de rating. Não se pode afirmar que
o mercado diferencie, por meio do preço, as origens das agências ou as emissões com mais de
uma nota de crédito. As variáveis idiossincráticas da empresa, extraídas das demonstrações
financeiras, explicam as diferenças de rating. Finalmente, constatou-se a utilidade da variável
linear de rating nos modelos de regressão desenvolvidos.
Paiva e Savoia (2011) identificaram as variáveis idiossincráticas, os índices econômico-
financeiros extraídos de demonstrações financeiras, que explicam diferenças das notas de
crédito, objeto de emissão primária pública, que receberam ao menos dois ratings, concedidos
por agência independente classificadora de risco de crédito, no período de janeiro de 2000 a
junho de 2010. Os resultados apontaram que a S&P valoriza melhorias nos indicadores:
Margem EBIT, Crescimento do EBIT, Giro do ativo, Cobertura da dívida e Receita líquida por
ação. Da mesma forma, pioras no ROI e aumentos na participação do Passivo circulante na
dívida total aumentam a probabilidade de que o rating da S&P ser maior que o da Fitch,
indicando que essa agência atribui menos peso a essas variáveis. Por seu turno, com base no
mesmo modelo, infere-se que a Fitch atribui mais peso para melhorias nas variáveis de
Crescimento do ativo, de Capital de giro e de diminuição da Alavancagem. Além disso,
diminuições no term-premium e na TJLP indicam um aumento da probabilidade de que o rating
da Fitch seja maior. Finalmente, há indicações de que a Fitch confere menos peso à liquidez
corrente.
Aguiar (2012) analisou dentre as características das debêntures, como rating, prazo e
tipo de emissão, quais são os determinantes da remuneração desses títulos privados no Brasil.
Além disso, inseriu duas variáveis dummies para capturar o efeito da crise financeira de 2008
30
sobre a remuneração das debêntures. Utilizou 327 emissões indexadas ao IPCA e ao DI, que
ocorreram entre 2000 e 2011. Os resultados mostram que, além do rating, variáveis como prazo,
volume, existência de garantias, o tipo de emissão (ICVM 400 ou ICVM 476) e data de emissão
posterior à crise financeira de 2008, determinam a remuneração das debêntures no Brasil.
Flávia Murcia, Fernando Murcia, Rover e Borba (2014) identificaram os determinantes
de rating no Brasil. Para isto constroem um modelo Generalized Estimating Equations (GEE)
com uma estrutura de painel com o rating como variável dependente e dez outras variáveis
independentes: alavancagem, lucratividade, tamanho, cobertura financeira, crescimento,
liquidez, governança corporativa, tipo de controle, performance no mercado financeiro e
internacionalização (emissão de ADR). No total são 153 ratings no período de 1997-2011
emitidos pela S&P e Moody’s. Os resultados mostraram que cinco variáveis foram
estatisticamente significativas: alavancagem, lucratividade, crescimento, performance no
mercado financeiro e internacionalização.
2.2.1.2. Indexador da Emissão
Nesta parte é comentada uma distorção que ocorre com frequência no mercado brasileiro,
com relação ao rating e indexador utilizado na remuneração da debênture. Algumas tentativas
para modelar os determinantes das taxas de juros das debêntures foram inconclusivas. Mellone
Jr., Eid Jr. e Rochman (2002) verificaram que a avaliação de crédito tinha poder explicativo
para as debêntures indexadas ao CDI, mas, resultados similares não foram obtidos nas
debêntures indexadas ao IGP-M.
Fraletti e Eid Jr. (2005) buscaram a compreensão dos fatores relevantes na precificação
de debêntures, que é de primordial importância para os investidores e para as empresas
interessadas na captação de recursos por meio deste instrumento. A inexistência de um mercado
secundário líquido de títulos privados de renda fixa restringe a análise empírica às informações,
também limitadas, do mercado primário. A conclusão geral é que a determinação da
remuneração de debêntures no mercado primário brasileiro é, no mínimo, imperfeita, e não é
baseada apenas em indicadores econômicos objetivos como, por exemplo, a revelação da
diferença no spread de crédito de pares de títulos quase idênticos emitidos simultaneamente
pela mesma empresa, um indexado ao CDI-over e outro ao IGP-M. Outras evidências são que
o rating é variável significante para os grupos de debêntures (CDI e IGP-M), e que algumas
outras variáveis (prazo e volume da emissão, por exemplo) são relevantes, especificamente para
títulos corrigidos pelo IGP-M.
31
Paiva, em 2006, também verificou que o indexador IGP-M é positivamente

correlacionado com o spread e, em outro trabalho de 2011, constatou que emissões em
percentual de DI tendem a ter menor spread que aquelas remuneradas à inflação mais taxa ou
cupom.
Nunes e Fernandes (2014) procuraram em um estudo mostrar as diferenças de taxas de
juros em investimento em títulos de uma empresa brasileira no país ou no exterior. Foram
analisadas 177 emissões locais e 119 internacionais de 31 empresas no período de 2004 a 2013,
e a conclusão foi de que as taxas finais das emissões de bonds no exterior são de 164 a 197
basis points (bps) maiores do que as locais e é estatisticamente relevante.
2.2.1.3. Governança
Este é um tema que aparece nas emissões de debêntures e geralmente influencia a nota
de crédito, pois, algumas vezes, está diretamente vinculada ao processo de crédito, por exemplo,
quando se mencionam cláusulas ligadas a mudanças de controle; e, por sua vez, casos em que
não há relação com o crédito, quando se fala em uma empresa que tem uma governança
corporativa efetiva e que por esta excelência no processo obtém como resultado uma redução
no spread da emissão.
Com relação à governança, Saito et al. (2005) observaram em uma base de dados de 119
escrituras, emitidas entre 1998 e 2001, e 141 escrituras, emitidas entre 2002 e 2005, uma
presença de cláusulas mais restritivas, nas emissões mais recentes, em relação à mudança de
controle, e que o papel do patrocinador poderia reduzir riscos assumidos pelos debenturistas.
Silva, Santos, Torres e Ferreira (2009) tiveram como objetivo de seu estudo verificar a
influência das práticas de governança corporativa, das empresas listadas nos níveis
diferenciados de governança da BOVESPA, na qualidade das notas de crédito das debêntures
emitidas por estas empresas. Apesar das limitações impostas por uma amostra pequena (14
emissões), os resultados obtidos mostraram que a governança corporativa é fator importante na
definição dos ratings, pois, além de contribuir para a eficiência da gestão organizacional,
facilita o acesso das empresas ao mercado de capitais.
Silva, Santos, Torres, Neves e Carmona (2010) mostraram que as práticas de governança
influenciam negativamente a qualidade de crédito das debêntures, sinalizando que quanto
melhores forem as práticas de governança (medido por um índice de governança corporativa -
IGC) menor seria a classificação de crédito das debêntures, que foi contrário às expectativas da
pesquisa. Ao substituir o índice de governança corporativa pela variável de concentração de
32
propriedade (CP), esta apresentou uma relação positiva. Assim, este resultado sinalizou que as
debêntures tendem a ter uma melhor classificação de crédito em empresas com alta
concentração de propriedade. Com relação ao spread, foi observado que a qualidade das
práticas de governança, em determinadas configurações mostrou-se positiva, entretanto,
inverteu-se o sentido de sua influência, quando o modelo testado continha a variável de
desempenho contábil ROA. Ao substituir o índice de governança pela variável de concentração
de propriedade foi encontrada uma relação negativa com o spread, sinalizando que os spreads
das empresas tendem a ser menores com a alta concentração de propriedade.
Neves (2017) realizou um estudo para avaliar a relação entre os níveis de monitoramento
e de transparência com o número de covenants que, se violados, levam ao vencimento
antecipado do título. A teoria levantada apontou que, tanto maiores níveis de monitoramento
quanto maiores níveis de transparência, levariam à emissão de debêntures com menor número
de covenants, uma vez que o monitoramento e a transparência atuam preventivamente para
evitar o risco que os covenants tentam proteger. Foram analisadas 227 emissões de debêntures
de 133 empresas, emitidos do período de 2011 a 2015. Os índices de transparência e
monitoramento foram construídos com base nos componentes de dois índices de governança
corporativa. Para controle do estudo foram utilizadas variáveis relativas aos contratos (série,
emissão, incentivo, dispensa, garantia e prazo) e variáveis relativas às empresas (tamanho,
controle, rentabilidade, endividamento, desvio de direitos e risco). Para mensurar a relação entre
os mecanismos de monitoramento e transparência com o total de covenants nos contratos de
debênture, foram usados o teste de diferença de média e a regressão binomial negativa. Os
resultados encontrados mostram que empresas com mais mecanismos de transparência,
possuem, em geral, um menor número de covenants, enquanto o resultado relativo à relação do
monitoramento com o número de covenants mostra relação divergente do esperado com mais
monitoramento relacionado a um maior número de covenants. O monitoramento cruzado, que
consiste no monitoramento feito por outras partes relacionadas às empresas, pode ter impactado
no total de covenants resultando em conclusões diferentes da esperada.
Marques, Ribeiro e Barbosa (2018) analisaram a estrutura de governança dos emissores
no Brasil e na Índia e aplicaram o índice de governança da Comissão Econômica para América
Latina e Caribe (ECLAC). Os resultados mostraram que empresas adimplentes têm escores de
crédito maiores e que a qualidade de governança superior contribui para o cumprimento dos
compromissos.
33
2.2.2. Mercado Secundário
Sheng e Saito (2008) analisaram empiricamente proxies de liquidez no mercado

secundário de debêntures, através de 135 emissões com suas respectivas transações até 18
meses após as suas emissões, sendo o período analisado de janeiro de 1999 a junho de 2004.
Os resultados encontrados foram: o tamanho da emissão e determinados tipos de emissores são
proxies de liquidez; controlando os tipos de emissores, as debêntures com maior tamanho de
emissão são as mais líquidas e a relação entre idade da emissão e liquidez não é clara; e a
diferença entre preços máximos e mínimos das transações não é uma medida de liquidez
apropriada.
Gonçalves e Sheng (2010) analisaram o prêmio de liquidez exigido pelos investidores
no mercado secundário, baseados na taxa interna de retorno diária dos papéis. Foram
consideradas quatro proxies de liquidez: volume da emissão, idade da emissão, número de
transações no dia e spread de compra e venda, sendo o modelo estimado para cada proxy
analisada. A base de dados do período foi de maio de 2004 a novembro de 2006 e composta de
16.083 observações. A hipótese nula, de que não existe prêmio de liquidez embutido nos
spreads das debentures, foi rejeitada para todas as proxies analisadas, além da conclusão de que
o prêmio de liquidez varia de 8 a 30 basis points.
Giacomoni e Sheng (2013) identificaram o impacto do risco de liquidez nos retornos
excedentes esperados das debêntures no mercado secundário no país. Tal verificação deu-se
através de dados de oito semestres (2006 a 2009) em um total de 382 observações, e via análises
de regressão, com a hipótese nula de que não haveria prêmio de liquidez no mercado secundário.
Das sete proxies criadas para testar o impacto do risco de liquidez, três foram rejeitadas (spread
de compra e venda, valor nominal da emissão e quantidade emitida), contudo, os prêmios
encontrados foram baixos. Os resultados apontaram para a suspeita de que o risco de liquidez
não é um fator importante na composição das expectativas dos investidores no mercado
secundário de debêntures.
Gesualdo Neto (2015) usou cinco medidas de liquidez: número de dias que ocorreram
transações, número de transações, volume relativo de transações em relação ao montante
emitido, diferença entre os preços máximos e mínimos transacionados e a volatilidade do
rendimento. Para cada medida de liquidez, o autor verificou a influência de oito características
das debêntures: rating, volume emitido, prazo de vencimento, segmento do emissor, listagem
em bolsa, idade da emissão e tipo de emissão (incentivada e sob esforços restritos). Foram
coletadas 998 emissões públicas de debêntures e suas respectivas transações até 18 meses após
34
a emissão, no período de janeiro de 2007 a agosto de 2015. A base de dados somou 53.085
observações. Como resultado, observou que o volume da emissão, tipo de emissão e
determinados segmentos são variáveis de liquidez. Adicionalmente, constatou que debêntures
com maior volume emitido são mais líquidas. E mais, a relação entre idade e liquidez não é
evidente e a diferença entre preços máximos e mínimos das transações não é uma medida de
liquidez apropriada. Por fim, concluiu que a grande concentração de títulos emitidos com
esforços restritos reduziu a liquidez do mercado em comparação com o estudo de Sheng e Saito
(2008), apesar do aumento do volume emitido no período. Em contrapartida, a emissão de
títulos incentivados elevou o nível de transações no mercado secundário.
Scichili (2015) analisou a liquidez no mercado de eurobonds e fez um paralelo com as
debêntures de mesmo emissor, com o objetivo de previsão da liquidez no mercado local. As
conclusões foram as de que os investidores preferem emissores que tenham eurobonds e de que
o mercado de eurobond é complementar e benéfico para o mercado local, contrariando a ideia
de que o mercado externo retira a liquidez do mercado local.
Correa (2017), através da construção de uma base de dados com informações de preços
praticados no mercado secundário de 56 debêntures obtidas via corretoras de valores, criou uma
variável como medida de liquidez, bid-ask spread. A conclusão foi de que a liquidez das
debêntures representa um fator importante na determinação dos spreads de crédito, podendo
explicar aproximadamente um quarto do seu excesso de retorno. Mesmo depois de controlar a
regressão para características específicas da emissão, fatores relacionados ao risco de default e
variáveis macroeconômicas, o coeficiente da variável bid-ask permaneceu significativo. Outra
conclusão foi de que a liquidez das debêntures afeta, de maneira significativa, a variação de
seus spreads de crédito em um ambiente de vendas forçadas.
José (2019) analisou a evolução do mercado secundário de debêntures e como este ativo
se relaciona com os mercados de títulos públicos e acionário. A base de dados referiu-se a todas
as negociações de debêntures indexadas à inflação entre 2012 e 2018, cruzando com a ação
mais líquida de cada empresa e com os títulos públicos de igual vencimento. Os resultados
mostraram que o principal fator, e em linha com estudos anteriores, que explica a variação do
yield das debêntures é a variação da taxa de juros do título público. Um segundo ponto é a
relação da yield com o mercado acionário, até 2017, o retorno defasado em um mês da ação
explica a variação da debênture, e que, a partir de 2018, com o aumento do número de negócios
em renda fixa, o retorno mais recente passa a ser significativo. Além disto, outras variáveis
como retorno do índice BOVESPA e índices de volatilidade passam a explicar melhor o
comportamento do mercado secundário de renda fixa.
35
2.3. Outros Temas Relacionados ao Entorno das Debêntures
Nesta seção são inseridos assuntos vinculados às debêntures, com diferentes escopos
dos temas descritos anteriormente, porém, igualmente relevantes e necessários de serem
mencionados.
2.3.1 Índices de Debêntures
Existem dois índices de crédito que utilizam as debêntures como referência: (i)
divulgado pela ANBIMA, a partir de junho de 2011; e (ii), criado pela gestora JPG, em agosto
de 2017. A seguir tem-se uma breve descrição de ambos.
2.3.1.1 Índice de Debêntures ANBIMA (IDA)
O IDA é uma família de índices que representa a evolução, a preços de mercado, de

uma carteira de debêntures, e que serve como referencial para acompanhamento do segmento
(Metodologia IDA - Índice de Debêntures ANBIMA, 2016). Com o objetivo de atender às
necessidades dos diversos tipos de investidores e das suas respectivas carteiras, o IDA é
subdividido em subíndices, de acordo com os indexadores dos títulos – DI e IPCA. Para o caso
do IDA-DI, ele abrange tanto as debêntures emitidas em percentual de DI quanto em DI mais
spread. Uma ressalva é de que ‒ apesar da existência do IDA-IGPM, devido à pequena presença
no estoque de debêntures com este indexador e as raras emissões com este índice inflacionário,
já que houve a migração das novas emissões para o IPCA ‒ a associação atualmente não divulga
este IDA. Na composição de cada índice são informados individualmente: o preço unitário, o
percentual de cada ativo na composição do índice, a quantidade, o valor de mercado da emissão
e o duration.
Por conta da representatividade das debêntures emitidas pela Lei 12.431 e suas
especificidades em termos de rendimento e prazo observado, com relação aos demais
componentes do IDA-IPCA, são disponibilizados dois subíndices desse indicador: IDA-IPCA
Infraestrutura, IDA-IPCA ex-Infraestrutura. Assim, o IDA apresenta a seguinte composição:
36
Figura 1. IDA Geral e Variantes
O IDA é calculado a partir dos preços indicativos das debêntures pertencentes à amostra
de precificação da ANBIMA e das suas respectivas quantidades existentes em mercado,
custodiadas na B3, disponíveis no site desta associação. A série histórica do índice foi
calculada retroativamente até o início de 2009, com valor igual a 1.000 na data-base de 1º de
junho de 2011, e a carteira teórica divulgada para o mês tem vigência a partir do segundo dia
útil do mês.
2.3.1.2. Idex JGP
Em 2017, a gestora de investimentos JGP, contribuiu para o desenvolvimento do

mercado de crédito privado, lançou o Idex JGP com o objetivo da criação de uma família de
índices capazes de servir como benchmark na avaliação de performance de ativos de crédito
privado negociados no mercado local. O Idex-CDI, concebido como um índice de retorno total,
é o primeiro índice dessa família e leva em consideração debêntures líquidas e indexadas ao
CDI (em CDI+ e % CDI). Seu propósito considera, ainda, elevar a transparência de preços,
37
colaborando para que um público crescente tenha pleno acesso às informações necessárias para
o entendimento dessa classe de ativos. Ele é calculado a partir das taxas de compra obtidas nos
calls das corretoras de referência do mercado, onde as ordens de negociação são executáveis.
Todas as características dos ativos da amostra são obtidas nas respectivas escrituras e a
classificação setorial é efetuada pela instituição. Com o objetivo de ilustração, o número de
debêntures componentes da amostra do Idex em 30 de dezembro de 2020 era de 150 ativos.
As debêntures da amostra são selecionadas segundo os seguintes critérios: (i) indexadas
ao CDI (% CDI ou CDI+); (ii) com spread de compra e venda em mais de 70% dos dias de
cada um dos últimos dois meses no call diário das corretoras de referência; (iii) com volume
nominal da emissão acima de R$100 milhões; (iv) com prazo de vencimento superior a dois
meses; (v) debêntures não conversíveis; (vi) debêntures com tributação diferenciada (exemplo,
isenção de IR) não podem integrar o Índice.
2.3.2. Curvas de Crédito
A partir das yields indicativas das debêntures da amostra de precificação da ANBIMA,

esta associação constrói as curvas de crédito e disponibiliza diariamente em seu site. São
divulgadas três curvas para as notas de crédito AAA, AA e A, cada curva possui 45 vértices de
vencimentos, iniciando em seis meses e terminando em 22,5 anos, e não há distinção de
indexador, contudo, as debêntures de infraestrutura não fazem parte desta amostra, e esta foi a
razão desta informação não compor este trabalho. A Tabela 10 mostra as curvas divulgadas
diariamente pelo autorregulador, neste exemplo, é mostrada a curva relativa ao dia 30/12/2020.
A metodologia de Curvas de Crédito (ANBIMA, 2016) usada para obtenção da curva
zero coupon é a de Nelson e Siegel (1987), descrita no artigo de Araújo, Barbedo e Vicente
(2012), sendo as debêntures segregadas pelos ratings mencionados anteriormente. Um
apontamento a ser feito para o caso das curvas da ANBIMA, é que as yields usadas no cálculo
não são efetivamente negociadas e, sim, fornecidas por participantes do mercado. No artigo,
Araújo, Barbedo e Vicente, concluem que as curvas de debêntures do tipo percentual do DI
para os ratings A e AA são proporcionais ao risco, enquanto para a classificação BBB possui
um risco de crédito precificado a menor pelo mercado em relação ao rating divulgado pelas
agências. Para ativos indexados em IGP-M e prefixados, as curvas resultantes foram
proporcionais à duração e à qualidade do crédito.
Há um grande esforço do autorregulador na divulgação destas curvas, contudo, valeria
uma atualização do estudo de Araújo, Barbedo e Vicente (2012) caso as diferenças de curvas
38
por indexador persistam e sejam significativas, apesar de que no contexto de crédito, não há
sentido econômico.
Tabela 10. Curvas de Crédito por Rating Divulgadas Diariamente
Curvas de Crédito - Ratings Curvas de Crédito - Ratings

Vertice AAA AA A Vertice AAA AA A
0,5 1,2823 1,4483 1,5888 12,0 2,3612 2,5272 2,6676
1,0 1,5108 1,6768 1,8172 12,5 2,3666 2,5325 2,673
1,5 1,6819 1,8478 1,9883 13,0 2,3715 2,5375 2,6779
2,0 1,8118 1,9778 2,1182 13,5 2,3761 2,5421 2,6825
2,5 1,9119 2,0779 2,2183 14,0 2,3804 2,5463 2,6868
3,0 1,9901 2,1561 2,2966 14,5 2,3843 2,5503 2,6908
3,5 2,0521 2,2181 2,3586 15,0 2,388 2,554 2,6945
4,0 2,102 2,268 2,4084 15,5 2,3915 2,5575 2,6979
4,5 2,1426 2,3086 2,4491 16,0 2,3947 2,5607 2,7012
5,0 2,1762 2,3422 2,4826 16,5 2,3978 2,5638 2,7042
5,5 2,2042 2,3702 2,5107 17,0 2,4007 2,5666 2,7071
6,0 2,2279 2,3939 2,5344 17,5 2,4034 2,5693 2,7098
6,5 2,2482 2,4141 2,5546 18,0 2,4059 2,5719 2,7123
7,0 2,2657 2,4316 2,5721 18,5 2,4083 2,5743 2,7148
7,5 2,2809 2,4468 2,5873 19,0 2,4106 2,5766 2,7171
8,0 2,2942 2,4602 2,6006 19,5 2,4128 2,5788 2,7192
8,5 2,306 2,472 2,6124 20,0 2,4149 2,5808 2,7213
9,0 2,3165 2,4825 2,6229 20,5 2,4168 2,5828 2,7233
9,5 2,3259 2,4919 2,6323 21,0 2,4187 2,5847 2,7251
10,0 2,3344 2,5003 2,6408 21,5 2,4205 2,5864 2,7269
10,5 2,342 2,508 2,6485 22,0 2,4222 2,5881 2,7286
11,0 2,349 2,515 2,6554 22,5 2,4238 2,5898 2,7302
11,5 2,3554 2,5213 2,6618
2.3.3. Modelos de Otimização para Debêntures no Brasil
Praticamente inexiste literatura sobre este tema no país, devido, principalmente, ao fato
do mercado não possuir liquidez relevante, e à impossibilidade da obtenção dos dados dos
papéis negociados na B3, sem as operações intragrupos, podendo gerar distorções nos preços.
Com isto, a alternativa utilizada pelos participantes é usar os preços indicativos e não os preços
efetivamente negociados; podendo potencialmente apresentar vieses dos fornecedores dos
preços e conflito de interesses, uma vez que eles são players de mercado.
Godoi, Yoshino e Oliveira (2008) propuseram e testaram uma metodologia para
determinar a magnitude deste risco para uma carteira de debêntures de empresas emissoras
brasileiras. A abordagem baseou-se no Modelo de Merton (1974) para bônus corporativos, que
faz uso das fórmulas de Black-Scholes para o cálculo do preço de opções. Também foram
utilizadas técnicas de otimização para a determinação do risco da carteira. Adotando um modelo
39
simples e de baixo custo computacional, chegaram a uma medida de risco mais conservadora
do que a obtida com o tradicional modelo VaR (value at risk). Além disso, apresentaram uma
metodologia para a obtenção da composição ótima da carteira de debêntures. Neste artigo não
houve a segregação entre risco de crédito e mercado, e a volatilidade do ativo foi dada pelo
preço unitário.
Chela, Butkeraites e Salles Neto (2019) usaram a simulação de Monte Carlo para gerar
a distribuição de perdas, e a otimização visando maximizar o retorno e minimizara o risco.
Fizeram uso do Component VaR (CVaR) para mensurar a contribuição de risco de cada ativo,
e as informações de probabilidade de default (PD) foram extraídas via mercado acionário e
através do modelo desenvolvido pela empresa KMV e descrito por Crosbie e Bohn (2003), ou
seja, não foram utilizadas informações diretas do mercado de debêntures.
40
3. CONCEITOS UTILIZADOS NO TRABALHO
Neste capítulo são tratados resumidamente alguns conceitos que foram usados no
desenvolvimento desta tese.
3.1. Modelo de Markowitz
Na teoria de Markowitz (1952) a seleção de portfólio é baseada em um modelo de

investimentos de período simples. Este modelo é operacionalizado por técnicas de programação
quadrática, cujo objetivo é a otimização de carteiras levando-se em conta a média, a variância
e a covariância dos retornos esperados das ações. Esses parâmetros são estimados com base em
informações de séries históricas, através de um vetor de médias dos retornos e uma matriz de
covariância desses retornos. Neste modelo a estrutura de otimização de portfólios se baseia na
relação de risco e retorno (média-variância), ou seja, em um contexto baseado em dois critérios.
Considerando um investimento composto por n ativos S1, S2, …, Sn que no futuro terão
retornos totais r1, r2, …, rn, pode-se representar o vetor destes retornos como i  0. Então,
conforme Sharpe (1963), o retorno total e incerto do portfólio (rp) depende linearmente dos
pesos dos investimentos feitos em cada ativo, conforme a equação a seguir:
n
rp ( ) = 1r1 + 2 r2 + ... + n rn =  i ri =  T r (1)
i =1
Considerando  i o desvio-padrão de ri, ρij representa o coeficiente de correlação entre

os retornos dos ativos Si e Sj, e Ψ representa a matriz (n x n) de covariância do retorno de todos
os ativos, conforme (2), no qual, para todo i  j , assume-se que  ii =  i2 , e que
 ij =  ji = ij i j .
  11  1n 
 
 =  (2)
 
 mn 
 m1
Para um dado portfólio ω, pode-se representar a variância e o desvio padrão,
respectivamente, conforme (3) e (4).
(3)
V ( ) =  T
(4)
 ( ) =  T
O desvio-padrão do retorno do portfólio, dado por σ(ω), refere-se à volatilidade do
portfólio, usada como medida de risco do portfólio ω.
41
Pode-se, ainda, representar os retornos esperados dos títulos como  =  1 ,..., n  , no

T
qual, i = E (ri ) para todo i = 1,..., n

As formulações para um problema de otimização média-variância podem ser obtidas
pela minimização da variância do portfólio sujeito a um mínimo valor de retorno esperado
(Rmin) ou pela maximização do retorno esperado sujeito à restrição de um valor determinado
para a variância do portfólio, respectivamente, conforme (5) e (6), (7) e (8).
min T (5)

Sujeito a:
 T   Rmin (6)
Max 
T
(7)
 
Sujeito a:
 T    max
2
(8)
n
 T l =  i = 1 (9)
i =1
3.2. Índice de Sharpe
Desenvolvido por William F. Sharpe (1966), o Índice de Sharpe mede a relação entre o
retorno da carteira acima da taxa livre de risco e o seu desvio-padrão (σP), que mede o risco
total incorrido. Por integrar publicações científicas e periódicos disponíveis aos investidores,
trata-se de uma medida largamente usada, tanto pelos meios acadêmicos quanto pelo mercado.
Na realidade, é a métrica mais frequente para medir e comparar desempenhos de portfólios
(Schuster & Auer, 2012; Auer & Schumacher, 2013). Pode-se definir matematicamente o Índice
de Sharpe da seguinte forma:
RP − RRf
Sharpe = (10)
P
Onde,
RP: retorno médio do portfólio
RRf: retorno médio do ativo livre de risco
σP: volatilidade do portfólio
42
3.3. Medidas de Crédito
Neste subitem são tratadas, de forma suscinta, algumas métricas de crédito presentes
neste trabalho.
3.3.1. Spread Interpolado
De acordo com Ho e Lee (2004), o Spread Interpolado (I-Spread) é a diferença entre a

taxa interna de retorno do bond corporativo e a taxa interpolada linearmente do título livre de
risco. Esta é a metodologia utilizada pelos praticantes no mercado norte-americano e europeu,
porém, não é usada neste trabalho.
  yG − yG1  
ISpread = yD −  yG1 +  2   (TD − TG1 ) (11)
  2
TG − TG1 
Onde:
ISpread: é o spread interpolado
yD: é a taxa interna de retorno do bond corporativo;
yG1: é a taxa interna de retorno do título livre de risco de duração menor;
yG2: é a taxa interna de retorno do título livre de risco de duração maior;
TG1: é o duration do título livre de risco de prazo médio menor;
TG2: é o duration do título livre de risco de prazo médio maior.
TD: é o duration do bond corporativo.
O spread de crédito, para um título corporativo que tem a mesma característica tributária
de um título livre de risco, nesta tese é calculado como mostra a equação abaixo e no capítulo
5 é mostrado com mais detalhes em relação ao ativo objeto deste estudo.
SPr azo =
(1 + yD ) − 1
(12)
(1 + yG )
Onde:
Spread: é o spread interpolado ao ano
yD: é a taxa interna de retorno ao ano do bond corporativo;
yG: é a taxa interna de retorno ao ano do bond livre de risco.
3.3.2. Duration Times Spread (DTS)
Duration Times Spread (DTS) é uma métrica criada pela equipe de gestão de portfólio
da Robeco Asset Management e, posteriormente, adquirida pela Lehman Brothers. Os autores
43
são Dor, Dynkin, Hyman, Houweling, van Leeuwen e Penninga (2007). Essa métrica visa
aferir a sensibilidade da mudança relativa do spread de crédito de um título corporativo. Ele é
calculado pela multiplicação de duas características do bond: o spread duration e o spread de
crédito. O spread duration de um título de crédito é o seu próprio prazo médio, e para o portfólio,
será a ponderação de cada duration por seu respectivo peso na carteira total, lembrando que
para o caso dos títulos livre de risco o spread duration será igual a zero.
Os autores observaram que para os investment grade bonds as volatilidades do spread
são mais estáveis se houver a separação por níveis de spreads do que por ratings de crédito.
Também mostraram que a volatilidade do spread de crédito é composta por dois elementos, um
sistêmico e outro idiossincrático. O sistêmico está relacionado ao setor econômico do emissor
e o idiossincrático às características inerentes à empresa. Eles compararam as volatilidades
absolutas e as volatilidades relativas dos bonds componentes do Lehman Brothers Credit Index
por 25 anos, excluindo o período de agosto a novembro de 1998 (crise da Rússia). Os autores
perceberam que a medida de spread relativo oferece mais estabilidade do que o spread absoluto
(Dor et al., 2007).
Eles examinaram a dinâmica dos spreads individuais dos títulos, para determinar se
estas taxas aumentam ‒ paralelamente ou proporcionalmente ‒ quando os spreads aumentam
ou diminuem em um setor econômico. Os autores demonstraram que estas taxas se alteram de
modo relativo, então, quando a volatilidade do spread sistêmico se altera no setor ela é
proporcional à média do segmento.
Igualmente demonstraram que a volatilidade aumenta linearmente com o DTS, e que
portfólios com diferentes spreads e spread durations, mas, com o mesmo DTS,
proporcionavam a mesma volatilidade.
Para obter a fórmula do DTS, inicialmente é mostrada a equação do duration de
Macaulay:
(1 + y / k ) ((1 + y / k ) + T (c / k − 100 y / k ))
−
y/k ((c / k )[(1 + y / k )T (13)
MacaulayDURATION =
k
Onde:
y: é a taxa interna de retorno ao ano;
c: é o coupon ao ano;
T: é o número de coupons;
k: é a frequência ou periodicidade do coupon.
44
 (1 + y / k ) ((1 + y / k ) + T (c / k − 100 y / k )) 
 y/k − ((c / k )[(1 + y / k )T 
DTS =   ( yD − yG ) (14)
 k 
 
Sendo ( yD − yG ) o spread.
De acordo com Stagnol (2016), o DTS é uma medida coerente de risco, pois, assumindo
a taxa de juros contratada, número e frequência dos coupons e a taxa livre de risco para dois
bonds A e B com ya < yb , e Y sendo um portfólio,  e n são constantes e   0,1 , é possível
verificar os seguintes axiomas:

1. Monotonicidade
Se os ganhos na carteira A são menores que os da carteira B para todos os cenários
possíveis, então o risco na carteira A é maior que na carteira B.
DTS ( A)  DTS ( B) (15)
2. Sub-aditividade
Esta medida leva em consideração o efeito da diversificação do portfólio. A medida do
risco total da carteira é menor ou igual à medida do risco da soma individual dos ativos da
carteira.
DTS ( A + B)  DTS ( A) + DTS ( B) (16)
3. Homogeneidade positiva
Ao aumentar o tamanho de cada posição da carteira, o risco da carteira aumenta em
igual proporção.
DTS (nY ) = nDTS (Y ) (17)
quando n  0
4. Invariância por translação
Adicionando ou subtraindo uma quantidade certa  à variável aleatória Y, as suas
propriedades não se alteram.
DTS (Y +  ) = DTS (Y ) +  (18)
Através das propriedades 2 e 3, se implica a convexidade, que é uma propriedade

desejada em problemas de otimização:
DTS ( A + (1 −  ) B   DTS ( A) + (1 −  ) DTS ( B) (19)
O que foi descrito para o DTS como medida de risco equivale a tratar o spread de crédito
como uma operação de renda fixa seguindo o conceito do RiskMetrics (1996). Este título de
renda fixa sintético possui preço unitário (PU) para o vencimento, no caso específico de 1.000,
45
sendo marcado a mercado diariamente pelo spread observado no mercado. Nesta tese, a
marcação a mercado utilizada vem da taxa indicativa da debênture da ANBIMA, expurgado da
taxa livre de risco para o duration do ativo de crédito. Ressalta-se que, como são debêntures
que possuem incentivo fiscal, a taxa indicativa sofreu um incremento de 15% devido a este
benefício. No capítulo 5 há uma descrição detalhada deste procedimento.
3.4. Modelo de Nelson e Siegel (NS)
Nelson e Siegel (1987) desenvolveram um modelo estatístico não linear e exponencial

para a construção de uma estrutura a termo de taxas de juros (ETTJ). O modelo apresenta, pelo
menos, três bons motivos que justificam sua popularidade como método de estimação:
• o método provê uma aproximação parcimoniosa da curva com um número pequeno
de parâmetros, ao contrário, por exemplo, dos métodos spline (Adams & Van Deventer, 1994),
e esses três componentes fornecem flexibilidade suficiente para que o modelo capture a
monotonicidade e as formas em “S” das curvas de juros;
• o modelo produz taxas a termo e curvas de juros a partir de taxas observadas de curto
prazo, sem maiores complicações computacionais;
• os três componentes, β1t, β2t e β3t, possuem uma clara interpretação de suas
características que são de longo, curto e médio prazos respectivamente.
Diebold e Li (2006) reinterpretaram o modelo exponencial proposto por Nelson e Siegel
(1987), considerando uma forma paramétrica para a evolução da estrutura a termo ao longo do
tempo, em que os coeficientes são tratados como nível, inclinação e curvatura. A curva de juros
correspondente é:
 1 − e− t   1 − e− t 
yt ( ) = 1t +  2t   + 3t  − e− t  (20)
  t    t 
yt ( ) = taxa de juros zero coupon para cada prazo τ.
O fator β1t é visto como o parâmetro de longo prazo, uma vez que é uma constante que
não decai a zero no limite. β2t é considerado como o termo de curto prazo porque é uma função
que decai de 1 a 0 (zero) muito rapidamente. Por fim, β3t é considerado o termo de médio prazo,
visto que sua função se inicia em 0 (zero), cresce e depois decai a 0 (zero) novamente.
Diebold e Li (2006) apresentaram interpretações interessantes para os parâmetros do
modelo. O parâmetro λt determina a taxa de decaimento exponencial da carga do segundo fator,
β2t. Nesse caso, pequenos valores produzem um decaimento lento, enquanto valores maiores
produzem um decaimento mais célere. Além disso, esse parâmetro também determina o
46
máximo da carga do terceiro componente, β3t. Embora a versão mais geral do modelo imponha
o parâmetro lambda, λt, variante no tempo, os autores mostraram que uma especificação mais
parcimoniosa com lambda independente de t não compromete a capacidade de ajustamento da
curva de juros aos dados. Com base nessa, adotar-se-á também um decaimento exponencial
constante para todo t. A partir daí, são estimadas diversas curvas com diferentes decaimentos
exponenciais e, ao final, há a escolha daquela que apresentar o menor erro médio quadrático ao
longo da série estudada. Pode-se observar os efeitos de cada parâmetro na estimação da curva
zero no gráfico a seguir.
Gráfico 1. Efeito Isolado dos Betas nas Curvas Zero Coupon
Fonte: Araújo, Barbedo e Vicente (2012).
Determinando a função desconto como sendo

1
𝑏𝑡 (𝜏) = (21)
(1 + 𝑦𝑡 (𝜏))𝜏
em que τ = 1, 2, ..., T
o problema de minimização a ser feito para determinar os betas da curva zero é dado por:
2
𝑁 𝑘
𝑀𝑖𝑛 ∑ 𝑊𝑖 × (𝑃𝑖 − ∑ 𝐹𝑖,𝑗 𝑏𝑡 (𝑇𝑖,𝑗 )) (22)

𝑖=1 𝑗=1
em que:
Wi: é o inverso do duration do i-ésimo título;
Pi: é o preço do i-ésimo título;
Fi,j: é o j-ésimo pagamento do i-ésimo título;
Ti,j: é o prazo do pagamento j do i-ésimo título.
47
Isso significa que, para os betas serem estimados, minimiza-se o somatório da diferença
ao quadrado da cotação (em percentual do PU Par) de cada debênture e a cotação estimada
pelos novos parâmetros ponderada pelo inverso do duration. Dessa forma, são estimados os
betas que resultarão numa taxa de desconto com o menor erro quadrático médio entre o valor
observado e o valor estimado. As curvas de crédito publicadas pela ANBIMA, e descritas no
item 2.3.2., utilizam esta metodologia.
3.5. Modelo de Nelson, Siegel e Svensson (NSS)
As curvas risk free, divulgadas diariamente pela ANBIMA (2010), são obtidas via
modelo Nelson, Siegel e Svensson desenvolvido por Svensson (1994) que é uma evolução do
modelo NS, porém, com um beta e um lambda adicionais, ou seja, na equação abaixo, há a
inclusão do quarto termo.
 1 − e− t   1 − e− t   1 − e− 2 t − 2 
yt ( ) = 1t +  2t   +  3t  − e− t  +  4t  −e t  (23)
 
t   
t   2t 
Esse modelo é amplamente utilizado por diversos bancos centrais, por se tratar de uma
forma funcional simples que descreve toda a estrutura temporal das taxas de juros com um
pequeno número de parâmetros (Bank of Canada, 1999; Bank of England, 1999; European
Central Bank, 2009; BIS, 2008). O formato da equação permite uma estrutura suave e flexível
que acomoda os diversos formatos de ETTJ observados nos dados. As curvas utilizadas neste
trabalho são obtidas por intermédio deste método.
Segundo Guedes (2008), os parâmetros do modelo de NSS comportam uma
interpretação econômica:
• (t) é a taxa de juros spot para determinado vencimento;
• 1t é o componente de longo prazo da taxa de juros;
•  2t é o componente de curto prazo da taxa de juros;
•  3t e  4t são os componentes de médio prazo;

•  4t é um parâmetro independente de decaimento para melhor ajustar o modelo;
• Os fatores da estrutura possuem a interpretação de nível ( 1t ), inclinação (  2t ) e
curvaturas (  3t e  4t );
48
• Os parâmetros t e 2t caracterizam como a inclinação e a curvatura se comportam, e
mostram um relacionamento entre as taxas de curto e longo prazo.

Na construção do intervalo indicativo, a otimização é realizada com base nos quatro
parâmetros β, pois os componentes de decaimento t e 2t são mantidos fixos. Para permitir
um menor nível de erro e, consequentemente, uma melhor aderência da curva aos dados, a ETTJ
a ser divulgada será obtida mediante a estimação diária de todos os seis parâmetros do modelo.
Com isso, a otimização torna-se um pouco mais complexa, uma vez que é não linear, conforme
mostrado por Bolder & Stréliski (1999).
3.6. Modelo Cubic Spline
Os métodos baseados em splines fazem uso de polinômios para que cada segmento da
curva seja conectado suavemente em cada vértice observado da curva, os chamados knot points.
Para um intervalo fechado, a função contínua dada pode ser aprimorada através da utilização
de um polinômio arbitrário, sendo que a qualidade do ajuste aumenta com a ordem do polinômio.
O modelo de Cubic Spline (McCulloch, 1971) é um dos modelos de interpolação da
curva de juros mais difundidos no mercado (Kunzler, 2019); utiliza polinômios cúbicos para
realizar o ajuste entre os vértices, de forma que a função resultante em todo o intervalo possua
derivadas de 1ª e 2ª ordem contínuas nos n-2 vértices intermediários. A ideia por trás desse
modelo é a suavização dos pontos entre os nós observados na curva.
Seja 1 , 2 , 3 ,... n e y1 , y2 , y3 ,... yn conhecidos, para chegar na função de cubic spline
serão necessários os coeficientes ai , bi , ci , di para 1 ≤ 𝑖 ≤ 𝑛-1. Assim, a função valor para
qualquer maturidade 𝜏 será:

y ( ) = ai + bi ( −  i ) + ci ( −  i ) + di ( −  i )
2 3
(24)
Com derivadas:
y '( ) = bi + 2ci ( −  i ) + 3di ( −  i )
2
(25)
y ''( ) = 2ci + 6di ( − i ) (26)
y '''( ) = 6di i (27)
Onde:
 i     i +1
Seja hi =  i +1 −  i daqui em diante, e as restrições impostas são:
49
a) a função de interpolação passa pelos dados (pontos), assim ai = yi para 𝑖 = 1, 2, …,
𝑛-1 e an −1 + bn −1hn −1 + cn −1hn2−1 + d n −1hn3−1 = yn = an
b) a função de interpolação passa pelos dados (pontos), assim ai + bi hi + ci hi2 + di hi3 = ai +1
para 𝑖 = 1, 2, …, 𝑛-2;
c) a função de interpolação é totalmente diferenciável, assim bi + 2ci hi + 3di hi = bi +1
para 𝑖 = 1, 2, …, 𝑛-2.
As restrições constituem um sistema com 3n-4 equações com 4n-4 parâmetros
desconhecidos, e ainda existem n restrições lineares a serem especificadas. A diferenciabilidade
y ( )
da função de interpolação é garantida desde que a função forward f ( ) =  seja contínua.
( )
Assim, tem-se:
f ( ) = ai + bi (2 i −  ) + ci ( i −  )(3 −  i ) + di ( −  i ) 2 (4 −  i )

(28)
Para  i     i +1
Definindo bn = bn −1 + 2cn −1hn + 3d n −1hn2−1 , onde bn é a derivada da função de interpolação
à direita do ponto extremo superior, assim a especificação das demais n restrições é equivalente
à especificação de (b1 , b2 ,..., bn ) , ou seja, (c1 , c2 ,..., cn ) e (d1 , d 2 ,..., d n ) são definidos por duas
equações com dois parâmetros desconhecidos, às quais se resolve, para cada i, como:
ai +1 − ai (29)
mi =
hi
3mi − bi +1 − 2bi (30)

ci =
hi
bi +1 + bi − 2mi (31)
di =
hi
Para i = 1, 2, ..., n
3.7. Modelo Exponentially Weigthed Moving Average (EWMA)
Para o cálculo da volatidade do spread a ser utilizada no modelo de Markowitz e nos

modelos DEA é necessária a definição da metodologia a ser aplicada. Nesta tese utilizou a
abordagem proposta pelo RiskMetrics (1996) por intermédio do modelo Exponentially weighted
Moving Average (EWMA), método bastante conhecido em gestão de risco de mercado para o
50
cálculo do Value at Risk (VaR). Ele captura a dinâmica da volatilidade e através de uma média
móvel com decaimento exponencial das observações históricas, sendo que as observações mais
recentes recebem maior peso.
A grande vantagem desta metodologia é o aumento da velocidade da reação das
variações com a utilização de pesos maiores para observações mais recentes. Para a estimação
da volatilidade mediante esse método, é necessário definir o peso para a última observação e,
neste caso, o retorno do dia tem como peso (1-λ). O valor de λ utilizado pelo RiskMetrics (1996)
é de 0,94, obtido a partir da minimização dos erros quadráticos, e se pressupõe a distribuição
normal dos retornos.
O retorno ponderado pelo modelo EWMA é dado a partir da seguinte equação, de
acordo com Alexander (2009, p. 120):

rt = (1 −  )  i −1rt −i (32)
i =1
Onde:
 : é o parâmetro de decaimento exponencial, e  n → 0 quando n → 
rt : é o retorno diário para o dia t, calculado como a diferença dos logaritmos neperianos dos
preços.
Esta abordagem pode ser considerada um caso particular do modelo GARCH (auto-
regressivo de heteroscedasticidade condicional generalizada), e as respectivas equações da
variância, desvio padrão e covariância expressas abaixo:
ˆ t2 = (1 −  )rt 2−1 + ˆ t2−1 (33)
Onde:
ˆ t2 : é a variância calculada segundo o alisamento exponencial para o dia t.
ˆ t = (1 −  )rt2−1 + ˆt2−1 (34)

ˆ t : é a volatilidade calculada segundo o alisamento exponencial para o dia t.
ˆ jk ,t = ˆ jk ,t −1 + (1 −  )rj ,t rk ,t (35)

ˆ jk ,t é a covariância entre o ativo j e k no dia t; e rj ,t rk ,t são os retornos dos ativos j e k em t.
De acordo com o  escolhido, é possível saber o nível de confiança da amostra a partir
da quantidade de retornos da série. A Tabela 11 mostra, para diferentes lambdas, a quantidade
de retornos necessários para um determinado nível de confiança. Neste trabalho, definiu-se a
utilização de 0,94 de fator de decaimento e que as debêntures para participar do processo de
otimização teriam minimamente 63 de retornos diários na data da alocação, isto significa que o
51
nível de confiança utilizado foi de 98%. A escolha do fator de decaimento de 0,94 deveu-se a
ampla utilização deste valor pelos praticantes do mercado devida à influência do documento
RiskMetrics. Caso a opção fosse usar outro fator, ou mesmo a utilização da volatilidade histórica,
seria necessário, por meio de método de mínimos quadrados se determinar o lambda ou o
tamanho da janela amostral que resulte em menor erro entre o valor previsto versus o valor
realizado.
Tabela 11. Nível de Confiança por lambda
Nível de Confiança
Lambda 95,0% 98,0% 99,0% 99,5%
0,99 298 389 458 527
0,98 148 194 228 262
0,97 98 128 151 174
0,96 73 96 113 130
0,95 58 76 90 103
0,94 48 63 74 86
0,93 41 54 63 73
0,92 36 47 55 64
0,91 32 41 49 56
0,90 28 37 44 50
0,89 26 34 40 45
0,88 23 31 36 41
0,87 22 28 33 38
0,86 20 26 31 35
0,85 18 24 28 33
Fonte: Autor.
Além de ser amplamente utilizado para o cálculo do VaR; o modelo EWMA também é
usado na otimização de Markowitz. Um dos trabalhos iniciais foi o de Tse (1991), que analisou
a volatilidade das ações da Tokyo Stock Exchange. O autor comparou a volatilidade dos retornos
dos modelos ARCH, GARCH, desvio padrão histórico e EWMA; como resultado, o modelo de
alisamento exponencial apresentou melhor performance.
Apesar de a volatilidade calculada pelo EWMA ser utilizada há muito tempo na
otimização de portfólios, ainda são publicados com frequência trabalhos tratando sobre este
tema. Artigos que abordam a comparação entre os modelos de cálculo de volatilidade como
input na otimização de Markowitz, podem ser citados: Luo, Seco e Wu (2015) ao comparar os
modelos Orthogonal GARCH (OGARCH), Markov Switching e EWMA, na otimização de
portfolios de hedge funds, concluíram que o modelo OGARCH era superior aos demais.
Barauskaitè e Constantinescu (2016) compararam as fronteiras eficientes para ETFs de índices
de ações mundiais, bonds e commodities geradas por volatilidade histórica, EWMA e modelo
52
DCC GARCH (1,1) (Dynamic Conditional Correlation GARCH), e concluíram que o modelo
EWMA apresentou melhor resultado do que as outras metodologias.
Sanchez, Sotres-Ramos e Guzmán (2016) compararam os modelos EWMA e DCC
GARCH, em ações da bolsa mexicana e concluíram que o EWMA apresentou maior redução
do risco em comparação ao outro modelo. Na mesma linha, Xidonas, Tsionas e Zopounidis
(2018) também trataram da otimização de ETFs de fundos com a comparação entre
volatilidades calculadas via desvio-padrão histórico, EWMA e GARCH (1,1) com resultados
próximos nas duas últimas modelagens e melhores do que o primeiro método. Jin, Chen e Yu
(2018) utilizaram um modelo de simulação numérica utilizando o EWMA para o mercado
acionário chinês apresentando bons resultados.
Em resumo, como citado por Zaffaroni (2008), o modelo EWMA apresenta algumas
vantagens, pois é de fácil implantação, apresenta ganhos computacionais, e é um método
simples de se calcular a matriz positiva semi-definida.
53
4. ANÁLISE ENVOLTÓRIA DE DADOS
A revisão conceitual de Análise Envoltória de Dados (DEA) é apresentada em etapas

distintas. Na fase inicial, é reconstituído o arcabouço teórico sobre o qual se apoia o estudo de
análise de eficiência produtiva em Economia. Dessa base conceitual, deriva-se o
desenvolvimento da técnica DEA para análise de eficiência relativa de unidades.
4.1. Curvas de Produção e Análise de Eficiência
As curvas de produção são a base da análise de eficiência. Os estudos em torno das

curvas de produção visam definir uma relação entre recursos e produtos.
As hipóteses que são consideradas para a relação entre insumos e produtos determinam
que:
1. Há retornos crescentes de escala, se acréscimos no consumo de recursos implicam
um aumento mais que proporcional da quantidade de produtos obtidos, ou ainda, economias de
escala.
2. Há retornos constantes de escala, quando acréscimos no consumo de recursos
resultam em aumentos proporcionais na quantidade de produtos obtidos.
3. Há retornos decrescentes de escala, na situação em que acréscimos no consumo de
insumos acarretam aumentos menos que proporcionais na geração de produtos, também
chamados de deseconomias de escala.
As hipóteses de retorno de escala são apresentadas nas Figuras 2, 3 e 4.
Figura 2. Retornos Crescentes de Escala
Fonte: Kassai (2002).

54
Figura 3. Retornos Constantes de Escala
Figura 4. Retornos Decrescentes em Escala
Considera-se adicionalmente a hipótese de free disposal (livre descarte) na qual,

para determinado nível de consumo de recursos, pode-se produzir a quantidade máxima ou
qualquer quantidade inferior. Assim, o conjunto de alternativas de produção é formado pela
área abaixo da curva de máxima produção. No caso de retornos decrescentes de escala,
tem-se a situação mostrada na Figura 5.
O ponto de lucro máximo pode ser determinado se for incluído na análise um vetor
de preços para insumos e produtos. A programação linear é aplicada para resolver o sistema
de inequações que permitirá maximizar os resultados, sendo atendidas as restrições com
55
relação aos insumos e ao processo produtivo. É igualmente possível determinar o ponto de

mínima utilização de recursos que atenda a determinado resultado almejado.
Figura 5. Alternativas de Produção Viáveis – Retornos Decrescentes
Cooper, Seiford e Tone (2007) apresentaram a forma mais básica de se medir a

eficiência; a razão em duas medidas, como mostrado em (36). Esta medida de
produtividade assume forma de razão quando usada para avaliar um trabalhador ou
empregado, por exemplo, ao medir a produção por horas trabalhadas ou produção por
empregado utilizado.
output
(36)
input
Mello, Meza, Gomes e Biondi Neto (2005) compararam o que foi produzido, dado
os elementos disponíveis, com o que poderia ter sido gerado utilizando-se os mesmos
insumos. Na Figura 6, o eixo Y representa a produção Oy; enquanto o eixo X representa
os recursos Xi, e a curva S representada pela expressão matemática em (37) é chamada de
fronteira de eficiência, indicando quanto foi originado ao máximo para cada nível de item
utilizado.
Qi = fi ( X i ) (37)
56
Figura 6. Produtividade x Eficiência
Fonte: Mello et al. (2005).
Uma vez que B e C são considerados eficientes já que estão localizados na fronteira
de eficiência, pode-se observar que C é mais eficiente que B. Para isso, basta observar que
para produzir QB é necessário aumentar a quantidade do insumo xi, representado pelo
segmento CA .
Analisando-se o ponto A, considerado ineficiente, há pelo menos duas formas de
torná-lo eficiente:
• deslocar o ponto A até o ponto C, reduzindo a quantidade dos recursos utilizados
de XA para XC, mantendo constantes os produtos (orientação a inputs ou a insumo);
• deslocar o ponto A até o ponto B, aumentando a quantidade produzida de Q A
para QB, mantendo a utilização do insumo X A (orientação a outputs ou a produto).
A Figura 7 apresenta o conceito de fronteira de eficiência e será válida na
demonstração do cálculo da eficiência de um processo qualquer. Considerou-se o ponto B,
dado como eficiente pela capacidade de gerar uma maior quantidade de produtos utilizando
uma menor quantidade de recursos, representado pelas coordenadas (XB, YB); e o ponto A,
ineficiente e representado pelas coordenadas (X A, YA).
A linha que tem origem no ponto (0, 0) e passa pelo ponto B representa a fronteira
eficiente. Projetando-se horizontalmente o ponto A, tem-se A’’, representado pelas
coordenadas (0, YA) e A’, cujas coordenadas serão calculadas a partir do sistema
explicitado por Mello et al. (2005), por Ferreira e Gomes (2009) e, numericamente,
representado por Cooper, Seiford e Tone (2007) e Cook e Seiford (2009).
57
Figura 7. Representação Gráfica da Fronteira Eficiente
Fonte: Mello et al. (2005).
O sistema (38) fornece as coordenadas:

Y = YA

 YB (38)
Y = X
 X B
Logo, A’ é representado pelas coordenadas apresentadas em (39):
 YA' X B 
 , YA  (39)
 YB 
A produtividade da entidade B é o coeficiente angular α da reta, dado por (40):
YB
= (40)
XB
Para cálculo da eficiência (wo) do ponto A, considerando-se a orientação a inputs, tem-
se (41):
YA' X B
A' A'' YB Y 1 P
wo = = = A = A (41)
A'' A XA X A YB PB
XB
Então, a eficiência de uma entidade é simplesmente a razão entre sua produtividade (P A)
e a produtividade da entidade eficiente, ou a mais eficiente, (PB). Para tal constatação, levou-se
em conta apenas um produto e um recurso.
Entretanto, o dilema é identificar benchmarks e avaliar a produtividade ou eficiência
quando mais de uma entrada ou saída devem ser levadas em consideração, comprometendo a
utilidade desta forma mais básica de avaliação da eficiência (Cooper, Seiford & Tone, 2007).
58
4.2. Modelagem DEA
Pareto foi o economista responsável pela definição de um vetor, cujos componentes

eram as utilidades dos consumidores. De acordo com a sua teoria, a eficiência do bem-estar
poderia ser alcançada somente quando não fosse possível aumentar algum componente do vetor
de utilidades, sem que se reduzisse qualquer um dos outros componentes. Esses preceitos foram
adaptados ao ambiente produtivo por Tjalling Koopmans, segundo o qual um vetor de outputs,
ou resultados, somente seria considerado eficiente se não fosse possível aumentar um de seus
componentes sem piorar os demais. Além disso, o vetor de outputs estaria limitado à
disponibilidade de inputs – insumos. A eficiência Pareto-Koopmans é considerada o elemento-
base sobre o qual se alicerçam diversos conceitos da Data Envelopment Analysis (DEA) (Arêas,
2005).
As ideias preliminares desenvolvidas por Pareto e Koopmans, amplamente aplicadas a
partir da segunda metade do século XX, foram importantes para o surgimento da DEA. Debreu
(1951) desenvolveu o coeficiente de utilização de recursos, o qual passou a permitir a medida
radial da eficiência técnica permitindo que o grau de ineficiência de um vetor fosse
determinado. Os trabalhos de Farrell (1957), por sua vez, aprofundaram os estudos de Debreu
(1951) para introduzir uma medida simples para a eficiência organizacional.
Farrell (1957) usa a função de produção segmentada para estimar a fronteira de
produção, afirmando que a eficiência gerencial de uma empresa é composta por duas
classificações: a eficiência técnica e a eficiência alocativa. Sob a sua concepção, a fronteira de
melhores práticas, que representa a fronteira técnica alcançável, diz respeito à capacidade
máxima de geração de outputs de uma empresa, obtida a partir de um montante fixo de inputs,
bem como, para cada índice de outputs desejado, apontar o mínimo necessário de inputs. A
eficiência alocativa, por sua vez, é descrita como a habilidade de uma empresa ao usar os inputs
mais apropriados para produzir determinados bens, dados os custos relativos fixos das
tecnologias de produção. De acordo com o modelo, a eficiência de uma unidade pode ser
determinada pela distância entre o valor de output observado e a fronteira eficiente, de modo
que uma unidade é dita ineficiente se seus outputs e inputs estiverem abaixo da fronteira.
Edward Rhodes, na sua tese sob a orientação de William Cooper, tinha como objetivo
de pesquisa avaliar os resultados de um programa de acompanhamento de estudantes carentes,
instituído em escolas públicas americanas com o apoio do governo federal. A ideia central foi
comparar o desempenho de um conjunto de alunos de escolas participantes com o desempenho
dos alunos de escolas que não aderiram ao programa. A performance dos alunos foi medida em
59
termos de produtos definidos como, por exemplo, “aumento da autoestima em crianças carentes”
(medida por testes psicológicos) e insumos como “tempo gasto pela mãe em exercícios de
leitura com sua criança”.
Essa tentativa de estimação da eficiência técnica de escolas, com base em múltiplos
insumos e produtos, resultou na formulação do Modelo CCR (abreviatura de Charnes, Cooper
e Rhodes, sobrenomes de seus autores) de Análise Envoltória de Dados e com a publicação do
primeiro artigo no European Journal of Operations Research em 1978.
O modelo utiliza o método de otimização de programação matemática para, partindo da
medida de eficiência técnica em casos de único produto/insumo proposta por Farrel em 1957,
desenvolver um modelo que atenda a casos com múltiplos produtos/insumos com a construção
de um único produto “virtual” e um único insumo “virtual” (Charnes, Cooper, Lewin & Seiford,
1997).
A DEA é, observando a descrição de Adler, Friedman e Sinuany-Stern (2002), um
modelo matemático que mede a eficiência relativa de unidades tomadoras de decisão com
múltiplos inputs e outputs, mas, que não apresentam uma função de produção óbvia para
agregar os dados na sua totalidade. O resultado da DEA é a determinação dos planos que
definem uma superfície envoltória, ou fronteira de Pareto, como ilustrado na Figura 8 para o
caso simplificado de um exemplo com dois outputs e um input. As unidades que estiverem
sobre a superfície, neste caso representadas pelos pontos A, B, C e D, determinam a envoltória
e são julgadas eficientes, enquanto aquelas situadas fora da superfície são julgadas ineficientes.
De modo simplificado, a eficiência de uma unidade ineficiente, como o ponto E, é dada pela
razão entre a distância entre o ponto e a origem, e a projeção do ponto na fronteira eficiente e a
origem, ou OE / OE’.
Figura 8. Fronteira de Eficiência
Fonte: Rafaeli (2009).

60
A formulação para a DEA, ainda conforme Adler, Friedman e Sinuany-Stern (2002), é

descrita como um programa linear sendo resolvido de modo relativamente simples, dado que a
DEA resolve n programas, um para cada unidade. Na concepção de Charnes, Cooper e Rhodes
(1981), a função descrita por esse programa linear é denominada inter-envelope, uma vez que
envelopa as demais funções do conjunto.
Desse modo, o nome Data Envelopment Analysis (DEA) surge da aplicação desse
conceito em dados observacionais com o objetivo de estabelecer as fronteiras de eficiência por
meio desses procedimentos de envelopamento.
Segundo Wang (2006), o propósito primário da DEA é computar a eficiência técnica de
unidades organizacionais. Na mensuração da eficiência técnica, a transformação de inputs,
como os serviços dos funcionários e as matérias-primas, em outputs, e fazer a comparação em
relação às unidades organizacionais seguidoras das melhores práticas. Resumidamente, uma
eficiência técnica de 100% é alcançada quando, em relação às demais unidades sob análise,
nenhum desperdício de inputs tiver ocorrido na geração de um montante específico de outputs.
Sinteticamente, de acordo com Min e Foo (2006), a DEA determina o seguinte:
• as unidades de melhores práticas que usam menos recursos para prover aos seus
produtos ou serviços qualidade igual ou superior aos demais;
• as unidades menos eficientes comparadas àquelas de melhores práticas;
• o montante de recursos em excesso utilizado por cada unidade não eficiente;
• o montante de capacidade excessiva ou potencial de incremento de outputs para as
unidades não eficientes sem haver necessidade de mais recursos.
A literatura é bastante rica ao enumerar os diversos benefícios da utilização da técnica
de análise envoltória de dados. Algumas dessas vantagens são elencadas a seguir:
• a DEA permite a incorporação de diversos outputs. Além disso, a DEA é não-
paramétrica, o que significa que não é necessário assumir uma forma funcional para o
relacionamento entre inputs e outputs, ou para a distribuição de escores de eficiência;
• a DEA não impõe qualquer forma funcional aos dados;
• além de lidar com dados numa distribuição livre de probabilidade, a vantagem da DEA
está na habilidade de aceitar múltiplos inputs e outputs. A DEA pode, também, ser usada pelas
companhias ineficientes para melhorar a eficiência em seus processos de conversão e a escala
de operação (Hsiao & Su, 2006);
• a DEA requer suposições técnicas e comportamentais mínimas (Silva & Costa, 2006);
61
• sua aplicação apresenta relativa simplicidade ao demandar apenas as quantidades de

inputs e outputs para computar a eficiência técnica. Adicionalmente, a DEA gera dados que
identificam possíveis causas de ineficiência baseando-se na computação dos níveis de eficiência.
Finalmente, a abordagem DEA sinaliza as unidades organizacionais que provaram ser eficientes
na utilização de inputs (Wang, 2006).
4.2.1. Modelo CCR
Este modelo DEA surgiu em 1978 e foi desenvolvido por Charnes, Cooper e Rhodes,
com as iniciais dos sobrenomes dos autores compondo a sua nomenclatura (CCR), ou
Constant Returns to Scale (CRS). Ele permite uma avaliação objetiva da eficiência global
e identifica as fontes e estimativas de montantes das ineficiências identificadas.
O objetivo do modelo é avaliar as unidades tomadoras de decisão, denominadas
DMUs, do inglês Decision Making Units, com múltiplos inputs e outputs. Hsu, Shen, Chen
e Chao (2006) lembraram que os criadores da DEA a propuseram, como um modelo de
programação fracionária e, então, a substituíram por um problema de programação linear.
A medida de eficiência proposta por Charnes, Cooper e Rhodes (1978) para qualquer DMU
é obtida como sendo a maior razão entre outputs ponderados e inputs ponderados sujeitos
à condição de que as razões para cada DMU sejam menores ou iguais à unidade, como
expresso pela Equação 42. Este modelo não é linear, e sim um caso de Programação
Fracionária, mas que pode ser linearizado.
Desse modo, a eficiência de um membro desse conjunto de referência de j = 1,...,n
DMUs é avaliado em relação às demais DMUs, e a maximização concede a cada DMU o
valor mais favorável permitido pelas restrições.
s
u y r rk
Max hk = r =1
m (42)
 vi xik
i =1
Sujeito a:
s
u y r rj
hk = r =1
m
1 (43)
v x
i =1
i ij
𝑢𝑟 , 𝑣𝑖 ≥ 0 (44)
y = produtos; x = insumos; u,v = pesos
r = 1,...,s ; i = 1,....,m ; j = 1,...,n
62
onde, yrj, xij, são positivos, e respectivamente, os outputs e inputs conhecidos da jésima DMU e
ur , vi  0 são os pesos variáveis não negativos a serem determinados pela solução desse
problema e que não permitem a qualquer DMU obter eficiência maior do que 1.
Adler, Friedman e Sinuany-Stern (2002) afirmaram que o resultado da DEA é a
determinação de um plano que define a superfície envoltória, também chamada de fronteira de
Pareto. Desse modo, a Equação 42 pode ser traduzida em um programa linear, expresso pela
Equação 45, para o caso de orientação para input. Analogamente, pode-se desenvolver um
modelo com orientação para output, representado pela Equação 50. Ambos são conhecidos
como o modelo dos multiplicadores, sendo que uma análise DEA completa deve resolver n
programas lineares, um para cada DMU.
s
Max hk = u y
r =1
r rk (45)
Sujeito a:
m s
 vi xij −  ur yrj  0
i =1 r =1 (46)
v x
i =1
i ik =1 (47)
(48)
𝑢𝑟 ≥ 𝜀 para r = 1,...,s
𝑣𝑖 ≥ 𝜀 para i = 1,...,m (49)
onde ε é um número positivo pequeno (como 0,0000001) para evitar a atribuição do valor zero
a qualquer insumo ou produto. Os vetores v e u são os multiplicadores DEA para atributos de
inputs e outputs e são as variáveis de decisão da programação linear.
O modelo busca minimizar os consumos dos insumos de forma a resultar, no mínimo, o
nível de produção dado, expresso pela maximização da somatória das quantidades resultantes
y multiplicadas pelos pesos (preços) u.
A primeira restrição (46) é definida como a limitação dos custos totais, pois a subtração
 m 
entre o somatório da multiplicação dos insumos consumidos pelos pesos  
vi xij 
i =1  e o
somatório das quantidades produzidas multiplicadas pelos pesos (preços) dos produtos
63
 s 
  ur yrj  para uma unidade eficiente estará limitado a 0, ou seja, empresas eficientes obterão
 i =1 
o resultado 0 para a primeira restrição.

Na segunda restrição (47), o somatório do produto das quantidades consumidas de
n
recursos pelos pesos (preços) específicos para a n empresa v x
i =1
i ik é igual a 1. Portanto, o
máximo resultado possível de se i obter para hk é 1. Se a empresa k for eficiente, hk será igual
a 1. Se não for, obterá um indicador sempre inferior a 1.
Após resolver o programa linear para cada uma das empresas, obtém-se o grupo de
empresas eficientes para as quais hk é igual a 1.
O Modelo CCR pode ter orientação a produto com a seguinte formulação:
1 m
Min =  vi xij (50)
hk i =1
Sujeito a:
m s
 vi xij −  ur yrj  0
i =1 i =1 (51)
u y
r =1
r rk =1 (52)
𝑢𝑟 ≥ 𝜀 para r = 1,...,s
𝑣𝑖 ≥ 𝜀 para i = 1,...,m
O objetivo é a maximização do nível de produção minimizando o consumo dos insumos

observados. Os modelos são equivalentes e pressupõem retornos constantes de escala.
4.2.2. Modelo BCC
Seis anos após a primeira publicação sobre o modelo CCR, Banker, Charnes e Cooper
(1984), conforme elucidado por Hsu et al. (2006), aplicaram o conceito do economista
Shephard, desenvolvido em meados do século passado, e ampliaram o conceito do CRS e seu
escopo de aplicação, desenvolvendo-o para o BCC. O BCC, cujo nome, a exemplo do CCR,
deriva das iniciais de seus autores, elimina a suposição de retornos constantes à escala do CCR
e a substitui por retornos variáveis à escala, ou VRS, do inglês Variable Returns to Scale, para
avaliar a eficiência técnica pura de diversas DMUs. Com isso, o axioma da proporcionalidade
64
é substituído pelo axioma da convexidade, permitindo a identificação de retornos crescentes e

decrescentes de escala.
De acordo com Banker, Charnes e Cooper (1984), o objetivo do BCC é desenvolver um
procedimento para a medida de eficiência que forneça valor igual a 1 se, e somente se, a DMU
estiver sobre a superfície de produção eficiente, mesmo que não esteja operando na escala mais
eficiente. Essa identificação da superfície de produção eficiente também deve permitir a
identificação das classes de ganhos, a fim de determinar se prevalecem os ganhos crescentes,
constantes ou decrescentes à escala, nos diversos segmentos da superfície de produção.
Se diferenças de escala tiverem uma influência na eficiência das unidades, assumir
retornos constantes de escala pode levar a uma confusão da eficiência de escala, devido às
diferenças de tamanho e à eficiência técnica. Empregando uma variável adicional u* ou v*, a
abordagem de Banker, Charnes e Cooper (1984) introduz o retorno variável à escala, VRS,
representado para os casos de orientação input e output pelas Equações 53 e 57, respectivamente.
s
Max hk =  ur yrk − u * (53)
r =1
Sujeito a:
m s
− vi xij +  ur yrj − u*  0 (54)
i =1 r =1
para j = 1, ...., n
m
v x
i =1
i ik =1 (55)
ur   para r = 1,...,s
vi   para i = 1,...,m
n

j =1
j =1 (56)
E minimizar:
m
1
Min =  vi xij − v * (57)
hk i =1
Sujeito a:
m s
v x − u y
i =1
i ij
r =1
r rj − v*  0 (58)
para j = 1, ...., n
m
u y
i =1
r rk =1 (59)
65
ur   para r = 1,...,s
vi   para i = 1,...,m
A forma dual do BCC é praticamente idêntica à do CCR, expressa nas Equações 45 e

n
50, sendo que a restrição 
j =1
j = 1 , representação matemática da permissão de convexidade da
fronteira, é incluída nos modelos de programação tanto para input quanto para output. Nas
n
Equações 53 e 57, u* e v* são as variáveis associadas à condição   j sendo interpretados
j =1
como fatores de escala e indicando: quando positivos, retornos decrescentes à escala; quando
nulos, retornos constantes de escala; e, quando negativos, retornos crescentes à escala.
O modelo BCC pode, conforme Barros e Garcia (2006), ser escolhido quando houver
grande disponibilidade de inputs e outputs. Se essa alta disponibilidade de entradas e saídas for
assumida, então, a eficiência geral, ou EG, pode ser decomposta em dois componentes:
eficiência técnica pura, ou ETP, e eficiência de escala, ou EE, tal que EG = ETP * EE. O BCC
mede apenas a eficiência técnica pura, enquanto o índice CCR é composto pela combinação
não aditiva de eficiência técnica pura e eficiência de escala. Assumindo que a eficiência seja
devida a habilidades gerenciais e efeitos de escala, o BCC pode ser interpretado como reflexo
das habilidades gerenciais. Se a unidade tiver retornos decrescentes à escala, significa que é
muito grande em tamanho e a escala deveria diminuir. Unidades com retornos crescentes à
escala, por outro lado, são muito pequenas e deveriam ter sua escala expandida. Adler,
Friedman e Sinuany-Stern (2002) destacam a necessidade de atenção para o fato de os
resultados do CCR orientado a input e orientado a output serem os mesmos, o que não é o caso
do BCC. Golany e Yu (1997) exemplificaram um caso em que retornos crescentes de escala
podem resultar de um modelo orientado para input, enquanto uma aplicação orientada para
output, com os mesmos dados, pode encontrar retornos constantes de escala. Assim, no BCC,
a orientação adotada como base para a solução do problema pode interferir no resultado de
determinação das unidades eficientes. A discussão a respeito desse fenômeno foge ao escopo
deste trabalho.
O CCR também pode ser chamado de modelo de eficiência global, de acordo com Sarica
e Or (2007), que igualmente denominam o BCC de modelo de eficiência local. Ainda segundo
os autores, a ineficiência que uma DMU exibe pode ter diferentes causas, fazendo-se necessário
investigar se ela está sendo causada pela operação ineficiente da própria DMU ou por condições
desvantajosas sob as quais a DMU está operando. A esse respeito, as comparações entre CCR
66
e BCC merecem atenção. Se uma DMU for totalmente, ou seja, 100% eficiente tanto no CCR
quanto no BCC, então, está operando na escala de produção mais eficiente. Se, ao invés disso,
a DMU apresentar escore 1 no BCC, mas não no CCR, então, é localmente eficiente, mas não
globalmente eficiente, devido ao seu tamanho de escala. Assim, é razoável caracterizar a
eficiência de escala, EE, de uma DMU pela razão entre os dois escores EE = ef CCR / ef BCC,
sendo que, por definição, a eficiência de escala não pode ser maior do que 1, como lembrado
por Banker, Chang e Cooper (1996), uma vez que o algoritmo do BCC tem mais restrições que
o do CCR e, por isso, um ponto considerado eficiente no CCR também será eficiente no BCC,
embora a recíproca não seja necessariamente verdadeira.
A Figura 9 ilustra as fronteiras CCR e BCC para um caso simplificado de fronteira
bidimensional (1 input e 1 output). Nessa figura, as DMUs B, C e E são BCC eficientes, mas
somente E é CCR eficiente. Tanto A quanto D são ineficientes nos dois casos.
Figura 9. Fronteiras BCC e CCR
Fonte: Adaptada de Banker, Charnes e Cooper (1984).
Essa ilustração reforça os conceitos de eficiência técnica e de escala, usando a unidade

A como objeto de estudo. A sua eficiência geral (CCR) é medida pela razão A’A’’/A’A,
comparando o ponto A com o ponto A’’, que reflete a produtividade média atingível na melhor
escala de produção, representada pela unidade E. A eficiência técnica pura de A é medida pela
razão A’A’’’/A’A, comparando A com o ponto A’’’, localizado sobre a fronteira eficiente de
produção com a mesma escala que A. Finalmente, a eficiência de escala de A é medida pela
razão A’A’’/A’A’’’. É perceptível, na observação da Figura 9, que a eficiência geral (CCR)
será sempre menor que a eficiência técnica pura (BCC). Essa relação também é válida para os
casos de múltiplos inputs e outputs.
67
Uma extensão importante aos modelos convencionais de DEA, como salientado por
Asmild, Paradi, Reese e Tam (2007), passa pela restrição dos pesos dos inputs e outputs das
DMUs, mediante a incorporação de informações a priori na forma de julgamentos gerenciais.
As abordagens mais abrangentes, estudadas na literatura com respeito à definição de limites
para os multiplicadores, podem ser encontradas em Thompson, Singleton, Thrall e Smith (1986),
Thompson, Langemeier, Lee C, Lee E e Thrall (1990), Charnes, Cooper, Huang e Sun (1990)
e Wong e Beasley (1990) e são discutidas a seguir. Esses complementos aos modelos DEA
originais permitem a inclusão de restrições adicionais ao problema padrão, CCR ou BCC, de
modo a contornar algumas de suas principais limitações.
4.2.3. Outros Modelos DEA
Além dos modelos clássicos BCC e CCR, existem modelos que derivam das duas
modelagens anteriormente citadas, contudo, possuem atributos ausentes nos modelos BCC e
CCR; podem ser citados: Cone Ratio DEA (CR-DEA), Cross-Efficiency DEA (CE-DEA),
Super-Efficiency DEA (SE-DEA), Chance Constrained DEA e Fuzzy DEA.
Dentro de uma subclasse de modelos DEA estão aqueles sujeitos a restrições de pesos:
• Com restrição direta aos pesos dos multiplicadores: resumidamente é um modelo CCR
que permite esta atribuição.
• DEA com ajuste dos níveis de inputs e outputs (CR-DEA): relativiza a importância
entre inputs e outputs.
• DEA com restrição aos outputs virtuais: soma ponderada de todos os outputs.
Outros modelos visaram ranquear, dentro das DMUs eficientes, quais são superiores;
integram este grupo os modelos CE-DEA e SE-DEA.
Outra classe de modelos é representada pelas modelagens mais complexas como:
Chance Constrained DEA e Fuzzy DEA. O primeiro permite otimização estocástica adequada
para resolver problemas de otimização, com variáveis aleatórias incluídas nas restrições e na
função objetivo. O segundo é utilizado quando se observa incertezas nos parâmetros de entrada
e saída, pois, no mundo real estes podem ser imprecisos ou vagos. No Quadro 1 é apresentado
um resumo dos modelos DEA.
68
Quadro 1. Resumo das Características dos Modelos DEA
Modelo Principal Característica
CCR Assume retornos constantes à escala

Modelos
Tradicionais
BCC Assume retornos variáveis à escala
Restrições aos Permite o estabelecimento de relações entre os

Cone-Ratio
pesos das variáveis analisadas
pesos dos
Restrições aos Identifica limites específicos para os pesos das
multiplicadores pesos virtuais variáveis
Escoragem Possibilita que unidades abordadas tenham pesos

Cross-Efficiency
entre as ótimos em relação às demais
unidades
Super-Efficiency Exclui unidades sob análise do cálculo das restrições
eficientes
Chance
Otimiza variáveis aleatórias incluídas nas restrições
Modelos Constrained DEA
Estocásticos Possibilita a agregação de incertezas nas entradas e
Fuzzy DEA
saídas através de bandas inferior e superior
Fonte: Autor
4.2.4. Aplicação de DEA na Otimização de Portfólios
A utilização de modelos DEA na otimização de portfólios é recente, tanto no exterior

quanto no Brasil, e são encontrados trabalhos aplicados em carteira de ações, Exchange Traded
Funds (ETFs) e fundos de investimentos, principalmente ações e hedge funds.
Alguns estudos vêm demonstrando a aplicabilidade de DEA na área de finanças. Dentre
estes estudos destacam-se os trabalhos de Gregouriou (2003; 2006) e Gregouriou e Zhu (2007),
que utilizaram os modelos DEA para avaliação do desempenho de fundos de ações americanos,
hedge funds e fundos de investimentos em geral. Choi e Murthi (2001), Basso e Funari (2001),
Haslem e Sheraga (2003), Kreander, Gray, Powder e Sinclair (2005) e Elling (2007) também
utilizaram DEA para avaliação de fundos de investimentos. Aplicações na construção de
carteiras de investimento podem ser encontradas em Powers e McMullen (2000), Anderson e
Springer (2003), Ardehali, Paradi e Asmild (2005), Becalli, Casu e Girardone (2006) e
Edirisinghe e Zhang (2007).
Além dos estudos anteriormente citados, também podem ser relatados os trabalhos de
Gregoriu, Sedzro e Zhu (2005) que avaliaram os métodos de BCC, Cross-efficiency e Super-
efficiency em hedge funds; e de Alinezhad, Zohrebandian e Dehdar (2010) que aplicaram o
modelo CCR em carteira de ações. Lamb e Tee (2010) utilizaram a modelagem BCC e CCR
69
em hedge funds. Huang, Chiou e Wu (2015) aplicaram em ETFs e fundos de investimentos, por
intermédio da metodologia BCC integrada com um modelo multi-objective-decision-making
(MODM).
No Brasil existem trabalhos publicados com o uso do modelo DEA no mercado
acionário e para fundos de investimentos. Os primeiros autores a aplicar o método na avaliação
de fundos foram Ceretta e Costa (2001). Eles avaliaram os fundos com enfoque em múltiplos
atributos, no retorno médio, nos riscos e nas taxas de administração, bem como o desempenho
de 106 fundos de investimento em ações da categoria carteira livre, identificando sete carteiras
com desempenho persistente ao longo do período, as quais foram contrastadas com sete
carteiras de pior desempenho. Também fizeram uso do Índice Sharpe (IS), confirmando a
superioridade da performance.
Podem ser citados os artigos relacionados ao mercado acionário de Lopes et al. (2008)
com a utilização dos modelos BCC e CCR. Para estes autores, a análise envoltória pode ser
aplicada na avaliação de ações para a montagem de carteiras de investimento. Os autores
aplicaram a técnica para selecionar ativos no mercado brasileiro e concluíram que uma carteira
baseada nesta teoria proporcionou retornos superiores ao CDI e IBrX100 nos trimestres de 2001
a 2006.
A pesquisa de Marcelo Macedo, Fontes, Cavalcante e Helida Macedo (2010) aplicaram
o DEA para avaliar fundos de investimentos de renda fixa de três bancos de varejo do País. Os
autores analisaram a capacidade competitiva dos ativos diante de sua estrutura de oferta com as
variáveis: patrimônio líquido, aplicações exigidas, resgates, saldos e taxa de administração,
comparando-as à rentabilidade de 43 fundos. Concluíram que é possível distinguir os fundos
por meio de análise multicriterial da performance e criar um ranking.
Melo e Macedo (2012) avaliaram o desempenho de carteiras com esse enfoque sobre
múltiplos atributos, apresentando a avaliação de 296 fundos de investimento da categoria
multimercado entre abril de 2005 e março de 2010, com base no alfa de Jensen (Jensen, 1969)
market timing e DEA. O estudo, que elencou os trinta primeiros fundos com maior performance
diante das técnicas, apontou que, desse universo, apenas quatro carteiras mantiveram elevada
eficiência com DEA, sendo que apenas uma atingiu nível máximo.
O estudo de Rotela Jr., Pamplona e Salomon (2014) também aplicaram a técnica na
avaliação de ativos, retomando a proposta de Lopes et al. (2008). Os autores avaliaram ações
no mercado brasileiro com base na abordagem de Sharpe, e agregaram, em relação ao estudo
de Lopes et al. (2008), análises comparativas entre carteiras otimizadas via Sharpe, modelos
DEA com ponderações iguais nos ativos e uma terceira combinação dos modelos DEA e Sharpe.
70
Na comparação com o índice Ibovespa, as carteiras DEA e DEA-Sharpe apresentaram

desempenho superior ao índice. Em termos de retorno acumulado, identificaram um melhor
desempenho da carteira que conciliou as metodologias, seguido das carteiras que adotaram
como critérios de seleção apenas DEA e, por último, Sharpe.
Para Bisso et al. (2016), a análise envoltória é uma ferramenta poderosa para avaliar o
desempenho de fundos de investimento. Os autores mostraram a eficiência de fundos de
investimento em ações livre com base em risco e retorno, e testaram a persistência da eficiência
quanto à produtividade dos ativos no tempo, com o Índice de Malmquist (Färe, Grosskopf &
Lovell, 1985). O estudo verificou o comportamento de 50 fundos em período de janeiro de 2012
a dezembro de 2014 identificou uma perda média de 15% no desempenho para o período.
Fonseca, Fernandes, Cunha e Iquiapaza (2018) analisaram o desempenho de fundos de
investimento brasileiros em ações, comparando retornos reais e indicadores paramétricos e não
paramétricos de performance (DEA). Em ambos os casos de avaliação, seleção e montagem das
carteiras teóricas com os fundos de investimento brasileiros, comprovaram o apontado pela
literatura sobre aplicabilidade e particularidades de técnicas paramétricas e não paramétricas na
avaliação da performance dos ativos.
71
5. METODOLOGIA
O objetivo deste trabalho é avaliar a performance da modelagem DEA na otimização de

portfólios de debêntures, mas, que, futuramente pode ser estendida para outros ativos como
Certificados de Recebíveis Agrícolas (CRA) e Certificados de Recebíveis Imobiliários (CRI).
Conforme descrito no item 4.2.4., não existe pesquisa no Brasil a respeito da aplicabilidade do
modelo DEA em renda fixa e em títulos de crédito, especificamente debêntures, e o que se
busca nesta tese é a comparabilidade da modelagem de otimização de Markowitz com os
modelos clássicos de Data Envelopment Analysis, BCC e CCR, além da proposição de um
terceiro modelo, híbrido, associando as duas linhas de modelagens.
A pesquisa se inicia com o levantamento da base de dados, sendo que a maior parte dos
dados é oriunda da ANBIMA, e cujo detalhamento está contido neste capítulo. A estrutura dos
dados é composta por dados diários, mensais e pontuais. Os dados diários são:
• ETTJ de IPCA.
• Carteira do IDA IPCA de Infraestrutura.
Com relação ao dado mensal este consiste na atualização dos ativos componentes da
carteira teórica do índice de infraestrutura. O único item pontual diz respeito aos escores de
crédito que foram obtidos via sites das agências, dos emissores ou por meio de busca na internet.
A segunda etapa abrange a definição dos critérios de aceitação das debêntures para o
processo de otimização. A terceira etapa constitui no tratamento dos dados, como o cálculo
diário da taxa livre de risco para cada ativo e a extração do spread de crédito. Na quarta etapa,
tem-se a escolha e a construção do modelo de volatilidade, a escolha do tipo de otimização a
ser usado dentre as diversas possíveis do modelo de Markowitz e os critérios de seleção para
os inputs e outputs do modelo DEA, o tratamento dos retornos negativos a serem inseridos no
modelo DEA, e a construção de protótipos para validação dos modelos de Markowitz e DEA
em Excel e, posteriormente, no software RStudio.
As etapas seguintes correspondem ao processamento e análise dos resultados ex-ante e
ex-post onde são observadas as eficiências de cada modelo, e por fim, têm-se as conclusões
com as vantagens e desvantagens de cada modelagem e sugestões para melhorias futuras. A
Figura 10 apresenta os passos realizados para condução desta pesquisa, os itens de 5.1 a 5.8
detalham os pontos desta metodologia, e no item 5.9.tem se o check list do processo.
72
Figura 10. Fluxograma da Pesquisa
Etapas Procedimentos
Base de Dados: Definição das informações necessárias:

ANBIMA e Agências de ETTJ, debêntures, curvas de crédito, rating
Rating
Escolha Definição das características das

dos debêntures para compor o estudo
ativos
Tratamento Cálculo da ETTJ NTN-B, obtenção dos

dos spreads, retornos diários, retornos
dados negativos (DEA)
Construção Tipo de volatilidade, especificidade do

dos modelo de Markowitz, Inputs e Outputs
modelos (DEA) e protótipos
Processamento Software RStudio e consolidação em Excel
Análise dos Eficiência

Resultados dos modelos
Vantagens, desvantagens, oportunidades

Portfólios Eficientes de melhorias e pesquisas futuras
Fonte: Autor.
73
5.1. Critérios de Debêntures
O período de análise das carteiras é de janeiro de 2019 a dezembro de 2020,

compreendendo as debêntures componentes da base mensal do IDA de Infraestrutura divulgado
pela ANBIMA no início de cada mês. Contudo, são utilizadas nas otimizações apenas as
debêntures que apresentam os seguintes critérios:
i. não possuam opção de resgate antecipado;
ii. não sejam conversíveis em ações;
iii. tenham mais de 252 dias úteis de duration;
iv. possuam minimamente taxa indicativa para os 60 dias úteis antes do início da alocação;
v. estejam adimplentes.
5.2. Spread de Crédito
A partir da taxa indicativa, do duration de cada ativo e da ETTJ divulgados diariamente

pela ANBIMA é calculado o spread de crédito. A estrutura a termo de taxa de juros tem como
referência as Notas do Tesouro Nacional indexadas ao IPCA (NTN-B) mostrada na Tabela 12
a seguir, e referente ao dia 30/12/2020. Nota-se na parte superior da tabela os parâmetros (betas
e lambdas) do modelo NSS. A Tabela 12 é apresentada de forma reduzida em relação aos
vértices totais de IPCA divulgados – 40 contra 68 – há um incremento de 126 dias úteis em
cada prazo em relação ao anterior, finalizando em 8.568 dias úteis.
Ressalta-se que a NTN-B paga imposto de renda, enquanto as debêntures de
infraestrutura (Lei 12.431) possuem o benefício fiscal, então é necessário aplicar um gross up
na taxa indicativa do papel, para deixar ambos em bases comparáveis, e com isto, o spread de
crédito possa ser retratado corretamente. O gross up aplicado é de 15% na taxa indicativa,
refletindo a tributação de renda fixa para operações com prazo superior a dois anos.
O spread de crédito é calculado seguindo os conceitos descritos em 3.3.1, com a equação
12 sendo corrigida pelo gross up de 15%. A equação a seguir ilustra o spread de crédito ao ano
para o prazo médio do ativo.
 TxInd 
1 + 0,85 
=  −1 (60)
SPr azo
(1 + TxRf )
Onde:
Sprazo: spread de crédito para a duration do ativo expresso ao ano
TxInd: é a taxa indicativa expressa ao ano da debênture e divulgada diariamente pela ANBIMA
74
TxRf: é a taxa livre de risco ao ano divulgada diariamente pela ANBIMA e calculada para o
prazo médio do ativo
Tabela 12. ETTJs ANBIMA – Parâmetros NSS para Curvas IPCA e Pré-Fixado
30/12/2020 Beta 1 Beta 2 Beta 3 Beta 4 Lambda 1 Lambda 2

PREFIXADOS 0,0961277 -0,0707774 -0,0952889 -0,0673127 2,20027037 0,391060007
IPCA 0,0476812 0,0798449 -0,3465728 -0,0475537 4,325874144 0,409122753
ETTJ Inflação Implicita (IPCA)

Inflação
Vertices ETTJ IPCA ETTJ PREF
Implícita
126 -2,5853 2,1349 4,8454
252 -1,602 2,9383 4,6142
378 -0,2631 3,7694 4,0431
504 0,5423 4,4117 3,8485
630 1,0349 4,8822 3,8078
756 1,3675 5,2333 3,8136
882 1,6145 5,5076 3,8312
1.008 1,8121 5,7333 3,8514
1.134 1,9791 5,9275 3,8717
1.260 2,1257 6,1006 3,8921
1.386 2,2575 6,2586 3,9127
1.512 2,378 6,4049 3,9333
1.638 2,4893 6,5418 3,954
1.764 2,5928 6,6705 3,9746
1.890 2,6893 6,7919 3,9951
2.016 2,7797 6,9066 4,0152
2.142 2,8643 7,015 4,0351
2.268 2,9437 7,1175 4,0544
2.394 3,0182 7,2144 4,0732
2.520 3,0881
2.646 3,1537
2.772 3,2154
2.898 3,2734
3.024 3,3279
3.150 3,3791
3.276 3,4274
3.402 3,4728
3.528 3,5156
3.654 3,556
3.780 3,5941
3.906 3,6301
4.032 3,6641
4.158 3,6963
4.284 3,7268
4.410 3,7558
4.536 3,7832
4.662 3,8093
4.788 3,8341
4.914 3,8576
5.040 3,8801
Na Tabela 13 há um corte mostrando parte dos dados divulgados diariamente pela

ANBIMA para o IDA de Infraestrutura referentes ao dia 30/12/2020. Na parte superior vê-se o
75
valor do número índice, as variações: diária, mensal, no ano, em 12 meses, em 24 meses (em
percentuais) e o prazo médio deste portfólio. Logo abaixo, têm-se os ativos componentes da
carteira do índice com os respectivos códigos CETIP (B3), nome do emissor, código ISIN, data
de vencimento, indexador, taxa indicativa, preço unitário, peso no índice e duration em dias
úteis. A ANBIMA divulga mensalmente a carteira teórica das debêntures componentes dos
IDAs com os respectivos pesos, e a carteira teórica válida neste período era composta por 139
debêntures. Dos dados informados na Tabela 13 são utilizados: o código CETIP, o nome do
emissor, a taxa indicativa e o duration. Salienta-se que o nome do emissor será utilizado
somente se não houver rating da emissão e o indexador de debêntures de Infraestrutura até o
momento é IPCA.
Tabela 13. Exemplo de Parte da Composição do IDA IPCA Infraestrutura
Número Índice de Debêntures ANBIMA - IDA - IPCA Infraestrutura Duration

Índice Variação Diária (%) Variação Mês (%) Variação Ano (%) Var. 12 meses (%) Variação 24 meses (%) (d.u.) Data
1.633,84 0,1308 3,7049 10,9374 11,0101 24,6171 1.202 30/12/2020
Composição da Carteira - IDA - IPCA Infraestrutura
Código Nome do Emissor Código ISIN Vencimento Indexador Taxa Indicativa (% a.a.) PU (R$) Peso (%) Duration (d.u.)
ALGA15 ALGAR TELECOM S/A BRCTBCDBS056 15/05/2022 IPCA -0,1 1.271,90 0,42 216
ALGA26 ALGAR TELECOM S/A BRCTBCDBS080 15/03/2024 IPCA 2,0848 1.348,08 0,56 617
ANHB18 AUTOBAN BRANHBDBS0D 15/07/2022 IPCA 1,6197 1.234,30 1,3 368
APAR16 ALUPAR INVESTIMENTO BRALUPDBS0A3 15/04/2021 IPCA -1,8465 681,3242 0,27 72
BLMN12 BELO MONTE TRANSMISSORA DE ENERGIA SPE S.A. BRBLMNDBS02 15/12/2031 IPCA 3,7013 1.368,69 1,24 1.361
CEAD11 CEA II CENTRAIS EOLICAS ASSURUA II SPE S/A BRCEADDBS009 15/06/2030 IPCA 4,386 1.100,25 0,27 1.227
CEAR25 COELCE BRCOCEDBS085 15/12/2024 IPCA 3,688 1.210,00 0,28 800
CEAR26 COELCE BRCOCEDBS0B1 15/06/2025 IPCA 2,7256 1.249,91 0,53 902
CEMA17 CEMAR BRENMADBS06 15/10/2021 IPCA -0,7861 1.233,44 0,3 199
CEMA27 CEMAR BRENMADBS07 15/10/2023 IPCA 2,2332 1.278,15 0,23 664
CEMT19 ENERGISA MATO GROSSO - DISTRIBUIDORA DE ENERGIA BRENMTDBS05 15/09/2025 IPCA 3,3529 1.164,09 0,7 852
CHPA11 CHAPADA DO PIAUÍ I HOLDING BRCHPADBS006 15/03/2029 IPCA 7,0224 14.954,64 0,16 1.149
CLPP13 CENTRAIS ELETRICAS DO PARA S.A - CELPA BRCELPDBS018 15/12/2021 IPCA -0,4398 1.239,90 0,38 240
CLPP23 CENTRAIS ELETRICAS DO PARA S.A - CELPA BRCELPDBS026 15/12/2023 IPCA 2,1913 1.313,96 0,21 699
CMGD27 CEMIG DISTRIBUIÇÃO BRCMGDDBS09 15/06/2026 IPCA 3,5408 1.085,70 2,54 1.139
COCE27 COELCE BRCOCEDBS0D7 15/03/2024 IPCA 2,5527 1.175,12 0,55 744
CPGT26 COPEL GERAÇÃO E TRANSMISSÃO BRCPGTDBS065 15/07/2025 IPCA 2,9603 1.116,60 0,35 1.040
CSMGA1 CIA DE SANEAMENTO DE M.GE BRCSMGDBS0A 15/01/2024 IPCA 2,0342 1.203,27 0,35 428
CSNP12 COMPANHIA ENERGÉTICA SINOP S.A. BRCSNPDBS022 15/06/2032 IPCA 4,8139 1.366,83 0,5 1.490
CSRN17 COSERN BRCSRND3S085 15/10/2022 IPCA 1,4996 1.207,07 0,49 440
CTEE14 CTEEP BRTRPLDBS048 15/07/2021 IPCA -1,3459 1.249,81 0,29 135
CTEE15 CTEEP BRTRPLDBS055 15/02/2024 IPCA 2,1259 1.294,74 0,58 718
CTEE17 CTEEP BRTRPLDBS071 15/04/2025 IPCA 2,4177 1.224,74 1,12 986
CTEE18 CTEEP BRTRPLDBS089 15/12/2029 IPCA 3,5668 1.043,43 0,67 1.759
CTEL11 COPEL TELECOM BRCPTMDBS006 15/10/2024 IPCA 4,8887 13.016,11 0,32 637
CTEL12 COPEL TELECOM BRCPTMDBS014 15/07/2022 IPCA 4,5378 1.182,55 0,41 368
CTNS14 ENERGISA TOCANTINS - DISTRIBUIDORA DE ENERGIA BRCTNSDBS057 15/09/2025 IPCA 3,5998 1.154,74 0,43 851
76
5.3. Rating de Crédito
Os escores de crédito presentes neste estudo são os ratings referentes a cada emissão e
atualizados à medida que as agências de rating fazem nova divulgação. Mudanças de escore,
caso ocorram, devem estar refletidas na otimização e impactarão os modelos DEA. Em
raríssimos casos, na ausência dos ratings da emissão, utilizou-se o rating do emissor. Os ratings
das debêntures de infraestrutura se concentraram nas agências: Fitch, Moody’s e Standard &
Poors (S&P), e foi necessário criar uma tabela para converter as notas de crédito que são
alfabéticas para numerais e, com isto, serem usados como output nos modelos DEA.
A Tabela 14 mostra esta conversão, a primeira coluna aglutina as nomenclaturas da Fitch
e S&P, pois são iguais, enquanto na segunda coluna, se faz a distinção da nomenclatura da
Moody’s devido à sua diferença semântica. Outro ponto, é que no período de 2019 a 2020 e
dentro dos critérios descritos em 5.1., não houve debênture com potencial de ser alocada com
nota inferior a 1 (BBB-), ou seja, todas eram investment grade para o Brasil (risco local).
Tabela 14. Conversão de Rating
Fitch/S&P Moody's Nota

AAA Aaa 10
AA+ Aa1 9
AA Aa2 8
AA- Aa3 7
A+ A1 6
A A2 5
A- A3 4
BBB+ Baa1 3
BBB Baa2 2
BBB- Baa3 1
Fonte: Autor.
5.4. Cálculo da Volatilidade
Como descrito no item 3.3.2, o spread de crédito é considerado como uma operação de
renda fixa e, neste trabalho, é tratado como um título zero coupon bond com prazo de
vencimento dado pelo duration e, portanto, se enquadra na metodologia do RiskMetrics (1996)
que modela este tipo de indexador. O objetivo nesta tese não é calcular o VaR e sim extrair a
volatilidade a ser incluída, tanto na otimização do modelo de Markowitz como para o input nos
modelos DEA (BCC e CCR).
O cálculo da volatilidade consiste dos seguintes passos:
77
i. o spread de cada debênture representa um título sintético de preço unitário (PU) com
valor de resgate igual a 1.000,00;
ii. os títulos sintéticos são marcados a mercado diariamente pelo spread de crédito e
trazidos a valor presente pelo respectivo duration;
1.000
PUspreadt = Dur (61)
(1 + spreadt ) 252
iii. o cálculo da volatilidade se dá por intermédio da volatilidade do preço (RiskMetrics,

1996) e o retorno diário do spread em base contínua é:
rspread ,t = ln( PUspread t / PUspread corrig ,t −1 ) (62)

iv. o PU do dia anterior será corrigido para o PU do dia atual por um spread de crédito
“pro rateado” para o dia de cálculo (t) com o objetivo de evitar a heterocedasticidade
na volatilidade;
1
PUspreadcorrig ,t −1 = PUspreadt −1  (1 + spreadt −1 ) 252 (63)
v. utilização do EWMA conforme equação (34).
Comentários adicionais: o tamanho da amostra dos retornos utilizada para o cálculo da
volatilidade no início de cada alocação mensal é de 63 retornos diários, resultando em 64
informações de preços. Debêntures que apresentaram menos que 60 retornos anteriores à data
de cálculo não foram consideradas na alocação daquele mês; os ativos que apresentavam entre
60 e 63 retornos, os retornos faltantes foram completados com retorno igual a zero para se obter
um total de 63 dias de retornos. Como consequência deste ponto, as debêntures disponíveis para
as alocações possuem 98% da soma dos pesos para o lambda de 0,94 (vide item 3.7.)
Inicialmente os cálculos das volatilidades e da carteira com máxima diversificação componente
da fronteira eficiente foram realizados no Excel e, posteriormente, as rotinas foram
desenvolvidas em R.
5.5. Definição das Entradas e Saídas do Modelo
Após a definição da amostra, se determinou o conjunto de indicadores de entrada e saída

(inputs e outputs) aplicados na análise de eficiência por meio do modelo DEA. Dada à ausência
da utilização de modelos DEA em spread de crédito para carteiras de bonds corporativos no
exterior e no país, já que o uso destes modelos se concentrou em mercados acionários, fundos
de investimentos e ETFs, fez se necessária a construção de uma lógica para obtenção de
indicadores que fizessem sentido para este trabalho.
78
5.5.1. Entradas e Saídas Analisadas
Como exemplo de pesquisas em outros mercados, os trabalhos de Powers e McMullen

(2000), Lopes, Lanzer e Lima (2006) e Lopes, Carneiro e Schneider (2010) foram relativos ao
mercado acionário e empregaram indicadores de retorno de um, dois e três anos e lucro por
ação que compõem o conjunto de outputs, enquanto os indicadores como Beta (60 meses),
preço/lucro e volatilidade (36 meses) que compõem o conjunto de inputs. Dada à diferença
entre os ativos e o mercado de renda variável e crédito, neste estudo são utilizadas como
variáveis de entrada, a volatilidade do spread ao dia (risco) e o duration do ativo; e como
variáveis de saída, o retorno do spread ao dia e o rating de crédito. Inicialmente para as
variáveis volatilidade e retorno do spread, o objetivo era trabalhar com apenas uma amostra de
63 retornos utilizando o EWMA, mas nesta parte do estudo também foram analisados os
tamanhos amostrais de 21, 42 e 63 retornos, utilizando o método da volatilidade histórica.
Os modelos DEA tem como objetivo a minimização dos inputs ou a maximização dos
outputs. Com isto, buscam ativos cujas entradas apresentam menor volatilidade do spread e
possuam menor prazo médio; ou que otimizem as saídas, com a maximização do spread e a
escolha de ratings melhores (mais altos). Utilizando-se períodos iguais para risco e retorno
(diário), pretende-se, assim, fornecer ao modelo, variáveis de entrada e saídas equivalentes
quanto ao período das observações. Ao decidir quais atributos devem ser classificados como
outputs ou inputs, opta-se em favor do tratamento dos atributos dos benefícios como saídas e o
tratamento de atributos de custos como entradas. Dessa forma, o objetivo é avaliar a eficiência
das debêntures (DMUs), em que as entradas ou inputs (I) são todos os indicadores que se deseja
minimizar, e saídas ou outputs (O) são todos os indicadores que se deseja maximizar.
Por último, os modelos DEA foram feitos em Excel para validação e, posteriormente,
criou-se as rotinas em R. O pacote do R adotado para a metodologia DEA é o rDEA.
5.5.2. Entradas e Saídas Testadas
Como descrito no item 4.2.2, nos modelos CRS o resultado independe se ele é orientado
a input ou a output; e este foi o modelo inicialmente escolhido para a adequação dos parâmetros
de entradas e saídas.
Dada a escolha das variáveis de entrada, volatilidade do spread e duration, e variáveis
de saída, retorno do spread e rating da emissão, foram realizadas 4 análises, vide Quadro 2, em
que a primeira análise realizada foi a 1, testando o modelo apenas com um input (volatilidade
79
do spread) e um output (retorno do spread). O objetivo deste estudo foi a comparação com os
mesmos parâmetros do modelo de Markowitz, e o resultado da modelagem CCR foi a alocação
em um ou no máximo dois ativos, mostrando a necessidade da adição de mais variáveis no
modelo. A análise 2 se constitui no passo seguinte, adicionando o rating como parâmetro de
saída em relação ao primeiro teste. Como resultado houve um pequeno aumento no número de
ativos alocados em relação a primeira abordagem. Na próxima abordagem, análise 3, tem-se as
variáveis da etapa anterior com a inclusão do prazo médio como variável de entrada, e a
parametrização apresentou significativa melhora em relação a quantidade de ativos alocados da
análise 1. Em seguida se realizou a análise 4, com um total de 8 entradas, três relativas as
volatilidades do spread (tamanho amostral de 21, 42 e 63 retornos) além do duration, e 4 saídas,
sendo 3 relacionadas aos retornos dos spreads com a mesma base amostral da volatilidade e o
rating. Neste caso, houve baixo poder discriminatório, pois a maior parte das debêntures foram
escolhidas para serem alocadas, número muito superior ao portfólio de máxima diversificação
(PMD) gerado pela metodologia de Markowitz. A partir do resultado destes testes, a análise 3
se apresentou como melhor escolha, e se optou pelo uso da metodologia EWMA pelos
benefícios descritos em 3.7.
Quadro 2. Resumo dos Testes Realizados
Análise Inputs e Outputs Testados

1 Input: volatilidade do spread ; Output: retorno do spread
2 Input: volatilidade do spread ; Outputs: retorno do spread e rating
3 Inputs: volatilidade do spread e duration ; Outputs: retorno do spread e rating
4 Inputs: volatilidades do spread e duration ; Outputs: retornos do spread e rating
Fonte: Autor
O próximo passo foi realizar o teste com as variáveis da análise 3 no modelo BCC, com
o objetivo de verificar se ele seria orientado a custo ou a produto, pois a escolha do modelo
pode variar com relação ao tipo de orientação. Com algumas simulações efetuadas verificou-se
que quando o modelo tinha como objetivo minimizar os inputs, a modelagem VRS, na maioria
das vezes, alocava em apenas um ou dois ativos, restringindo o seu uso. Este evento não ocorreu
no modelo BCC orientado a outputs, sendo este o escolhido, e no qual os resultados são
apresentados no capítulo 6.
80
5.6. Tratamento dos Dados para o Modelo DEA
Segundo Powers e McMullen (2000), os modelos DEA necessitam de um tratamento,

caso os dados a serem inseridos na modelagem sejam negativos. Este tratamento envolve uma
padronização de acordo com a equação (64), um reescalonamento de acordo com (65), evitando
a inclusão de dados negativos no modelo DEA, e uma normalização (66) dos valores resultantes
de (64) e (65). Estes procedimentos tornam as instâncias numéricas mais balanceadas,
reduzindo o risco de imprecisão computacional. Este procedimento foi utilizado por Lopes et
al. (2008) para o mercado acionário brasileiro. Neste trabalho, esta metodologia foi usada para
o tratamento da variação dos retornos diários do spread de crédito, pois os outros indicadores
de entradas e saída – duration, volatilidade e rating – são positivos.
(𝑋𝑖𝑗 − 𝑋𝑗 )
𝑍𝑖𝑗 = (64)
𝜎𝑗
Onde:
Zij = resultado padronizado para o indicador j do ativo i;
Xij = o valor do indicador j do ativo i;
Xj e j = média e o desvio-padrão do indicador j.
(65)
𝑅𝑍𝑖𝑗 = 𝐴𝑏𝑠(𝑀𝑖𝑛 𝑍𝑗 ) + 𝑍𝑖𝑗
𝑅𝑍𝑖𝑗
𝑀𝑅𝑍𝑖𝑗 = (66)
𝑀𝑎𝑥 𝑅𝑍𝑗
Onde RZij é o resultado do reescalonamento de cada indicador e MRZij é a normalização

do ativo i no indicador j realizada dividindo todos os indicadores pelo valor máximo
apresentado, conforme equação (65).
5.7. Modelo de Markowitz
Para se obter a carteira resultante do modelo de Markowitz, foi escolhida uma função
no software R que traz um portfólio da fronteira eficiente com a maior diversificação possível
dentro do universo dos ativos potenciais a serem otimizados. Esta carteira é denominada neste
trabalho como portfólio de máxima diversificação (PMD); em resumo, em cada alocação não é
gerada a fronteira eficiente, mas uma carteira componente desta fronteira que apresenta o maior
número de ativos alocados.
81
Esta função é aplicada duas vezes, a primeira como descrito no parágrafo anterior e a
segunda, quando é aplicada nas otimizações DEA, contudo, nesta última, há a inserção de uma
restrição adicional que consiste no uso de todos os ativos provenientes das alocações DEA
“puras”. Isto foi necessário para garantir que todos os ativos resultantes dos modelos DEA
“puros” fossem utilizados na otimização híbrida. Outro ponto a ser ressaltado, é que nestas
alocações não são permitidas posições vendidas nos ativos.
As funções empregadas no R para a fronteira eficiente e cálculo de volatilidade via
EWMA foram timeSeries e RiskPortfolios.
5.8. Análise das Alocações
Nesta parte é realizada a análise individual e consolidada das alocações com os

respectivos modelos. Para isto é necessário a criação de relatórios ex-ante que consistem em
informações essenciais para a gestão da carteira de crédito como: volatilidades, retornos
esperados e índices de Sharpe, e outras como duration, spread ao ano e DTS mostrando o perfil
dos portfólios resultantes das alocações. Por fim, se verifica a performance ex-post de cada
modelo com a obtenção dos resultados de cada modelagem.
5.9. Resumo da Metodologia
Nesta seção têm-se os passos dos processos a serem executados na otimização para
uma alocação.
5.9.1. Determinação dos Ativos Elegíveis para Alocação
Critérios definidos no item 5.1.
5.9.2. Cálculo do Spread
a) Insumos necessários para o cálculo diário:

1. ETTJ de IPCA divulgado pela ANBIMA.
2.Taxas Indicativas e duration dos ativos componentes do IDA de Infraestrutura
divulgados pela ANBIMA.
b) Cálculos a serem feitos:
1. Interpolação da ETTJ de IPCA para o prazo médio de cada ativo.
2. Gross up da taxa indicativa.
82
3. Cálculo final do spread.
5.9.3. Cálculo da Volatilidade do Spread
a) Insumos diários necessários para o cálculo:

1. Spread de crédito de cada ativo.
2. Duration do ativo considerado como prazo final.
3. Criação de títulos sintéticos de spread com PU final R$ 1.000.
b) Retornos diários, variâncias, volatilidades e covariâncias calculados através das
equações 32 a 35 em conjunto com o procedimento descrito em 5.4.
5.9.4. Rating das Emissões
Inserção do escore atual e monitoramento das alterações quando realizadas pelas

agências de rating.
5.9.5. Definições de Entradas e Saídas dos Modelos DEA
Analisar e testar a relevância das DMUs, e para o caso do modelo BCC, verificar a
quantidade de ativos e os resultados gerados na orientação a input e a output.
No caso de entradas ou saídas negativas, executar o procedimento descrito no item 5.6.
5.9.6. Otimizações
a) Modelo de Markowitz
1. Algoritmo para cálculo dos retornos diários, variância e covariância de acordo
com o item 5.8.3.
2. Rodar algoritmo que resulte em uma carteira da fronteira eficiente e que apresente
máxima diversificação de portfólio.
b) Modelo DEA Puro
1. Base de dados: Debêntures e DMUs de entradas e saídas.
2. Rodar algoritmo específico para o modelo em questão.
c) Modelo DEA Híbrido
1. Rodar algoritmo de Markowitz para carteira com máxima diversificação,
utilizando todos os ativos gerados pelos modelos DEA Puros.
83
5.9.7. Análise das Alocação dos Modelos
Seguir procedimento descrito no item 5.8.

84
6. RESULTADOS
Antes de serem descritos os resultados das alocações, é mostrado no Gráfico 2 o

comportamento do índice IDA de Infraestrutura, para o período de análise (janeiro 2019 a
dezembro 2020). No eixo vertical à esquerda é representado o valor do índice diário e no eixo
oposto, a sua volatilidade anual. Além disto, há um quadro mostrando as estatísticas descritivas
das variações do retorno diário e do desvio padrão ao ano; ressalta-se que nos índices IDAs não
existe a segregação entre o risco de crédito e o risco de mercado, ou seja, o PU de cada ativo
inclui tanto o spread como a taxa risk free, e o correto seria apresentar os dois componentes em
separado, pois a maior parcela da remuneração das debêntures vem da ETTJ da NTN-B e
consequentemente traz o risco de mercado. Nota-se o efeito da pandemia da COVID-19 no
índice com a volatilidade atingindo 22,7% ao ano em março de 2020, este valor é
aproximadamente sete vezes maior do que a mediana. Este patamar de desvio padrão é
semelhante as variações do mercado acionário em condições normais de mercado, sendo que
um dia deste mês apresentou retorno diário de -3,63%. A partir de maio/20 o mercado apresenta
melhora e a volatilidade cai, retornando para o patamar atingido no ano anterior.
Gráfico 2. Volatilidade ao Ano - Índice IDA de Infraestrutura
Volatilidade (aa) - IDA Infraestrutura

1.650 24,0%
22,0%
1.600
20,0%
1.550 18,0%
16,0%
1.500 14,0%
12,0%
1.450
10,0%
1.400 8,0%
6,0%
1.350
4,0%
1.300 2,0%
02/01/2019
02/03/2019
02/06/2019
02/07/2020
02/10/2020
02/02/2019
02/04/2019
02/05/2019
02/07/2019
02/08/2019
02/09/2019
02/10/2019
02/11/2019
02/12/2019
02/01/2020
02/02/2020
02/03/2020
02/04/2020
02/05/2020
02/06/2020
02/08/2020
02/09/2020
02/11/2020
02/12/2020
Índice IDA Vol aa
Fonte: Adaptada de ANBIMA (2021).

85
No Gráfico 3 foram criadas carteiras hipotéticas compostas por todos os ativos elegíveis
de cada alocação, com as debêntures possuindo o mesmo peso, de acordo com os critérios
definidos no item 5.1 e, com isto, se calculou a volatilidade e o prazo médio de cada carteira
disponível para alocação, contudo neste caso, apenas o spread de crédito é considerado, não
havendo influência do risco de mercado. O objetivo foi verificar as alterações no desvio padrão
do spread de crédito ocorridas nos 24 meses (eixo X). O eixo vertical, à esquerda, contém o
prazo médio e, à direita, a volatilidade anual do spread dos ativos que poderiam ser otimizados.
Se nota que, a partir da alocação de abril/20, houve um incremento da volatilidade, salientando
que as alocações são realizadas no segundo dia útil de cada mês; com relação ao duration, ele
apresentou uma tendência de alta em 2019 devido ao maior prazo médio das novas emissões, e
permaneceu mais elevado em 2020 em relação ao ano anterior, mas este movimento foi devido
a abertura de taxas, não pelo alongamento do prazo médio dos novos ativos. Ressalta-se que
analogamente ao gráfico 2, se verifica que o comportamento da volatilidade do spread foi
similar ao desvio padrão do IDA no período, contudo em menores proporções, pois não há a
presença do risco de mercado na análise do gráfico 3, e a volatilidade máxima foi superior a
aproximadamente três vezes a sua mediana.
Gráfico 3. Volatilidade e Duration do Spread - Ativos Elegíveis por Alocação
Volatilidade e Duration do Spread - Ativos Elegíveis por

Alocação
1.400 9,00%
1.200 8,00%
7,00%
1.000
6,00%
800 5,00%
600 4,00%
3,00%
400
2,00%
200 1,00%
- 0,00%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Dur (du) Vol (aa)
Fonte: Adaptada de ANBIMA (2021).
Agora são demonstrados os resultados obtidos. A Figura 11 ilustra a primeira alocação

relativa ao mês de janeiro de 2019. À esquerda tem-se a otimização via modelo de Markowitz
para um portfólio com máxima diversificação (PMD), com um total de 31 debêntures
86
componentes do IDA de Infraestrutura elegíveis à otimização, sendo que o critério de maior

diversificação (PMD), utilizou 22 ativos. Na primeira coluna tem-se o código CETIP do ativo;
na segunda, o retorno ao dia do ativo pelo modelo EWMA; a terceira, é o spread ao ano da
debênture na data da alocação; a quarta coluna é o rating vigente, como descrito no item 5.3.
na Tabela 14. A quinta, sexta e sétimas colunas são, respectivamente, a volatilidade ao dia pelo
modelo EWMA, o duration em dias úteis divulgado pela ANBIMA e o percentual do ativo na
composição final do portfólio, nesta alocação os pesos dos ativos variaram de 0,15% e 10,35%.
À direita da Figura 11 na parte superior, vê-se a alocação pelo modelo CCR puro e
considerado com pesos iguais, e a modelagem CCR híbrida que é a aplicação do modelo de
Markowitz com máxima diversificação dos ativos resultantes da modelagem DEA, neste caso
sem exclusão de debêntures resultantes do modelo puro. Nesta primeira alocação, o modelo
CRS determinou apenas dois ativos. Na parte central, à direita, há a otimização por intermédio
do modelo BCC (puro e híbrido), onde, além da presença dos dois ativos da modelagem CCR,
estão incluídas as debêntures ENBR24 e VALE48.
Por fim, na parte inferior, à direita, tem-se o resumo das cinco simulações realizadas,
com a volatilidade e o retorno ao dia do spread e o índice de Sharpe, além de outras informações
relevantes para um portfólio de crédito, como o prazo médio em dias úteis (du), o spread final
anualizado e o duration times spread (DTS) expresso ao ano. Observa-se que a carteira
resultante do PMD apresentou volatilidade ao dia de 0,016%, e retorno de 0,008%, com um
Sharpe de 0,485. O prazo médio é de 680 du, o spread de 1,09% ao ano e o DTS de 294. Já
para o CCR, todos os números são bastante próximos devido à pequena quantidade de ativos
envolvidos, e para o caso do modelo híbrido, o Sharpe foi de 0,323, o duration de 369 du e o
DTS de 140. Para os modelos VRS os resultados também foram próximos em decorrência do
pequeno número de ativos resultantes da otimização. Como exemplo, para o modelo BCC
híbrido, tem-se como resultado, volatilidade ao dia de 0,041%, retorno diário de 0,017%,
Sharpe de 0,421, prazo médio de 626 du, spread anual de 0,89% e DTS de 221. O resultado
desta primeira alocação é que o modelo PMD apresentou um índice de Sharpe superior aos
outros modelos; em segundo lugar tem-se o modelo VRS híbrido e, na terceira posição, o BCC
puro. Alguns comentários adicionais podem ser extraídos desta primeira alocação, entre eles: o
portfólio resultante do modelo PMD apresenta maior prazo médio, spread e DTS em relação às
outras modelagens, e se for analisada apenas a dimensão relativa ao risco, é observado que o
portfólio de máxima diversificação tem maior potencial de risco do que os demais. Outra
questão se relaciona com o rating dos ativos: nota-se que o escore de crédito se concentra em
ativos AAA, AA+ e AA (escalas de 10 a 8), e no caso da PMD, apenas um ativo de rating
87
menor foi selecionado, porém, com baixo percentual de alocação, 0,39%. Este ativo, ODTR11,
na data da alocação apresentava escore de crédito igual a BBB (rating 2). O restante das
alocações mensais está apresentado no Apêndice A, e um resumo das alocações com as
diferentes metodologias são mostradas neste capítulo.
Figura 11. Composição da Alocação dos Modelos: Alocação 1 – Jan/19
Deb. Aloc. 22 Alocação jan/19 Tot. Deb. 31 100,00% Ativos 2 Modelo CCR Puro Híbrido
Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
GASP33 0,012% 1,12% 10 0,048% 297 6,39% APAR16 0,009% 0,83% 10 0,039% 424 50,00% 56,33%
MRSL17 0,008% 0,40% 9 0,102% 601 7,23% GASP33 0,012% 1,12% 10 0,048% 297 50,00% 43,67%
MRSL27 0,018% 0,64% 9 0,099% 1.090 2,04% 100,00% 100,00%
ODTR11 -0,015% 5,18% 2 0,156% 1.393 0,39%
RVIO14 0,006% 2,19% 8 0,072% 312 6,45%
VALE18 0,010% 0,71% 10 0,131% 360 3,31% Ativos 4 Modelo BCC Puro Híbrido
VALE19 0,005% 0,56% 10 0,068% 393 6,53% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
VALE28 0,005% 0,47% 10 0,160% 878 5,69% APAR16 0,009% 0,83% 10 0,039% 424 25,00% 25,53%
VALE29 0,019% 0,53% 10 0,064% 824 4,51% ENBR24 0,006% 0,99% 8 0,039% 401 25,00% 20,82%
VLIM11 0,004% 1,25% 9 0,113% 347 3,29% GASP33 0,012% 1,12% 10 0,048% 297 25,00% 30,52%
GASP14 -0,008% 0,99% 10 0,141% 475 1,96% VALE48 0,043% 0,55% 10 0,123% 1.485 25,00% 23,13%
GASP24 0,013% 0,67% 10 0,059% 798 9,78% 100,00% 100,00%
TIET34 0,000% 1,19% 9 0,075% 463 10,35%
RNEP11 -0,005% 2,98% 9 0,087% 746 6,53%
CTEL11 0,010% 1,64% 9 0,104% 995 2,88% CCR BCC
ENBR15 0,017% 0,80% 8 0,054% 634 9,78% PMD Puro Híbrido Puro Híbrido
ALGA15 0,016% 0,67% 9 0,063% 659 1,76% Vol (ad) 0,016% 0,033% 0,033% 0,042% 0,041%
CTEE14 0,020% 0,43% 10 0,100% 596 0,23% Ret (ad) 0,008% 0,011% 0,011% 0,018% 0,017%
CHPA11 0,000% 3,20% 8 0,079% 1.446 2,51% Sharpe 0,485 0,322 0,323 0,417 0,421
CEAD11 0,029% 1,82% 8 0,310% 1.455 0,15% Dur (du) 680 361 369 652 626
EGIE17 0,000% 0,41% 10 0,109% 1.305 3,51% Spread (aa) 1,09% 0,98% 0,96% 0,87% 0,89%
TAES15 0,015% 0,52% 10 0,093% 1.295 4,74% DTS 294 140 140 226 221
Fonte. Autor.
A Tabela 15 mostra, na parte superior, um resumo das volatilidades ao dia, retornos

diários e o índice de Sharpe de cada alocação mensal e, na parte inferior, há uma estatística
descritiva e o intervalo de amplitude de cada modelo. Iniciando pela volatilidade se observa
que o modelo PMD apresentou volatilidade inferior aos outros modelos, enquanto o modelo
BCC Puro apresentou volatilidade superior. O mesmo resultado ocorre com relação aos retornos
diários, e no IS resultante se observa que o modelo PMD apresenta índice inferior aos modelos
BCC que apresentam maior valor, sendo que dada à característica da diversificação na
construção dos modelos híbridos, as modelagens que possuem esta definição apresentarão
minimamente performance iguais as modelagens com mesmo peso. Outro ponto a ressaltar é a
88
grande amplitude entre os valores mínimos e máximos do índice de Sharpe verificados no

modelo PMD.
Tabela 15. Resumo das Alocações Mensais: Volatilidade, Retorno e Índice de Sharpe
Volatilidade (ad) Retorno (ad) Índice de Sharpe

PMD CCR BCC PMD CCR BCC PMD CCR BCC
Alocação Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido
1 0,016% 0,033% 0,033% 0,042% 0,041% 0,008% 0,011% 0,011% 0,018% 0,017% 0,4854 0,3222 0,3231 0,4169 0,4212
2 0,016% 0,026% 0,026% 0,081% 0,022% 0,008% 0,011% 0,011% 0,014% 0,008% 0,5395 0,4200 0,4198 0,1773 0,3556
3 0,014% 0,184% 0,018% 0,131% 0,020% 0,004% 0,070% 0,008% 0,056% 0,010% 0,2939 0,3811 0,4615 0,4306 0,5068
4 0,030% 0,096% 0,108% 0,065% 0,051% 0,002% 0,019% 0,023% 0,019% 0,015% 0,0760 0,1966 0,2158 0,2920 0,3005
5 0,013% 0,057% 0,050% 0,054% 0,041% 0,000% 0,003% 0,004% 0,014% 0,011% 0,0148 0,0603 0,0786 0,2539 0,2685
6 0,011% 0,030% 0,017% 0,041% 0,018% 0,008% 0,011% 0,008% 0,028% 0,015% 0,7277 0,3577 0,4725 0,6719 0,8239
7 0,009% 0,027% 0,027% 0,041% 0,029% 0,010% 0,009% 0,011% 0,029% 0,022% 1,0987 0,3426 0,4077 0,6984 0,7460
8 0,023% 0,039% 0,034% 0,030% 0,029% -0,004% -0,009% -0,007% 0,000% 0,001% -0,1759 -0,2180 -0,2151 0,0048 0,0418
9 0,019% 0,037% 0,037% 0,029% 0,030% -0,018% -0,005% -0,005% -0,001% -0,001% -0,9554 -0,1470 -0,1470 -0,0483 -0,0465
10 0,013% 0,026% 0,026% 0,065% 0,058% -0,013% 0,004% 0,004% 0,018% 0,017% -1,0055 0,1427 0,1563 0,2859 0,2904
11 0,034% 0,041% 0,033% 0,084% 0,056% -0,046% -0,013% -0,009% -0,047% -0,026% -1,3620 -0,3022 -0,2812 -0,5598 -0,4715
12 0,034% 0,076% 0,076% 0,084% 0,083% -0,054% -0,009% -0,009% -0,003% -0,003% -1,5703 -0,1180 -0,1180 -0,0400 -0,0313
13 0,039% 0,251% 0,251% 0,079% 0,020% -0,016% -0,018% -0,018% 0,017% 0,005% -0,4038 -0,0728 -0,0728 0,2117 0,2533
14 0,029% 0,045% 0,045% 0,075% 0,059% -0,007% 0,000% 0,000% 0,017% 0,014% -0,2533 -0,0056 -0,0056 0,2248 0,2376
15 0,013% 0,043% 0,035% 0,050% 0,040% -0,007% -0,005% -0,004% -0,003% -0,002% -0,5334 -0,1066 -0,1027 -0,0546 -0,0479
16 0,078% 0,363% 0,363% 0,186% 0,200% -0,069% -0,113% -0,113% -0,014% -0,004% -0,8939 -0,3116 -0,3116 -0,0775 -0,0222
17 0,116% 0,104% 0,104% 0,305% 0,320% -0,037% -0,031% -0,031% 0,061% 0,065% -0,3155 -0,2994 -0,2994 0,2005 0,2028
18 0,075% 0,073% 0,073% 0,328% 0,180% -0,016% 0,013% 0,013% 0,080% 0,046% -0,2183 0,1741 0,1752 0,2450 0,2585
19 0,032% 0,068% 0,068% 0,165% 0,096% 0,016% 0,036% 0,037% 0,084% 0,060% 0,4971 0,5333 0,5417 0,5088 0,6206
20 0,027% 0,067% 0,070% 0,073% 0,037% 0,019% 0,042% 0,045% 0,047% 0,034% 0,7114 0,6320 0,6461 0,6482 0,9265
21 0,022% 0,061% 0,063% 0,084% 0,051% 0,012% 0,018% 0,022% 0,031% 0,020% 0,5147 0,3024 0,3484 0,3652 0,3883
22 0,029% 0,051% 0,053% 0,073% 0,036% 0,008% 0,008% 0,009% 0,004% 0,007% 0,2678 0,1640 0,1777 0,0582 0,1946
23 0,083% 0,088% 0,090% 0,118% 0,117% 0,044% 0,049% 0,051% 0,077% 0,077% 0,5301 0,5603 0,5625 0,6503 0,6538
24 0,049% 0,054% 0,054% 0,082% 0,057% 0,014% 0,014% 0,014% 0,038% 0,027% 0,1667 0,2658 0,2666 0,4651 0,4773
Mínimo 0,009% 0,026% 0,017% 0,029% 0,018% -0,069% -0,113% -0,113% -0,047% -0,026% -1,5703 -0,3116 -0,3116 -0,5598 -0,4715
Média 0,034% 0,081% 0,073% 0,098% 0,070% -0,006% 0,005% 0,003% 0,024% 0,018% -0,0735 0,1364 0,1542 0,2512 0,3062
Mediana 0,028% 0,055% 0,051% 0,077% 0,046% 0,001% 0,009% 0,008% 0,018% 0,014% 0,0454 0,1691 0,1764 0,2495 0,2794
Máximo 0,116% 0,363% 0,363% 0,328% 0,320% 0,044% 0,070% 0,051% 0,084% 0,077% 1,0987 0,6320 0,6461 0,6984 0,9265
Máx -Mín 0,108% 0,338% 0,346% 0,299% 0,302% 0,114% 0,183% 0,164% 0,131% 0,103% 2,6690 0,9435 0,9577 1,2582 1,3980
Fonte: Autor.
A Tabela 16 apresenta uma síntese do duration e spread ao ano, além do DTS das
alocações mensais resultantes em cada modelo. Com relação ao prazo médio, se observa que o
modelo PMD resultou em prazo médio maior, enquanto os modelos CCR, em menores valores;
em se tratando do spread ao ano, se vê um valor mais alto do modelo PMD e com menor
amplitude em relação aos demais, o oposto é verificado nas modelagens CCR. Dado que o
duration e o spread médio do modelo de máxima diversificação é maior, têm-se como
89
consequência, o DTS mais elevado, ou seja, as alocações desta modelagem possuem maior
sensibilidade em relação as demais.
Tabela 16. Resumo das Alocações Mensais: Duration, Spread e DTS
Duration (aa) Spread (aa) DTS

PMD CCR BCC PMD CCR BCC PMD CCR BCC
Alocação Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido
1 2,70 1,43 1,46 2,59 2,48 1,09% 0,98% 0,96% 0,87% 0,89% 294 140 140 226 221
2 1,18 1,12 1,09 2,94 1,11 0,96% 1,68% 1,68% 2,49% 1,56% 298 283 274 741 281
3 2,87 2,26 1,32 2,29 1,39 0,92% 1,68% 1,05% 1,27% 1,04% 263 380 139 292 144
4 3,25 2,40 2,63 3,31 3,16 0,97% 1,14% 1,17% 1,33% 1,17% 315 274 307 440 371
5 2,66 1,40 1,49 2,62 2,50 0,78% 1,01% 0,98% 1,25% 0,98% 208 141 146 328 244
6 2,68 1,74 2,39 3,56 2,66 0,95% 0,84% 0,93% 1,28% 0,98% 254 146 222 454 260
7 2,61 1,14 1,16 3,15 2,33 0,75% 0,45% 0,39% 0,65% 0,54% 195 52 45 204 125
8 4,12 1,11 1,10 2,62 2,44 1,31% 0,66% 0,66% 1,02% 1,13% 540 74 73 268 275
9 3,94 1,06 1,06 2,29 2,22 1,53% 0,74% 0,74% 1,46% 1,46% 603 79 79 334 324
10 3,04 2,38 2,45 3,14 3,10 1,82% 1,04% 1,05% 1,88% 1,85% 554 246 257 592 572
11 4,36 2,10 2,18 3,53 2,60 1,87% 2,40% 2,09% 2,26% 2,09% 816 503 455 797 545
12 3,92 1,22 1,22 3,42 3,43 2,27% 1,95% 2,60% 2,47% 2,60% 888 239 318 848 893
13 3,29 1,14 1,14 3,34 2,75 2,16% 1,69% 1,69% 1,63% 1,58% 713 193 193 544 433
14 4,38 1,05 1,05 2,79 2,43 2,21% 1,66% 1,66% 1,57% 1,54% 967 174 174 437 375
15 3,31 1,41 1,45 2,23 2,11 1,99% 1,50% 1,56% 1,75% 1,78% 659 212 227 390 375
16 3,87 1,22 1,22 2,60 2,58 2,68% 2,51% 2,51% 2,21% 2,12% 1.037 306 306 575 546
17 5,18 1,14 1,14 3,78 3,78 2,39% 2,42% 2,42% 2,01% 1,99% 1.236 275 275 760 754
18 4,22 1,12 1,13 4,43 2,82 2,22% 2,16% 2,17% 2,40% 2,30% 936 243 244 1.064 648
19 3,65 1,22 1,23 4,21 2,85 2,06% 1,91% 1,92% 2,31% 2,18% 752 233 235 974 623
20 3,68 2,09 2,17 3,70 2,80 2,75% 3,21% 3,30% 2,78% 2,69% 1.012 670 716 1.029 753
21 3,92 1,51 1,64 2,30 1,81 2,41% 3,99% 3,88% 3,09% 2,92% 944 604 636 710 529
22 4,31 2,34 2,28 3,52 2,71 2,22% 3,12% 3,27% 2,31% 1,76% 957 729 747 811 476
23 5,79 2,62 2,66 4,41 4,19 1,90% 2,20% 2,04% 1,78% 1,69% 1.102 576 544 784 709
24 5,28 1,68 1,68 3,20 2,51 2,58% 1,45% 1,62% 1,83% 1,62% 1.364 244 272 585 406
Mínimo 1,18 1,05 1,05 2,23 1,11 0,75% 0,45% 0,39% 0,65% 0,54% 195 52 45 204 125
Média 3,68 1,58 1,60 3,17 2,62 1,78% 1,77% 1,76% 1,83% 1,69% 704 292 293 591 453
Mediana 3,78 1,41 1,39 3,17 2,59 1,95% 1,68% 1,67% 1,81% 1,65% 732 243 251 580 420
Máximo 5,79 2,62 2,66 4,43 4,19 2,75% 3,99% 3,88% 3,09% 2,92% 1.364 729 747 1.064 893
Máx -Mín 4,61 1,57 1,61 2,20 3,08 2,00% 3,54% 3,49% 2,44% 2,38% 1.169 677 701 860 768
Fonte: Autor.
A Tabela 17 apresenta duas informações: a primeira mostra a classificação ex-ante de

cada modelo no respectivo mês em relação ao valor do IS, o número um representa o índice
mais alto e o número cinco, o índice mais baixo. Nota-se que o modelo BCC Híbrido apresentou
índice de Sharpe superior em dezoito alocações, e a modelagem PMD em cinco ocasiões, e o
modelo CCR Híbrido uma vez, sendo que as modelagens puras não apresentaram a posição
mais alta. Outros pontos a ressaltar são: que o modelo BCC Puro performou bem com quinze
segundos lugares e que, por construção do algoritmo de otimização, qualquer modelo Puro não
consegue apresentar IS superior ao modelo Híbrido na alocação ex-ante. Por fim, vale ressaltar
que o modelo PMD apresentou a maior quantidade de últimos lugares.
90
Continuando na Tabela 17 se vê, à direita, a quantidade de ativos resultantes das

alocações em cada modelo, e em vermelho há o destaque para o modelo CRS com alocações
em um e dois ativos, um total de doze alocações, sendo em seis oportunidades com apenas uma
debênture, e a média e a mediana resultando em três ativos, e o número máximo de emissões
alocadas foram seis. Estes números prejudicam a modelagem CCR e eliminam o seu uso na
prática, devido ao excesso de concentração nas alocações. A modelagem PMD foi a que
resultou em mais debêntures alocadas, isto se deve aos critérios na construção do modelo, que
busca utilizar o maior número possível de ativos. Com relação à modelagem BCC, ela
apresentou em uma alocação apenas três ativos, e em outras três ocasiões quatro ativos, e
apresenta como média e mediana respectivamente sete e seis ativos.
Tabela 17. Classificação das Alocações Mensais e Quantidade de Ativos por Alocação
Ranking nas Alocações Quantidade de Ativos por Alocação

PMD CCR BCC PMD CCR BCC
Alocação Puro Híbrido Puro Híbrido Alocação Puro Híbrido Puro Híbrido
1 1 4 4 3 2 1 22 2 2 4 4
2 1 2 2 5 4 2 19 4 4 6 6
3 5 4 2 3 1 3 19 4 4 6 6
4 5 4 3 2 1 4 14 5 5 10 10
5 5 4 3 2 1 5 17 5 5 9 9
6 2 5 4 3 1 6 24 6 6 15 15
7 1 5 4 3 2 7 25 3 3 6 6
8 3 5 4 2 1 8 26 2 2 10 10
9 5 3 3 2 1 9 23 1 1 6 6
10 5 4 3 2 1 10 23 2 2 6 6
11 5 2 1 4 3 11 20 5 5 10 10
12 5 3 3 2 1 12 25 1 1 5 5
13 5 3 3 2 1 13 23 1 1 9 9
14 5 3 3 2 1 14 29 1 1 6 6
15 5 4 3 2 1 15 30 2 2 3 3
16 5 4 3 2 1 16 10 1 1 4 4
17 5 3 3 2 1 17 15 1 1 5 5
18 5 4 3 2 1 18 24 2 2 4 4
19 5 4 3 2 1 19 22 3 3 6 6
20 2 5 4 3 1 20 27 3 3 9 9
21 1 5 4 3 2 21 31 3 3 5 5
22 1 4 3 5 2 22 25 3 3 8 8
23 5 4 3 2 1 23 20 5 5 13 13
24 5 4 3 2 1 24 23 2 2 5 5
1º 5 0 1 0 18 Mínimo 10 1 1 3 3
2º 2 2 2 15 4 Média 22 3 3 7 7
3º 1 5 15 6 1 Mediana 23 3 3 6 6
4º 0 12 6 1 1 Máximo 31 6 6 15 15
5º 16 5 0 2 0
Total 24 24 24 24 24 Máx -Mín 21 5 5 12 12
Fonte: Autor.
91
Nas Tabelas 18 e 19 são mostradas as bandas de variação do Índice de Sharpe para os

intervalos de 5% e 10%. O objetivo é verificar se em cada alocação existem outros modelos
que performaram próximos ao modelo vencedor. As células em verde mostram os modelos
vencedores em cada simulação com seus respectivos intervalos, e no caso do valor máximo, ele
é o próprio valor do IS.
Tabela 18. Banda Sharpe 5%
Banda Sharpe - 5%
CCR BCC
PMD Puro Híbrido Puro Híbrido
Alocação Mínimo Máximo Mínimo Máximo Mínimo Máximo Mínimo Máximo Mínimo Máximo
1 0,461 0,485
2 0,513 0,540
3 0,438 0,485 0,481 0,507
4 0,277 0,307 0,285 0,300
5 0,255 0,268
6 0,783 0,824
7 1,044 1,099
8 0,040 0,042
9 -0,046 -0,051 -0,044 -0,046
10 0,272 0,300 0,276 0,290
11 -0,287 -0,317 -0,267 -0,281
12 -0,030 -0,031
13 0,241 0,253
14 0,214 0,236 0,226 0,238
15 -0,046 -0,048
16 -0,021 -0,022
17 0,190 0,210 0,193 0,203
18 0,233 0,257 0,246 0,258
19 0,590 0,621
20 0,880 0,926
21 0,489 0,515
22 0,254 0,268
23 0,618 0,683 0,621 0,654
24 0,442 0,488 0,453 0,477
Total 5 1 2 8 18
Fonte: Autor.
Para a banda de 5%, Tabela 18, nota-se que o modelo PMD está presente em cinco das
vinte e quatro alocações, especificamente nas alocações em que foi vencedor. As modelagens
CCR pura e híbrida estão presentes em uma e duas alocações respectivamente, enquanto a BCC
pura e híbrida em oito e dezoito alocações.
Para o caso da banda de 10%, Tabela 19, houve pouca alteração em relação a tabela
anterior, com exceção do modelo VRS puro que aumentou sua presença em cinco alocações,
os outros modelos agregaram apenas uma presença a mais.
92
Tabela 19. Banda Sharpe 10%
Banda Sharpe - 10%

CCR BCC
Alocação Mínimo Máximo Mínimo Máximo Mínimo Máximo Mínimo Máximo Mínimo Máximo
1 0,437 0,485 0,375 0,459 0,379 0,463
2 0,486 0,540
3 0,415 0,508 0,388 0,474 0,456 0,507
4 0,263 0,321 0,270 0,300
5 0,229 0,279 0,242 0,268
6 0,655 0,801 0,742 0,824
7 0,989 1,099
8 0,038 0,042
9 -0,043 -0,053 -0,042 -0,046
10 0,257 0,314 0,261 0,290
11 -0,272 -0,332 -0,272 -0,332
12 -0,028 -0,031
13 0,191 0,233 0,228 0,253
14 0,202 0,247 0,214 0,238
15 -0,049 -0,060 -0,043 -0,048
16 -0,020 -0,022
17 0,180 0,221 0,182 0,203
18 0,221 0,270 0,233 0,258
19 0,559 0,621
20 0,834 0,926
21 0,463 0,515
22 0,241 0,268
23 0,504 0,616 0,506 0,619 0,585 0,715 0,588 0,654
24 0,419 0,512 0,430 0,477
Total 6 2 3 13 19
Fonte: Autor.
A Tabela 20 mostra, dentro do universo de debêntures elegíveis nas alocações, a

distribuição do rating, do spread e do prazo médio. A primeira e a segunda colunas tratam do
escore de crédito das agências (vide item 5.3), a terceira, a quantidade de ativos disponíveis em
todas as alocações que apresentaram aquele rating, a coluna seguinte mostra o percentual da
nota em relação ao total e a quinta e sexta colunas tratam, respectivamente, do spread ao ano e
duration médios em dias úteis. Nota-se que 91,17% dos ativos apresentam rating no mínimo
AA-, ou seja, são de excelente qualidade creditícia, sendo que quase dois terços (62,25%)
possuem a melhor nota de crédito, esta característica também é observada nas outras debêntures
componentes da base da ANBIMA e que não são foco de estudo deste trabalho.
Com relação ao spread de crédito vê-se que ele apresenta uma tendência de crescimento
à medida que a nota de crédito é pior, e uma ressalva há de ser feita, pois, como o
comportamento do spread de crédito foi diferente no ano de 2019 e 2020, e esta tabela é
93
atemporal, isto pode ocasionar algumas distorções. Por exemplo, o rating A- com potencial de
elegibilidade em seis alocações se refere a uma debênture que esteve elegível até janeiro/20,
período em que o mercado apresentou fechamento de spread. Já com relação ao prazo médio,
nota-se que até o escore de crédito A- este prazo é uniforme com uma média ponderada de
1.174 dias úteis nos sete ratings componentes desta análise, contudo, quando se muda para a
classe BBB esta média ponderada é de 834 dias úteis. A conclusão desta tabela vai muito em
linha com um dos temas apresentados na revisão bibliográfica do capítulo 2, que cita a demanda
do investidor para ativos de melhor qualidade creditícia, bem como para o fato do prazo menor
para as emissões com ratings inferiores.
Tabela 20. Resumo do Rating, Spread e Duration para os Ativos Elegíveis
Rating Nota Qtd % Rating Spread (aa) Dur (du)

AAA 10 874 62,25% 1,71% 1.168
AA+ 9 227 16,17% 1,99% 1.212
AA 8 147 10,47% 2,28% 1.180
AA- 7 32 2,28% 2,37% 1.016
A+ 6 10 0,71% 2,82% 1.215
A 5 13 0,93% 2,69% 1.149
A- 4 6 0,43% 2,28% 1.272
BBB+ 3 1 0,07% 2,87% 706
BBB 2 6 0,43% 3,71% 1.128
BBB- 1 88 6,27% 4,87% 816
Total 1.404 100,00%
Fonte: Autor.
A Tabela 21 mostra o número de ativos alocados por modelo em cada análise mensal,
com as respectivas quantidades em cada rating e uma estatística descritiva; o que se observa é
que a distribuição do escore de crédito se assemelha à distribuição das debêntures elegíveis à
alocação mostrada na Tabela 20. Por exemplo, a modelagem PMD apresentou 90% dos ativos
alocados possuindo rating AAA a AA- (notas 10 a 7), e seguindo este mesmo critério, o modelo
CCR com 87% de alocação e BCC com 88%. Nas análises mensais, o número de ativos
utilizados nos diferentes tipos de modelagens foram de 536, 67 e 170 debêntures, nessa ordem
para PMD, CRS e VRS.
94
Tabela 21. Quantidade de Ativos Alocados e Rating por Alocação
Quantidade de Ativos Alocados e Rating por Alocação

PMD CCR BCC
Alocação Qtd 10 9 8 7 6 5 4 3 2 1 Qtd 10 9 8 7 6 5 4 3 2 1 Qtd 10 9 8 7 6 5 4 3 2 1
1 22 10 7 4 - - - - - 1 - 2 2 - - - - - - - - - 4 3 1 - - - - - - - -
2 19 9 4 3 1 - 1 - - 1 - 4 2 1 1 - - - - - - - 6 2 1 2 - - - - - 1 -
3 19 10 3 2 3 - - - - 1 - 4 2 - 1 - - - - - 1 - 6 4 - 1 - - - - - 1 -
4 14 4 4 2 - - - - - 1 3 5 3 - 1 - - - - - 1 - 10 4 3 2 - - - - - 1 -
5 17 10 4 2 - - 1 - - - - 5 3 1 - 1 - - - - - - 9 5 1 1 1 - - - - 1 -
6 24 15 2 2 1 - 1 - - - 3 6 4 1 - 1 - - - - - - 15 7 4 1 1 - - - - - 2
7 25 15 2 4 - - - - - - 4 3 2 - 1 - - - - - - - 6 4 - 2 - - - - - - -
8 26 10 5 6 - - 1 - - - 4 2 1 - 1 - - - - - - - 10 5 3 1 - - - - - - 1
9 23 14 4 2 - - - - - - 3 1 1 - - - - - - - - - 6 3 1 - - - - - - - 2
10 23 9 4 4 - - 1 1 - - 4 2 1 1 - - - - - - - - 6 2 2 - - - - 1 - - 1
11 20 7 7 3 - - 1 - - - 2 5 1 2 - - - - - - - 2 10 5 2 1 - - - - - - 2
12 25 13 4 2 - - 1 - - - 5 1 1 - - - - - - - - - 5 4 - - - - - - - - 1
13 23 10 3 6 - - - 1 - - 3 1 - - 1 - - - - - - - 9 7 1 1 - - - - - - -
14 29 17 4 4 1 - - - - - 3 1 - - 1 - - - - - - - 6 5 - 1 - - - - - - -
15 30 22 2 4 1 - - - - - 1 2 2 - - - - - - - - - 3 3 - - - - - - - - -
16 10 9 - - - - - - - - 1 1 1 - - - - - - - - - 4 3 - 1 - - - - - - -
17 15 10 3 2 - - - - - - - 1 1 - - - - - - - - - 5 4 1 - - - - - - - -
18 24 17 5 1 1 - - - - - - 2 2 - - - - - - - - - 4 4 - - - - - - - - -
19 22 18 3 1 - - - - - - - 3 2 - 1 - - - - - - - 6 4 - 1 1 - - - - - -
20 27 15 6 4 1 - - - - - 1 3 1 1 - - - - - - - 1 9 6 1 - - - - - - - 2
21 31 22 4 3 - 1 - - - - 1 3 1 - - - - - - - - 2 5 3 - - - - - - - - 2
22 25 18 4 2 1 - - - - - - 3 2 - - - - - - - - 1 8 6 - 1 - - - - - - 1
23 20 11 4 4 - - 1 - - - - 5 3 - 1 - - - - - - 1 13 10 1 1 - - - - - - 1
24 23 13 6 2 - 1 1 - - - - 2 2 - - - - - - - - - 5 4 1 - - - - - - - -
Mínimo 10 4 - - - - - - - - - 1 - - - - - - - - - - 3 2 - - - - - - - - -
Média 22 13 4 3 0 0 0 0 - 0 2 3 2 0 0 0 - - - - 0 0 7 4 1 1 0 - - 0 - 0 1
Mediana 23 12 4 3 - - - - - - 1 3 2 - - - - - - - - - 6 4 1 1 - - - - - - -
Máximo 31 22 7 6 3 1 1 1 - 1 5 6 4 2 1 1 - - - - 1 2 15 10 4 2 1 - - 1 - 1 2
Total 536 308 94 69 10 2 9 2 - 4 38 67 40 7 9 2 - - - - 2 7 170 107 23 17 3 - - 1 - 4 15

% 100% 57% 18% 13% 2% 0% 2% 0% 0% 1% 7% 100% 60% 10% 13% 3% 0% 0% 0% 0% 3% 10% 100% 63% 14% 10% 2% 0% 0% 1% 0% 2% 9%
Fonte: Autor.
95
A Tabela 22 mostra o resultado das alocações mensais por modelo, na parte inferior se
observa a estatística descritiva e, por último, o retorno acumulado em termos percentuais e
expresso em valores monetários para o período de 24 meses. Nesta análise definiu-se a
aplicação de R$ 1 milhão no início de cada alocação, e ao final do período são verificados a
rentabilidade e o resultado financeiro. À esquerda da tabela se vê a rentabilidade e à direita o
retorno em reais. No Apêndice B são apresentados os resultados mensais por ativo em cada
alocação. Os modelos CCR foram os que apresentaram os melhores resultados nos períodos,
um total de R$ 36.223,95 para o Puro e R$ 34.942,31 para o Híbrido; depois vêm os modelos
BCC, com ganhos de R$ 21.790,07 e R$ 15.622,24, para as modelagens pura e híbrida
respectivamente; e por último, aparece o critério PMD com retorno negativo de R$ 8.073,38.
Uma ressalva é que os resultados mensais não foram corrigidos pelo CDI, caso seja considerada
esta correção os resultados acumulados corrigidos seriam: R$ -8.359,15, R$ 36.929,66,
R$ 35.492,03, R$ 22.838,93 e R$ 15.686,90 respectivamente para PMD, CCR (Puro e Híbrido)
e BCC (Puro e Híbrido).
Um comentário adicional, é que os modelos puros apresentaram melhor performance
que os híbridos, contudo, no caso da modelagem BCC o resultado a maior do Puro é explicado
pelo fechamento do spread da debênture ODRT11 em fevereiro/19 devido à venda em
31/01/2019 de 85% do controle acionário da empresa que fez com que o prêmio de crédito
fechasse bastante. O spread de crédito em 04/02/2019, no dia da alocação era de 4,99% ao ano
e em 06/03/2019, no seu término estava em 3,18% aa, além disto, o modelo Puro considera o
mesmo peso para cada ativo, e para este mês foram alocadas 6 debêntures resultando em 16,67%
para cada ativo, enquanto o critério Híbrido alocou apenas 3,07% devido à alta volatilidade (a
maior entre todos os ativos disponíveis para alocação) e aos retornos passados que não
contemplavam o novo evento. Este fato proporcionou um ganho de R$ 13.666,98 do modelo
Puro em relação ao Híbrido, vide Tabela 23, o que distorceu o resultado acumulado entre estas
modelagens. Para maiores detalhes ver Apêndices A (Figura 12) e B (Figura 36) relativos à
alocação 2.
Para o caso da performance superior do critério Puro em relação ao Híbrido no modelo
CCR, a diferença entre os resultados é pequena e se explica pela pouca quantidade de ativos
alocados neste modelo fazendo com que este resultado seja possível.
Um ponto a mencionar foi o impacto no mês de março de 2020 dada à abertura do spread
no intra-mês devido a COVID-19. No caso da modelagem PMD, ela sofreu perdas superiores
as demais, que ficaram com valores próximos. Um ponto a ressaltar é que o modelo CRS, apesar
96
de resultar em poucos ativos nas alocações, estas debêntures se comprovaram efetivas na

performance.
Tabela 22. Resumo do Resultado das Alocações Mensais por Modelo
Rentabilidade por Alocação Resultado Financeiro por Alocação

PMD CCR BCC PMD CCR BCC
Alocação Puro Híbrido Puro Híbrido Puro Híbrido Puro Híbrido
1 0,07% 0,11% 0,11% -0,25% -0,22% 653,92 1.133,47 1.113,02 -2.471,24 -2.186,64
2 0,51% 0,22% 0,23% 1,93% 0,49% 5.081,91 2.169,05 2.254,57 19.284,14 4.916,93
3 0,14% 0,23% 0,04% 0,06% 0,01% 1.413,66 2.299,47 408,71 585,53 79,88
4 0,07% 0,20% 0,20% 0,00% -0,04% 704,19 1.970,78 2.028,10 3,98 -404,16
5 0,24% 0,27% 0,22% 0,48% 0,33% 2.393,02 2.738,48 2.170,17 4.815,89 3.289,31
6 0,28% 0,16% 0,30% 0,17% 0,24% 2.841,90 1.580,42 3.005,90 1.686,55 2.429,70
7 -0,18% -0,18% -0,24% -0,35% -0,29% -1.832,70 -1.758,75 -2.434,69 -3.488,25 -2.855,85
8 -0,35% -0,09% -0,12% -0,20% -0,18% -3.471,25 -929,56 -1.151,25 -2.035,51 -1.827,97
9 -0,17% -0,10% -0,10% 0,07% 0,06% -1.701,53 -969,86 -969,86 686,48 613,66
10 -0,75% -0,18% -0,17% -0,28% -0,12% -7.468,94 -1.777,12 -1.668,67 -2.809,42 -1.153,15
11 -0,91% -0,39% -0,56% -0,55% -0,44% -9.078,40 -3.939,76 -5.648,02 -5.500,61 -4.417,59
12 0,26% 0,45% 0,45% 0,23% 0,25% 2.584,48 4.533,47 4.533,47 2.268,32 2.506,41
13 -0,30% 0,19% 0,19% 0,22% 0,27% -3.046,30 1.850,92 1.850,92 2.234,90 2.706,56
14 -0,37% 0,01% 0,01% -0,12% -0,09% -3.689,38 116,06 116,06 -1.204,21 -931,49
15 -2,51% -1,05% -0,97% -1,24% -1,11% -25.085,31 -10.521,09 -9.720,87 -12.438,13 -11.059,13
16 0,25% 0,30% 0,30% -1,47% -1,25% 2.534,75 2.989,76 2.989,76 -14.706,07 -12.454,66
17 -0,06% 0,64% 0,64% -0,66% -0,70% -580,47 6.373,55 6.373,55 -6.615,80 -7.006,19
18 0,43% 0,49% 0,51% 1,02% 0,71% 4.312,34 4.946,47 5.079,98 10.244,49 7.133,32
19 0,35% 0,14% 0,14% 0,90% 1,55% 3.462,62 1.358,61 1.362,75 9.044,71 15.534,11
20 0,55% 0,57% 0,60% 0,54% 0,44% 5.546,37 5.651,04 6.046,11 5.399,72 4.394,27
21 0,11% 0,40% 0,40% 0,35% 0,39% 1.135,15 3.967,50 4.046,32 3.488,93 3.894,81
22 1,19% 0,60% 0,65% 0,89% 0,80% 11.852,14 6.010,02 6.536,73 8.853,05 8.011,82
23 0,30% 0,28% 0,30% 0,17% 0,15% 2.971,60 2.826,07 3.026,08 1.710,76 1.462,17
24 0,04% 0,36% 0,36% 0,28% 0,29% 392,86 3.604,94 3.593,49 2.751,83 2.946,13
Mínimo -2,51% -1,05% -0,97% -1,47% -1,25% -25.085,31 -10.521,09 -9.720,87 -14.706,07 -12.454,66
Média -0,03% 0,15% 0,15% 0,09% 0,07% -336,39 1.509,33 1.455,93 907,92 650,93
Mediana 0,09% 0,21% 0,21% 0,12% 0,10% 919,67 2.069,91 2.099,13 1.186,52 1.037,91
Máximo 1,19% 0,64% 0,65% 1,93% 1,55% 11.852,14 6.373,55 6.536,73 19.284,14 15.534,11
Máx -Mín 3,69% 1,69% 1,63% 3,40% 2,80% 36.937,45 16.894,64 16.257,60 33.990,20 27.988,77
Ret. Acum -0,84% 3,69% 3,55% 2,28% 1,57% -8.073,38 36.223,95 34.942,31 21.790,07 15.622,24
Fonte: Autor.
Tabela 23. Resultado ODRT11 - Alocação 2 (fevereiro/19)

BCC
Ativos 6 Puro Híbrido Resultado
Ativo Vol (aa) Spread (aa) Peso Peso Spread (aa) Puro Híbrido Diferença
ODTR11 5,30% 4,99% 16,67% 3,07% 3,18% 16.757,62 3.090,64 13.666,98
Fonte: Autor.
97
A Tabela 24 apresenta dados adicionais dos resultados das alocações, a primeira coluna,
à esquerda na parte superior, tem as volatilidades da rentabilidade expressas ao mês e ao ano, e
em termos de valores financeiros. Com relação a estas volatilidades, percebe-se que o modelo
CCR foi menos volátil, seguido pelo BCC Híbrido, PMD e na última posição a modelagem
BCC Puro. Outro detalhe mostrado são as quantidades de meses com retornos positivos e
negativos, onde se vê que os modelos CRS apresentaram maior frequência de meses positivos,
dezoito, com as modelagens PMD e VRS Puro com quinze meses e, por fim a VRS Híbrido
com catorze meses. Logo abaixo, há o retorno acumulado para todo o período, em seguida, o
rendimento anualizado, e no final da parte superior, o índice de Sharpe ex-post, e se observa
que os modelos CCR apresentam valores superiores, seguidos dos modelos BCC e por último,
a modelagem PMD.
Na parte inferior da Tabela 24, são realizadas duas análises que consideram o retorno
anualizado de cada modelo e o traduz em uma métrica ainda muito acompanhadas pelo mercado
que é o % CDI. Na primeira análise é utilizado o CDI vigente em 05/01/2021 de 1,90% ao ano
para se achar a equivalência em relação a este parâmetro. Se observa que os modelos CCR
tiverem rentabilidade próximas ao CDI (em torno de 95%), os modelos BCC apresentaram em
média um retorno de 50% desse indexador e o PMD de -22%. A segunda análise, considera a
rentabilidade média do CDI para o período de dois anos, que foi de 4,34% e as compara com
os retornos dos respectivos modelos, e como resultado, os valores em percentual de CDI das
modelagens são inferiores em relação à primeira análise pois o CDI médio nos dois anos foi
superior ao valor anterior de 1,90%, e apresentam os valores de -9,66% para o PMD,
aproximadamente 41% para os modelos CRS e em média de 22% para os modelos VRS.
98
Tabela 24. Dados Adicionais do Resultado
Resumo Resultados
PMD CCR BCC
Puro Híbrido Puro Híbrido
Vol. (am) 0,68% 0,37% 0,38% 0,72% 0,59%
Vol. (aa) 2,37% 1,27% 1,31% 2,48% 2,06%
Vol R$ (am) 6.833,55 3.667,72 3.786,65 7.171,23 5.938,32
Meses - 9 6 6 9 10
Meses + 15 18 18 15 14
Ret. Acum -0,84% 3,69% 3,55% 2,28% 1,57%

Ret. aa -0,42% 1,83% 1,76% 1,14% 0,78%
Sharpe -0,18 1,44 1,34 0,46 0,38
Análise 1 CDI jan-21 1,90%
PMD CCR BCC

% CDI -22,04% 96,30% 92,59% 59,76% 41,12%
Análise 2 CDI Médio Per. 4,34%
PMD CCR BCC

% CDI -9,66% 42,18% 40,56% 26,18% 18,01%
Fonte: Autor.
Com o que foi exposto neste capítulo se nota a superioridade dos modelos DEA em
relação à modelagem PMD, e que apesar de apresentar melhor desempenho ex-post a
modelagem CRS não deve ser considerada devido ao pequeno número de ativos alocados e, por
consequência, a baixa diversificação e alta concentração nos ativos alocados; contudo, os ativos
resultantes deste modelo apresentaram performance superior que comprovaram terem sido
escolhidos.
99
7. CONCLUSÕES
Este capítulo trata das principais conclusões obtidas com a elaboração desta tese, além
de apresentar, complementarmente, algumas sugestões para a realização de trabalhos futuros.
7.1. Considerações Gerais
Esta pesquisa teve como objetivo introduzir e mostrar a utilização dos modelos DEA na
gestão de portfólios de debêntures, contudo, os modelos aqui apresentados também podem ser
usados em outros produtos financeiros como Certificados de Recebíveis Agrícolas (CRAs) e
Certificados de Recebíveis Imobiliários (CRIs), além disto, é possível extrapolar os modelos
com ajustes nas entradas e saídas para outros produtos de investimentos como: Certificado de
Depósito Bancário (CDB), Letra de Câmbio (LC), Letra de Crédito Agrícola (LCA) e Letra de
Crédito Imobiliário (LCI) e Letra Financeira (LF).
Além do objetivo supracitado, outro ponto é contribuir para a gestão de carteiras de
crédito corporativo no Brasil, pois há uma carência de artigos que tratam deste tema. Um ponto
adicional neste trabalho foi expurgar o risco de crédito do risco de mercado, uma vez que são
raros os trabalhos de otimização, até então existentes no país, que consideravam, no preço do
ativo, o risco de mercado segregado do risco de crédito. Outra visão adicional, com relação ao
risco de crédito em debêntures, é que quando ele é tratado, um dos objetivos é se obter as
probabilidades de default das empresas emissoras negociadas em bolsa através do modelo KMV,
o que restringe o seu uso, pois nem todos os emissores deste produto são empresas de capital
aberto e para o caso específico das debêntures incentivadas há uma grande presença de
Sociedades de Propósito Específico (SPEs) para os projetos de infraestrutura o que restringe a
utilização deste modelo. Alternativa adicional para a obtenção da probabilidade de default se
faz via modelo de Merton (1974), mas em ambos os modelos um ponto importante é qual a taxa
de recuperação a ser inserida no modelo, que para o caso brasileiro, é de extrema dificuldade
de obtenção.
Os spreads obtidos nesta tese foram extraídos de informações fornecidas por um
autorregulador de mercado, possuindo um processo de captura e metodologia de conhecimento
dos players de mercado, e é claro, que quando a liquidez do ativo objeto deste estudo for
superior a atual, haverá a migração para a utilização de preços negociados ao invés dos preços
indicativos.
100
Os modelos DEA clássicos agregam como ferramenta para a gestão do risco de crédito.
Eles apresentam algumas características interessantes, como:
i. Facilidade de entendimento.
ii. Simulações com muita rapidez e sem necessidade de grandes bases de dados.
iii. Podem reduzir os custos de transação e operacionais na gestão de carteiras de crédito.
iv. Possibilidade de inclusão de variáveis além da volatilidade e retorno.
v. Agregação de inputs e outputs característicos do produto, segmento ou mercado.
Os itens i e ii foram amplamente expostos ao longo da tese e com relação ao item iii,
um benefício dos modelos DEA, é a redução do número de ativos componentes dos portfólios,
pois as alocações apresentaram performances significativas, com redução na quantidade de
ativos, que se traduz na diminuição do universo de ativos a serem acompanhados pelos analistas
e gestores; isto porque, na gestão das carteiras de crédito os modelos são ferramentas de gestão
e auxiliam na tomada de decisão, contudo é essencial o monitoramento das informações
relativas à emissão e do emissor como: atualização de informações financeiras, alterações
acionárias, mudanças na alta administração, situação dos covenants, entre outras. Em
contrapartida, um cuidado adicional deve ser dado a concentração da carteira, pois a gestão de
liquidez das debêntures deve ser monitorada e as exposições têm que refletir um tamanho
coerente com o volume negociado do ativo, evitando que uma venda impacte negativamente o
resultado decorrente do efeito da pouca negociação da debênture; além do que, em mercados
que apresentam pouco giro, geralmente ocorrem grandes diferenças entre o bid-ask.
O item iv diz respeito a possibilidade da inclusão de outros parâmetros na otimização
que não apenas a volatilidade e o retorno, característica do modelo de Markowitz, possibilitando
assim que o resultado possa ser mais abrangente e não se limitando em apenas duas variáveis.
Já o item v menciona a possível agregação de inputs e outputs que segue a mesma linha do item
iv, porém neste caso, com o objetivo de discriminar DMUs com características distintas devido
a tipificação do produto ou segmento econômico ou mesmo características de mercado.
Com relação aos resultados dos modelos analisados neste trabalho se verificou que os
modelos DEA apresentaram nas alocações ex-ante respostas superiores a modelagem PMD; os
números não se resumem apenas ao índice de Sharpe, mas, também, ao Duration Times Spread,
sendo que com relação ao IS, dentre os modelos de Análise Envoltória de Dados, o modelo
BCC foi o mais eficiente, e a variante híbrida superior a modelagem pura. Outra consideração
diz respeito ao modelo CCR que, devido as características de escolha dos ativos visando uma
eficiência global, tem como resultado a redução da quantidade dos ativos alocados; e com isto,
pelo menos para o universo de debêntures analisadas e as variáveis de inputs e outputs utilizadas,
101
não se recomenda o seu uso, pois a sua adoção poderá acarretar potenciais problemas de
liquidez, conforme citação anterior.
Algumas ressalvas devem ser feitas aos modelos DEA, principalmente ao modelo CCR:
a primeira, é que o escopo deste trabalho se limitou à utilização de debêntures de infraestrutura,
e caso fossem inseridas debêntures não incentivadas que apresentassem duration mais curtos e
estivessem em diferentes segmentos, poderia ser que o modelo alocasse mais ativos, contudo,
este aumento da base de ativos abrangendo outros ativos que não sejam de infraestrutura ficará
como sugestão futura. A segunda ressalva, diz respeito a um conjunto de dados com maior
amplitude de setores econômicos, e que possam ser inseridas novas variáveis de entrada ou
saída, por exemplo, setoriais, e caso seja possível a inclusão de novos parâmetros, estes poderão
aumentar o número de ativos alocados.
Analisando o resultado ex-post, a modelagem de Data Envelopment Analysis confirmou
o que foi observado nas alocações iniciais, sendo vencedora; contudo, os modelos CRS
apresentaram resposta superior as metodologias VRS o que confirmou a eficiência da
otimização global, e que os ativos escolhidos pelo CCR são realmente mais eficientes, e,
portanto, devem ser utilizados, entretanto, isto não faz com este modelo, como foi
parametrizado, seja elegível dadas as limitações do número de ativos alocados. Outro ponto é
que os modelos puros demonstraram performance superior aos híbridos, no entanto para o caso
do CRS este fato é explicado pela pequena quantidade de ativos alocados, possibilitando que
este tipo de distorção ocorra, já para o VRS, a razão do critério puro ter apresentado melhor
resultado foi devido a presença de um outlier na alocação de fevereiro/19. A recomendação é
pela utilização dos modelos híbridos, pois resultaram em IS maiores na alocação ex-ante, além
de utilizar uma metodologia para atribuição dos pesos muito usada tanto pelos praticantes
quanto na academia.
Por tudo que foi mencionado, esta pesquisa mostrou que os modelos DEA apresentaram
performance superior ao modelo de Markowitz, para a carteira com máxima diversificação,
justificando o seu uso, contudo, uma observação deve ser feita, pois em algumas alocações o
número de ativos utilizados foi pequeno e para a diversificação da carteira isto não é positivo;
no entanto, continua igualmente válida a observação para o modelo BCC, com relação ao
aumento do universo de debêntures elegíveis na otimização, e como potencial resultado o
incremento do número de ativos alocados.
Vale mencionar o grau de concentração do escore creditício das debêntures no país; foi
visto que em torno de 90% dos ratings se situavam nas quatro melhores notas, e isto não ocorre
apenas nesta base de debêntures de infraestrutura, é uma característica presente neste mercado.
102
Caso o mercado apresentasse uma maior diversificação em relação aos ratings os modelos
poderiam ser testados de uma forma mais ampla, já que na amostra utilizada não foi observado
nenhum ativo que não fosse investment grade.
Como pontos positivos da pesquisa têm-se: oferecer aos participantes do mercado e para
a academia uma opção inédita de modelos a serem utilizados na otimização de ativos de crédito,
aumentando a gama de modelos e adicionando uma alternativa neste processo; criar
oportunidade para que outros modelos DEA, de maior complexidade, possam ser testados
juntamente com modelos de otimização multi-período mais sofisticados, e por último,
apresentar uma nova métrica para auxiliar na gestão de portfólios de crédito no Brasil que é o
Duration Times Spread. Outro ponto a ser destacado é a contribuição deste estudo na gestão
de carteiras de crédito, pois com o país apresentando níveis de taxa de juros abaixo dos
patamares históricos, há o incremento da procura dos investidores pela diversificação nos
investimentos e por ativos de maior risco, fazendo com que potencialmente, asset managements,
whealth managements e investidores institucionais procurem maior especialização, e utilizem
ferramentas para otimização de carteiras.
Uma consideração é que as otimizações analisadas não visam substituir a abordagem de
Markowitz, pois o estudo se limitou a utilização de um portfólio dentre os diversos possíveis
na fronteira eficiente, que é uma carteira com diversificação máxima, no entanto, abriu espaço
para discussões da adoção de modelos DEA, desde os mais simples até os mais complexos, uma
vez que estudos posteriores com modelagens mais sofisticadas poderão contribuir para a gestão
de carteiras.
Por último, o trabalho descreve de forma didática, a possibilidade de replicação dos
modelos expostos contribuindo para a evolução do mercado financeiro brasileiro.
7.2. Recomendações para Trabalhos Futuros
Esta tese tratou de debêntures de infraestrutura, contudo esta metodologia pode ser
aplicada também para as outras debêntures em IPCA, além de CRIs e CRAs indexados a este
índice de inflação. Uma primeira sugestão é se refazer a análise aumentando o universo dos
ativos a serem alocados, proporcionando assim uma maior diversificação entre setores, por
exemplo, caso sejam inseridas uma gama maior de debêntures, não apenas as de infraestrutura,
e inseri-las juntamente com CRIs e CRAs mantendo o indexador do estudo, com isto, serão
contemplados inúmeros setores da economia, aumentando a riqueza das análises e, inclusive,
possibilitando a inclusão de outras variáveis, como por exemplo, resgate antecipado e nível de
103
ESG (Environmental, Social and Governance) dos emissores, tema muito em voga atualmente.
Extrapolando um pouco mais, esta consideração, igualmente pode ser realizada uma análise
agregando outros indexadores como, por exemplo, Percentual de CDI ou CDI mais coupon
fechando praticamente o universo de debêntures, CRIs e CRAs emitidos no país.
O estudo abrangeu o período de dois anos no qual se observou alta volatilidade devido
a COVID-19, uma sugestão seria de agregar também um período que apresente estabilidade
para se comparar as performances entre os modelos em períodos de diferentes níveis de risco.
Outra sugestão para trabalhos futuros é a inclusão de uma metodologia para estabelecer
a quantidade mínima de ativos resultantes por alocação, e caso o número de debêntures
resultantes deste processo seja inferior ao mínimo estabelecido, utilizar os ativos que estejam
mais próximos da fronteira de eficiência nos modelos DEA, porém seus pesos serão inferiores
aos pesos das debêntures eficientes.
Uma possível evolução no estudo é criar um processo de conversão estruturado para os
ratings dos ativos no output do modelo. Uma sugestão é encontrar uma razão entre as curvas
com ratings distintos abrangendo as classes de AAA a BBB- e, para que isto ocorra, sugere-se
os produtos citados acima (debêntures, CRIs e CRAs), podendo inclusive serem utilizados
diferentes indexadores, pois, apesar do que foi citado no capítulo 2, que estudos anteriores
verificaram a existência de spreads distintos de crédito para um mesmo emissor com prazos
equivalentes e indexadores distintos, caso este evento continue ocorrendo, o seu impacto no
modelo DEA provavelmente será pequeno, mas deverá ser analisado antes da implantação.
Outra melhoria a ser realizada diz respeito à completude da base de dados para os casos
de dados faltantes, pois critérios de preenchimento de dados mais robustos poderão ser
utilizados neste quesito.
Nesta tese foram comparados modelos determinísticos de alocação, mas, um trabalho
interessante seria a comparação de modelagens estocásticas tanto na alocação de ativos
(Markowitz) quanto na análise de eficiência (DEA).
Por fim, à medida que o mercado de debêntures no país evolua, se possa trocar preços
indicativos por preços negociados e se obtenha informações de bid-ask de forma dinâmica, será
possível realizar a segregação entre os três riscos financeiros: crédito, liquidez e mercado. A
partir deste ponto, haverá a possibilidade da construção de modelos de otimização aos quais
cada tipo de risco seja adequadamente tratado. Como uma última sugestão futura, quando for
possível a separação entre estas fontes de incertezas, sugiro uma otimização DEA levando em
consideração os retornos e volatilidades dos três diferentes riscos financeiros.
104
REFERÊNCIAS
Adams, K.; Van Deventer, D. Fitting yield curves and forward rate curves with maximum
smoothness. Journal of Fixed Income, 4(1):52–62, 1994.
Adler, N.; Friedman, L.; Sinuany-Stern, Z. Review of ranking methods in the data envelopment
analysis context. European Journal of Operational Research, Amsterdam, v. 140, n. 2, p. 249-
65, jul. 2002.
Aguiar, B. T. Determinantes da Remuneração de Debêntures no Mercado Brasileiro.

Dissertação (Mestrado em Economia). Escola de Economia de São Paulo. Fundação Getúlio
Vargas. São Paulo: FGV-EAESP, 2012.
Alexander, C. Market Risk Analysis Volume II. John Wiley & Sons Ltd. March 2009.
Alinezhad, A.; Zohrebandian, M.; Dehdar, F. Portfolio Selection using Data Envelopment
Analysis with common weights. Iranian Journal of Optimization (IJO), Vol. 2, No. 2, pp. 323-
333, 2010.
Anderson, C. W. Financial Contracting Under Extreme Uncertainty: An Analysis of Brazilian

Corporate Debentures. Journal of Financial Economics, v.51, p. 45-84, 1999.
Anderson, R. I.; Springer, T. Selection and portfolio construction: using operating efficiency as
an indicator of performance. Journal of Real Estate Portfolio Management, Jan-Apr., 2003.
Araújo, V.G.; Barbedo, C.H.S.; Vicente, J. V. M. Construção da Curva de Juros no mercado

brasileiro utilizando a parametrização de Nelson Siegel. Revista de Administração da USP. v.48,
n1, p.98-113, jan/fev/mar. 2013.
Ardehali, P. H.; Paradi, J. C.; Asmild, M. Assessing Financial Risk Tolerance of Portfolio
Investors using Data Envelopment Analysis. International Journal of Information Technology
& Decision Making. Vol. 4, No. 3, 491-519, 2005.
Arêas, D. B. Avaliação do ensino superior da Engenharia de Produção da UFRJ usando DEA e

uma abordagem qualitativa. Dissertação (Mestrado em Engenharia de Produção). Universidade
Federal do Rio de Janeiro. Rio de Janeiro: UFRJ, 2005.
Asmild, M.; Paradi, J. C.; Reese, D. N.; Tam, F. Measuring overall efficiency and effectiveness
using DEA. European Journal of Operational Research, Amsterdam, v. 178, n. 1, p. 305-21, abr.
2007.
Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais (ANBIMA).

Metodologia de Curvas de Crédito. Disponível em: <https://www.anbima.com.br/data/files/
05/43/3E/84/E12D7510E7FCF875262C16A8/metodologia-curvas_20credito_20131104_v2_
1_.pdf>. Acesso em: dez. 2020.

Metodologia IDA - Índice de Debêntures ANBIMA (2016). Disponível em:
<https://www.anbima.com.br/data/files/25/A3/C0/29/522D7510E7FCF875262C16A8/Metod
ologia_IDA_1_.pdf.> Acesso em: dez. 2020
105

Projetos e Emissões Incentivadas (Lei 12.431). Disponível em:
<https://www.anbima.com.br/pt_br/informar/estatisticas/mercado-de-capitais/projetos-e-
emissoes-incentivadas-lei-12-431-consolidado-historico.htm>. Acesso em: dez. 2020

Boletim de Mercado de Capitais. Disponível em: <https://www.anbima.com.br/pt_br/informar/
relatorios/mercado-de-capitais/boletim-de-mercado-de-capitais/mercado-de-capitais-em-
outubro-registra-captacao-de-r-35-3-bilhoes-e-alcanca-r-275-1-bilhoes-no-ano.htm>. Acesso
em: dez. 2020

Boletim de Renda Fixa. Disponível em: <https://www.anbima.com.br/pt_br/informar/
relatorios/renda-fixa-tesouraria/boletim-renda-fixa/boletim-renda-fixa.htm>. Acesso em: jan.
2021

Metodologia Estrutura a Termo de Taxa de Juros. (2010). Disponível em:
<https://www.anbima.com.br/data/files/18/42/65/50/4169E510222775E5A8A80AC2/est-
termo_metodologia.pdf>. Acesso em: jun. 2020.
Auer, B.; Schuhmacher, F. Performance hypothesis testing with the Sharpe Ratio: The case of
hedge funds. Finance Research Letters, v. 10, n. 4, p. 196-208, 2013.
Banco Central do Brasil (BACEN). Resolução 4.786

https://www.bcb.gov.br/estabilidadefinanceira/exibenormativo?tipo=Resolu%C3%A7%C3%
A3o&numero=4786. Acesso em out. 2020.
Banker, R. D.; Charnes, A.; Cooper, W. W. Some models for estimating technical and scale
inefficiencies in data envelopment analysis. Management Science, 30(9), 1078-1092, 1984.
Banker, R, D.; Chang, H.; Cooper, W. W. Equivalence and implementation of alternative

methods for determining returns to scale in data envelopment analysis. European Journal of
Operational Research, Amsterdam, v. 89, n. 3, p. 473-81, mar. 1996.
Baraukaitè, K.; Contantinescu, M. The impact of time-varying distributional parameters on

portfolio performance. Applied Economics: Systematic Research 2016, nr 10(1) p. 27-42, 2016.
Barros, C. P.; Garcia, M. T. M. Performance evaluation of pension funds management

companies with data envelopment analysis. Risk Management and Insurance Review, Mount
Vernon, v. 9, n. 2, p. 165-88, Outono, 2006.
Basso, A.; Funari, S. A data envelopment analysis approach to measure the mutual fund
performance. European Journal of Operational Research. Volume 135, number 3, pp.477-
492(16), 2001.
Becalili, E., Casu, B., Girardone, C. Efficiency Stock Performance in European Banking.
Journal of Business Finance & Accounting. Volume 33, issue 1-2, pg. 245, 2006.
106
Belluzzo, G. P. Ten Years of CVM Normative Instruction nº 476: An Overview of Covenants

and Features on Brazilian Bonds. Dissertação (Mestrado em Administração de Empresas).
Escola de Administração de Empresas de São Paulo. Fundação Getúlio Vargas. São Paulo:
FGV-EAESP, 2020.
Bisso, C. S.; Caldeira, J. F.; Samanez, C.P.; Telles, G.R. Produtividade e eficiência no mercado
de fundos de investimento no Brasil: uma abordagem comparativa. Rev. Bras. Finanças
(Online). Rio de Janeiro, Vol. 14, No. 3, pp. 323-352, July 2016.
Bolder, D. J.; Stréliski, D. Yield curve modelling at the Bank of Canada. Ottawa: Bank of
Canada. Bank of Canada Technical Report, n. 84, 1999.
Borges, L. F. X.; Lopes, L. M. P. M. B. Os valores Mobiliários e a Captação de Empréstimos

no Mercado Financeiro Doméstico. Revista do BNDES. Rio de Janeiro, v.8, n.15, p.289-308,
jun. 2001.
Bragança, G. G. F.; Pessoa, M. S.; Souza, G. M. Evolução Recente do Mercado de Debêntures

no Brasil: As Debêntures Incentivadas. TD 2158. Texto para Discussão IPEA, 2015.
Brasil. Lei Nº 6.404, de 15 de dezembro de 1976. Disponível em:

<http://www.planalto.gov.br/ccivil_03/leis/l6404consol.htm>. Acesso: jan. 2021.
Brasil. Lei Nº 12.431, de 24 de junho de 2011. Disponível em: <http://www.planalto.gov.br/

ccivil_03/_ato2011-2014/2011/lei/l12431.htm>. Acesso em: dez. 2020.
Ceretta, P.; Costa Jr., N. Avaliação e seleção de fundos de investimentos: um enfoque sobre
múltiplos atributos. Revista de Administração Contemporânea, 5(1), 7-22, 2001.
Charnes, A.; Cooper, W. W.; Rhodes, E. Measuring the efficiency of decision-making units.
European Journal of Operational Research, v. 2, n. 6, p. 429-444, 1978.
Charnes, A.; Cooper, W. W.; Rhodes, E. Evaluating program and managerial efficiency: an
application of data envelopment analysis to program follows through. Management Science,
Linthicum, v. 27, n. 6, p. 668-97, jun. 1981.
Charnes, A.; Cooper, W. W.; Huang, Z. M.; Sun, D. B. Polyhedral cone-ratio DEA models with
an illustrative application to large commercial banks. Journal of Econometrics, Amsterdam, v.
46, n. 1-2, p. 73-91, out-nov. 1990.
Charnes, A.; Cooper, W. W.; Lewin, A.Y.; Seiford, L. M. Data Envelopment Analysis: theory,
methodology, and application. Massachusetts (EUA): Kluwer, 1997.
Chela, J. L.; Salles Neto, L. L.; Butkeraites, R. B. Efficient frontier of credit risk using Monte
Carlo Simulation. Int. J. Business Intelligence and Systems Engineering, Vol. 1, No. 3, 2019.
Choi, Y. K.; Murthi, B. P. S. Relative Performance Evaluation of Mutual Funds: A

NonParametric Approach. Journal of Business Finance & Accounting, vol. 28, issue 7-8, p.853,
2001.
Comissão de Valores Mobiliários (CVM). Instrução CVM 476, de 16 de janeiro de 2009. (2009).
Disponível em: <http://www.cvm.gov.br/legislacao/instrucoes/inst476.html>. Acesso em: dez.
2020.
107
Comissão de Valores Mobiliários (CVM). Instrução CVM 400, de 20 de dezembro de 2003.

(2004). Disponível em: <http://conteudo.cvm.gov.br/legislacao/instrucoes/inst400.html>.
Acesso em: dez. 2020.
Cook, W.; Seiford, L. Data Envelopment analysis (DEA) – Thirty years on. European Journal
of Operational Research, v. 192, p. 1-17, 2009.
Cooper, W.; Seiford, L.; Tone, K. Data envelopment analysis: a comprehensive text with
models, application, references, and DEA-Solver Software, 2. ed. New York: Springer Science
+ Business, 2007.
Correa, A. C. O Impacto da Liquidez das Debêntures Sobre o Nível e a Variação de Seus

Spreads de Crédito. Dissertação (Mestrado em Economia). Departamento de Economia.
Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro: PUC-Rio, 2017.
Costa, D. A. Z. Fatores que influenciam o spread das debentures no Brasil. Dissertação

(Mestrado em Economia). Escola de Economia de São Paulo. Fundação Getulio Vargas. São
Paulo: FGV-EESP, 2009.
Crosbie, P.; Bohn, J. Modeling default risk moody’s KMV company’. Modeling Methodology,
December, pp.5-15, 2003.
Debreu, G. The coefficient of resource utilization. Econometrica, Menasha, v. 19, n. 3, p. 273-

92, jul. 1951.
Diebold, F. X.; Li, Canlin. Forecasting the term structure of government bonds yields. Journal
of Econometrics, v.130, n.2, p.337-364, Feb. 2006.
Dor, A. B.; Dynkin, L.; Hyman, J.; Houweling,P.; Leeuwen, E.V.; Penninga, O. DTS (Duration
Times Spread) A new measure of spread exposure in credit portfolios. Journal of Portfolio
Management vol. 33, n. 2, 77–100, Winter, 2007.
Edirisinghe, N. C. P.; Zhang, X. Generalized DEA Model of Fundamental Analysis andits

Application to Portfolio Optimization. Jounal of Banking & Finance. Vol. 31, n. 11, Nov. 2007.
Elling, M. Performance Measurement of hedge funds using data envelopment analysis.

Financial Markets and Portfolio Management 20: 4, 442, 2007.
Fare, R.; Groskop, S.; Lowell, C. A. K. The Measurement of Efficiency and Production.
Kluwer-Nijhoff, Publishing, Boston, 1985.
Farrel, M. J. The measurement of productive efficiency. Journal of the Royal Statistical Society
- Series A, Londres, v. 120, n. 3, p. 253-90, 1957.
Ferreira, C. M.; Gomes, A. P. Introdução à Análise Envoltória de Dados – Teoria, Modelos e

Aplicação. Viçosa: Editora UFV, 2009.
Ferreira, M. P.; Ribeiro, A. M; Palhares, C. M. G.; Carmo, C. H. S. Fatores Explicativos do Uso

de Garantias Reais em Escrituras de Emissões de Debêntures no Brasil. Anais... XLIV
ENANPAD, Evento Online, 2020.
108
Filgueira, L. A. L.; Leal, R. P. C. Uma Análise das Cláusulas das Escrituras de Emissão de
Debêntures Brasileiras após a Estabilização Econômica. Anais... XXII ENANPAD, Foz do
Iguaçu, 1998.
Fonseca, S. E.; Fernandes, A. R.; Cunha, C. L.; Iquiapaza, R. A. Fundos de Investimento:

Performance Aplicando Modelo Carhart e Análise Envoltória de Dados. RAC, Rio de Janeiro,
v. 22, n. 3, art. 3, pp. 355-379, maio/junho, 2018.
Fraletti, P.; Eid Jr., W. A Relevância do rating e de outros fatores na determinação do

rendimento das debentures emitidas no mercado brasileiro. Working Paper 2005.
Gesualdo Neto, O. Determinantes de Liquidez de Corporate Bonds no Mercado Brasileiro.

Dissertação (Mestrado em Administração de Empresas). Escola de Administração de Empresas
de São Paulo. Fundação Getúlio Vargas. São Paulo: FGV-EAESP, 2015.
Giacomoni, B. H.; Sheng, H. H. O impacto da liquidez no retorno esperado das debêntures

brasileiras. Revista de Administração da USP. v. 48, n.1, p. 80-97, jan./fev./mar. 2013.
Godói, A. C.; Yoshino, J. A.; Oliveira, R. O. Risco de Crédito e Alocação Ótima para uma
Carteira de Debêntures. RAC São Paulo, v. 38, n. 2, p. 349-372, abril-junho, 2008.
Golany, B.; Yu, G. Estimating returns to scale in DEA. European Journal of Operational
Research, Amsterdam, v. 103, n. 1, p. 28-37, nov. 1997.
Gonçalves, P.; Sheng, H. H. O apreçamento do spread de liquidez no mercado secundário de

debêntures. Revista de Administração da USP, v. 45, n.1, p. 30-42, jan./fev./mar. 2010.
Gregouriou, G. N. The Mortality of Funds of Hedge Funds. Journal of Wealth Management,

5(4), 42-53, 2003.
Gregouriou, G. N. Optimization of the Largest US Mutual Funds Using Data Envelopment

Analysis. Journal of Asset Management, Vol. 6, 6, 445–455, 2006.
Gregouriou G. N.; Sedzro, K.; Zhu, J. Hedge Fund Performance Appraisal Using Data
Envelopment Analysis. EJOR 164(2): 555-571, 2005.
Gregouriou, G. N.; Zhu, J. Data Envelopment Analysis – A way to assess the efficiency of
funds of hedge funds. J. Portfolio Management 33 (2): 120-132, Win. 2007.
Guedes, J. Modelos Dinâmicos da Estrutura de Prazo das Taxas de Juro. IGCP Instituto de
Gestão da Tesouraria e do Crédito Público. Lisboa, Portugal. Working Paper 2008.
Haslem, J. A.; Scheraga, C. A. Data envelopment analysis of Morningstar’s largecap mutual

funds. Journal of Investing, p. 41-48, Winter, 2003.
Ho, T. S. Y.; Lee, S. B. Valuation of a Bond. The Oxford Guide to Financial Modeling. Oxford
University Press. p. 265, 2004.
Hsiao, S.; Su, S. An evaluation of investment performance and financial standing for life
insurers in Taiwan. Journal of American Academy of Business, Cambridge, v. 10, n. 1, p. 278-
84, set. 2006.
109
Hsu, C.; Shen, M.; Chen, M.; Chao, C. A study on the relationship between corporate
governance mechanisms and management effectiveness. The Business Review, Cambridge, v.
6, n. 1, p. 208-17, dez. 2006.
Huang, C.; Chiou, C.; Wu, T. An integrated DEA-MODM methodology for portfolio
optimization. Journal of Operational Research, p. 115-136, 2015.
Jensen, M. C. Risk, the Princing of Capital Assets, and the Evaluation of Investment Portfolios.
Journal of Business, v.42, p. 167-247, 1969.
JGP. Metodologia Idex (jun. 2019). Disponível em: <https://admin.jgp.com.br/wp-

content/uploads/2020/06/Metodologia-%C3%8Dndice-de-Cr%C3%A9dito-Local-JGP-
Jul19.pdf>. Acesso em: dez. 2020.
Jin, C.; Chen, W.; Yu, S. Robust Portfolio Selection Based on Optimization Methods. Chinese
Control Conference, 2018.
José, L. M. Previsibilidade do Mercado de Debêntures no Nível da Firma. Dissertação

(Mestrado em Economia). Faculdade de Economia, Administração e Contabilidade.
Universidade de São Paulo. São Paulo: FEA-USP, 2019.
Kassai, S. Utilização de DEA em Demonstrações Contábeis. Tese (Doutorado em

Contabilidade e Atuária). Faculdade de Economia, Administração e Contabilidade.
Universidade de São Paulo. São Paulo: FEA-USP, 2002.
Kimura, H. Evidências empíricas de aspectos determinantes do tipo de debênture em emissões

no mercado brasileiro. Anais... VI SEMEAD, Seminários em Administração FEA-USP, 2003.
Krauter, E. A Influência da estabilidade econômica nas características das debêntures

brasileiras. Anais... X SEMEAD, Seminários em Administração FEA-USP, 2007.
Kreander, N.; Gray, R. H.; Powder, D. M.; Sinclair, C. D. Evaluating the Performance of Ethical
and Non-ethical Funds: A Matched Pair Analysis. Journal of Business& Accounting, 32 (7-8),
1465-1493, 2005.
Kunzler, M. S. Aplicação da Análise de Componentes Principais na Estrutura a Termo de Taxa

de Juros, com Ênfase na Imunização de Carteiras de Renda Fixa. Dissertação (Mestrado em
Economia). Faculdade de Ciências Econômicas. Universidade Federal do Rio Grande do Sul.
Porto Alegre: UFRGS, 2019.
Lamb, D. J.; Tee, K. Data Envelopment Analysis Models of Investment Funds. European
Journal of Operational Research. 216, 2012.
Lopes, A. L. M.; Lanzer, E.; Lima, V. M. Avaliação do desempenho de carteiras de ações

selecionadas pelo modelo de Análise Envoltória de dados – DEA. Anais... Congresso da
Associação dos Analistas e Profissionais de Investimento do Mercado de Capitais, ed. 19,
Fortaleza, 2006.
Lopes, A. L. M.; Lima, M. V. A.; Dutra, A.; Saurin, V. Data Envelopment Analysis – DEA
como Estratégia para Seleção de Carteiras de Investimento: uma aplicação a 13 anos do
mercado de ações brasileiro. Anais... XXXII ENANPAD, Rio de Janeiro, 2008.
110
Lopes, A. L. M.; Carneiro, M. L; Schneider, A. B. Markowitz na Otimização de Carteiras

Selecionadas por Data Envelopment Analysis – DEA. GES – Revista Gestão e Sociedade
CEPEAD/UFMG vol. 4, nº 9, setembro/dezembro, 2010.
Luiz, E. L. A.; Gaio, L. E.; Ambrozini, M. A.; Pimenta, T. J. Análise da significância do rating
e outras variáveis na remuneração das debêntures brasileiras. Revista de Administração da
Universidade Federal de Santa Maria, v.12, número 5, p. 931-952, 2019.
Luo, C.; Seco, L.; Wu, L. B. Portfolio optimization in hedge funds by OGARCH and Markov
Switching Model. The International Journal of Management Science, v.57, p. 34-39.
Macedo, M. A. S.; Fontes, P. V. S.; Cavalcante, G. T.; Macedo, H. D. R. Análise do grau de

atratividade de fundos de renda fixa: Uma abordagem multicriterial da estrutura de oferta
ultilizando DEA. Contextus - Revista Contemporânea de Economia e Gestão, 8(1), 71-82, 2010.
Markowitz, H. Portfolio selection. Journal of Finance, v. 7, n. 1, p. 77-91, 1952.
Markowitz, H. Portfolio Selection: Efficient Diversification of Investments, Wiley, Yale

University Press, 1970, Basil Blackwell, 1991, 1959.
Markowitz, H. Mean-variance approximations to expected utility. European Journal of

Operational Research, v. 234, n. 2, p. 346-355, 2014.
Marques, T. A.; Ribeiro, K. C. S.; Barbosa, F. Corporate Governance and debt securities issued
in Brazil and India: A multi-case study. Research in International Business and Finance, v. 45,
p.257-270, oct. 2018.
McCulloch, J. Measuring the term structure of interest rates. Journal of Business, [s.l.], v. 44,
n. 1, p. 19-31, 1971.
Mello, J. S.; Meza, L.; Gomes, E.; Biondi Neto, L. Curso de Análise Envoltória de Dados.
XXXVII Simpósio Brasileiro de Pesquisa Operacional. Gramado-RS, p. 2520-2547, 2005.
Mellone Jr., G.; Eid Jr., W.; Rochman, R. Determinação das taxas de juros das debentures no
mercado brasileiro. 2º Encontro Brasileiro de Finanças, Rio de Janeiro, 2002.
Melo, A. R.; Macedo, A. S. M. Desempenho das Carteiras de Ações de Fundos de Investimento

Multimercado Macro no Brasil no Período de 2005 a 2010: Uma Análise Focada na
Seletividade e no Índice de Eficiência da DEA. Revista de Finanças Aplicada, v.1, 2012.
Merton, R. C. On the pricing of corporate debt: the risk structure of interest rates. Journal of
Finance, p. 449-470, 1974.
Min, H.; Foo, S. F. Benchmarking the operational efficiency of third-party logistics providers
using data envelopment analysis. Supply Chain Management, Bradford, v. 11, n. 3, p. 259-65,
2006.
Murcia, Flávia C. de S.; Murcia, Fernando D.; Rover, S.; Borba, J. A. The Determinants of
Credit Rating. BAR Rio de Janeiro, v. 11, n. 2, art. 4, pp. 188-209, Apr/June 2014.
Nelson, C. R.; Siegel, A. F. Parcimonius modeling of yield curves. The Journal of Business,
v.60, n.4, p.473-489,1987.
111
Neves, F. C. A relação do monitoramento e transparência com a quantidade de covenants nos

contratos de debenture. Dissertação (Mestrado em Contabilidade). Centro de Ciências Jurídicas
e Econômicas. Universidade Federal do Espírito Santo. Vitória-ES: UFES, 2017.
Nunes, R. M.; Fernandes, M. Brazilian Corporate Debt Issuance: Should One Invest in Local
or International Bonds. Brazil Review of Econometrics, v.34, nº 2, pp. 125-154, 2014.
Paiva, E. V. S. Fatores Determinantes do Preço de Emissão Primária de Debêntures no Brasil:

Uma Análise Exploratória. Dissertação (Mestrado em Administração de Empresas). Faculdade
de Economia, Administração e Contabilidade. Universidade de São Paulo. São Paulo: FEA-
USP, 2006.
Paiva, E. V. S; Savoia, J. R. F. Pricing Corporate Bonds in Brazil: 2000 to 2004. Journal of

Business Research, v.62 Issue 9, p.916-919, Sep. 2009.
Paiva, E.V.S. Formação de Preços de Debêntures no Brasil. Tese (Doutorado em Administração

de Empresas). Faculdade de Economia, Administração e Contabilidade. Universidade de São
Paulo. São Paulo: FEA-USP, 2011.
Paiva, E. V. S.; Savoia, J. R. F. Diferenças de Rating e Variáveis Financeiras. XIV SEMEAD,

Seminários em Administração FEA-USP, 2011.
Powers, J.; McMullen, P. R. Using Data Envelopment Analysis to Select Efficient Large Market
Cap Securitiries, Journal of Business and Management Volume 7, Number 2, 31-42, Fall, 2000.
Rafaeli, L. A Análise Envoltória de Dados como ferramenta para Avaliação do Desempenho

Relativo. Dissertação (Mestrado em Engenharia de Produção). Escola de Engenharia.
Universidade Federal do Rio Grande do Sul. Porto Alegre: UFRGS, 2009.
RiskMetrics Technical Document. J.P.Morgan/Reuters. Fourth Edition, 1996. December 17,

1996.
Rotela Jr., P.; Pamplona E.; Salomon, F. Otimização de Portfólios: Análise de Eficiência, RAE
São Paulo V. 54 n. 4, 405-413, jul-ago 2014.
Rotela Jr., P. Otimização robusta de portfólios: Avaliação da eficiência sob condições de risco
e incerteza na abordagem de estado de baixa do mercado. Tese (Doutorado em Engenharia de
Produção). Universidade Federal de Itajubá. Itajubá-MG: UNIFEI, 2015.
Rozenbaum, S. As Debêntures Conversíveis em Ações podem ser um instrumento financeiro

eficaz na captação de recursos a longo prazo para as empresas brasileiras? Dissertação
(Mestrado em Administração de Empresas) Pontifícia Universidade Católica do Rio de Janeiro.
Rio de Janeiro: PUC-Rio, 2004.
Saito, R.; Sheng, H. H.; Koshio, S.; Dutra, M. G. L. Embebed Governance in Corporate Bond
Indentures: Evidence from Brazil, 1998-2001. International Finance Review, April 2005.
Sanchez, J.C.M.; Sotres-Ramos, D.; Guzmán, M.E.R. Portfolio Selection with Conditional
Covariance Matrix and Nonlinear Programming. Advances and Applications in Statistics, v. 19,
n.5, p. 343-355, 2016.
112
Santos, B. L. Debêntures conversíveis: a falta de disciplina legal quanto aos direitos dos
debenturistas nos casos de reorganizações societárias. Revista do BNDES 37, junho, 2012.
Sarica, K.; Or, I. Efficiency assessment of Turkish power plants using data envelopment
analysis. Energy, [S.l], v. 32 n. 8, p. 1484-99, ago. 2007.
Schuster, M.; Auer, B. A note on empirical Sharpe Ratio dynamics. Economics Letters, v. 116,
n. 1, p. 124-128, 2012.
Scichili, M.C.F. Liquidity Proxies in the Brazilian Debenture Market. Dissertação (Mestrado
em Administração de Empresas). Escola de Administração de Empresas de São Paulo.
Fundação Getúlio Vargas. São Paulo: FGV-EAESP, 2015.
Sharpe, W. F. A simplified model for portfolio analysis. Management Science, n. 9, 1963.
Sharpe, W. Mutual Fund Performance. Journal of Business, vol. 39, n. 1. Jan, 1966.
Sheng, H. H.; Saito, R. Determinantes de Spread das Debentures no Mercado Brasileiro. Anais...
XXVII ENANPAD, Atibaia, 2003.
Sheng, H. H; Saito, R. Efeito da Padronização dos Contratos na Emissões de Debêntures.

Anais... XXVIII ENANPAD, Curitiba, 2004.
Sheng, H. H.; Saito, R. Importância do Rating na Padronização de Debêntures. RAE v.46 nº 2.

Abr/Jun 2006.
Sheng, H. H.; Saito, R. Liquidez das Debentures no mercado brasileiro. Revista de

Administração da USP. v.43, n2, p.176-185, abr./mai./jun. 2008.
Silva, E. G.; Costa, J. S. Are voters rationally ignorant? An empirical study of Portuguese local
elections. Portuguese Economic Journal, Berlin, v. 5, n. 1, p. 31-44, maio, 2006.
Silva, E. S.; Santos, J. F.; Torres, F. J. V.; Ferreira, L. F. V. M. Os efeitos da Governança

Corporativa sobre os ratings de crédito das Debêntures emitidas por empresas listadas nos
níveis diferenciados de governança da Bovespa. Anais... XXXIII ENANPAD, São Paulo, 2009.
Silva, E. S.; Santos, J. F.; Torres, F. J. V.; Neves, M. B. E.; Carmona, C. U. M. Será Que os
Ratings de Crédito e os Spread das Debêntures São Influenciados Pelas Práticas de Governança
Corporativa? Anais... XXXIV ENANPAD, Rio de Janeiro, 2010.
Stagnol, L. The Risk Parity Principle applied on a Corporate Bond Index using Duration Times
Spread. EconomiX Working Papers 2016-27, University of Paris Nanterre, EconomiX, 2016.
Svensson, L.E.O. Estimating and interpreting forward interest rates: Sweden 1992-1994. NBER
Working Paper, n. 4871. Cambridge (USA): National Bureau of Economica Reaserch, 1994.
Tarantin Jr., W. Efeitos da redução de restrições financeiras para a captação de dívidas no

mercado de capitais brasileiro sobre o financiamento e o investimento de companhias brasileiras
de capital aberto e fechado. Tese (Doutorado em Controladoria e Contabilidade). Faculdade de
Economia, Administração e Contabilidade. Universidade de São Paulo. São Paulo: FEA-USP,
2019.
113
Thompson, R. G.; Singleton Jr., F. D.; Thrall, R. M.; Smith, B. A. Comparative site evaluations
for locating a high-energy physics lab in Texas. Interfaces, Linthicum, v. 16, n. 6, p. 35-49,
nov.-dez. 1986.
Thompson, R. G.; Langemeier, L. N.; Lee, C.; Lee, E.; Thrall, R. M. The role of multiplier
bounds in efficiency analysis with application to Kansas farming. Journal of Econometrics,
Amsterdam, v. 46, n. 1-2, p. 93-108, out-nov. 1990.
Tse, Y. K. Stock Returns Volatility in the Tokyo Stock Exchange. Japan and the World
Economy. Vol.3, No. 3, pp. 285-298, 1991.
Xidonas, P.; Tsionas, M.; Zopounidis, C. On mutual funds-of-ETFs asset allocation with
rebalancing: sample covariance versus EWMA and GARCH. Annals of Operations Research
volume 284, pages 469–482 (2020). Published 15 sep. 2018.
Wajnberg, D. Debêntures de infraestrutura: emissões realizadas e perspectivas. Revista do

BNDES 41, junho, 2014.
Wang, J. Corporate performance efficiency investigated by data envelopment analysis and

balanced scorecard. Journal of American Academy of Business, Cambridge, v. 9, n. 2, p. 312-
8, set. 2006.
Wong, Y. B.; Beasley, J. E. Restricting weight flexibility in data envelopment analysis. The
Journal of the Operational Research Society, Oxford, v. 41, n. 9, p. 829-35, set. 1990.
Zaffaroni, P. Large-scale volatility models: theoretical properties of professionals’ practice

Journal of Time Series Analysis, v. 28, p. 581-599, may, 2018.
114
APÊNDICES
APÊNDICE A – COMPOSIÇÃO DAS ALOCAÇÕES MENSAIS POR MODELO

Figura 12. Composição das Alocações dos Modelos: Alocação 2 – Fev/19
Modelo PMD Ativos 4 Modelo CCR Puro Híbrido
Deb. Aloc. 19 Alocação fev/19 Tot. Deb. 32 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 0,003% 0,82% 10 0,023% 402 25,00% 22,71%
MRSL17 0,006% 0,40% 9 0,076% 580 5,58% GASP33 0,007% 1,09% 10 0,033% 275 25,00% 25,95%
ODTR11 0,061% 4,99% 2 0,334% 1.375 2,25% RVIO14 0,014% 1,97% 8 0,053% 290 25,00% 28,49%
RVIO14 0,014% 1,97% 8 0,053% 290 5,58% RNEP11 0,019% 2,86% 9 0,056% 725 25,00% 22,85%
VALE18 -0,014% 0,89% 10 0,088% 359 4,19% 100,00% 100,00%
VALE28 -0,033% 0,70% 10 0,135% 907 2,82%
VALE38 -0,021% 0,63% 10 0,144% 1.292 0,06% Ativos 6 Modelo BCC Puro Híbrido
VALE48 -0,060% 0,74% 10 0,215% 1.550 1,23% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
RDLA12 0,005% 1,83% 7 0,080% 350 1,76% APAR16 0,003% 0,82% 10 0,023% 402 16,67% 36,21%
VLIM11 0,011% 0,99% 9 0,070% 326 0,01% GASP33 0,007% 1,09% 10 0,033% 275 16,67% 28,75%
GASP14 0,013% 0,85% 10 0,088% 453 9,53% ODTR11 0,061% 4,99% 2 0,334% 1.375 16,67% 3,07%
GASP24 0,019% 0,54% 10 0,067% 776 28,57% RVIO14 0,014% 1,97% 8 0,053% 290 16,67% 13,62%
TIET34 -0,003% 1,22% 9 0,044% 441 9,97% RNEP11 0,006% 2,86% 9 0,056% 725 16,67% 16,51%
CTEL11 0,002% 1,59% 9 0,067% 975 8,15% CHPA11 -0,004% 3,22% 8 0,222% 1.429 16,67% 1,83%
ENBR15 0,018% 0,69% 8 0,136% 613 4,36% 100,00% 100,00%
CEAD11 -0,004% 1,90% 8 0,202% 1.438 1,05%
EGIE17 -0,018% 0,48% 10 0,111% 1.284 5,52% CCR BCC
EGIE27 0,007% 0,52% 10 0,179% 1.695 3,27% PMD Puro Híbrido Puro Híbrido
CEAR26 0,029% 0,63% 10 0,255% 1.264 6,04% Vol (ad) 0,016% 0,026% 0,026% 0,081% 0,022%
VNTT11 -0,003% 2,28% 5 0,089% 1.229 0,07% Ret (ad) 0,008% 0,011% 0,011% 0,014% 0,008%
Sharpe 0,540 0,420 0,420 0,177 0,356
Dur (du) 780 423 411 749 452
Spread (aa) 0,96% 1,68% 1,68% 2,49% 1,56%
DTS 298 283 274 741 281
Figura 13. Composição das Alocações dos Modelos: Alocação 3 – Mar/19

Deb. Aloc. 19 Alocação mar/19 Tot. Deb. 35 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 0,005% 0,76% 10 0,021% 382 25,00% 47,81%
ENBR24 0,004% 0,97% 10 0,11% 359 5,88% GASP33 0,002% 1,10% 10 0,028% 256 25,00% 36,84%
MRSL17 0,002% 0,34% 7 0,07% 592 9,91% ODTR11 0,264% 3,18% 2 0,755% 1.369 25,00% 1,38%
MRSL27 -0,032% 0,84% 7 0,11% 1.109 13,68% RVIO14 0,009% 1,69% 8 0,042% 270 25,00% 13,97%
ODTR11 0,264% 3,18% 2 0,76% 1.369 0,58% 100,00% 100,00%
VALE18 -0,008% 0,97% 10 0,06% 339 2,97%
VALE28 -0,019% 0,82% 10 0,09% 886 2,42% Ativos 6 Modelo BCC Puro Híbrido
RDLA12 -0,004% 1,94% 7 0,06% 330 4,07% APAR16 0,005% 0,76% 10 0,021% 382 16,67% 34,60%
GASP14 0,021% 0,54% 10 0,07% 433 5,67% GASP33 0,002% 1,10% 10 0,028% 256 16,67% 35,90%
GASP24 0,036% 0,38% 10 0,12% 756 2,78% ODTR11 0,264% 3,18% 2 0,755% 1.369 16,67% 1,09%
TIET34 0,010% 1,04% 9 0,05% 421 18,37% RVIO14 0,009% 1,69% 8 0,042% 270 16,67% 17,71%
CTEL11 -0,001% 1,60% 8 0,06% 954 9,63% GASP14 0,021% 0,54% 10 0,074% 433 16,67% 5,67%
ENBR15 0,016% 0,56% 10 0,09% 593 3,60% GASP24 0,036% 0,38% 10 0,120% 756 16,67% 5,03%
CTEE14 0,007% 0,33% 10 0,04% 554 8,82% 100,00% 100,00%
CEAD11 0,003% 1,85% 8 0,12% 1.417 1,77%
EGIE17 -0,002% 0,51% 10 0,16% 1.264 1,13% CCR BCC
CEAR26 0,004% 0,66% 10 0,16% 1.244 2,50% PMD Puro Híbrido Puro Híbrido
LIGHA5 0,036% 1,24% 9 0,11% 1.275 4,71% Vol (ad) 0,014% 0,184% 0,018% 0,131% 0,020%
TIET18 0,028% 1,17% 9 0,18% 1.437 1,18% Ret (ad) 0,004% 0,070% 0,008% 0,056% 0,010%
Sharpe 0,294 0,381 0,461 0,431 0,507
Dur (du) 722 569 333 578 349
Spread (aa) 0,92% 1,68% 1,05% 1,27% 1,04%
DTS 263 380 139 292 144
115
Figura 14. Composição das Alocações dos Modelos: Alocação 4 – Abr/19

Deb. Aloc. 14 Alocação abr/19 Ativos 27 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 -0,004% 0,80% 10 0,133% 363 20,00% 12,85%
AGRU11 -0,029% 4,65% 1 0,34% 950 3,29% ENBR24 -0,002% 0,93% 8 0,066% 354 20,00% 18,64%
AGRU12 -0,015% 4,57% 1 0,36% 992 0,67% ODTR11 0,100% 3,05% 2 0,426% 1.352 20,00% 23,78%
AGRU41 0,037% 4,61% 1 0,25% 1.002 0,84% GASP14 -0,001% 0,62% 10 0,054% 414 20,00% 9,51%
APAR16 -0,004% 0,80% 10 0,13% 363 12,91% CTEE14 0,002% 0,31% 10 0,037% 535 20,00% 35,22%
ENBR24 -0,002% 0,93% 8 0,07% 354 9,66% 100,00% 100,00%
MRSL17 0,003% 0,30% 9 0,06% 573 24,63%
MRSL27 -0,005% 0,80% 9 0,07% 1.090 13,81% Ativos 10 Modelo BCC Puro Híbrido
ODTR11 0,100% 3,05% 2 0,43% 1.352 0,72% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
GASP14 -0,001% 0,62% 10 0,05% 414 5,25% APAR16 -0,004% 0,80% 10 0,133% 363 10,00% 8,23%
ALGA15 -0,001% 0,54% 9 0,08% 598 3,10% ENBR24 -0,002% 0,93% 8 0,066% 354 10,00% 9,16%
ENTV12 0,002% 1,82% 8 0,18% 1.795 6,61% NRTB11 0,016% 1,61% 9 0,064% 975 10,00% 12,29%
CEAR26 0,007% 0,64% 10 0,10% 1.225 1,87% ODTR11 0,100% 3,05% 2 0,426% 1.352 10,00% 6,12%
ENJG21 0,006% 0,67% 10 0,12% 1.262 6,34% GASP14 -0,001% 0,62% 10 0,054% 414 10,00% 13,01%
LIGHA5 0,023% 1,17% 9 0,13% 1.258 10,30% NRTB21 0,017% 1,60% 9 0,072% 975 10,00% 9,32%
CTEL11 0,021% 1,40% 8 0,078% 937 10,00% 8,95%
CTEE14 0,002% 0,31% 10 0,037% 535 10,00% 14,82%
CXER12 0,017% 1,80% 10 0,170% 1.175 10,00% 4,08%
LIGHA5 0,023% 1,17% 9 0,133% 1.258 10,00% 14,02%
100,00% 100,00%
CCR BCC
Vol (ad) 0,030% 0,096% 0,108% 0,065% 0,051%
Ret (ad) 0,002% 0,019% 0,023% 0,019% 0,015%
Sharpe 0,0760 0,1966 0,2158 0,2920 0,3005
Dur (du) 820 604 662 834 797
Spread (aa) 0,97% 1,14% 1,17% 1,33% 1,17%
DTS 315 274 307 440 371
Figura 15. Composição das Alocações dos Modelos: Alocação 5 – Mai/19

Deb. Aloc. 17 Alocação mai/19 Ativos 44 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso VALE18 0,004% 1,05% 10 0,076% 299 20,00% 15,28%
APAR16 0,007% 0,80% 10 0,09% 354 4,02% RDLA12 0,010% 1,87% 7 0,084% 290 20,00% 25,05%
ENBR24 0,005% 0,93% 8 0,09% 333 1,57% VLIM11 0,001% 1,19% 9 0,081% 265 20,00% 17,53%
MRSL17 0,002% 0,30% 10 0,04% 552 23,25% GASP14 0,000% 0,62% 10 0,055% 393 20,00% 5,09%
MRSL27 0,003% 0,80% 10 0,11% 1.070 10,79% CTEE14 0,001% 0,31% 10 0,031% 514 20,00% 37,05%
VALE18 0,004% 1,05% 10 0,08% 299 14,05% 100,00% 100,00%
VALE19 0,003% 0,96% 10 0,08% 311 6,83%
VALE48 -0,004% 0,58% 10 0,16% 1.492 2,60% APAR16 0,007% 0,80% 10 0,090% 354 11,11% 10,00%
TIET34 -0,004% 1,21% 9 0,08% 381 5,19% ODTR11 0,042% 3,05% 2 0,242% 1.332 11,11% 6,16%
ENBR15 0,002% 0,53% 8 0,04% 573 11,62% VALE18 0,004% 1,05% 10 0,076% 299 11,11% 16,49%
ALGA15 -0,003% 0,54% 9 0,05% 577 2,85% RDLA12 0,010% 1,87% 7 0,084% 290 11,11% 5,36%
EGIE27 -0,015% 0,59% 10 0,26% 1.633 0,59% VLIM11 0,001% 1,19% 9 0,081% 265 11,11% 5,14%
ENJG21 -0,011% 0,67% 10 0,16% 1.241 0,41% GASP14 0,000% 0,62% 10 0,055% 393 11,11% 6,25%
LIGHA5 -0,026% 1,17% 9 0,11% 1.271 0,74% GASP24 0,011% 0,56% 10 0,086% 717 11,11% 19,63%
TPNO12 -0,002% 1,63% 9 0,10% 1.218 4,10% CTEE14 0,001% 0,31% 10 0,031% 514 11,11% 22,32%
VNTT11 0,000% 2,17% 5 0,13% 1.172 3,63% ENTV12 0,047% 1,82% 8 0,200% 1.778 11,11% 8,65%
100,00% 100,00%
CCR BCC
Vol (ad) 0,013% 0,057% 0,050% 0,054% 0,041%
Ret (ad) 0,000% 0,003% 0,004% 0,014% 0,011%
Sharpe 0,0148 0,0603 0,0786 0,2539 0,2685
Dur (du) 670 352 375 660 630
Spread (aa) 0,78% 1,01% 0,98% 1,25% 0,98%
DTS 208 141 146 328 244
116
Figura 16. Composição das Alocações dos Modelos: Alocação 6 – Jun/19

Deb. Aloc. 24 Alocação jun/19 Ativos 50 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso ENBR24 0,009% 0,62% 10 0,050% 311 16,67% 7,29%
AGRU41 -0,118% 5,28% 1 0,54% 954 1,31% NRTB11 0,006% 1,59% 9 0,037% 935 16,67% 36,54%
MRSL17 -0,002% 0,33% 10 0,05% 530 9,11% VALE18 0,013% 0,59% 10 0,058% 277 16,67% 20,40%
MRSL27 0,008% 0,75% 10 0,10% 1.049 1,96% VALE19 0,019% 0,44% 10 0,060% 289 16,67% 3,35%
NRTB11 0,006% 1,59% 9 0,04% 935 5,14% RDLA12 0,014% 1,35% 7 0,063% 268 16,67% 2,10%
STEN13 0,034% 2,69% 1 0,18% 502 0,30% ENBR15 0,005% 0,45% 10 0,042% 552 16,67% 30,32%
STEN23 0,048% 2,70% 1 0,27% 875 1,88% 100,00% 100,00%
VALE18 0,013% 0,59% 10 0,06% 277 9,31%
VALE38 0,002% 0,70% 10 0,10% 1.212 1,12% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
VALE48 0,006% 0,65% 10 0,13% 1.475 1,86% ENBR24 0,009% 0,62% 10 0,050% 311 6,67% 13,83%
RDLA12 0,014% 1,35% 7 0,06% 268 13,89% NRTB11 0,006% 1,59% 9 0,037% 935 6,67% 20,43%
GASP14 -0,003% 0,57% 10 0,10% 371 6,29% STEN13 0,034% 2,69% 1 0,181% 502 6,67% 2,12%
GASP24 0,009% 0,36% 10 0,11% 695 5,24% STEN23 0,048% 2,70% 1 0,270% 875 6,67% 2,61%
TIET34 -0,003% 1,18% 9 0,08% 359 3,96% VALE18 0,013% 0,59% 10 0,058% 277 6,67% 18,27%
CTEL11 0,001% 1,35% 8 0,06% 928 4,26% VALE19 0,019% 0,44% 10 0,060% 289 6,67% 2,75%
ALGA15 0,004% 0,54% 10 0,05% 574 14,26% RDLA12 0,014% 1,35% 7 0,063% 268 6,67% 1,44%
CTEE14 -0,002% 0,39% 10 0,11% 492 1,37% NRTB21 0,011% 1,57% 9 0,040% 935 6,67% 2,43%
ENTV12 0,034% 1,58% 8 0,22% 1.769 0,72% ENBR15 0,005% 0,45% 10 0,042% 552 6,67% 22,67%
TAES15 0,025% 0,46% 10 0,13% 1.196 0,48% CXER12 0,030% 1,68% 10 0,102% 1.140 6,67% 1,24%
ENJG21 0,014% 0,62% 10 0,18% 1.224 1,29% CEAD11 0,043% 1,62% 8 0,101% 1.370 6,67% 2,29%
TPNO12 0,021% 1,51% 10 0,08% 1.204 3,33% LIGHA5 0,053% 0,97% 9 0,160% 1.253 6,67% 2,39%
PRAS11 0,068% 0,66% 10 0,33% 1.840 2,28% TIET18 0,036% 0,97% 9 0,087% 1.427 6,67% 1,88%
SRTI11 0,029% 1,21% 10 0,09% 1.487 2,18% PRAS11 0,068% 0,66% 10 0,332% 1.840 6,67% 2,06%
VNTT11 -0,007% 2,14% 5 0,10% 1.156 0,94% SRTI11 0,029% 1,21% 10 0,089% 1.487 6,67% 3,57%
100,00% 100,00%
CCR BCC
Vol (ad) 0,011% 0,030% 0,017% 0,041% 0,018%
Ret (ad) 0,008% 0,011% 0,008% 0,028% 0,015%
Sharpe 0,7277 0,3577 0,4725 0,6719 0,8239
Dur (du) 675 439 603 897 671
Spread (aa) 0,95% 0,84% 0,93% 1,28% 0,98%
DTS 254 146 222 454 260
Figura 17. Composição das Alocações dos Modelos: Alocação 7 – Jul/19

Deb. Aloc. 25 Alocação jul/19 Ativos 49 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 0,014% 0,29% 10 0,037% 313 33,33% 59,36%
AGRU12 -0,047% 4,88% 1 0,62% 937 0,49% ENBR24 0,008% 0,52% 8 0,032% 293 33,33% 1,07%
AGRU31 -0,027% 5,29% 1 0,40% 880 1,63% VALE18 0,005% 0,55% 10 0,043% 258 33,33% 39,57%
MRSL27 0,012% 0,66% 10 0,10% 1.033 3,85% 100,00% 100,00%
STEN13 0,021% 2,53% 1 0,11% 484 0,90%
STEN23 0,029% 2,58% 1 0,19% 858 2,50%
VALE19 0,005% 0,52% 10 0,04% 270 13,46% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
VALE28 0,014% 0,66% 10 0,07% 808 5,87% APAR16 0,014% 0,29% 10 0,037% 313 16,67% 22,71%
VALE38 0,020% 0,55% 10 0,10% 1.197 0,62% ENBR24 0,008% 0,52% 8 0,032% 293 16,67% 5,29%
VALE48 0,009% 0,59% 10 0,13% 1.463 2,88% VALE18 0,005% 0,55% 10 0,043% 258 16,67% 33,21%
GASP14 0,003% 0,38% 10 0,06% 352 2,72% ALGA15 0,025% 0,27% 10 0,075% 556 16,67% 21,08%
GASP24 0,018% 0,39% 10 0,16% 677 0,53% ENTV12 0,083% 1,37% 8 0,250% 1.765 16,67% 9,63%
NRTB21 0,014% 1,48% 9 0,05% 922 0,72% TPEN11 0,035% 0,88% 10 0,146% 1.581 16,67% 8,08%
CTEL11 0,011% 1,26% 8 0,09% 912 9,71% 100,00% 100,00%
ENBR15 0,012% 0,31% 8 0,05% 533 14,02%
ALGA15 0,025% 0,27% 10 0,08% 556 4,17%
CTEE14 0,007% 0,27% 10 0,07% 473 5,84% CCR BCC
TAES14 0,016% 0,64% 10 0,09% 1.064 2,02% PMD Puro Híbrido Puro Híbrido
ENTV12 0,083% 1,37% 8 0,25% 1.765 1,04% Vol (ad) 0,009% 0,027% 0,027% 0,041% 0,029%
EGIE17 -0,002% 0,41% 10 0,10% 1.189 1,80% Ret (ad) 0,010% 0,009% 0,011% 0,029% 0,022%
TAES15 0,015% 0,39% 10 0,10% 1.181 0,91% Sharpe 1,0987 0,3426 0,4077 0,6984 0,7460
TIET18 0,038% 0,87% 9 0,20% 1.420 0,20% Dur (du) 658 288 291 794 587
ENMI21 0,028% 0,55% 10 0,13% 1.293 0,63% Spread (aa) 0,75% 0,45% 0,39% 0,65% 0,54%
PETR26 -0,002% 0,50% 8 0,23% 1.990 0,95% DTS 195 52 45 204 125
PRAS11 -0,003% 0,77% 10 0,20% 1.834 2,93%
117
Figura 18. Composição das Alocações dos Modelos: Alocação 8 – Ago/19

Deb. Aloc. 26 Alocação ago/19 Ativos 47 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 -0,012% 0,66% 10 0,057% 290 50,00% 32,19%
AGRU12 -0,022% 4,96% 1 0,33% 916 0,38% ENBR24 -0,005% 0,67% 8 0,028% 270 50,00% 67,81%
AGRU31 -0,014% 5,39% 1 0,45% 859 1,35% 100,00% 100,00%
MRSL27 0,001% 0,66% 10 0,07% 1.011 2,98%
NRTB11 0,010% 1,41% 9 0,06% 902 6,21% Ativos 10 Modelo BCC Puro Híbrido
STEN13 0,013% 2,42% 1 0,06% 461 0,35% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
STEN23 0,012% 2,58% 1 0,11% 836 1,81% APAR16 -0,012% 0,66% 10 0,057% 290 10,00% 11,98%
GASP14 -0,007% 0,59% 10 0,07% 329 2,76% ENBR24 -0,005% 0,67% 8 0,028% 270 10,00% 5,83%
NRTB21 0,011% 1,39% 9 0,06% 902 11,27% MRSL17 -0,005% 0,33% 10 0,103% 488 10,00% 9,36%
FGEN13 0,012% 1,34% 9 0,11% 1.158 5,53% MRSL27 0,001% 0,66% 10 0,070% 1.011 10,00% 9,36%
CTEL11 -0,004% 1,25% 8 0,13% 890 12,50% NRTB11 0,010% 1,41% 9 0,055% 902 10,00% 17,39%
ENBR15 -0,007% 0,48% 8 0,12% 511 4,18% STEN13 0,013% 2,42% 1 0,063% 461 10,00% 17,45%
ALGA15 -0,012% 0,48% 10 0,11% 533 1,43% VALE28 -0,016% 0,77% 10 0,057% 786 10,00% 4,52%
CTEE14 -0,015% 0,45% 10 0,14% 476 9,70% GASP14 -0,007% 0,59% 10 0,069% 329 10,00% 14,49%
CHPA11 0,004% 2,94% 8 0,17% 1.379 1,83% NRTB21 0,011% 1,39% 9 0,064% 902 10,00% 3,35%
CXER12 -0,010% 1,50% 10 0,12% 1.182 7,52% FGEN13 0,012% 1,34% 9 0,109% 1.158 10,00% 6,28%
ENTV12 0,011% 1,41% 8 0,30% 1.746 1,72% 100,00% 100,00%
CEAD11 -0,002% 1,56% 8 0,10% 1.408 4,31%
EGIE17 -0,058% 0,65% 10 0,20% 1.222 0,39% CCR BCC
LIGHA5 -0,034% 1,35% 9 0,16% 1.213 0,54% PMD Puro Híbrido Puro Híbrido
TIET18 -0,005% 0,99% 9 0,27% 1.399 2,05% Vol (ad) 0,023% 0,039% 0,034% 0,030% 0,029%
SAVI13 -0,042% 0,99% 10 0,26% 1.297 0,71% Ret (ad) -0,004% -0,009% -0,007% 0,000% 0,001%
PETR26 -0,087% 0,86% 8 0,30% 1.995 0,84% Sharpe -0,1759 -0,2180 -0,2151 0,0048 0,0418
PRAS11 -0,019% 0,86% 10 0,13% 1.813 5,31% Dur (du) 1.037 280 277 660 614
SRTI11 -0,014% 1,18% 10 0,13% 1.537 4,89% Spread (aa) 1,31% 0,66% 0,66% 1,02% 1,13%
TPEN11 -0,030% 1,06% 10 0,20% 1.557 0,82% DTS 540 74 73 268 275
VNTT11 0,002% 1,97% 5 0,09% 1.197 8,62%
Figura 19. Composição das Alocações dos Modelos: Alocação 9 – Set/19

Deb. Aloc. 23 Alocação set/19 Ativos 46 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso APAR16 -0,005% 0,74% 10 0,04% 268 100,00% 100,00%
AGRU12 -0,030% 5,13% 1 0,20% 890 1,46% 100,00% 100,00%
AGRU21 -0,021% 5,42% 1 0,37% 908 1,88%
MRSL27 -0,040% 0,97% 10 0,15% 987 0,59%
NRTB11 -0,003% 1,45% 9 0,04% 878 10,87% Ativos 6 Modelo BCC Puro Híbrido
GASP14 -0,004% 0,76% 10 0,06% 307 8,57% APAR16 -0,005% 0,74% 10 0,04% 268 16,67% 17,69%
FGEN13 -0,008% 1,39% 9 0,13% 1.134 7,22% NRTB11 -0,003% 1,45% 9 0,04% 878 16,67% 13,02%
CTEL11 -0,005% 1,27% 8 0,12% 867 12,44% STEN13 0,000% 2,46% 1 0,06% 439 16,67% 19,69%
CTEE14 -0,017% 0,65% 10 0,10% 454 1,02% STEN23 0,004% 2,57% 1 0,07% 813 16,67% 15,30%
CXER12 -0,019% 1,55% 10 0,11% 1.158 1,84% VALE28 0,000% 0,77% 10 0,12% 763 16,67% 18,12%
CEAD11 -0,022% 1,69% 8 0,15% 1.381 0,20% GASP14 -0,004% 0,76% 10 0,06% 307 16,67% 16,18%
EGIE17 -0,060% 0,97% 10 0,36% 1.199 0,93% 100,00% 100,00%
ENJG21 -0,022% 0,78% 10 0,16% 1.197 3,04%
LIGHA5 -0,008% 1,39% 9 0,22% 1.190 6,27%
TIET18 -0,028% 1,15% 9 0,26% 1.370 0,15% CCR BCC
ENMI21 -0,050% 0,88% 10 0,22% 1.245 0,99% PMD Puro Híbrido Puro Híbrido
SAVI13 -0,049% 1,09% 10 0,26% 1.267 4,52% Vol (ad) 0,019% 0,037% 0,037% 0,029% 0,030%
TPNO12 -0,002% 1,34% 10 0,11% 1.193 0,61% Ret (ad) -0,018% -0,005% -0,005% -0,001% -0,001%
PETR16 -0,052% 0,90% 10 0,29% 1.426 2,76% Sharpe -0,9554 -0,1470 -0,1470 -0,0483 -0,0465
PETR26 -0,034% 0,99% 10 0,26% 1.969 4,98% Dur (du) 994 268 268 578 561
SRTI11 -0,062% 1,43% 10 0,19% 1.504 4,72% Spread (aa) 1,53% 0,74% 0,74% 1,46% 1,46%
ETEN31 -0,044% 1,14% 10 0,12% 1.372 5,61% DTS 603 79 79 334 324
RUMOA2 -0,049% 1,24% 10 0,30% 1.796 3,41%
118
Figura 20. Composição das Alocações dos Modelos: Alocação 10 - Out/19

Deb. Aloc. 23 Alocação out/19 Ativos 51 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso NRTB11 0,010% 1,28% 9 0,04% 911 50,00% 52,81%
AGRU12 0,007% 5,10% 1 0,19% 875 4,38% GASP14 -0,002% 0,79% 10 0,04% 286 50,00% 47,19%
AGRU31 -0,025% 4,99% 1 0,44% 958 0,97% 100,00% 100,00%
MRSL17 -0,018% 0,86% 10 0,10% 445 8,32%
ODTR11 0,038% 2,24% 4 0,17% 1.241 0,25% Ativos 6 Modelo BCC Puro Híbrido
STEN23 -0,010% 2,69% 1 0,05% 794 7,70% AGRU21 0,039% 5,07% 1 0,24% 894 16,67% 13,48%
VALE38 -0,021% 0,89% 10 0,19% 1.132 1,79% NRTB11 0,010% 1,28% 9 0,04% 911 16,67% 25,19%
TIET34 -0,001% 1,10% 9 0,04% 288 16,27% ODTR11 0,038% 2,24% 4 0,17% 1.241 16,67% 20,87%
FGEN13 0,009% 1,30% 9 0,09% 1.119 3,65% GASP14 -0,002% 0,79% 10 0,04% 286 16,67% 17,60%
CTEL11 0,009% 1,19% 8 0,08% 849 6,64% TIET34 -0,001% 1,10% 9 0,04% 288 16,67% 16,26%
ENBR15 -0,001% 0,60% 8 0,07% 468 1,35% CEAR26 0,027% 0,80% 10 0,14% 1.134 16,67% 6,60%
ALGA15 -0,012% 0,80% 10 0,12% 490 3,08% 100,00% 100,00%
CHPA11 -0,110% 3,47% 8 0,59% 1.384 0,95%
CXER12 -0,013% 1,58% 10 0,17% 1.142 2,02%
ENTV12 -0,035% 1,72% 8 0,30% 1.702 1,14% CCR BCC
TIET18 -0,033% 1,26% 9 0,15% 1.357 3,76% PMD Puro Híbrido Puro Híbrido
SAVI13 -0,088% 1,40% 10 0,29% 1.363 1,20% Vol (ad) 0,013% 0,026% 0,026% 0,065% 0,058%
PRAS11 -0,040% 1,17% 10 0,26% 1.843 1,87% Ret (ad) -0,013% 0,004% 0,004% 0,018% 0,017%
SRTI11 -0,032% 1,37% 10 0,25% 1.497 3,83% Sharpe -1,0055 0,1427 0,1563 0,2859 0,2904
ETEN31 -0,052% 1,31% 10 0,11% 1.353 3,34% Dur (du) 765 599 616 792 781
RUMOA2 -0,081% 1,58% 9 0,31% 1.775 1,16% Spread (aa) 1,82% 1,04% 1,05% 1,88% 1,85%
JTEE11 -0,034% 1,45% 10 0,27% 1.771 1,00% DTS 554 246 257 592 572
VNTT11 -0,059% 2,34% 5 0,13% 1.154 3,55%
Figura 21. Composição das Alocações dos Modelos: Alocação 11 – Nov/19

Deb. Aloc. 20 Alocação nov/19 Ativos 59 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso AGRU11 -0,018% 5,45% 1 0,14% 810 20,00% 9,19%
AGRU12 -0,110% 4,98% 1 0,88% 1.091 0,18% STEN13 -0,002% 2,41% 1 0,05% 411 20,00% 31,63%
AGRU31 -0,039% 5,28% 1 0,24% 937 6,75% GASP14 -0,016% 1,22% 10 0,09% 263 20,00% 11,05%
MRSL17 -0,007% 0,92% 10 0,11% 423 16,94% TIET34 -0,024% 1,59% 9 0,09% 265 20,00% 18,18%
NRTB11 -0,008% 1,30% 9 0,05% 892 0,32% NRTB21 -0,003% 1,32% 9 0,05% 892 20,00% 29,95%
VALE29 -0,032% 1,21% 10 0,12% 654 3,18% 100,00% 100,00%
NRTB21 -0,003% 1,32% 9 0,05% 892 17,36%
CEAD11 -0,045% 1,90% 8 0,26% 1.351 12,03% Ativos 10 Modelo BCC Puro Híbrido
CEAR26 -0,020% 1,08% 10 0,18% 1.113 0,46% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
PETR16 -0,070% 1,50% 8 0,37% 1.384 1,21% AGRU11 -0,018% 5,45% 1 0,14% 810 10,00% 6,82%
PETR26 -0,105% 1,53% 8 0,36% 1.930 1,86% MRSL27 -0,046% 1,40% 10 0,10% 945 10,00% 5,59%
PRAS11 -0,135% 1,79% 10 0,42% 1.815 3,08% STEN13 -0,002% 2,41% 1 0,05% 411 10,00% 21,10%
ETEN31 -0,040% 1,53% 10 0,15% 1.331 4,03% GASP14 -0,016% 1,22% 10 0,09% 263 10,00% 17,31%
RUMOA2 -0,125% 2,06% 9 0,34% 1.752 0,34% TIET34 -0,024% 1,59% 9 0,09% 265 10,00% 16,03%
ESULA1 -0,113% 1,77% 10 0,31% 1.097 2,57% NRTB21 -0,003% 1,32% 9 0,05% 892 10,00% 12,83%
NEOE16 -0,156% 2,04% 9 0,36% 1.846 2,28% CHPA11 -0,056% 3,51% 8 0,52% 1.368 10,00% 7,14%
NEOE26 -0,215% 2,18% 9 0,46% 1.805 1,07% CXER12 -0,064% 1,87% 10 0,26% 1.122 10,00% 7,55%
SBSPD4 -0,174% 1,71% 10 0,35% 1.906 3,39% TPNO12 -0,063% 1,59% 10 0,12% 1.160 10,00% 3,26%
TIET29 -0,153% 1,86% 9 0,51% 1.765 3,16% ETBA12 -0,180% 2,24% 10 0,40% 1.655 10,00% 2,35%
TIET39 -0,082% 1,73% 9 0,35% 1.755 1,96% 100,00% 100,00%
VNTT11 -0,026% 2,30% 5 0,17% 1.139 17,83%
CCR BCC
Vol (ad) 0,034% 0,041% 0,033% 0,084% 0,056%
Ret (ad) -0,046% -0,013% -0,009% -0,047% -0,026%
Sharpe -1,3620 -0,3022 -0,2812 -0,5598 -0,4715
Dur (du) 1.099 528 549 889 656
Spread (aa) 1,87% 2,40% 2,09% 2,26% 2,09%
DTS 816 503 455 797 545
119
Figura 22. Composição das Alocações dos Modelos: Alocação 12 – Dez/19

Deb. Aloc. 25 Alocação dez/19 Ativos 58 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso ENBR24 -0,009% 1,95% 10 0,09% 308 100,00% 100,00%
AGRU12 -0,067% 5,23% 1 0,51% 1.065 1,12% 100,00% 100,00%
AGRU21 -0,010% 5,50% 1 0,13% 849 1,49%
AGRU31 -0,015% 5,41% 1 0,14% 913 1,69%
STEN13 -0,029% 2,86% 1 0,17% 390 3,06%
STEN23 -0,030% 3,13% 1 0,21% 777 9,27%
ENBR15 -0,088% 1,86% 10 0,20% 441 8,31% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
ALGA15 -0,049% 1,83% 10 0,15% 463 5,15% AGRU11 -0,009% 5,60% 1 0,09% 786 20,00% 23,34%
CTEE14 -0,018% 1,28% 10 0,16% 390 16,53% ENBR24 -0,053% 1,95% 10 0,09% 308 20,00% 19,47%
CHPA11 -0,004% 3,62% 8 0,45% 1.341 2,83% CTEE14 -0,018% 1,28% 10 0,16% 390 20,00% 19,70%
CEAD11 -0,027% 2,12% 8 0,33% 1.320 1,68% CXER12 -0,003% 1,78% 10 0,15% 1.099 20,00% 16,60%
EGIE17 -0,055% 1,85% 10 0,24% 1.134 4,10% RUMOA2 0,066% 1,76% 10 0,30% 1.731 20,00% 20,90%
ENMI21 -0,147% 1,83% 10 0,38% 1.178 5,13% 100,00% 100,00%
SAVI13 -0,041% 1,87% 10 0,19% 1.309 3,45%
PETR16 -0,021% 1,60% 10 0,22% 1.361 1,29%
PETR26 0,006% 1,43% 10 0,34% 1.905 0,09%
PRAS11 -0,114% 2,22% 10 0,42% 1.764 3,90% CCR BCC
RUMOA2 0,066% 1,76% 10 0,30% 1.731 2,14% PMD Puro Híbrido Puro Híbrido
NEOE16 -0,043% 2,10% 9 0,25% 1.820 4,13% Vol (ad) 0,034% 0,076% 0,076% 0,084% 0,083%
NEOE26 -0,038% 2,19% 9 0,34% 1.775 3,94% Ret (ad) -0,054% -0,009% -0,009% -0,003% -0,003%
SBSPD4 -0,075% 1,79% 10 0,24% 1.881 0,99% Sharpe -1,5703 -0,1180 -0,1180 -0,0400 -0,0313
TIET29 -0,044% 1,92% 9 0,47% 1.739 1,37% Dur (du) 988 308 308 863 865
TIET39 -0,058% 1,91% 9 0,21% 1.727 0,81% Spread (aa) 2,27% 1,95% 2,60% 2,47% 2,60%
TPEN11 -0,211% 1,81% 10 0,37% 1.508 1,50% DTS 888 239 318 848 893
VNTT11 -0,080% 2,61% 5 0,25% 1.109 15,95%
Figura 23. Composição das Alocações dos Modelos: Alocação 13 – Jan/20

Deb. Aloc. 23 Alocação jan/20 Ativos 68 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
AGRU41 -0,089% 5,54% 1 0,49% 955 1,60% 100,00% 100,00%
MRSL17 -0,013% 1,37% 10 0,11% 382 20,29%
ODTR11 -0,003% 1,90% 4 0,20% 1.253 1,11% Ativos 9 Modelo BCC Puro Híbrido
STEN13 -0,014% 3,02% 1 0,21% 369 11,93% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
STEN23 -0,070% 3,59% 1 0,49% 755 4,97% ENBR24 -0,004% 1,69% 8 0,06% 287 11,11% 6,82%
VALE29 -0,004% 1,44% 10 0,17% 613 5,65% MRSL17 -0,013% 1,37% 10 0,11% 382 11,11% 19,11%
NRTB21 -0,029% 1,98% 9 0,26% 844 4,14% MRSL27 -0,008% 1,77% 10 0,08% 902 11,11% 18,46%
CTEL11 -0,052% 2,42% 8 0,21% 809 6,11% GASP24 -0,009% 1,61% 10 0,09% 584 11,11% 5,69%
ENBR15 -0,014% 1,67% 8 0,11% 420 1,45% ALGA15 -0,006% 1,72% 10 0,09% 442 11,11% 13,01%
CTEE14 -0,007% 1,31% 10 0,21% 369 13,33% CTEE14 -0,007% 1,31% 10 0,21% 369 11,11% 19,86%
CHPA11 -0,029% 3,76% 8 0,29% 1.318 10,17% TAES15 0,009% 1,52% 10 0,10% 1.109 11,11% 4,63%
CXER12 -0,023% 1,83% 10 0,13% 1.148 1,00% NEOE26 0,122% 1,71% 9 0,32% 1.764 11,11% 6,19%
ENTV12 0,049% 2,20% 8 0,37% 1.759 1,60% ENEV32 0,068% 1,95% 10 0,25% 1.744 11,11% 6,24%
SAVI13 -0,034% 1,97% 10 0,13% 1.286 5,66% 100,00% 100,00%
PETR26 0,030% 1,32% 8 0,36% 1.886 2,56%
PRAS11 0,032% 1,96% 10 0,32% 1.752 0,69% CCR BCC
NEOE16 0,062% 1,76% 9 0,28% 1.803 1,84% Vol (ad) 0,039% 0,251% 0,251% 0,079% 0,020%
SBSPC4 0,000% 1,43% 10 0,16% 1.484 0,58% Ret (ad) -0,016% -0,018% -0,018% 0,017% 0,005%
EGIE39 0,025% 1,67% 10 0,25% 1.367 0,98% Sharpe -0,4038 -0,0728 -0,0728 0,2117 0,2533
EGIE49 0,038% 1,63% 10 0,31% 1.840 0,29% Dur (du) 830 287 287 843 692
OMGE41 -0,032% 2,04% 8 0,56% 1.573 0,66% Spread (aa) 2,16% 1,69% 1,69% 1,63% 1,58%
TAEE26 0,025% 1,76% 10 0,64% 3.000 2,46% DTS 713 193 193 544 433
120
Figura 24. Composição das Alocações dos Modelos: Alocação 14 – Fev/20

Deb. Aloc. 29 Alocação fev/20 Ativos 70 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
AGRU12 0,014% 5,22% 1 0,21% 1.023 5,78% 100,00% 100,00%
AGRU31 -0,015% 5,67% 1 0,22% 869 0,69%
AGRU41 -0,034% 5,59% 1 0,26% 933 3,24%
MRSL27 0,017% 1,64% 10 0,21% 880 7,02%
ODTR11 -0,011% 1,98% 10 0,27% 1.231 4,95%
VALE29 -0,006% 1,47% 10 0,16% 591 2,54% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
VALE48 0,011% 1,64% 10 0,18% 1.382 2,45% ENBR24 0,000% 1,66% 8 0,04% 265 16,67% 16,88%
GASP24 0,016% 1,45% 10 0,07% 562 4,62% MRSL27 0,017% 1,64% 10 0,21% 880 16,67% 10,93%
ENBR15 0,003% 1,61% 8 0,07% 398 9,04% GASP24 0,016% 1,45% 10 0,07% 562 16,67% 21,25%
ALGA15 0,009% 1,65% 10 0,07% 420 3,65% ALGA15 0,009% 1,65% 10 0,07% 420 16,67% 21,18%
CTEE14 0,005% 1,20% 10 0,12% 347 7,98% CTEE14 0,005% 1,20% 10 0,12% 347 16,67% 18,32%
CHPA11 -0,132% 4,33% 8 0,28% 1.289 7,04% PRAS11 0,055% 1,80% 10 0,30% 1.740 16,67% 11,43%
CXER12 -0,027% 2,06% 10 0,20% 1.125 0,91% 100,00% 100,00%
ENTV12 0,002% 2,30% 8 0,22% 1.737 0,30%
SAVI13 -0,013% 2,00% 10 0,10% 1.265 0,75%
ETAP22 -0,044% 2,07% 10 0,25% 1.109 4,44%
PETR26 -0,020% 1,41% 8 0,44% 1.902 2,12%
ETEN31 0,025% 1,79% 10 0,19% 1.265 6,06% CCR BCC
NEOE16 -0,003% 1,77% 9 0,27% 1.782 2,59% Vol (ad) 0,029% 0,045% 0,045% 0,075% 0,059%
NEOE26 0,038% 1,74% 9 0,20% 1.746 5,53% Ret (ad) -0,007% 0,000% 0,000% 0,017% 0,014%
CUTI11 0,005% 2,24% 7 0,11% 1.479 2,09% Sharpe -0,2533 -0,0056 -0,0056 0,2248 0,2376
TAEE26 -0,095% 2,03% 10 0,43% 2.958 2,34% Dur (du) 1.105 265 265 702 612
ELPLB4 0,020% 1,52% 10 0,13% 1.402 2,06% Spread (aa) 2,21% 1,66% 1,66% 1,57% 1,54%
EQTR11 0,082% 2,00% 9 0,28% 2.537 0,77% DTS 967 174 174 437 375
PETR17 -0,017% 1,41% 10 0,26% 2.041 0,42%
PETR27 -0,005% 1,22% 10 0,40% 2.814 1,74%
TPEN11 -0,004% 2,16% 10 0,19% 1.462 0,64%
Figura 25. Composição das Alocações dos Modelos: Alocação 15 – Mar/20

Deb. Aloc. 30 Alocação mar/20 Ativos 73 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
AGRU41 -0,010% 5,54% 1 0,16% 919 2,96% CTEE14 -0,007% 1,34% 10 0,08% 330 50,00% 31,80%
MRSL27 -0,010% 1,68% 10 0,13% 914 6,70% 100,00% 100,00%
ODTR11 -0,050% 2,20% 10 0,21% 1.214 1,08%
VALE28 -0,001% 1,51% 10 0,07% 680 1,00%
VALE29 -0,002% 1,45% 10 0,11% 574 6,86%
VALE48 -0,012% 1,70% 10 0,12% 1.366 0,02%
GASP24 -0,006% 1,55% 10 0,06% 546 6,38% Ativos 5 Modelo BCC Puro Híbrido
CTEL11 0,003% 2,43% 8 0,09% 772 9,13% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
ENBR15 -0,002% 1,67% 10 0,05% 382 16,76% ENBR15 -0,002% 1,67% 10 0,05% 382 33,33% 59,36%
ALGA15 -0,001% 1,69% 10 0,05% 403 12,34% CTEE14 -0,007% 1,34% 10 0,08% 330 33,33% 13,93%
CTEE14 -0,007% 1,34% 10 0,08% 330 7,51% VPLT12 0,001% 2,24% 10 0,06% 971 33,33% 26,72%
CHPA11 -0,052% 4,40% 8 0,20% 1.274 4,59% 100,00% 100,00%
CEAD11 -0,021% 2,54% 8 0,10% 1.321 0,32%
EGIE17 -0,004% 1,66% 10 0,17% 1.076 0,11%
EGIE27 -0,003% 1,52% 10 0,18% 1.512 1,75%
TAES15 0,018% 1,52% 10 0,18% 1.071 4,20%
SAVI13 0,016% 1,91% 10 0,19% 1.256 0,46% CCR BCC
ETAP22 -0,014% 2,05% 10 0,18% 1.093 0,71% PMD Puro Híbrido Puro Híbrido
PETR16 -0,003% 1,54% 10 0,23% 1.329 1,23% Vol (ad) 0,013% 0,043% 0,035% 0,050% 0,040%
ETEN31 0,014% 1,76% 10 0,15% 1.249 2,48% Ret (ad) -0,007% -0,005% -0,004% -0,003% -0,002%
NEOE16 -0,016% 1,85% 9 0,23% 1.766 2,60% Sharpe -0,5334 -0,1066 -0,1027 -0,0546 -0,0479
CUTI11 -0,001% 2,26% 7 0,08% 1.466 4,71% Dur (du) 834 356 365 561 532
ENEV32 0,005% 1,95% 10 0,16% 1.708 1,60% Spread (aa) 1,99% 1,50% 1,56% 1,75% 1,78%
OMGE41 -0,017% 2,10% 8 0,24% 1.536 1,25% DTS 659 212 227 390 375
TAEE26 -0,165% 2,31% 10 0,53% 2.935 1,31%
EQTR11 0,029% 2,02% 9 0,19% 2.524 0,85%
PETR17 -0,057% 1,60% 10 0,31% 2.023 0,03%
PETR27 -0,048% 1,39% 10 0,50% 2.793 0,56%
RUMOA3 -0,010% 1,65% 10 0,18% 1.861 0,28%
TPEN11 -0,010% 2,21% 10 0,12% 1.446 0,21%
121
Figura 26. Composição das Alocações dos Modelos: Alocação 16 – Abr/20

Deb. Aloc. 10 Alocação abr/20 Ativos 73 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso CTEE14 -0,113% 2,51% 10 0,13% 307 100,00% 100,00%
AGRU12 -0,189% 7,25% 1 0,62% 956 12,64% 100,00% 100,00%
MRSL17 -0,080% 2,70% 10 0,14% 338 10,18%
VALE29 -0,028% 1,98% 10 0,21% 550 21,57% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
JTEE11 -0,152% 2,35% 10 0,44% 1.597 2,95% ENBR15 -0,042% 2,38% 8 0,17% 358 25,00% 22,28%
ELEK37 0,106% 1,18% 10 0,50% 1.017 6,81% CTEE14 -0,057% 2,51% 10 0,13% 307 25,00% 29,03%
SBSPD4 -0,193% 2,27% 10 0,63% 1.780 6,22% ELEK37 0,106% 1,18% 10 0,50% 1.017 25,00% 31,01%
PETR17 -0,089% 2,02% 10 0,78% 2.007 0,63% VPLT12 -0,065% 2,78% 10 0,27% 935 25,00% 17,68%
PETR27 -0,118% 1,82% 10 1,86% 2.737 5,55% 100,00% 100,00%
RUMOB3 -0,094% 2,11% 10 0,42% 1.791 8,08%
CCR BCC
Vol (ad) 0,078% 0,363% 0,363% 0,186% 0,200%
Ret (ad) -0,069% -0,113% -0,113% -0,014% -0,004%
Sharpe -0,8939 -0,3116 -0,3116 -0,0775 -0,0222
Dur (du) 976 307 307 654 650
Spread (aa) 2,68% 2,51% 2,51% 2,21% 2,12%
DTS 1.037 306 306 575 546
Figura 27. Composição das Alocações dos Modelos: Alocação 17 – Mai/20

Deb. Aloc. 15 Alocação mai/20 Ativos 66 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso CTEE14 -0,031% 2,42% 10 0,09% 287 100,00% 100,00%
NRTB11 -0,022% 2,38% 9 0,19% 813 14,92% 100,00% 100,00%
VALE29 0,006% 1,91% 10 0,18% 530 15,01%
FGEN13 -0,156% 3,32% 9 0,42% 995 6,42% Ativos 5 Modelo BCC Puro Híbrido
CEAD11 -0,152% 3,82% 8 0,67% 1.241 6,76% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
EGIE17 -0,029% 2,34% 10 0,49% 1.027 7,13% VALE28 0,036% 1,66% 10 0,18% 636 20,00% 16,69%
TIET18 -0,058% 2,66% 9 0,22% 1.216 9,82% VALE29 0,006% 1,91% 10 0,18% 530 20,00% 24,15%
PETR26 0,048% 1,59% 8 0,63% 1.830 0,65% CTEE14 -0,014% 2,42% 10 0,09% 287 20,00% 19,07%
JTEE11 -0,040% 2,31% 10 0,49% 1.587 4,81% TIET29 0,069% 2,33% 9 0,57% 1.661 20,00% 16,96%
ELEK37 0,014% 1,58% 10 0,47% 997 3,71% ELET42 0,210% 1,73% 10 0,99% 1.651 20,00% 23,13%
SBSPD4 0,050% 1,87% 10 0,92% 1.769 8,61% 100,00% 100,00%
TAEE26 -0,258% 4,10% 10 1,35% 2.627 2,96%
PETR17 -0,004% 1,87% 10 0,53% 1.993 0,52% CCR BCC
PETR27 -0,093% 1,96% 10 1,11% 2.724 6,64% PMD Puro Híbrido Puro Híbrido
RUMOA3 0,026% 2,05% 10 0,41% 1.801 4,76% Vol (ad) 0,116% 0,104% 0,104% 0,305% 0,320%
RUMOB3 0,043% 2,00% 10 0,60% 1.809 7,28% Ret (ad) -0,037% -0,031% -0,031% 0,061% 0,065%
Sharpe -0,3155 -0,2994 -0,2994 0,2005 0,2028
Dur (du) 1.305 287 287 953 952
Spread (aa) 2,39% 2,42% 2,42% 2,01% 1,99%
DTS 1.236 275 275 760 754
122
Figura 28. Composição das Alocações dos Modelos: Alocação 18 – Jun/20

Deb. Aloc. 24 Alocação jun/20 Ativos 69 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso MRSL17 0,014% 2,34% 10 0,07% 299 50,00% 52,39%
VALE28 0,003% 1,65% 10 0,24% 617 10,22% CTEE14 0,012% 1,99% 10 0,08% 267 50,00% 47,61%
VALE29 0,014% 1,70% 10 0,11% 511 9,09% 100,00% 100,00%
GASP24 0,009% 2,08% 10 0,16% 482 11,39%
NRTB21 -0,038% 2,65% 9 0,23% 796 15,73%
FGEN13 -0,031% 3,18% 9 0,30% 983 0,52%
TAES14 -0,006% 2,36% 10 0,31% 873 0,42% Ativos 4 Modelo BCC Puro Híbrido
CEAD11 -0,070% 3,87% 8 0,41% 1.230 4,30% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
EGIE17 0,026% 2,03% 10 0,30% 1.011 1,86% MRSL17 0,014% 2,34% 10 0,07% 299 25,00% 39,15%
TAES15 0,033% 1,72% 10 0,40% 1.007 8,25% CTEE14 0,012% 1,99% 10 0,08% 267 25,00% 33,52%
CEAR26 0,006% 2,53% 10 0,20% 993 0,03% TAEE26 0,242% 2,67% 10 1,05% 2.820 25,00% 11,95%
TIET18 -0,095% 2,89% 9 0,30% 1.274 4,01% EGVG21 0,054% 2,61% 10 0,29% 1.080 25,00% 15,39%
RUMOA2 -0,111% 2,59% 10 0,51% 1.633 4,40% 100,00% 100,00%
JTEE11 -0,009% 2,32% 10 0,28% 1.578 2,65%
ELEK37 0,028% 1,33% 7 0,40% 1.005 5,91%
ETBA12 -0,006% 2,34% 10 0,44% 1.543 6,55%
SBSPD4 -0,035% 2,09% 10 0,55% 1.750 4,27% CCR BCC
TIET39 -0,058% 2,58% 9 0,43% 1.663 1,42% PMD Puro Híbrido Puro Híbrido
TAEE26 0,242% 2,67% 10 1,05% 2.820 0,50% Vol (ad) 0,075% 0,073% 0,073% 0,328% 0,180%
EQTR11 0,006% 2,51% 9 0,79% 2.380 0,60% Ret (ad) -0,016% 0,013% 0,013% 0,080% 0,046%
PETR17 -0,011% 1,97% 10 0,32% 1.976 0,93% Sharpe -0,2183 0,1741 0,1752 0,2450 0,2585
PETR27 -0,015% 1,95% 10 0,64% 2.711 2,53% Dur (du) 1.064 283 284 1.116 710
RUMOB3 -0,101% 2,47% 10 0,59% 1.788 3,53% Spread (aa) 2,22% 2,16% 2,17% 2,40% 2,30%
VPLT12 -0,048% 3,96% 10 0,20% 894 0,81% DTS 936 243 244 1.064 648
CTEE18 -0,006% 2,20% 10 0,51% 1.828 0,10%
Figura 29. Composição das Alocações dos Modelos: Alocação 19 – Jul/20

Deb. Aloc. 22 Alocação jul/20 Ativos 69 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
MRSL17 0,029% 1,80% 10 0,10% 279 11,00% ENBR15 0,039% 1,94% 8 0,08% 311 33,33% 35,16%
VALE29 0,004% 1,67% 10 0,17% 490 7,89% ALGA15 0,041% 1,98% 10 0,09% 332 33,33% 36,57%
VALE38 0,040% 1,54% 10 0,38% 1.007 4,37% 100,00% 100,00%
GASP24 0,020% 1,88% 10 0,11% 462 17,23%
NRTB21 0,012% 2,36% 9 0,16% 782 7,88% Ativos 6 Modelo BCC Puro Híbrido
ENBR15 0,039% 1,94% 8 0,08% 311 3,88% MRSL17 0,029% 1,80% 10 0,10% 279 16,67% 28,88%
TAES14 0,020% 2,23% 10 0,19% 853 1,84% ENBR15 0,039% 1,94% 8 0,08% 311 16,67% 31,02%
TAES15 0,017% 1,74% 10 0,26% 988 3,50% ALGA15 0,041% 1,98% 10 0,09% 332 16,67% 7,26%
CEAR26 0,020% 2,41% 10 0,29% 1.001 6,94% ENTV12 0,097% 3,31% 7 0,29% 1.619 16,67% 12,62%
TIET18 -0,065% 3,01% 9 0,50% 1.260 1,79% ESULA1 0,074% 2,58% 10 0,18% 955 16,67% 13,98%
SAVI13 0,014% 2,19% 10 0,15% 1.296 5,99% TAEE26 0,223% 2,28% 10 0,79% 2.867 16,67% 6,24%
ETEN31 -0,009% 2,51% 10 0,26% 1.163 3,03% 100,00% 100,00%
RUMOA2 0,020% 2,44% 10 0,29% 1.619 1,32%
ETBA12 0,006% 2,34% 10 0,30% 1.528 6,23% CCR BCC
SBSPD4 0,013% 1,97% 10 0,32% 1.736 0,45% PMD Puro Híbrido Puro Híbrido
EGIE39 0,017% 2,17% 10 0,31% 1.244 2,21% Vol (ad) 0,032% 0,068% 0,068% 0,165% 0,096%
ELET42 0,018% 2,09% 10 0,33% 1.654 1,63% Ret (ad) 0,016% 0,036% 0,037% 0,084% 0,060%
TAEE26 0,223% 2,28% 10 0,79% 2.867 0,98% Sharpe 0,4971 0,5333 0,5417 0,5088 0,6206
ELPLB4 -0,033% 2,25% 10 0,24% 1.325 2,70% Dur (du) 919 307 310 1.061 718
PETR17 0,008% 1,86% 10 0,47% 1.963 6,50% Spread (aa) 2,06% 1,91% 1,92% 2,31% 2,18%
EGVG21 -0,014% 2,90% 10 0,17% 1.064 2,38% DTS 752 233 235 974 623
123
Figura 30. Composição das Alocações dos Modelos: Alocação 20 – Ago/20

Deb. Aloc. 27 Alocação ago/20 Ativos 72 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
NRTB11 -0,024% 2,64% 9 0,08% 757 1,85% STEN23 0,093% 5,39% 1 0,19% 630 33,33% 35,16%
STEN13 0,021% 4,81% 1 0,12% 289 18,25% CTEL11 0,030% 2,47% 9 0,08% 692 33,33% 36,57%
VALE29 -0,003% 1,60% 10 0,12% 467 3,49% 100,00% 100,00%
VALE38 0,003% 1,80% 10 0,28% 983 5,27%
GASP24 -0,010% 1,93% 10 0,09% 438 14,69% Ativos 9 Modelo BCC Puro Híbrido
FGEN13 0,032% 2,83% 9 0,29% 997 4,45% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
CTEL11 0,030% 2,47% 9 0,08% 692 6,33% MRSL17 0,004% 1,79% 10 0,06% 255 11,11% 14,98%
CHPA11 0,044% 6,20% 8 0,22% 1.204 1,31% MRSL27 0,028% 2,18% 10 0,10% 807 11,11% 12,94%
TAES14 0,032% 2,01% 10 0,12% 830 1,08% STEN13 0,021% 4,81% 1 0,12% 289 11,11% 11,80%
ENTV12 0,072% 3,03% 7 0,38% 1.608 5,92% STEN23 0,093% 5,39% 1 0,19% 630 11,11% 6,34%
CEAR26 0,010% 2,44% 10 0,17% 977 2,18% CTEL11 0,030% 2,47% 9 0,08% 692 11,11% 31,97%
TIET18 0,034% 2,64% 9 0,34% 1.248 0,04% TAES14 0,032% 2,01% 10 0,12% 830 11,11% 7,76%
ETAP22 0,008% 2,65% 10 0,20% 1.014 0,37% ETEN31 0,058% 2,01% 10 0,18% 1.144 11,11% 11,59%
PETR16 0,030% 1,69% 8 0,35% 1.246 4,19% COCE27 0,046% 2,34% 10 0,20% 844 11,11% 0,26%
PETR26 0,003% 1,60% 8 0,67% 1.815 2,65% TAEE26 0,114% 2,05% 10 0,46% 2.898 11,11% 2,36%
ETEN31 0,058% 2,01% 10 0,18% 1.144 4,87% 100,00% 100,00%
ETBA12 0,003% 2,27% 10 0,40% 1.509 2,09%
NEOE26 0,040% 1,98% 9 0,25% 1.686 0,80% CCR BCC
ELET42 -0,003% 2,00% 10 0,46% 1.635 3,08% Vol (ad) 0,027% 0,067% 0,070% 0,073% 0,037%
MRSL19 0,018% 1,99% 10 0,21% 860 3,18% Ret (ad) 0,019% 0,042% 0,045% 0,047% 0,034%
ELPLB4 0,007% 2,09% 10 0,24% 1.303 0,45% Sharpe 0,7114 0,6320 0,6461 0,6482 0,9265
EQTR11 0,022% 2,25% 9 0,50% 2.406 4,03% Dur (du) 927 526 547 932 705
PETR17 0,009% 1,71% 10 0,28% 1.946 1,06% Spread (aa) 2,75% 3,21% 3,30% 2,78% 2,69%
VPLT12 0,036% 3,44% 10 0,12% 895 5,30% DTS 1.012 670 716 1.029 753
RESA14 -0,024% 2,07% 10 0,22% 1.790 0,18%
FURN21 0,013% 2,09% 8 0,45% 1.635 1,45%
Figura 31. Composição das Alocações dos Modelos: Alocação 21 – Set/20

Deb. Aloc. 31 Alocação set/20 Ativos 71 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread (aa) Rating Vol (ad) Dur (du) Peso STEN13 0,006% 4,80% 1 1,51% 268 33,33% 19,32%
NRTB11 -0,013% 2,61% 9 0,19% 737 2,47% STEN23 0,046% 5,06% 1 2,11% 610 33,33% 42,49%
ODTR11 0,013% 2,89% 10 0,13% 1.084 0,45% ENBR15 0,003% 2,10% 10 0,75% 267 33,33% 38,20%
STEN13 0,006% 4,80% 1 0,09% 268 9,32% 100,00% 100,00%
VALE28 0,003% 1,59% 10 0,06% 554 1,85%
VALE29 -0,010% 1,69% 10 0,11% 473 9,78%
VALE38 0,072% 1,37% 10 0,36% 964 0,72%
GASP24 -0,008% 2,12% 10 0,08% 417 9,91%
NRTB21 -0,026% 2,59% 9 0,19% 737 8,17% Ativos 5 Modelo BCC Puro Híbrido
ALGA15 -0,008% 2,19% 10 0,06% 287 5,13% MRSL27 0,026% 2,14% 10 0,13% 786 20,00% 13,75%
ENTV12 0,056% 2,78% 8 0,37% 1.587 4,81% STEN13 0,006% 4,80% 1 0,09% 268 20,00% 12,84%
TAES15 -0,011% 1,91% 10 0,32% 994 2,35% STEN23 0,046% 5,06% 1 0,13% 610 20,00% 17,72%
ETAP22 0,013% 2,60% 10 0,30% 993 4,23% VALE38 0,072% 1,37% 10 0,36% 964 20,00% 8,31%
PETR16 -0,005% 1,81% 10 0,30% 1.224 0,85% ENBR15 0,003% 2,10% 10 0,05% 267 20,00% 47,38%
PETR26 0,075% 1,26% 10 0,55% 1.794 0,81% 100,00% 100,00%
ETEN31 0,029% 1,93% 10 0,29% 1.122 5,86%
ESULA1 0,029% 2,33% 10 0,11% 912 0,44%
JTEE11 0,018% 2,11% 10 0,22% 1.534 0,27%
NEOE26 0,024% 1,94% 9 0,26% 1.661 2,98%
SBSPD4 0,006% 1,83% 10 0,25% 1.752 0,35% CCR BCC
ELET42 0,052% 1,85% 10 0,37% 1.613 2,46% Vol (ad) 0,022% 0,061% 0,063% 0,084% 0,051%
ENGIA1 0,004% 2,19% 10 0,33% 1.258 2,81% Ret (ad) 0,012% 0,018% 0,022% 0,031% 0,020%
TAEE26 0,080% 1,98% 10 0,32% 2.867 2,44% Sharpe 0,5147 0,3024 0,3484 0,3652 0,3883
EQTR11 0,025% 2,17% 9 0,29% 2.375 2,62% Dur (du) 988 382 413 579 457
RUMOA3 0,051% 1,92% 10 0,19% 1.729 1,58% Spread (aa) 2,41% 3,99% 3,88% 3,09% 2,92%
RUMOB3 0,057% 2,08% 10 0,23% 1.733 2,58% DTS 944 604 636 710 529
VPLT12 0,034% 3,27% 10 0,33% 876 2,80%
CMGD27 0,006% 2,76% 6 0,17% 1.195 1,99%
RESA14 0,017% 1,87% 10 0,26% 1.768 2,88%
FURN21 0,038% 1,95% 8 0,34% 1.612 0,61%
124
Figura 32. Composição das Alocações dos Modelos: Alocação 22 – Out/20

Deb. Aloc. 25 Alocação out/20 Ativos 78 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
VALE28 0,000% 1,63% 10 0,07% 532 6,77% ALGA15 0,021% 1,65% 10 0,07% 268 33,33% 32,49%
VALE29 0,005% 1,55% 10 0,07% 453 5,14% CEMT19 -0,009% 2,64% 10 0,07% 910 33,33% 28,20%
GASP24 0,000% 2,12% 10 0,10% 397 19,30% 100,00% 100,00%
NRTB21 -0,062% 3,20% 9 0,55% 763 3,14%
ENTV12 0,005% 2,87% 7 0,22% 1.555 5,41% Ativos 8 Modelo BCC Puro Híbrido
LIGHA5 0,055% 3,22% 9 0,21% 979 1,85% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
TPNO12 -0,019% 2,81% 10 0,30% 1.004 4,58% STEN23 0,012% 5,07% 1 0,10% 589 12,50% 10,65%
PETR16 0,062% 1,48% 8 0,27% 1.203 1,31% GASP24 0,000% 2,12% 10 0,10% 397 12,50% 19,48%
PETR26 0,026% 1,26% 8 0,37% 1.769 1,16% ALGA15 0,021% 1,65% 10 0,07% 268 12,50% 24,00%
COCE27 0,014% 2,20% 10 0,11% 803 3,70% CHPA11 -0,014% 6,29% 8 0,29% 1.201 12,50% 2,13%
JTEE11 -0,003% 2,20% 10 0,29% 1.498 6,49% VPLT12 0,011% 3,32% 10 0,20% 851 12,50% 8,25%
ELEK37 -0,005% 2,16% 10 0,10% 917 7,60% EGVG21 0,004% 2,81% 10 0,08% 993 12,50% 17,78%
NEOE26 0,015% 1,93% 9 0,38% 1.630 2,68% CEMT19 -0,009% 2,64% 10 0,07% 910 12,50% 13,06%
SBSPD4 0,051% 1,73% 10 0,20% 1.729 3,91% VRDN12 0,008% 3,67% 10 0,48% 1.879 12,50% 4,66%
EGIE19 0,018% 1,93% 10 0,25% 1.184 4,25% 100,00% 100,00%
ENGIA1 0,054% 2,01% 10 0,26% 1.237 5,52%
TAEE26 -0,005% 2,04% 10 0,30% 2.796 3,38% CCR BCC
EQTR11 0,022% 2,15% 9 0,22% 2.323 2,44% PMD Puro Híbrido Puro Híbrido
PETR27 0,064% 1,43% 10 0,33% 2.706 0,79% Vol (ad) 0,029% 0,051% 0,053% 0,073% 0,036%
VPLT12 0,011% 3,32% 10 0,20% 851 1,69% Ret (ad) 0,008% 0,008% 0,009% 0,004% 0,007%
CTEE18 0,066% 1,81% 10 0,41% 1.779 0,56% Sharpe 0,2678 0,1640 0,1777 0,0582 0,1946
EDPA11 -0,019% 2,88% 10 0,21% 1.273 2,23% Dur (du) 1.086 589 575 886 683
MSGT12 -0,021% 3,32% 10 0,20% 1.200 3,11% Spread (aa) 2,22% 3,12% 3,27% 2,31% 1,76%
RUMOA4 0,069% 1,71% 10 0,35% 1.674 1,76% DTS 957 729 747 811 476
VRDN12 0,008% 3,67% 10 0,48% 1.879 1,24%
Figura 33. Composição das Alocações dos Modelos: Alocação 23 – Nov/20

Deb. Aloc. 20 Alocação nov/20 Ativos 81 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
GASP24 0,028% 1,75% 10 0,12% 376 10,35% VALE28 0,008% 1,45% 10 0,08% 511 20,00% 18,55%
NRTB21 0,019% 2,85% 9 0,30% 743 6,63% VALE29 0,017% 1,22% 10 0,10% 432 20,00% 23,30%
CTEL11 -0,034% 3,20% 9 0,22% 678 4,13% GASP24 0,028% 1,75% 10 0,12% 376 20,00% 21,40%
ETAP22 0,012% 2,66% 10 0,22% 977 1,47% OMGE41 0,145% 2,09% 8 0,24% 1.396 20,00% 22,17%
PETR16 0,066% 1,15% 8 0,29% 1.183 9,28% 100,00% 100,00%
PETR26 0,002% 1,25% 8 0,28% 1.748 2,95%
NEOE16 0,034% 1,66% 9 0,25% 1.654 10,55% Ativos 13 Modelo BCC Puro Híbrido
TIET39 0,072% 1,64% 9 0,17% 1.565 9,15% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
EGIE19 0,091% 1,42% 10 0,22% 1.164 5,37% STEN23 0,047% 4,47% 1 0,11% 589 7,69% 4,96%
EGIE29 0,094% 1,34% 10 0,25% 1.633 2,28% VALE28 0,008% 1,45% 10 0,08% 511 7,69% 6,92%
TAEE26 0,033% 1,93% 10 0,36% 2.789 7,29% VALE29 0,017% 1,22% 10 0,10% 432 7,69% 9,52%
PETR27 0,103% 1,19% 10 0,57% 2.698 3,79% VALE48 0,055% 1,54% 10 0,14% 1.195 7,69% 3,21%
VNTT11 0,013% 5,73% 5 0,18% 974 0,87% GASP24 0,028% 1,75% 10 0,12% 376 7,69% 11,44%
RESA14 0,042% 1,45% 10 0,41% 1.726 4,61% TIET18 0,139% 1,81% 9 0,26% 1.185 7,69% 5,88%
FURN21 0,065% 1,61% 8 0,36% 1.569 3,04% COCE27 0,037% 1,89% 10 0,11% 782 7,69% 7,89%
VDBF12 -0,003% 2,73% 10 0,46% 1.845 1,69% SBSPD4 0,120% 1,25% 10 0,41% 1.712 7,69% 6,39%
VRDN12 0,018% 3,58% 10 0,40% 1.861 5,24% EGIE39 0,102% 1,40% 10 0,23% 1.159 7,69% 17,79%
ENEV15 0,056% 1,58% 10 0,28% 1.747 5,54% EGIE49 0,087% 1,40% 10 0,18% 1.630 7,69% 5,18%
SAPR10 0,063% 1,93% 8 0,47% 1.398 5,21% OMGE41 0,145% 2,09% 8 0,24% 1.396 7,69% 6,83%
TBEG11 0,056% 2,49% 10 0,27% 1.721 0,55% RUMOA3 0,097% 1,39% 10 0,21% 1.749 7,69% 2,87%
RUMOB3 0,117% 1,47% 10 0,29% 1.726 7,69% 11,13%
100,00% 100,00%
CCR BCC
Vol (ad) 0,083% 0,088% 0,090% 0,118% 0,117%
Ret (ad) 0,044% 0,049% 0,051% 0,077% 0,077%
Sharpe 0,5301 0,5603 0,5625 0,6503 0,6538
Dur (du) 1.459 661 671 1.111 1.056
Spread (aa) 1,90% 2,20% 2,04% 1,78% 1,69%
DTS 1.102 576 544 784 709
125
Figura 34. Composição das Alocações dos Modelos: Alocação 24 – Dez/20

Deb. Aloc. 23 Alocação dez/20 Ativos 85 100,00% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
Ativo Ret.Esp Spread Rating Vol (aa) Duration Peso VALE28 0,014% 1,41% 10 0,05% 492 50,00% 49,60%
NRTB11 0,018% 1,46% 9 0,17% 725 1,70% GASP24 0,014% 1,48% 10 0,08% 357 50,00% 50,40%
GASP24 0,024% 1,43% 10 0,08% 357 3,74% 100,00% 100,00%
FGEN13 0,082% 0,96% 9 0,19% 916 0,51%
CTEL11 -0,198% 4,62% 9 0,37% 655 8,15%
CHPA11 0,005% 1,80% 8 0,48% 1.163 3,79% Ativos 5 Modelo BCC Puro Híbrido
EGIE17 0,042% 2,72% 10 0,18% 937 0,68% Ativo Ret (ad) Spread (aa) Rating Vol (ad) Dur (du) Peso Peso
NEOE16 0,024% 2,00% 9 0,20% 1.637 9,46% ODTR11 0,040% 2,63% 10 0,21% 1.084 20,00% 6,02%
TIET39 0,018% 1,69% 9 0,13% 1.547 0,63% VALE28 0,005% 1,41% 10 0,05% 492 20,00% 40,37%
EGIE29 -0,046% 1,27% 10 0,26% 1.613 4,64% VALE48 0,039% 1,43% 10 0,09% 1.178 20,00% 11,86%
ELET42 0,027% 2,01% 10 0,22% 1.589 9,59% GASP24 0,024% 1,48% 10 0,08% 357 20,00% 27,57%
MRSL19 0,020% 1,48% 10 0,10% 794 2,88% FGEN13 0,082% 2,21% 9 0,19% 916 20,00% 14,17%
TAEE26 0,056% 1,75% 10 0,32% 2.873 2,61% 100,00% 100,00%
EQTR11 -0,029% 1,86% 9 0,23% 2.300 3,29%
PETR27 0,006% 3,07% 10 0,50% 2.684 2,96%
VNTT11 0,166% 2,37% 5 0,39% 966 9,87% CCR BCC
CMGD27 0,027% 2,04% 6 0,19% 1.134 5,39% PMD Puro Híbrido Puro Híbrido
RUMOA4 0,000% 6,14% 10 0,36% 1.678 0,54% Vol (ad) 0,049% 0,054% 0,054% 0,082% 0,057%
VRDN12 0,065% 2,31% 10 0,29% 1.854 1,95% Ret (ad) 0,014% 0,014% 0,014% 0,038% 0,027%
ENEV15 0,031% 2,99% 10 0,25% 1.730 3,91% Sharpe 0,1667 0,2658 0,2666 0,4651 0,4773
SAPR10 0,035% 3,01% 8 0,32% 1.379 1,56% Dur (du) 1.330 425 424 805 632
TBEG11 -0,011% 2,06% 10 0,20% 1.705 4,24% Spread (aa) 2,26% 3,15% 3,05% 2,65% 3,05%
CTNS14 0,010% 1,76% 10 0,08% 870 12,33% DTS 1.195 531 514 846 766
SBSPB6 0,040% 2,44% 10 0,35% 1.453 5,57%
126
APÊNDICE B – RESULTADO DAS ALOCAÇÕES MENSAIS DOS MODELOS

Figura 35. Resultado da Alocação dos Modelos: Alocação 1 - Jan/19
Valor Aplicado 1.000.000,00
Alocação Data Início: Data Fim: Dias Úteis (du) Modelo CCR
1 03/01/19 04/02/19 22 Puro Híbrido
Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
PMD APAR16 500.000,00 1,000972 500.485,92 563.252,99 1,000972 563.800,38
Ativo Valor Início Fator Per. Valor Fim GASP33 500.000,00 1,001295 500.647,55 436.747,01 1,001295 437.312,65
GASP33 63.937,70 1,001295 64.020,51 1.000.000,00 1,001133 1.001.133,47 1.000.000,00 1,001113 1.001.113,02
MRSL17 72.306,32 1,000375 72.333,40
MRSL27 20.359,92 1,001639 20.393,28 Rent. Per. Rent. aa Rent. Per. Rent. aa
ODTR11 3.910,61 1,013293 3.962,59 0,11% 1,37% 0,11% 1,34%
RVIO14 64.459,07 1,004399 64.742,62
VALE18 33.070,39 0,997509 32.988,00
VALE19 65.286,03 0,996295 65.044,13 Modelo BCC
VALE28 56.885,82 0,991289 56.390,28 Puro Híbrido
VALE29 45.119,66 0,993529 44.827,69 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
VLIM11 32.936,07 1,004457 33.082,87 APAR16 250.000,00 1,000972 250.242,96 255.332,78 1,000972 255.580,92
GASP14 19.597,30 1,003452 19.664,95 ENBR24 250.000,00 1,000806 250.201,54 208.166,71 1,000806 208.334,53
GASP24 97.799,36 1,004402 98.229,84 GASP33 250.000,00 1,001295 250.323,78 305.153,66 1,001295 305.548,87
TIET34 103.493,43 1,000575 103.552,95 VALE48 250.000,00 0,987042 246.760,48 231.346,85 0,987042 228.349,04
RNEP11 65.331,49 1,005619 65.698,60 1.000.000,00 0,997529 997.528,76 1.000.000,00 0,997813 997.813,36
CTEL11 28.831,05 1,003152 28.921,94
ENBR15 97.786,78 1,003463 98.125,44 Rent. Per. Rent. aa Rent. Per. Rent. aa
ALGA15 17.577,11 1,002215 17.616,05 -0,25% -2,93% -0,22% -2,59%
CTEE14 2.311,68 1,000982 2.313,95
CHPA11 25.108,66 1,000902 25.131,32
CEAD11 1.460,03 0,996775 1.455,32
EGIE17 35.075,70 0,996790 34.963,11
TAES15 47.355,83 0,996606 47.195,10
1.000.000,00 1,000654 1.000.653,92
Rent. Per. Rent. aa

0,07% 0,75%
Figura 36. Resultado da Alocação dos Modelos: Alocação 2 - Fev/19

2 04/02/19 06/03/19 20 Puro Híbrido
PMD APAR16 250.000,00 1,001564 250.390,90 227.147,92 1,001564 227.503,09
MRSL17 55.762,78 1,001240 55.831,95 RVIO14 250.000,00 1,004437 251.109,16 284.886,45 1,004437 286.150,39
ODTR11 22.539,15 1,100546 24.805,36 RNEP11 250.000,00 1,001900 250.475,03 228.481,99 1,001900 228.916,13
RVIO14 55.810,16 1,004437 56.057,77 1.000.000,00 1,002169 1.002.169,05 1.000.000,00 1,002255 1.002.254,57
VALE18 41.883,34 0,999571 41.865,36
VALE28 28.216,18 0,996182 28.108,44 Rent. Per. Rent. aa Rent. Per. Rent. aa
VALE38 632,92 0,996878 630,95 0,22% 2,63% 0,23% 2,74%
VALE48 12.263,57 1,004498 12.318,72
RDLA12 17.557,91 1,000083 17.559,36 Modelo BCC
VLIM11 123,57 0,999756 123,54 Puro Híbrido
GASP14 95.256,47 1,005933 95.821,65 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
GASP24 285.692,78 1,005243 287.190,75 APAR16 166.666,67 1,001564 166.927,26 362.070,21 1,001564 362.636,34
TIET34 99.654,89 1,003982 100.051,74 GASP33 166.666,67 1,000776 166.795,98 287.503,59 1,000776 287.726,66
CTEL11 81.539,90 1,000900 81.613,33 ODTR11 166.666,67 1,100546 183.424,28 30.738,63 1,100546 33.829,27
ENBR15 43.587,14 1,003482 43.738,92 RVIO14 166.666,67 1,004437 167.406,10 136.246,81 1,004437 136.851,28
CEAD11 10.507,45 1,004295 10.552,58 RNEP11 166.666,67 1,001900 166.983,35 165.096,85 1,001900 165.410,55
EGIE17 55.207,37 0,999352 55.171,58 CHPA11 166.666,67 1,006483 167.747,15 18.343,91 1,006483 18.462,84
EGIE27 32.699,77 0,997883 32.630,54 1.000.000,00 1,019284 1.019.284,14 1.000.000,00 1,004917 1.004.916,93
CEAR26 60.364,32 0,999053 60.307,15
VNTT11 700,31 1,002740 702,22 Rent. Per. Rent. aa Rent. Per. Rent. aa
1.000.000,00 1,005082 1.005.081,91 1,93% 25,76% 0,49% 6,06%
Rent. Per. Rent. aa

0,51% 6,60%
127
Figura 37. Resultado da Alocação dos Modelos: Alocação 3 - Mar/19

3 06/03/19 02/04/19 19 Puro Híbrido
PMD APAR16 250.000,00 0,999949 249.987,32 478.055,58 0,999949 478.031,34
ENBR24 58.826,13 1,000730 58.869,08 ODTR11 250.000,00 1,008557 252.139,19 13.818,64 1,008557 13.936,89
MRSL17 99.072,80 1,001108 99.182,57 RVIO14 250.000,00 0,999738 249.934,62 139.700,16 0,999738 139.663,63
MRSL27 136.776,24 1,002286 137.088,90 1.000.000,00 1,002299 1.002.299,47 1.000.000,00 1,000409 1.000.408,71
ODTR11 5.819,06 1,008557 5.868,85
VALE28 24.220,98 1,003455 24.304,66 0,23% 2,79% 0,04% 0,49%
VALE48 3.346,37 1,006162 3.366,99
RDLA12 40.727,78 1,002304 40.821,62
GASP14 56.685,42 0,999097 56.634,24 Modelo BCC
GASP24 27.818,88 0,995218 27.685,86 Puro Híbrido
TIET34 183.650,01 0,998065 183.294,63 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
CTEL11 96.340,21 1,008422 97.151,63 APAR16 166.666,67 0,999949 166.658,22 346.011,46 0,999949 345.993,92
ENBR15 36.025,48 1,001208 36.069,01 GASP33 166.666,67 1,000953 166.825,56 359.025,03 1,000953 359.367,31
CTEE14 88.152,02 1,000742 88.217,45 ODTR11 166.666,67 1,008557 168.092,79 10.883,35 1,008557 10.976,48
CEAD11 17.662,18 1,000393 17.669,11 RVIO14 166.666,67 0,999738 166.623,08 177.060,91 0,999738 177.014,61
EGIE17 11.334,67 1,002076 11.358,21 GASP14 166.666,67 0,999097 166.516,17 56.733,96 0,999097 56.682,73
CEAR26 24.973,46 1,001313 25.006,25 GASP24 166.666,67 0,995218 165.869,71 50.285,28 0,995218 50.044,83
LIGHA5 47.094,05 1,004560 47.308,81 1.000.000,00 1,000586 1.000.585,53 1.000.000,00 1,000080 1.000.079,88
TIET18 11.812,94 1,003998 11.860,16
1.000.000,00 1,001414 1.001.413,66 Rent. Per. Rent. aa Rent. Per. Rent. aa
0,06% 0,70% 0,01% 0,10%
Rent. Per. Rent. aa
0,14% 1,89%
Figura 38. Resultado da Alocação dos Modelos: Alocação 4 - Abr/19

4 02/04/19 03/05/19 21 Puro Híbrido
PMD APAR16 200.000,00 1,002203 200.440,53 128.523,63 1,002203 128.806,72
Ativo Valor Início Fator Per. Valor Fim ENBR24 200.000,00 1,001574 200.314,87 186.379,03 1,001574 186.672,46
AGRU11 32.874,59 1,000382 32.887,15 ODTR11 200.000,00 1,005050 201.009,98 237.814,01 1,005050 239.014,95
AGRU12 6.696,00 1,008949 6.755,93 GASP14 200.000,00 1,000432 200.086,40 95.053,87 1,000432 95.094,93
AGRU41 8.370,87 1,000191 8.372,46 CTEE14 200.000,00 1,000595 200.119,00 352.229,45 1,000595 352.439,03
APAR16 129.089,89 1,002203 129.374,23 1.000.000,00 1,001971 1.001.970,78 1.000.000,00 1,002028 1.002.028,10
ENBR24 96.601,13 1,001574 96.753,21
MRSL27 138.090,36 1,001360 138.278,12 0,20% 2,39% 0,20% 2,46%
ODTR11 7.234,97 1,005050 7.271,51
GASP14 52.529,17 1,000432 52.551,87 Modelo BCC
ALGA15 31.017,12 1,000381 31.028,95 Puro Híbrido
ENTV12 66.136,06 1,011021 66.864,97 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
CEAR26 18.658,54 0,995509 18.574,75 APAR16 100.000,00 1,002203 100.220,26 82.296,36 1,002203 82.477,63
ENJG21 63.415,45 0,997457 63.254,20 ENBR24 100.000,00 1,001574 100.157,43 91.605,31 1,001574 91.749,53
LIGHA5 102.957,55 0,992296 102.164,38 NRTB11 100.000,00 0,999924 99.992,36 122.913,07 0,999924 122.903,68
1.000.000,00 1,000704 1.000.704,19 ODTR11 100.000,00 1,005050 100.504,99 61.220,20 1,005050 61.529,35
GASP14 100.000,00 1,000432 100.043,20 130.056,04 1,000432 130.112,22
Rent. Per. Rent. aa NRTB21 100.000,00 0,999423 99.942,25 93.200,00 0,999423 93.146,18
0,07% 0,85% CTEL11 100.000,00 1,000402 100.040,17 89.500,00 1,000402 89.535,95
CTEE14 100.000,00 1,000595 100.059,50 148.188,91 1,000595 148.277,08
CXER12 100.000,00 0,998142 99.814,20 40.824,45 0,998142 40.748,60
LIGHA5 100.000,00 0,992296 99.229,61 140.195,65 0,992296 139.115,60
1.000.000,00 1,000004 1.000.003,98 1.000.000,00 0,999596 999.595,84
Rent. Per. Rent. aa Rent. Per. Rent. aa

0,00% 0,00% -0,04% -0,48%
128
Figura 39. Resultado da Alocação dos Modelos: Alocação 5 - Mai/19

5 03/05/19 04/06/19 22 Puro Híbrido
PMD VALE18 200.000,00 1,005068 201.013,61 152.841,47 1,005068 153.616,08
Ativo Valor Início Fator Per. Valor Fim RDLA12 200.000,00 1,005188 201.037,63 250.473,79 1,005188 251.773,28
APAR16 40.213,47 1,001812 40.286,33 VLIM11 200.000,00 1,003686 200.737,26 175.320,35 1,003686 175.966,64
ENBR24 15.722,47 1,003788 15.782,02 GASP14 200.000,00 1,001432 200.286,37 50.900,00 1,001432 50.972,88
MRSL17 232.462,53 0,998896 232.205,97 CTEE14 200.000,00 0,998318 199.663,62 370.464,39 0,998318 369.841,29
MRSL27 107.945,48 1,002079 108.169,87 1.000.000,00 1,002738 1.002.738,48 1.000.000,00 1,002170 1.002.170,17
VALE18 140.478,22 1,005068 141.190,18
VALE28 27.173,94 1,003400 27.266,33 0,27% 3,34% 0,22% 2,64%
VALE38 50.344,87 1,003006 50.496,19
VALE48 25.995,97 1,002492 26.060,74 Modelo BCC
TIET34 51.942,59 1,001915 52.042,09 Puro Híbrido
ENBR15 116.232,69 1,000787 116.324,21 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
ALGA15 28.534,24 1,000071 28.536,26 APAR16 111.111,11 1,001812 111.312,42 99.995,16 1,001812 100.176,32
EGIE27 5.926,84 1,010971 5.991,86 ODTR11 111.111,11 1,018510 113.167,79 61.589,86 1,018510 62.729,90
ENJG21 4.110,81 1,006130 4.136,01 VALE18 111.111,11 1,005068 111.674,23 164.945,06 1,005068 165.781,01
LIGHA5 7.371,79 1,018091 7.505,15 RDLA12 111.111,11 1,005188 111.687,57 53.637,82 1,005188 53.916,10
TPNO12 40.958,87 1,007992 41.286,23 VLIM11 111.111,11 1,003686 111.520,70 51.400,00 1,003686 51.589,48
VNTT11 36.261,34 1,003313 36.381,47 GASP14 111.111,11 1,001432 111.270,20 62.500,00 1,001432 62.589,49
1.000.000,00 1,002393 1.002.393,02 GASP24 111.111,11 1,001306 111.256,19 196.263,68 1,001306 196.519,95
CTEE14 111.111,11 0,998318 110.924,23 223.167,84 0,998318 222.792,49
Rent. Per. Rent. aa ENTV12 111.111,11 1,008023 112.002,56 86.500,58 1,008023 87.194,58
0,24% 2,78% 1.000.000,00 1,004816 1.004.815,89 1.000.000,00 1,003289 1.003.289,31

0,48% 5,93% 0,33% 4,02%
Figura 40. Resultado da Alocação dos Modelos: Alocação 6 - Jun/19

6 04/06/19 02/07/19 19 Puro Híbrido
PMD ENBR24 166.666,67 1,001650 166.941,71 72.942,10 1,001650 73.062,47
Ativo Valor Início Fator Per. Valor Fim NRTB11 166.666,67 1,004806 167.467,72 365.394,03 1,004806 367.150,23
AGRU41 13.083,43 1,003841 13.133,68 VALE18 166.666,67 1,000904 166.817,37 204.002,20 1,000904 204.186,66
MRSL17 91.103,20 1,001567 91.245,93 VALE19 166.666,67 0,999468 166.578,06 33.469,22 0,999468 33.451,42
MRSL27 19.641,01 1,003947 19.718,54 RDLA12 166.666,67 0,999440 166.573,27 20.989,81 0,999440 20.978,04
NRTB11 51.425,63 1,004806 51.672,80 ENBR15 166.666,67 1,003214 167.202,29 303.202,65 1,003214 304.177,07
STEN13 2.967,12 1,005013 2.981,99 1.000.000,00 1,001580 1.001.580,42 1.000.000,00 1,003006 1.003.005,90
STEN23 18.786,54 1,005815 18.895,79
VALE28 75.188,34 1,003495 75.451,11 0,16% 1,91% 0,30% 3,67%
VALE38 11.203,05 1,007200 11.283,71
VALE48 18.599,19 1,004262 18.678,47 Modelo BCC
RDLA12 138.879,46 0,999440 138.801,63 Puro Híbrido
GASP14 62.934,02 1,003000 63.122,81 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
GASP24 52.355,39 0,999258 52.316,52 ENBR24 66.666,67 1,001650 66.776,69 138.348,01 1,001650 138.576,32
TIET34 39.636,99 1,005379 39.850,22 NRTB11 66.666,67 1,004806 66.987,09 204.288,94 1,004806 205.270,82
CTEL11 42.592,43 1,004084 42.766,38 STEN13 66.666,67 1,005013 67.000,86 21.232,07 1,005013 21.338,50
ALGA15 142.556,56 1,006277 143.451,39 STEN23 66.666,67 1,005815 67.054,34 26.090,93 1,005815 26.242,65
CTEE14 13.678,43 1,002535 13.713,11 VALE18 66.666,67 1,000904 66.726,95 182.732,21 1,000904 182.897,44
ENTV12 7.191,73 1,014474 7.295,82 VALE19 66.666,67 0,999468 66.631,22 27.500,00 0,999468 27.485,38
TAES15 4.832,96 1,003340 4.849,11 RDLA12 66.666,67 0,999440 66.629,31 14.394,95 0,999440 14.386,89
ENJG21 12.920,43 1,005918 12.996,90 NRTB21 66.666,67 1,004012 66.934,12 24.300,00 1,004012 24.397,49
TPNO12 33.276,03 1,005148 33.447,33 ENBR15 66.666,67 1,003214 66.880,92 226.715,30 1,003214 227.443,91
PRAS11 22.822,77 0,992379 22.648,83 CXER12 66.666,67 1,005607 67.040,44 12.433,29 1,005607 12.503,00
SRTI11 21.758,07 1,003577 21.835,88 CEAD11 66.666,67 1,002165 66.810,98 22.900,00 1,002165 22.949,57
VNTT11 9.421,07 1,003451 9.453,58 LIGHA5 66.666,67 0,991122 66.074,80 23.928,72 0,991122 23.716,28
1.000.000,00 1,002842 1.002.841,90 TIET18 66.666,67 1,006127 67.075,16 18.841,29 1,006127 18.956,74
PRAS11 66.666,67 0,992379 66.158,57 20.621,60 0,992379 20.464,43
Rent. Per. Rent. aa SRTI11 66.666,67 1,003577 66.905,10 35.672,68 1,003577 35.800,27
0,28% 3,84% 1.000.000,00 1,001687 1.001.686,55 1.000.000,00 1,002430 1.002.429,70

0,17% 2,04% 0,24% 2,95%
129
Figura 41. Resultado da Alocação dos Modelos: Alocação 7 - Jul/19

7 02/07/19 02/08/19 23 Puro Híbrido
PMD APAR16 333.333,33 0,996065 332.021,62 593.613,72 0,996065 591.277,77
AGRU12 4.915,97 1,001239 4.922,06 VALE18 333.333,33 0,999781 333.260,28 395.663,33 0,999781 395.576,62
AGRU31 16.330,59 1,000961 16.346,29 1.000.000,00 0,998241 998.241,25 1.000.000,00 0,997565 997.565,31
MRSL27 38.505,53 1,000652 38.530,65
STEN13 9.035,00 1,004244 9.073,34 Rent. Per. Rent. aa Rent. Per. Rent. aa
STEN23 25.002,57 1,002305 25.060,20 -0,18% -2,09% -0,24% -2,88%
VALE18 196.042,23 0,999781 195.999,26
VALE19 134.571,42 0,999062 134.445,13 Modelo BCC
VALE48 28.778,44 0,996322 28.672,60 APAR16 166.666,67 0,996065 166.010,81 227.064,68 0,996065 226.171,15
GASP14 27.243,79 0,997636 27.179,38 ENBR24 166.666,67 0,998878 166.479,67 52.900,00 0,998878 52.840,65
GASP24 5.321,81 0,996168 5.301,41 VALE18 166.666,67 0,999781 166.630,14 332.148,50 0,999781 332.075,71
NRTB21 7.176,73 1,004211 7.206,95 ALGA15 166.666,67 0,995841 165.973,53 210.762,48 0,995841 209.885,95
CTEL11 97.108,13 1,001434 97.247,40 ENTV12 166.666,67 0,998386 166.397,60 96.343,72 0,998386 96.188,19
ENBR15 140.177,72 0,996970 139.753,04 TPEN11 166.666,67 0,990120 165.019,99 80.780,62 0,990120 79.982,50
ALGA15 41.695,91 0,995841 41.522,50 1.000.000,00 0,996512 996.511,75 1.000.000,00 0,997144 997.144,15
CTEE14 58.366,85 0,996621 58.169,60
TAES14 20.237,39 0,998037 20.197,67 Rent. Per. Rent. aa Rent. Per. Rent. aa
ENTV12 10.382,24 0,998386 10.365,48 -0,35% -4,11% -0,29% -3,37%
EGIE17 17.954,49 0,987962 17.738,36
TAES15 9.146,14 0,990888 9.062,80
TIET18 1.987,99 0,993820 1.975,71
ENMI21 6.290,48 0,996371 6.267,65
PETR26 9.537,59 0,971480 9.265,58
PRAS11 29.253,74 0,994528 29.093,67
1.000.000,00 0,998167 998.167,30
Rent. Per. Rent. aa

-0,18% -1,99%
Figura 42. Resultado da Alocação dos Modelos: Alocação 8 - Ago/19

8 02/08/19 03/09/19 22 Puro Híbrido
PMD APAR16 500.000,00 0,999693 499.846,45 321.921,46 0,999693 321.822,60
AGRU12 3.803,07 0,998984 3.799,21 1.000.000,00 0,999070 999.070,44 1.000.000,00 0,998849 998.848,75
AGRU31 13.461,18 1,001905 13.486,82
NRTB11 62.098,30 0,999738 62.082,04 -0,09% -1,11% -0,12% -1,37%
STEN13 3.473,16 1,001393 3.478,00
STEN23 18.061,37 1,002713 18.110,37 Modelo BCC
NRTB21 112.701,16 0,999593 112.655,31 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
FGEN13 55.288,15 0,998869 55.225,61 APAR16 100.000,00 0,999693 99.969,29 119.805,80 0,999693 119.769,01
CTEL11 125.022,88 1,000345 125.065,96 ENBR24 100.000,00 0,998448 99.844,80 58.300,00 0,998448 58.209,52
ENBR15 41.804,45 0,995896 41.632,87 MRSL17 100.000,00 0,993814 99.381,44 93.591,19 0,993814 93.012,28
ALGA15 14.311,71 0,994449 14.232,26 MRSL27 100.000,00 0,988768 98.876,80 93.606,05 0,988768 92.554,67
CTEE14 97.023,27 0,996768 96.709,74 NRTB11 100.000,00 0,999738 99.973,82 173.858,76 0,999738 173.813,25
CHPA11 18.318,04 1,001285 18.341,59 STEN13 100.000,00 1,001393 100.139,31 174.524,01 1,001393 174.767,14
CXER12 75.165,90 0,999358 75.117,62 VALE28 100.000,00 1,000863 100.086,32 45.181,02 1,000863 45.220,02
ENTV12 17.192,38 0,988056 16.987,04 GASP14 100.000,00 0,998465 99.846,51 144.898,98 0,998465 144.676,56
CEAD11 43.117,12 0,995015 42.902,19 NRTB21 100.000,00 0,999593 99.959,32 33.480,10 0,999593 33.466,48
EGIE17 3.873,89 0,985725 3.818,59 FGEN13 100.000,00 0,998869 99.886,88 62.754,07 0,998869 62.683,09
LIGHA5 5.404,47 0,999031 5.399,23 1.000.000,00 0,997964 997.964,49 1.000.000,00 0,998172 998.172,03
TIET18 20.461,91 0,992562 20.309,71
SAVI13 7.148,52 0,996283 7.121,95 Rent. Per. Rent. aa Rent. Per. Rent. aa
PETR26 8.395,47 0,991139 8.321,07 -0,20% -2,42% -0,18% -2,17%
PRAS11 53.139,57 0,982361 52.202,26
SRTI11 48.928,16 0,986895 48.286,98
TPEN11 8.223,46 0,994025 8.174,32
VNTT11 86.159,63 0,998407 86.022,41
1.000.000,00 0,996529 996.528,75
Rent. Per. Rent. aa

-0,35% -3,90%
130
Figura 43. Resultado da Alocação dos Modelos: Alocação 9 - Set/19

9 03/09/19 02/10/19 21 Puro Híbrido
PMD APAR16 1.000.000,00 0,999030 999.030,14 1.000.000,00 0,999030 999.030,14
Ativo Valor Início Fator Per. Valor Fim
AGRU12 14.601,79 1,004272 14.664,18 1.000.000,00 0,999030 999.030,14 1.000.000,00 0,999030 999.030,14
AGRU21 18.841,70 1,014857 19.121,64
NRTB11 108.735,95 1,004272 109.200,48 -0,10% -1,16% -0,10% -1,16%
STEN13 159.100,13 1,002138 159.440,23
GASP14 85.722,48 1,000229 85.742,07 Modelo BCC
FGEN13 72.193,02 1,004976 72.552,29 Puro Híbrido
CTEL11 124.390,56 1,003415 124.815,35 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
CTEE14 10.175,24 1,000358 10.178,88 APAR16 166.666,67 0,999030 166.505,02 176.933,14 0,999030 176.761,54
CXER12 18.418,38 0,999562 18.410,32 NRTB11 166.666,67 1,004272 167.378,68 130.215,20 1,004272 130.771,49
CEAD11 2.043,38 1,003492 2.050,51 STEN13 166.666,67 1,002138 167.022,95 196.878,75 1,002138 197.299,61
EGIE17 9.335,90 0,997606 9.313,56 STEN23 166.666,67 0,998160 166.359,92 152.990,81 0,998160 152.709,23
ENJG21 30.354,16 0,990695 30.071,71 VALE28 166.666,67 1,000291 166.715,14 181.159,12 1,000291 181.211,81
LIGHA5 62.713,60 0,987001 61.898,39 GASP14 166.666,67 1,000229 166.704,76 161.822,98 1,000229 161.859,97
TIET18 1.485,70 0,994998 1.478,27 1.000.000,00 1,000686 1.000.686,48 1.000.000,00 1,000614 1.000.613,66
ENMI21 9.853,60 1,002863 9.881,81
TPNO12 6.051,38 1,001625 6.061,21 0,07% 0,83% 0,06% 0,74%
PETR16 27.552,77 0,991778 27.326,22
PETR26 49.834,23 0,993229 49.496,79
SRTI11 47.208,13 1,003408 47.369,00
ETEN31 56.139,15 0,991935 55.686,38
RUMOA2 34.146,10 0,977618 33.381,85
1.000.000,00 0,998298 998.298,47
Rent. Per. Rent. aa

-0,17% -2,02%
Figura 44. Resultado da Alocação dos Modelos: Alocação 10 - Out/19

10 02/10/19 04/11/19 23 Puro Híbrido
PMD NRTB11 500.000,00 1,000150 500.075,05 528.134,73 1,000150 528.214,01
AGRU12 43.829,43 0,962725 42.195,69 1.000.000,00 0,998223 998.222,88 1.000.000,00 0,998331 998.331,33
AGRU31 9.724,10 0,993706 9.662,90
ODTR11 2.486,65 1,007843 2.506,15 -0,18% -2,11% -0,17% -1,98%
STEN13 217.685,53 1,001375 217.984,84
STEN23 76.974,71 0,992038 76.361,87 Modelo BCC
FGEN13 36.482,94 1,006736 36.728,69 AGRU21 166.666,67 0,994420 165.736,59 134.800,45 0,994420 134.048,20
CTEL11 66.443,21 0,994643 66.087,25 NRTB11 166.666,67 1,000150 166.691,68 251.935,45 1,000150 251.973,26
ENBR15 13.539,83 0,997332 13.503,70 ODTR11 166.666,67 1,007843 167.973,79 208.698,09 1,007843 210.334,86
ALGA15 30.764,39 0,994378 30.591,45 GASP14 166.666,67 0,996296 166.049,28 175.970,00 0,996296 175.318,15
CHPA11 9.482,87 1,000187 9.484,64 TIET34 166.666,67 0,995893 165.982,17 162.642,63 0,995893 161.974,67
CXER12 20.235,50 0,988715 20.007,14 CEAR26 166.666,67 0,988542 164.757,06 65.953,38 0,988542 65.197,71
ENTV12 11.446,99 0,972205 11.128,82 1.000.000,00 0,997191 997.190,58 1.000.000,00 0,998847 998.846,85
TIET18 37.629,17 0,986739 37.130,15
PRAS11 18.728,23 0,958054 17.942,66 -0,28% -3,32% -0,12% -1,38%
SRTI11 38.322,45 0,971742 37.239,53
ETEN31 33.368,53 0,989847 33.029,75
RUMOA2 11.607,32 0,969473 11.252,99
JTEE11 9.958,49 0,957119 9.531,46
VNTT11 35.455,17 1,003163 35.567,31
1.000.000,00 0,992531 992.531,06
Rent. Per. Rent. aa

-0,75% -7,89%
131
Figura 45. Resultado da Alocação dos Modelos: Alocação 11 - Nov/19

11 04/11/19 03/12/19 20 Puro Híbrido
PMD AGRU11 200.000,00 1,000498 200.099,64 91.893,28 1,000498 91.939,06
Ativo Valor Início Fator Per. Valor Fim STEN13 200.000,00 0,995171 199.034,18 316.311,98 0,995171 314.784,48
AGRU12 1.762,72 0,995003 1.753,91 GASP14 200.000,00 0,995384 199.076,83 110.489,14 0,995384 109.979,14
AGRU31 67.534,52 1,000446 67.564,63 TIET34 200.000,00 1,003709 200.741,87 181.833,40 1,003709 182.507,88
MRSL17 169.438,49 0,995145 168.615,91 NRTB21 200.000,00 0,985539 197.107,72 299.472,20 0,985539 295.141,41
NRTB11 3.165,56 0,993520 3.145,05 1.000.000,00 0,996060 996.060,24 1.000.000,00 0,994352 994.351,98
VALE29 31.826,15 0,993517 31.619,82
NRTB21 173.648,35 0,985539 171.137,15 Rent. Per. Rent. aa Rent. Per. Rent. aa
CEAD11 120.323,11 0,990654 119.198,60 -0,39% -4,63% -0,56% -6,57%
CEAR26 4.602,21 0,985365 4.534,86
PETR16 12.112,74 0,996050 12.064,90 Modelo BCC
PETR26 18.564,42 1,009428 18.739,43 Puro Híbrido
PRAS11 30.797,68 0,974459 30.011,08 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
ETEN31 40.299,99 0,979036 39.455,14 AGRU11 100.000,00 1,000498 100.049,82 68.232,21 1,000498 68.266,20
RUMOA2 3.407,85 1,022055 3.483,01 MRSL27 100.000,00 0,987221 98.722,14 55.908,88 0,987221 55.194,44
ESULA1 25.694,36 0,978468 25.141,10 STEN13 100.000,00 0,995171 99.517,09 211.035,42 0,995171 210.016,31
NEOE16 22.780,98 0,997908 22.733,33 GASP14 100.000,00 0,995384 99.538,41 173.100,99 0,995384 172.301,98
NEOE26 10.720,81 1,001671 10.738,73 TIET34 100.000,00 1,003709 100.370,94 160.335,85 1,003709 160.930,60
SBSPD4 33.905,67 0,995483 33.752,53 NRTB21 100.000,00 0,985539 98.553,86 128.266,20 0,985539 126.411,30
TIET29 31.550,71 0,998072 31.489,89 CHPA11 100.000,00 0,997760 99.776,02 71.441,01 0,997760 71.280,99
TIET39 19.588,08 0,990260 19.397,29 CXER12 100.000,00 1,005521 100.552,13 75.530,60 1,005521 75.947,62
VNTT11 178.275,59 0,989172 176.345,23 TPNO12 100.000,00 0,965962 96.596,25 32.600,00 0,965962 31.490,38
1.000.000,00 0,990922 990.921,60 ETBA12 100.000,00 1,008227 100.822,73 23.548,84 1,008227 23.742,58
1.000.000,00 0,994499 994.499,39 1.000.000,00 0,995582 995.582,41
Rent. Per. Rent. aa
-0,91% -10,86% Rent. Per. Rent. aa Rent. Per. Rent. aa
-0,55% -6,40% -0,44% -5,17%
Figura 46. Resultado da Alocação dos Modelos: Alocação 12 - Dez/19

12 03/12/19 03/01/20 21 Puro Híbrido
PMD ENBR24 1.000.000,00 1,004533 1.004.533,47 1.000.000,00 1,004533 1.004.533,47
AGRU12 11.226,55 1,003020 11.260,45 1.000.000,00 1,004533 1.004.533,47 1.000.000,00 1,004533 1.004.533,47
AGRU21 14.913,07 0,997582 14.877,00
AGRU31 16.864,13 0,997085 16.814,97 Rent. Per. Rent. aa Rent. Per. Rent. aa
STEN13 30.603,46 1,000117 30.607,03 0,45% 5,58% 0,45% 5,58%
STEN23 92.713,17 0,989232 91.714,80
VALE29 916,65 1,002996 919,40 Modelo BCC
ENBR15 83.129,84 1,004611 83.513,17 Puro Híbrido
ALGA15 51.518,17 1,003490 51.697,95 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
CTEE14 165.266,31 1,000537 165.355,05 AGRU11 200.000,00 0,998034 199.606,77 233.397,06 0,998034 232.938,17
CHPA11 28.296,75 0,996253 28.190,73 ENBR24 200.000,00 1,004533 200.906,69 194.678,33 1,004533 195.560,89
CEAD11 16.783,24 0,983107 16.499,72 CTEE14 200.000,00 1,000537 200.107,40 197.011,04 1,000537 197.116,83
EGIE17 41.010,87 1,010961 41.460,38 CXER12 200.000,00 0,994053 198.810,59 165.957,80 0,994053 164.970,84
ENMI21 51.263,46 1,003091 51.421,93 RUMOA2 200.000,00 1,014184 202.836,87 208.955,78 1,014184 211.919,67
SAVI13 34.519,28 0,996904 34.412,41 1.000.000,00 1,002268 1.002.268,32 1.000.000,00 1,002506 1.002.506,41
PETR16 12.871,49 1,001256 12.887,66
PETR26 863,31 1,008803 870,91 Rent. Per. Rent. aa Rent. Per. Rent. aa
PRAS11 39.025,08 1,018654 39.753,04 0,23% 2,76% 0,25% 3,05%
RUMOA2 21.379,30 1,014184 21.682,55
NEOE16 41.264,21 1,025280 42.307,38
NEOE26 39.413,31 1,034558 40.775,36
SBSPD4 9.943,26 1,013966 10.082,12
TIET29 13.665,96 1,002599 13.701,49
TIET39 8.054,38 1,006628 8.107,77
TPEN11 14.969,24 0,975155 14.597,32
VNTT11 159.525,54 0,997169 159.073,90
1.000.000,00 1,002584 1.002.584,48
Rent. Per. Rent. aa

0,26% 3,15%
132
Figura 47. Resultado da Alocação dos Modelos: Alocação 13 - Jan/20

13 03/01/20 04/02/20 22 Puro Híbrido
PMD ENBR24 1.000.000,00 1,001851 1.001.850,92 1.000.000,00 1,001851 1.001.850,92
AGRU41 16.010,12 1,002935 16.057,11 1.000.000,00 1,001851 1.001.850,92 1.000.000,00 1,001851 1.001.850,92
MRSL17 202.937,05 1,001336 203.208,22
ODTR11 11.144,43 0,997735 11.119,19 Rent. Per. Rent. aa Rent. Per. Rent. aa
STEN13 119.299,97 0,995100 118.715,45 0,19% 2,24% 0,19% 2,24%
STEN23 49.733,20 0,996896 49.578,82
VALE29 56.458,47 1,000423 56.482,33 Modelo BCC
NRTB21 41.375,68 1,003319 41.513,01 Puro Híbrido
ENBR15 14.450,83 1,002430 14.485,95 ENBR24 111.111,11 1,001851 111.316,77 68.152,27 1,001851 68.278,42
CTEE14 133.260,41 1,002634 133.611,43 MRSL17 111.111,11 1,001336 111.259,58 191.108,50 1,001336 191.363,85
CHPA11 101.652,52 0,976625 99.276,36 MRSL27 111.111,11 1,006103 111.789,26 184.612,16 1,006103 185.738,92
CXER12 10.047,19 0,991791 9.964,72 GASP24 111.111,11 1,005042 111.671,30 56.946,34 1,005042 57.233,44
ENTV12 15.991,95 0,995056 15.912,89 ALGA15 111.111,11 1,002544 111.393,73 130.050,67 1,002544 130.381,46
SAVI13 56.628,39 0,999986 56.627,58 CTEE14 111.111,11 1,002634 111.403,79 198.575,51 1,002634 199.098,58
PETR26 25.575,74 0,992690 25.388,77 TAES15 111.111,11 0,998787 110.976,34 46.307,91 0,998787 46.251,74
PRAS11 6.858,57 1,011935 6.940,43 NEOE26 111.111,11 0,999562 111.062,44 61.894,36 0,999562 61.867,25
RUMOA2 9.390,15 1,005437 9.441,20 ENEV32 111.111,11 1,002255 111.361,71 62.352,28 1,002255 62.492,91
NEOE16 18.435,66 1,001028 18.454,60 1.000.000,00 1,002235 1.002.234,90 1.000.000,00 1,002707 1.002.706,56
SBSPC4 5.770,36 1,000959 5.775,89
EGIE39 9.766,05 1,008239 9.846,51 Rent. Per. Rent. aa Rent. Per. Rent. aa
EGIE49 2.946,90 1,009741 2.975,61 0,22% 2,72% 0,27% 3,30%
OMGE41 6.574,27 1,002628 6.591,54
TAEE26 24.621,87 0,971688 23.924,77
1.000.000,00 0,996954 996.953,70
Rent. Per. Rent. aa

-0,30% -3,43%
Figura 48. Resultado da Alocação dos Modelos: Alocação 14 - Fev/20

14 04/02/20 03/03/20 18 Puro Híbrido
PMD ENBR24 1.000.000,00 1,000116 1.000.116,06 1.000.000,00 1,000116 1.000.116,06
AGRU12 57.820,78 0,982397 56.802,94 1.000.000,00 1,000116 1.000.116,06 1.000.000,00 1,000116 1.000.116,06
AGRU31 6.932,25 1,003910 6.959,35
AGRU41 32.382,06 1,004829 32.538,43 Rent. Per. Rent. aa Rent. Per. Rent. aa
MRSL27 70.163,80 0,996283 69.903,01 0,01% 0,14% 0,01% 0,14%
ODTR11 49.450,80 0,991170 49.014,14
VALE28 47.001,65 1,001710 47.082,02 Modelo BCC
GASP24 46.219,07 0,998800 46.163,60 ENBR24 166.666,67 1,000116 166.686,01 168.809,59 1,000116 168.829,18
ENBR15 90.445,56 1,000265 90.469,52 MRSL27 166.666,67 0,996283 166.047,17 109.284,02 0,996283 108.877,82
ALGA15 36.504,71 1,000506 36.523,19 GASP24 166.666,67 0,998800 166.466,65 212.499,96 0,998800 212.244,94
CTEE14 79.786,47 0,999099 79.714,59 ALGA15 166.666,67 1,000506 166.751,07 211.836,74 1,000506 211.944,01
CHPA11 70.411,70 0,998933 70.336,60 CTEE14 166.666,67 0,999099 166.516,53 183.245,09 0,999099 183.080,01
CXER12 9.125,59 1,001270 9.137,18 PRAS11 166.666,67 0,997970 166.328,36 114.324,61 0,997970 114.092,55
ENTV12 2.984,53 0,991886 2.960,31 1.000.000,00 0,998796 998.795,79 1.000.000,00 0,999069 999.068,51
SAVI13 7.513,38 1,004941 7.550,51
ETAP22 44.386,14 1,002244 44.485,73 Rent. Per. Rent. aa Rent. Per. Rent. aa
PETR26 21.181,23 0,998894 21.157,82 -0,12% -1,44% -0,09% -1,11%
ETEN31 60.563,73 1,002584 60.720,25
RUMOA2 35.381,79 0,987992 34.956,92
NEOE16 25.891,52 0,995422 25.772,99
NEOE26 55.327,69 0,988309 54.680,87
CUTI11 20.922,21 0,999836 20.918,79
TAEE26 23.375,14 0,971936 22.719,14
ELPLB4 20.612,14 0,995792 20.525,41
EQTR11 7.671,52 0,998877 7.662,90
PETR17 4.208,41 0,986315 4.150,82
PETR27 17.402,62 0,982677 17.101,14
TPEN11 6.408,21 0,998534 6.398,81
1.000.000,00 0,996311 996.310,62
Rent. Per. Rent. aa

-0,37% -5,04%
133
Figura 49. Resultado da Alocação dos Modelos: Alocação 15 - Mar/20

15 03/03/20 02/04/20 22 Puro Híbrido
PMD ENBR15 500.000,00 0,991677 495.838,39 682.044,34 0,991677 676.367,53
Ativo Valor Início Fator Per. Valor Fim CTEE14 500.000,00 0,987281 493.640,52 317.955,66 0,987281 313.911,59
AGRU41 29.561,40 0,963844 28.492,58 1.000.000,00 0,989479 989.478,91 1.000.000,00 0,990279 990.279,13
MRSL27 66.976,21 0,974357 65.258,72
ODTR11 10.819,46 0,968597 10.479,70 Rent. Per. Rent. aa Rent. Per. Rent. aa
VALE28 9.978,56 0,991728 9.896,02 -1,05% -11,92% -0,97% -11,06%
VALE29 68.556,62 0,989954 67.867,93
VALE48 164,44 0,971793 159,81 Modelo BCC
ENBR15 167.644,88 0,991677 166.249,54 ENBR15 333.333,33 0,991677 330.558,93 593.564,04 0,991677 588.623,68
ALGA15 123.427,60 0,984167 121.473,38 CTEE14 333.333,33 0,987281 329.093,68 139.264,67 0,987281 137.493,37
CTEE14 75.137,14 0,987281 74.181,47 VPLT12 333.333,33 0,983728 327.909,27 267.171,29 0,983728 262.823,82
CHPA11 45.885,83 0,910432 41.775,93 1.000.000,00 0,987562 987.561,87 1.000.000,00 0,988941 988.940,87
CEAD11 3.193,48 0,968380 3.092,50
EGIE17 1.132,66 0,963979 1.091,87 Rent. Per. Rent. aa Rent. Per. Rent. aa
EGIE27 17.532,15 0,943563 16.542,68 -1,24% -13,95% -1,11% -12,49%
TAES15 41.962,01 0,976296 40.967,35
SAVI13 4.558,11 0,970145 4.422,03
ETAP22 7.134,54 0,967687 6.904,00
PETR16 12.287,30 0,961144 11.809,87
ETEN31 24.841,22 0,965734 23.990,01
NEOE16 25.990,61 0,959980 24.950,47
CUTI11 47.052,23 0,950243 44.711,05
ENEV32 15.978,60 0,955829 15.272,80
OMGE41 12.505,24 0,960010 12.005,16
TAEE26 13.124,63 0,935916 12.283,55
EQTR11 8.510,24 0,927986 7.897,39
PETR17 336,83 0,968309 326,15
PETR27 5.645,55 0,957277 5.404,35
RUMOA3 2.824,30 0,962699 2.718,95
TPEN11 2.086,03 0,966206 2.015,53
1.000.000,00 0,974915 974.914,69
Rent. Per. Rent. aa

-2,51% -25,25%
Figura 50. Resultado da Alocação dos Modelos: Alocação 16 - Abr/20

16 02/04/20 05/05/20 20 Puro Híbrido
PMD CTEE14 1.000.000,00 1,002990 1.002.989,76 1.000.000,00 1,002990 1.002.989,76
AGRU12 126.428,84 0,993679 125.629,63 1.000.000,00 1,002990 1.002.989,76 1.000.000,00 1,002990 1.002.989,76
MRSL17 101.803,79 1,000461 101.850,73
VALE29 215.711,83 1,002986 216.356,03 0,30% 3,65% 0,30% 3,65%
JTEE11 29.512,02 1,003453 29.613,92
ELEK37 68.089,34 0,985695 67.115,31 Modelo BCC
SBSPD4 62.224,17 1,029584 64.065,01 Puro Híbrido
PETR17 6.271,59 1,012821 6.352,00 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
PETR27 55.465,66 0,985996 54.688,92 ENBR15 250.000,00 0,989412 247.352,93 222.771,18 0,989412 220.412,42
RUMOB3 80.789,49 1,006650 81.326,74 CTEE14 250.000,00 1,002990 250.747,44 290.293,94 1,002990 291.161,85
1.000.000,00 1,002535 1.002.534,75 ELEK37 250.000,00 0,985695 246.423,69 310.147,71 0,985695 305.710,98
VPLT12 250.000,00 0,963079 240.769,87 176.787,17 0,963079 170.260,09
Rent. Per. Rent. aa 1.000.000,00 0,985294 985.293,93 1.000.000,00 0,987545 987.545,34
0,25% 3,24%
-1,47% -16,29% -1,25% -13,96%
134
Figura 51. Resultado da Alocação dos Modelos: Alocação 17 - Mai/20

17 05/05/20 02/06/20 20 Puro Híbrido
PMD CTEE14 1.000.000,00 1,006374 1.006.373,55 1.000.000,00 1,006374 1.006.373,55
NRTB11 149.241,31 0,993971 148.341,47 1.000.000,00 1,006374 1.006.373,55 1.000.000,00 1,006374 1.006.373,55
VALE29 150.131,17 1,005692 150.985,72
FGEN13 64.225,79 1,006738 64.658,55 Rent. Per. Rent. aa Rent. Per. Rent. aa
CEAD11 67.563,46 0,998731 67.477,72 0,64% 7,92% 0,64% 7,92%
EGIE17 71.299,26 1,013675 72.274,27
TIET18 98.204,20 0,982268 96.462,86 Modelo BCC
JTEE11 48.080,87 0,999559 48.059,68 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
ELEK37 37.089,57 1,009088 37.426,65 VALE28 200.000,00 1,001425 200.285,05 166.888,67 1,001425 167.126,52
SBSPD4 86.109,03 0,986096 84.911,76 VALE29 200.000,00 1,005692 201.138,41 241.515,96 1,005692 242.890,68
TAEE26 29.578,69 1,130076 33.426,15 CTEE14 200.000,00 1,006374 201.274,71 190.712,28 1,006374 191.927,80
PETR17 5.193,76 0,993961 5.162,39 TIET29 200.000,00 0,984805 196.961,05 169.554,80 0,984805 166.978,46
PETR27 66.441,59 1,001902 66.568,00 ELET42 200.000,00 0,968625 193.724,99 231.328,28 0,968625 224.070,34
RUMOA3 47.571,10 0,981321 46.682,52 1.000.000,00 0,993384 993.384,20 1.000.000,00 0,992994 992.993,81
RUMOB3 72.814,40 0,969293 70.578,51
1.000.000,00 0,999420 999.419,53 Rent. Per. Rent. aa Rent. Per. Rent. aa
-0,66% -7,66% -0,70% -8,09%
Rent. Per. Rent. aa
-0,06% -0,73%
Figura 52. Resultado da Alocação dos Modelos: Alocação 18 - Jun/20

18 02/06/20 02/07/20 21 Puro Híbrido
PMD MRSL17 500.000,00 1,007743 503.871,44 523.871,83 1,007743 527.928,11
Ativo Valor Início Fator Per. Valor Fim CTEE14 500.000,00 1,002150 501.075,03 476.128,17 1,002150 477.151,87
VALE28 102.191,80 1,001036 102.297,69 1.000.000,00 1,004946 1.004.946,47 1.000.000,00 1,005080 1.005.079,98
VALE29 90.897,73 1,001979 91.077,62
GASP24 113.913,56 1,005379 114.526,29 Rent. Per. Rent. aa Rent. Per. Rent. aa
NRTB21 157.266,39 1,010670 158.944,50 0,49% 6,10% 0,51% 6,27%
FGEN13 5.157,51 0,998329 5.148,89
TAES14 4.224,33 1,006135 4.250,25 Modelo BCC
CEAD11 42.988,17 1,015937 43.673,25 Puro Híbrido
EGIE17 18.566,86 1,008461 18.723,95 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
TAES15 82.461,14 1,000820 82.528,75 MRSL17 250.000,00 1,007743 251.935,72 391.481,67 1,007743 394.512,87
CEAR26 330,95 1,003977 332,27 CTEE14 250.000,00 1,002150 250.537,52 335.164,95 1,002150 335.885,57
TIET18 40.098,74 0,995926 39.935,37 TAEE26 250.000,00 1,040771 260.192,79 119.491,78 1,040771 124.363,60
RUMOA2 44.012,85 1,010975 44.495,89 EGVG21 250.000,00 0,990314 247.578,46 153.861,60 0,990314 152.371,28
JTEE11 26.470,33 1,009293 26.716,32 1.000.000,00 1,010244 1.010.244,49 1.000.000,00 1,007133 1.007.133,32
ELEK37 59.052,99 0,973268 57.474,40
ETBA12 65.473,52 1,001537 65.574,15 Rent. Per. Rent. aa Rent. Per. Rent. aa
SBSPD4 42.652,36 1,009066 43.039,06 1,02% 13,01% 0,71% 8,90%
TIET39 14.222,37 1,004138 14.281,22
TAEE26 5.035,78 1,040771 5.241,09
EQTR11 6.019,49 1,013806 6.102,60
PETR17 9.266,90 1,009621 9.356,05
PETR27 25.335,47 1,013931 25.688,41
RUMOB3 35.266,15 1,014203 35.767,03
VPLT12 8.083,90 1,006256 8.134,47
CTEE18 1.010,70 0,992207 1.002,83
1.000.000,00 1,004312 1.004.312,34
Rent. Per. Rent. aa
0,43% 5,30%
135
Figura 53. Resultado da Alocação dos Modelos: Alocação 19 - Jul/20

19 02/07/20 04/08/20 23 Puro Híbrido
PMD MRSL17 333.333,33 1,001721 333.907,15 282.715,42 1,001721 283.202,10
MRSL17 109.981,84 1,001721 110.171,17 ALGA15 333.333,33 1,003412 334.470,69 365.731,20 1,003412 366.979,10
VALE29 78.899,20 1,002782 79.118,68 1.000.000,00 1,001359 1.001.358,61 1.000.000,00 1,001363 1.001.362,75
VALE38 43.713,51 0,991629 43.347,58
GASP24 172.264,16 1,000700 172.384,83 Rent. Per. Rent. aa Rent. Per. Rent. aa
NRTB21 78.779,83 0,994857 78.374,64 0,14% 1,64% 0,14% 1,65%
CTEL11 2.486,73 1,007159 2.504,54
ENBR15 38.777,21 0,998942 38.736,20 Modelo BCC
TAES14 18.410,46 1,009330 18.582,23 Puro Híbrido
TAES15 35.040,26 0,997034 34.936,33 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
CEAR26 69.419,27 1,000890 69.481,05 MRSL17 166.666,67 1,001721 166.953,57 310.161,42 1,001721 310.695,35
TIET18 17.916,71 1,019376 18.263,86 ENBR15 166.666,67 0,998942 166.490,39 72.600,00 0,998942 72.523,21
SAVI13 59.935,71 0,998756 59.861,17 ALGA15 166.666,67 1,003412 167.235,34 126.242,44 1,003412 126.673,19
ETEN31 30.285,11 1,024346 31.022,44 ENTV12 166.666,67 1,018904 169.817,31 139.770,49 1,018904 142.412,69
RUMOA2 13.235,35 1,027104 13.594,09 ESULA1 166.666,67 1,008785 168.130,85 62.423,88 1,008785 62.972,28
ETBA12 62.323,40 1,005756 62.682,16 TAEE26 166.666,67 1,022503 170.417,24 1.000.000,00 1,022503 1.022.503,45
SBSPD4 4.515,68 1,003212 4.530,18 1.000.000,00 1,009045 1.009.044,71 1.711.198,23 1,015534 1.737.780,18
EGIE39 22.131,67 1,012345 22.404,89
ELET42 16.271,41 1,007471 16.392,97 Rent. Per. Rent. aa Rent. Per. Rent. aa
TAEE26 9.814,97 1,022503 10.035,84 0,90% 11,41% 1,55% 20,32%
ELPLB4 26.979,35 1,010256 27.256,06
PETR17 65.021,06 1,012186 65.813,43
EGVG21 23.797,09 1,007193 23.968,26
1.000.000,00 1,003463 1.003.462,62
Rent. Per. Rent. aa

0,35% 3,86%
Figura 54. Resultado da Alocação dos Modelos: Alocação 20 - Ago/20

20 04/08/20 02/09/20 21 Puro Híbrido
PMD MRSL17 333.333,33 0,999837 333.278,91 282.715,42 0,999837 282.669,26
NRTB11 18.534,44 1,003096 18.591,81 CTEL11 333.333,33 1,005286 335.095,23 365.731,20 1,005286 367.664,35
STEN13 182.488,48 1,003963 183.211,74 1.000.000,00 1,005651 1.005.651,04 1.000.000,00 1,006046 1.006.046,11
VALE29 34.892,09 0,997819 34.816,01
GASP24 146.850,47 0,998515 146.632,44 0,57% 7,00% 0,60% 7,50%
FGEN13 44.521,36 1,001262 44.577,54
CTEL11 63.276,53 1,005286 63.610,99 Modelo BCC
CHPA11 13.093,68 0,997548 13.061,58 Puro Híbrido
TAES14 10.764,79 1,002303 10.789,58 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
ENTV12 59.212,34 1,017865 60.270,15 MRSL17 111.111,11 0,999837 111.092,97 149.838,97 0,999837 149.814,50
CEAR26 21.823,32 1,005252 21.937,94 MRSL27 111.111,11 1,003074 111.452,72 129.392,20 1,003074 129.790,02
TIET18 413,97 1,005893 416,41 STEN13 111.111,11 1,003963 111.551,47 118.038,27 1,003963 118.506,09
ETAP22 3.650,60 1,004244 3.666,09 STEN23 111.111,11 1,011831 112.425,63 63.409,58 1,011831 64.159,76
PETR16 41.911,66 0,995657 41.729,62 CTEL11 111.111,11 1,005286 111.698,41 319.653,79 1,005286 321.343,38
PETR26 26.464,75 1,025511 27.139,90 TAES14 111.111,11 1,002303 111.367,01 77.563,03 1,002303 77.741,66
ETEN31 48.684,20 1,005609 48.957,26 ETEN31 111.111,11 1,005609 111.734,32 115.887,60 1,005609 116.537,59
ETBA12 20.930,19 1,006801 21.072,54 COCE27 111.111,11 1,005201 111.688,99 2.642,43 1,005201 2.656,18
NEOE26 8.006,32 1,004564 8.042,86 TAEE26 111.111,11 1,011494 112.388,20 23.574,14 1,011494 23.845,10
EGIE39 14.509,26 0,998826 14.492,22 1.000.000,00 1,005400 1.005.399,72 1.000.000,00 1,004394 1.004.394,27
ELET42 30.781,00 1,011062 31.121,51
ELPLB4 4.467,34 1,001679 4.474,84 0,54% 6,68% 0,44% 5,40%
EQTR11 40.310,36 1,010890 40.749,34
PETR17 10.554,02 1,007823 10.636,59
VPLT12 52.986,40 1,008611 53.442,66
RESA14 1.843,62 1,015498 1.872,20
FURN21 14.479,64 1,010847 14.636,70
1.000.000,00 1,005546 1.005.546,37
Rent. Per. Rent. aa

0,55% 6,86%
136
Figura 55. Resultado da Alocação dos Modelos: Alocação 21 - Set/20

21 02/09/20 02/10/20 21 Puro Híbrido
PMD STEN13 333.333,33 1,003572 334.524,17 193.174,77 1,003572 193.864,88
NRTB11 24.670,17 0,980717 24.194,45 ENBR15 333.333,33 1,004264 334.754,53 381.971,61 1,004264 383.600,17
ODTR11 4.540,78 1,001439 4.547,32 1.000.000,00 1,003967 1.003.967,50 1.000.000,00 1,004046 1.004.046,32
STEN13 93.227,21 1,003572 93.560,26
VALE29 97.753,33 1,003972 98.141,61 0,40% 4,87% 0,40% 4,97%
VALE38 7.155,88 1,001222 7.164,62
GASP24 99.111,08 1,001840 99.293,40 Modelo BCC
NRTB21 81.728,07 0,979534 80.055,44 Puro Híbrido
ALGA15 51.305,08 1,007405 51.684,99 MRSL27 200.000,00 1,004320 200.864,01 137.532,32 1,004320 138.126,47
ENTV12 48.090,73 0,997775 47.983,71 STEN13 200.000,00 1,003572 200.714,50 128.363,96 1,003572 128.822,54
TAES15 23.502,64 1,000619 23.517,19 STEN23 200.000,00 1,004066 200.813,28 177.201,97 1,004066 177.922,55
ETAP22 42.342,57 0,991805 41.995,56 VALE38 200.000,00 1,001222 200.244,42 83.147,86 1,001222 83.249,48
PETR16 8.533,54 1,016866 8.677,47 ENBR15 200.000,00 1,004264 200.852,72 473.753,89 1,004264 475.773,77
PETR26 8.052,54 1,001368 8.063,55 1.000.000,00 1,003489 1.003.488,93 1.000.000,00 1,003895 1.003.894,81
ETEN31 58.610,29 0,994706 58.299,99
ESULA1 4.409,63 1,000192 4.410,48 Rent. Per. Rent. aa Rent. Per. Rent. aa
JTEE11 2.736,89 0,998088 2.731,66 0,35% 4,27% 0,39% 4,78%
NEOE26 29.803,53 1,003422 29.905,52
SBSPD4 3.453,34 1,008717 3.483,44
EGIE19 59.678,10 1,003162 59.866,80
ELET42 24.575,46 1,005108 24.700,98
ENGIA1 28.103,57 1,010675 28.403,57
TAEE26 24.396,23 0,998216 24.352,69
EQTR11 26.178,23 1,006033 26.336,17
RUMOA3 15.827,93 1,012132 16.019,96
RUMOB3 25.774,32 1,017524 26.225,99
VPLT12 28.023,69 1,001383 28.062,44
CMGD27 19.856,36 1,004148 19.938,74
RESA14 28.801,15 1,035440 29.821,85
FURN21 6.133,19 1,001207 6.140,60
1.000.000,00 1,001135 1.001.135,15
Rent. Per. Rent. aa
0,11% 1,37%
Figura 56. Resultado da Alocação dos Modelos: Alocação 22 - Out/20

22 02/10/20 04/11/20 21 Puro Híbrido
PMD STEN23 333.333,33 1,013368 337.789,26 393.174,77 1,013368 398.430,63
Ativo Valor Início Fator Per. Valor Fim ALGA15 333.333,33 0,999212 333.070,78 324.853,63 0,999212 324.597,75
VALE28 67.712,99 1,004994 68.051,15 CEMT19 333.333,33 1,005450 335.149,99 281.971,61 1,005450 283.508,35
VALE29 51.380,79 1,006833 51.731,86 1.000.000,00 1,006010 1.006.010,02 1.000.000,00 1,006537 1.006.536,73
GASP24 192.998,39 1,007206 194.389,19
NRTB21 31.387,69 1,012796 31.789,33 Rent. Per. Rent. aa Rent. Per. Rent. aa
ENTV12 54.141,93 1,012225 54.803,83 0,60% 7,46% 0,65% 8,13%
LIGHA5 18.479,06 1,022780 18.900,01
TPNO12 45.832,60 1,018688 46.689,10 Modelo BCC
PETR26 11.561,52 1,001459 11.578,39 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
COCE27 36.963,28 1,011328 37.382,02 STEN23 125.000,00 1,013368 126.670,97 106.463,73 1,013368 107.886,92
JTEE11 64.867,28 1,016489 65.936,87 GASP24 125.000,00 1,007206 125.900,78 194.807,20 1,007206 196.211,03
ELEK37 76.031,13 1,008919 76.709,26 ALGA15 125.000,00 0,999212 124.901,54 240.024,18 0,999212 239.835,12
NEOE26 26.768,84 1,011687 27.081,70 CHPA11 125.000,00 1,008606 126.075,71 21.276,54 1,008606 21.459,64
SBSPD4 39.070,44 1,033938 40.396,41 VPLT12 125.000,00 1,009683 126.210,36 82.479,21 1,009683 83.277,84
EGIE19 42.542,09 1,025078 43.608,97 EGVG21 125.000,00 1,018361 127.295,10 177.778,10 1,018361 181.042,25
ENGIA1 55.230,92 1,012141 55.901,49 CEMT19 125.000,00 1,005450 125.681,25 130.619,63 1,005450 131.331,50
TAEE26 33.813,56 1,012361 34.231,53 VRDN12 125.000,00 1,008939 126.117,33 46.551,41 1,008939 46.967,52
EQTR11 24.378,38 1,008010 24.573,64 1.000.000,00 1,008853 1.008.853,05 1.000.000,00 1,008012 1.008.011,82
PETR27 7.904,62 1,026435 8.113,58
VPLT12 16.890,75 1,009683 17.054,30 Rent. Per. Rent. aa Rent. Per. Rent. aa
CTEE18 5.611,89 1,020177 5.725,11 0,89% 11,16% 0,80% 10,05%
EDPA11 22.251,95 0,994743 22.134,96
MSGT12 31.081,00 1,010205 31.398,18
RUMOA4 17.643,06 1,013732 17.885,33
VRDN12 12.363,02 1,008939 12.473,53
1.000.000,00 1,011852 1.011.852,14
Rent. Per. Rent. aa

1,19% 15,19%
137
Figura 57. Resultado da Alocação dos Modelos: Alocação 23 - Nov/20

23 04/11/20 02/12/20 20 Puro Híbrido
PMD STEN23 200.000,00 1,000363 200.072,58 145.814,27 1,000363 145.867,19
Ativo Valor Início Fator Per. Valor Fim VALE28 200.000,00 1,001931 200.386,10 185.497,51 1,001931 185.855,61
GASP24 103.461,07 1,004976 103.975,94 VALE29 200.000,00 1,002581 200.516,29 232.995,08 1,002581 233.596,55
NRTB21 66.310,10 1,005532 66.676,89 GASP24 200.000,00 1,004976 200.995,28 213.998,88 1,004976 215.063,83
CTEL11 41.308,38 0,962149 39.744,82 OMGE41 200.000,00 1,004279 200.855,81 221.694,26 1,004279 222.642,90
ETAP22 14.687,26 1,004427 14.752,28 1.000.000,00 1,002826 1.002.826,07 1.000.000,00 1,003026 1.003.026,08
PETR16 92.833,65 0,999012 92.741,91
PETR26 29.548,44 0,998815 29.513,43 Rent. Per. Rent. aa Rent. Per. Rent. aa
NEOE16 105.453,30 1,008377 106.336,70 0,28% 3,44% 0,30% 3,69%
TIET39 91.528,01 1,001374 91.653,73
EGIE19 53.718,22 1,000738 53.757,88 Modelo BCC
EGIE29 22.797,91 0,986583 22.492,03 Puro Híbrido
TAEE26 72.907,91 1,016868 74.137,72 Ativo Valor Início Fator Per. Valor Fim Valor Início Fator Per. Valor Fim
PETR27 37.939,11 0,994647 37.736,03 STEN23 76.923,08 1,000363 76.950,99 49.600,00 1,000363 49.618,00
VNTT11 8.745,95 1,033236 9.036,63 VALE28 76.923,08 1,001931 77.071,58 69.167,89 1,001931 69.301,42
RESA14 46.119,97 1,004013 46.305,05 VALE29 76.923,08 1,002581 77.121,65 95.192,65 1,002581 95.438,39
FURN21 30.381,65 1,002226 30.449,28 VALE48 76.923,08 1,006069 77.389,90 32.100,00 1,006069 32.294,81
VDBF12 16.866,05 1,009796 17.031,27 GASP24 76.923,08 1,004976 77.305,88 114.374,25 1,004976 114.943,43
VRDN12 52.350,71 1,017053 53.243,44 TIET18 76.923,08 0,998629 76.817,61 58.800,00 0,998629 58.719,38
ENEV15 55.449,98 1,004417 55.694,90 COCE27 76.923,08 1,002488 77.114,44 78.916,48 1,002488 79.112,80
SAPR10 52.072,73 1,002360 52.195,64 SBSPD4 76.923,08 1,003269 77.174,58 63.871,95 1,003269 64.080,78
TBEG11 5.519,60 0,995731 5.496,04 EGIE39 76.923,08 0,997425 76.724,97 177.948,88 0,997425 177.490,58
1.000.000,00 1,002972 1.002.971,60 EGIE49 76.923,08 0,998652 76.819,39 51.800,00 0,998652 51.730,18
OMGE41 76.923,08 1,004279 77.252,23 68.269,41 1,004279 68.561,54
Rent. Per. Rent. aa RUMOA3 76.923,08 0,999554 76.888,77 28.700,00 0,999554 28.687,20
0,30% 3,81% RUMOB3 76.923,08 1,002024 77.078,77 111.258,47 1,002024 111.483,66
1.000.000,00 1,001711 1.001.710,76 1.000.000,00 1,001462 1.001.462,17

0,17% 2,07% 0,15% 1,77%
Figura 58. Resultado da Alocação dos Modelos: Alocação 24 - Dez/20

24 02/12/20 05/01/21 22 Puro Híbrido
PMD VALE28 500.000,00 1,005024 502.512,06 495.964,74 1,005024 498.456,52
NRTB11 17.036,49 0,997599 16.995,59 1.000.000,00 1,003605 1.003.604,94 1.000.000,00 1,003593 1.003.593,49
GASP24 37.432,12 1,002186 37.513,93
FGEN13 5.140,20 1,000937 5.145,01 Rent. Per. Rent. aa Rent. Per. Rent. aa
CTEL11 81.454,42 1,009829 82.255,02 0,36% 4,41% 0,36% 4,40%
CHPA11 37.912,47 1,002244 37.997,53
EGIE17 6.766,03 1,000029 6.766,22 Modelo BCC
NEOE16 94.577,57 1,004463 94.999,69 Puro Híbrido
EGIE29 46.364,53 1,004830 46.588,48 ODTR11 200.000,00 1,008281 201.656,13 60.216,13 1,008281 60.714,76
ELET42 95.920,67 1,001892 96.102,14 VALE28 200.000,00 1,005024 201.004,82 403.749,36 1,005024 405.777,84
MRSL19 28.783,16 1,000210 28.789,20 VALE48 200.000,00 0,997331 199.466,24 118.593,87 0,997331 118.277,37
TAEE26 26.121,40 1,017145 26.569,25 GASP24 200.000,00 1,002186 200.437,16 275.727,78 1,002186 276.330,46
EQTR11 32.932,93 1,000110 32.936,56 FGEN13 200.000,00 1,000937 200.187,48 141.712,86 1,000937 141.845,71
PETR27 29.562,35 1,005833 29.734,80 1.000.000,00 1,002752 1.002.751,83 1.000.000,00 1,002946 1.002.946,13
VNTT11 98.722,25 0,976919 96.443,62
CMGD27 53.919,30 1,006531 54.271,42 Rent. Per. Rent. aa Rent. Per. Rent. aa
RUMOA4 5.354,29 0,999468 5.351,44 0,28% 3,35% 0,29% 3,59%
VRDN12 19.540,86 0,987944 19.305,29
ENEV15 39.123,48 0,996399 38.982,61
SAPR10 15.562,67 1,008244 15.690,96
TBEG11 42.400,37 1,001923 42.481,91
CTNS14 123.315,80 0,999543 123.259,44
SBSPB6 55.717,56 1,002619 55.863,51
1.000.000,00 1,000393 1.000.392,86
Rent. Per. Rent. aa

0,04% 0,45%

Tese Decio Cunha JR - DEA (ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO)

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese Decio Cunha JR - DEA (ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO)

Enviado por

Direitos autorais:

Formatos disponíveis

FUNDAÇÃO GETÚLIO VARGAS

ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO

DÉCIO CUNHA JÚNIOR

ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO

ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO

Tese apresentada à Escola de Administração

Linha de Pesquisa: Competitividade em

Orientador: Prof. Dr. William Eid Jr.

Orientador: William Eid Junior.

1. Debêntures. 2. Investimentos - Administração. 3. Análise envoltória de

ESTRATÉGIA DE ALOCAÇÃO PARA PORTFÓLIOS DE CRÉDITO

Tese apresentada à Escola de Administração de

Linha de Pesquisa: Competitividade em

Data de aprovação: 28/04/2021

A DEUS, por tudo que ele me proporciona.

Aos membros da banca examinadora, pelas valiosas contribuições a esta tese.

Aos professores que souberam transmitir seus conhecimentos e sabedoria.

E a todos que, direta ou indiretamente, contribuíram para a realização deste estudo.

Palavras-chave: Data Envelopment Analysis (DEA). Debêntures. Otimização de Portfólio.

Keywords: Data Envelopment Analysis (DEA). Corporate Bonds. Portfolio Optimization.

'Figura 1. IDA Geral e Variantes .............................................................................................. 36

Tabela 1. Estoque, Emissão e Negociação de Debêntures - R$ milhões.................................. 18

Quadro 1. Resumo das Características dos Modelos DEA ...................................................... 68

ADR American Deposit Receipts

Apesar da importância dos produtos de crédito corporativo – especificamente, as

A tese está estruturada do seguinte modo:

2. MERCADO DE DEBÊNTURES NO BRASIL

2.1. Dimensão do Mercado de Debêntures no País

Tabela 1. Estoque, Emissão e Negociação de Debêntures - R$ milhões

Fonte: ANBIMA (2021).

Alguns fatores influenciaram o aumento do volume desse mercado:

2.1.1. Características das Debêntures Emitidas

Depois de mais de 20 anos do estudo de Filgueira e Leal (1998), algumas conclusões

Tabela 2. Distribuição dos Indexadores nas Emissões

Fonte: ANBIMA (2021).

Kimura (2003) investigou diferenças entre as empresas, em função de suas escolhas na

Tabela 3. Composição das Garantias nas Debêntures

Garantias das debêntures

Garantia 2014 2015 2016 2017 2018 2019 2020

Fonte: ANBIMA (2021).

Tabela 4. Destinação de Recursos

Fonte: ANBIMA (2021).

2.1.2. Instrução ICVM 476

Tabela 5. Volume Financeiro e Quantidade de Operações por Tipo de Emissão

R$ milhões Número de operações

A Tabela 5 faz parte do Boletim de Mercado de Capitais divulgado mensalmente pela

Tabela 6. Capital Social dos Emissores

Capital social dos emissores - apenas CVM/476

Empresas abertas e fechadas

2014 2015 2016 2017 2018 2019 2020

Empresas abertas e fechadas - número de operações

Fonte: ANBIMA (2021).

2.1.3. Debêntures Incentivadas – Lei 12.431

A Lei 12.431/2011 concedeu incidência especial de imposto de renda (IR) para

Tabela 7. Debêntures Incentivadas

Ofertas de debêntures 12.431 - volume (R$ milhões)

Ofertas de debêntures 12.431 - número de operações

Fonte: ANBIMA (2021).

Tabela 8. Garantias das Debêntures Incentivadas

Garantias das debêntures Incentivadas

Fonte: ANBIMA (2021).

Bragança, Pessoa e Souza (2015) concluíram que o mercado nacional de debêntures

Tabela 9. Distribuição das Ofertas de Debêntures Incentivadas por Detentor