Escolar Documentos
Profissional Documentos
Cultura Documentos
SÃO PAULO
2021
DÉCIO CUNHA JÚNIOR
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.
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
DÉCIO CUNHA JÚNIOR
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
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 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.
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.
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.
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
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
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
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.
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.
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%
• 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).
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
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.
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
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%
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.
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
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.
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).
Nesta seção o objetivo é identificar os principais determinantes que afetam o preço das
debêntures tanto no mercado primário quanto no mercado secundário.
Este subitem aborda os principais fatores que influenciam o spread para a emissão
primária de debêntures.
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
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.
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
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
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
Nesta seção são inseridos assuntos vinculados às debêntures, com diferentes escopos
dos temas descritos anteriormente, porém, igualmente relevantes e necessários de serem
mencionados.
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.
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.
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.
por indexador persistam e sejam significativas, apesar de que no contexto de crédito, não há
sentido econômico.
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
Neste capítulo são tratados resumidamente alguns conceitos que foram usados no
desenvolvimento desta tese.
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
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
T Rmin (6)
Max
T
(7)
Sujeito a:
T max
2
(8)
n
T l = i = 1 (9)
i =1
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
Neste subitem são tratadas, de forma suscinta, algumas métricas de crédito presentes
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.
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
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.
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.
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.
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.
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.
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;
curvaturas ( 3t e 4t );
48
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).
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
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:
Para i i +1
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
bi +1 + bi − 2mi (31)
di =
hi
Para i = 1, 2, ..., n
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.
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.
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
Qi = fi ( X i ) (37)
56
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
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’.
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
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
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
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
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.
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.
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
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
5. METODOLOGIA
Etapas Procedimentos
Fonte: Autor.
73
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
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
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).
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
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
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
(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
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.
Nesta seção têm-se os passos dos processos a serem executados na otimização para
uma alocação.
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
6. RESULTADOS
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
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.
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
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.
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.
Tabela 15. Resumo das Alocações Mensais: Volatilidade, Retorno e Índice de Sharpe
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.
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.
Tabela 17. Classificação das Alocações Mensais e Quantidade de Ativos por Alocação
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
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
Fonte: Autor.
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.
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
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
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
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.
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
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
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.
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.
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.
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, 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.
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.
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.
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.
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.
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
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.
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.
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
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.
Crosbie, P.; Bohn, J. Modeling default risk moody’s KMV company’. Modeling Methodology,
December, pp.5-15, 2003.
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.
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.
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.
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.
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.
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.
Jin, C.; Chen, W.; Yu, S. Robust Portfolio Selection Based on Optimization Methods. Chinese
Control Conference, 2018.
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.
Lamb, D. J.; Tee, K. Data Envelopment Analysis Models of Investment Funds. European
Journal of Operational Research. 216, 2012.
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
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.
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.
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
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.
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.
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.
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. 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.
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.; 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.
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.
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.
APÊNDICES
CCR BCC
PMD Puro Híbrido Puro Híbrido
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
CCR BCC
PMD Puro Híbrido Puro Híbrido
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
CCR BCC
PMD Puro Híbrido Puro Híbrido
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
CCR BCC
PMD Puro Híbrido Puro Híbrido
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