Teoria Moderna do Portfólio -

Fronteira eficiente de Markowitz

Guilherme Bisaggio
Apresentação
A Teoria Moderna do Portfólio criada por Harry Markowitz tem como
objetivo a montagem de uma carteira de investimentos otimizada, com
maximização dos retornos e minimização do risco.

Será apresentada aqui uma forma simplificada de construir um gráfico

de fronteira eficiente, mas saibam que existem modelos mais complexos
e mais adequados. A ideia é justamente ser algo mais introdutório e de
fácil compreensão.
Apresentação
A fronteira eficiente mostra qual o maior retorno possível de uma cesta
de ativos para cada nível de risco. Dessa forma não faria sentido alocar
em uma cesta abaixo da fronteira, pois haverá algum portfólio que
apresenta o mesmo risco, mas oferece um retorno maior.
Apresentação
Cada ponto do gráfico é uma carteira com as mesmas ações, mas pesos
diferentes para cada ação, e a carteira marcada em vermelho, a com o
maior índice sharpe. Como essa carteira só tem 2 ativos, os pontos do
gráfico formam uma fronteira. Os pontos pretos são os ativos de forma
isolada.
Apresentação
Contudo, o modelo de Markowitz não é perfeitamente confiável por se
basear em retornos históricos, que não garantem os retornos futuros, ou
em projeções, que podem apresentar erros.

Como é um modelo de risco x retorno, o índice sharpe será utilizado para

a avaliação da “cesta ótima”. Consideraremos também o CDI como a taxa
livre de risco.

Por fim, para alcançar o resultado desejado, teremos que simular um

número n de carteiras, cada uma com um peso diferente e aleatório
referente a cada ativo.
Cálculo
Primeiramente, será necessário calcular a série de retornos de cada ativo
da nossa carteira, no período de tempo estudado.

No modelo estamos lidando com o retorno acumulado, o que não é a

melhor opção pois não projeta nenhum tipo de comportamento futuro
dos preços, mas facilita a conta para um primeiro contato. O ideal seria
calcular os retornos esperados com base em algum outro modelo.
Cálculo
Como medida de risco será usada a volatilidade dos ativos.

O retorno e a volatilidade precisarão ser ponderados pela exposição que

os ativos têm no portfólio.

Após obtermos os retornos, será necessário definir de forma aleatória um

vetor de peso (W) para cada uma das n carteiras, dado que a soma de
todos os pesos do vetor seja igual a 1.

Ex.: Suponhamos 5.000 simulações de cestas de 3 ativos. O vetor peso da

cesta 1 poderá ser W1 = [30%, 50%, 20%] e o da cesta 2 W2 = [80%, 10%,
10%].
Cálculo
Nosso próximo passo é gerar uma matriz de covariância (Cov) e
multiplicá-la pelo vetor de pesos para cada carteira simulada, e em
seguida, pela transposta do vetor de pesos. O resultado será a variância,
ponderada pelos pesos.

Não entrarei em detalhes sobre a estatística envolvida, mas a variância é

o quadrado do desvio padão, ou seja, para obtermos a vol de cada cesta,
basta fazer a raíz quadrada do resultado obtido na operação anterior.

Dessa forma, temos: W x Cov x W.T = σ².

Conclusão
Retomando, precisaremos do retorno, volatilidade e sharpe de cada
portfólio simulado para plotar o gráfico (a vol e o retorno serão as
coordenadas do gráfico de dispersão das cestas e o sharpe serve para
acharmos a “cesta ótima”).

Com esses dados é só plotar o gráfico junto com a fronteira eficiente.

Também pode ser interessante plotar, com destaque de cor no gráfico, os
pontos que representam o retorno e a volatilidade de cada ativo da
carteira de forma isolada.
Ao invés do sharpe, podemos considerar a tolerância ao risco do
investidor para definir a alocação. A carteira ideal W será a combinação
de pesos da cesta que se encontra no limite da tolerância ao risco, em
cima da fronteira eficiente.
Disclaimer
Há formas de deixar o modelo mais “correto” e interessante, como citado
anteriormente. Existem diversas formas de projetar os retornos, como por
exemplo usando CAPM, simulação de Monte Carlo, ou até formas mais
básicas, como calculando a média dos retornos no período. Também é
possível manipular os retornos usando log, o que pode facilitar algumas
contas, mas não aletra o resultado final.
Outra ideia interessante é ponderar os retornos, atribuindo mais peso aos
mais recentes. Assim, seria calculada uma “covariância ewma”.
Há outras variáveis mais complexas no estudo desse modelo, essa foi
uma apresentação introdutória e refere-se ao código que deixarei
disponível abaixo:
https://colab.research.google.com/drive/10eqKlWkOJ7awuX7Vuz0IwPQyfl3E
uSTr?usp=sharing