1.ANBIMA Gest Carteiras e Riscos

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 41

Gestão de Carteiras e

de Riscos
Educação Continuada ANBIMA

Data: 01/03/2017

Controle D.04.64.00
Data da Elaboração 01/03/2017
Data da Revisão –
Elaborado por Educação Continuada
Aprovado por Equipe de Certificação Continuada
GESTÃO DE CARTEIRAS E DE RISCOS
Fundamentos de Estatística

Medidas de Posição Central: Média, Mediana e Moda


Na análise e interpretação de dados, as medidas de posição central têm como função fornecer
informações concisas sobre os valores de uma população ou de uma amostra. Tais medidas são
facilmente calculadas e, por esse motivo, são amplamente utilizadas na análise de investimentos,
mais do que quaisquer outros indicadores estatísticos.

A média aritmética é a medida de posição central mais comum e é definida como a razão entre a
soma das observações de uma população ou de uma amostra e o número de observações (que
denotamos N no caso de uma população e n quando se trata de uma amostra). Denominamos a
média populacional como µ e a média amostral como 𝑋̅. Assim, a média aritmética populacional é
dada por

∑𝑁
𝑖=1 𝑋𝑖
µ=
𝑁

E a média aritmética amostral é dada por

∑𝑛𝑖=1 𝑋𝑖
𝑋̅ =
𝑛

onde Xi representada cada observação (variando de 1 até n observações). Um analista de varejo,


por exemplo, pode determinar a média aritmética das margens EBITDA de cinco empresas desse
setor ao somar os valores observados e dividir o resultado por cinco.

Outra medida de posição central, a mediana, tem a característica de não ser influenciada por
valores extremos no conjunto de observações. Ela é dada pelo valor central de um conjunto de
observações que foram classificadas em ordem crescente ou decrescente. Por exemplo, um
especialista em investimentos, ao observar cinco fundos de investimento que geraram retornos de
10%, 13%, 15%, 17% e 20% nos últimos 12 meses determinará que a mediana dessa amostra é
15%. Caso a amostra incluísse um outro fundo de investimento com alto retorno, de modo que o
conjunto fosse formado pelos valores 10%, 13%, 15%, 16% e 27%, a mediana dos retornos ainda
seria os mesmos 15%.

Quando a população ou amostra possui um número par de observações, a mediana é determinada


pela média aritmética dos dois valores centrais. Se o especialista acima observasse os retornos
anuais de seis fundos com valores de 10%, 13%, 15%, 17%, 20% e 27%, ele concluiria que a
mediana dessa amostra é 16% (média aritmética entre 15% e 17%). Seja um conjunto com número
par ou com número ímpar de observações, o número de observações com valores abaixo da
mediana será sempre idêntico ao número de observações com valores acima da mediana.

Finalmente, a moda de um conjunto de observações é simplesmente o valor que ocorre com mais
frequência nesse conjunto. Entretanto, é possível que um conjunto de itens não tenha uma moda
(caso nenhum valor apareça com mais frequência que os demais) ou mesmo mais de uma moda
(quando dois ou mais valores apareçam com a mesma frequência). Uma característica importante
da moda é a possibilidade de ser utilizada com dados nominais. Por exemplo, se um gestor de uma
2
carteira de crédito privado identifica que, entre nove papéis investidos, há três com classificação
de risco “AA”, quatro com classificação de risco “A” e dois com classificação de risco “BBB”, ele
determinará que a classificação de risco modal desse conjunto é “A”.

Medidas de Dispersão: Variância e Desvio Padrão


Para a avaliação e comparação entre alternativas de investimento, a observação de medidas de
posição central (como a média ou a mediana) constitui apenas uma parte da análise. A outra
parte, igualmente importante, é entender como os dados observados variam ao redor da média.
Ao se observar a média dos retornos diários de uma determinada ação, por exemplo, surge a
questão: como esses retornos diários variam em relação à média? Para responder a essa questão,
é preciso calcular e compreender medidas de dispersão como a variância e o desvio padrão.

Na análise de dados estatísticos, é importante determinar se estamos trabalhando com toda a


população de observações ou se temos em mãos apenas uma amostra dos dados possíveis. A
população (com N elementos) constitui a totalidade das observações possíveis de um
determinado grupo ou categoria. Por exemplo, se dispomos das margens operacionais de todas as
oito empresas de um dado setor, podemos calcular os parâmetros desse grupo e obter a média
populacional (que denotaremos por µ) e a variância populacional (que denotaremos por σ2). Se
trabalharmos apenas com um subconjunto formado por, digamos, cinco dentre as empresas desse
setor, teremos então uma amostra populacional (formada por n elementos), para a qual
calculamos a média amostral (denominada 𝑋̅) e a variância amostral (indicada por s2).

Para uma população, a variância é dada por

2
∑𝑁
𝑖=1(𝑋𝑖 − 𝜇)
2
𝜎 =
𝑁

No caso de uma amostra, a variância é dada por

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑠2 =
𝑛−1

Vamos analisar mais detidamente as fórmulas acima. Como estamos interessados na dispersão
das observações ao redor da média, faz sentido calcularmos primeiramente a distância entre as
observações e a média. Em seguida, tal distância é elevada ao quadrado, o que faz com a medida
de dispersão aumente mais do que proporcionalmente quanto mais distantes da média estiverem
as observações. Por fim, somam-se essas distâncias e divide-se o resultado pelo número de
observações (ou pelo número de observações menos um, no caso da variância da amostra). A
variância é, portanto, uma espécie de “dispersão média” da população ou da amostra.

As fórmulas acima calculam a dispersão dos dados em unidades ao quadrado, o que pode tornar a
sua interpretação mais difícil. Para termos uma medida de dispersão que seja dada nas mesmas
unidades das observações, precisamos extrair a raiz quadrada da variância. A essa medida dá-se o
nome de desvio-padrão. Assim, o desvio-padrão da população é dado por

∑𝑁
𝑖=1(𝑋𝑖 − 𝜇)
2
𝜎= √
𝑁

3
Similarmente, o desvio-padrão da amostra é

∑𝑛 (𝑋𝑖 − 𝑋̅)2
𝑠 = √ 𝑖=1
𝑛−1

Um analista de investimentos que deseje discutir com seus clientes o retorno médio e o desvio-
padrão dos retornos diários da ação preferencial da Gol Linhas Aéreas Inteligentes S.A. (GOLL4)
pode, com base nos dados de fechamento das 20 sessões de negociação em bolsa entre
12/02/2016 e 11/03/2016, calcular essas medidas facilmente, como mostra a tabela abaixo com
dados e resultados.

GOLL4 – Dados e Estatísticas

Preço de Retorno (𝑿𝒊 (𝑿𝒊


Data ̅) ̅ )𝟐
Fechamento Diário −𝑿 −𝑿
12/02/2016 1,99
15/02/2016 1,91 -4,02% -7,16% 0,51% n: 20
16/02/2016 1,93 1,05% -2,09% 0,04% Retorno Médio: 3,13%
17/02/2016 1,88 -2,59% -5,73% 0,33% Variância: 1,36%
18/02/2016 1,85 -1,60% -4,73% 0,22% Desvio-Padrão: 11,67%
19/02/2016 1,80 -2,70% -5,84% 0,34%
22/02/2016 1,98 10,00% 6,87% 0,47%
23/02/2016 1,97 -0,51% -3,64% 0,13%
24/02/2016 1,93 -2,03% -5,17% 0,27%
25/02/2016 1,88 -2,59% -5,73% 0,33%
26/02/2016 2,17 15,43% 12,29% 1,51%
29/02/2016 2,31 6,45% 3,32% 0,11%
01/03/2016 2,25 -2,60% -5,73% 0,33%
02/03/2016 2,73 21,33% 18,20% 3,31%
03/03/2016 3,80 39,19% 36,06% 13,00%
04/03/2016 3,16 -16,84% -19,98% 3,99%
07/03/2016 3,30 4,43% 1,30% 0,02%
08/03/2016 3,26 -1,21% -4,35% 0,19%
09/03/2016 3,22 -1,23% -4,36% 0,19%
10/03/2016 3,43 6,52% 3,39% 0,11%
11/03/2016 3,30 -3,79% -6,93% 0,48%
Soma: 25,9%

A tabela acima nos mostra que o retorno diário médio da ação GOLL4 é de 3,13% e que a alta
variabilidade desses retornos faz com que o seu desvio-padrão seja relativamente alto, de 11,67%.

Medidas de Associação entre duas variáveis: covariância e coeficiente de correlação. Conceito e


interpretação.
As medidas que indicam como duas variáveis se comportam uma em relação a outra são
denominadas de medidas de associação. Aqui vamos entender um pouco mais sobre duas dessas
medidas.

4
A covariância, como o nome evidencia, mede o quanto duas variáveis se alteram uma em relação
a outra (ou seja, como elas “co-variam”). Seu cálculo se parece bastante com o cálculo da
variância, e a covariância da população é dada por

∑𝑁
𝑖=1(𝑋𝑖 − 𝜇𝑋 )(𝑌𝑖 − 𝜇𝑌 )
𝐶𝑜𝑣(𝑋, 𝑌) =
𝑁

Já a covariância amostral é calculada por

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)


𝐶𝑜𝑣(𝑋, 𝑌) =
𝑛−1

A covariância de uma variável consigo mesma é a própria variância, e desta maneira as fórmulas
acima se reconciliam com as fórmulas de cálculo da variância mostradas no item anterior.

Como exemplo, o mesmo analista que estimou alguns parâmetros para a ação GOLL4 pode desejar
entender como os retornos diários desse papel covariam com os retornos da ação ordinária da
Iochpe-Maxion S.A. (MYPK3). Vamos inicialmente fazer cálculos similares, agora para a MYPK3,
como mostrado na tabela abaixo:

MYPK3 – Dados e Estatísticas

Preço de Retorno ̅) ̅ )𝟐
Data (𝒀𝒊 − 𝒀 (𝒀𝒊 − 𝒀
Fechamento Diário
12/02/2016 9,14
15/02/2016 8,80 -3,74% -5,08% 0,26% n: 20
16/02/2016 9,48 7,78% 6,44% 0,41% Retorno Médio: 1,34%
17/02/2016 9,48 0,00% -1,34% 0,02% Variância: 0,12%
18/02/2016 9,48 0,00% -1,34% 0,02% Desvio-Padrão: 3,49%
19/02/2016 9,43 -0,52% -1,86% 0,03%
22/02/2016 9,77 3,63% 2,29% 0,05%
23/02/2016 9,19 -6,00% -7,34% 0,54%
24/02/2016 9,08 -1,18% -2,52% 0,06%
25/02/2016 9,43 3,88% 2,54% 0,06%
26/02/2016 9,47 0,41% -0,93% 0,01%
29/02/2016 9,44 -0,31% -1,65% 0,03%
01/03/2016 9,70 2,75% 1,41% 0,02%
02/03/2016 10,16 4,74% 3,40% 0,12%
03/03/2016 10,43 2,66% 1,32% 0,02%
04/03/2016 11,28 8,15% 6,81% 0,46%
07/03/2016 11,30 0,18% -1,16% 0,01%
08/03/2016 11,37 0,62% -0,72% 0,01%
09/03/2016 11,90 4,66% 3,32% 0,11%
10/03/2016 11,78 -1,01% -2,35% 0,06%
11/03/2016 11,79 0,08% -1,25% 0,02%
Soma: 2,3%

5
Agora podemos selecionar as colunas de informações que nos interessam para o cálculo da
covariância, e a tabela abaixo esclarece o passo-a-passo do cálculo dessa estatística:

GOLL4 e MYPK3 – Cálculo da Covariância

GOLL4 MYPK3 ̅ ̅
Data ̅)
(𝑿𝒊 − 𝑿 (𝒀𝒊 − 𝒀̅ ) (𝑿𝒊 − 𝑿) x (𝒀𝒊 − 𝒀)
15/02/2016 -7,16% -5,08% 0,36% n: 20
16/02/2016 -2,09% 6,44% -0,13% Covariância: 0,013%
17/02/2016 -5,73% -1,34% 0,08%
18/02/2016 -4,73% -1,34% 0,06%
19/02/2016 -5,84% -1,86% 0,11%
22/02/2016 6,87% 2,29% 0,16%
23/02/2016 -3,64% -7,34% 0,27%
24/02/2016 -5,17% -2,52% 0,13%
25/02/2016 -5,73% 2,54% -0,15%
26/02/2016 12,29% -0,93% -0,11%
29/02/2016 3,32% -1,65% -0,05%
01/03/2016 -5,73% 1,41% -0,08%
02/03/2016 18,20% 3,40% 0,62%
03/03/2016 36,06% 1,32% 0,48%
04/03/2016 -19,98% 6,81% -1,36%
07/03/2016 1,30% -1,16% -0,02%
08/03/2016 -4,35% -0,72% 0,03%
09/03/2016 -4,36% 3,32% -0,14%
10/03/2016 3,39% -2,35% -0,08%
11/03/2016 -6,93% -1,25% 0,09%
Soma: 0,25%

A covariância, por sua natureza, é uma medida difícil de compreender e interpretar. Mais
interessante do que a covariância para fins de estudos de temas financeiros é o coeficiente de
correlação (ou apenas correlação) entre duas variáveis. A correlação é uma medida de associação
que nos indica não apenas se as variáveis estão relacionadas de maneira positiva (isto é, variam no
mesmo sentido) ou negativa (ou seja, variam em sentidos opostos), mas também o grau de
associação entre elas (isto é, quão forte é essa associação)

O coeficiente de correlação é dado por

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌=
𝑠𝑋 𝑠𝑌

Onde:
𝜌 = Correlação
𝐶𝑜𝑣 (X,Y) = Covariância entre X e Y
sx = desvio padrão de x
sy = desvio padrão de y

6
No nosso exemplo, estamos interessados em descobrir a correlação entre os retornos diários das
ações GOLL4 e MYPK3. Utilizando os dados das tabelas acima, temos que a correlação entre essas
duas variáveis (para o período considerado) é

0,013%
𝜌= = 0,0322
11,67% × 3,49%

A correlação é interpretada da seguinte maneira:

 Se a correlação for igual a 1 (valor máximo), as duas variáveis apresentam correlação


perfeitamente positiva. Isso significa que o movimento em uma variável é acompanhado por um
movimento proporcional de mesma direção na outra variável.
 Se a correlação for positiva mas inferior a 1, existe associação direta entre as variáveis observadas,
ainda que não seja perfeita. As variáveis tendem a se mover na mesma direção, porém com
intensidades distintas.
 Correlação igual a zero indica ausência de relação entre as variáveis estudadas, o que significa que
o movimento em uma variável não nos ajuda a fazer qualquer inferência sobre o movimento
correspondente em outra variável.
 Se a correlação for negativa mas superior a -1, existe associação inversa entre as variáveis, ainda
que não seja perfeita. As variáveis se movem em direções opostas, com diferentes intensidades.
 Se a correlação for igual a -1 (valor mínimo), as duas variáveis apresentam correlação
perfeitamente negativa. Isso significa que o movimento em uma variável é acompanhado por um
movimento proporcional em direção oposta na outra variável.

Entre GOLL4 e MYPK3, vemos que a correlação é muito próxima de zero, o que indica que os
retornos diários de uma ação não estão relacionados aos retornos diários da outra ação no
período analisado.

Modelos Probabilísticos: Distribuição Normal e suas propriedades


Nos itens anteriores discutimos algumas medidas de tendência central e de dispersão de uma
variável (ou grupo de observações), assim como medidas de associação entre duas variáveis. Em
estatística, tais variáveis são denominadas variáveis aleatórias, e elas podem ser discretas ou
contínuas. As variáveis aleatórias discretas são aquelas que podem ter apenas um número finito
de valores ou cujos valores sejam distintos e separados uns dos outros. Por exemplo, o preço de
uma ação é uma variável discreta, pois somente pode assumir determinados valores, em
incrementos de R$ 0,01 (um centavo). Já as variáveis aleatórias contínuas podem assumir
qualquer valor, e o número de observações possíveis não é contável. Por exemplo, o retorno
diário de uma ação é uma variável contínua, pois pode assumir qualquer valor (2,347%, -1,094% e
assim por diante).

Em finanças, precisamos trabalhar com probabilidades para fazermos inferências sobre o


comportamento de uma determinada variável aleatória. Uma distribuição de probabilidade é
uma função matemática que especifica as probabilidades associadas a cada resultado (ou grupo
de resultados) possível. Para dados financeiros, como a taxa de retorno de um ativo, a distribuição
normal é talvez a mais conhecida e a mais utilizada por profissionais do mercado, e é nessa
distribuição que vamos focar as nossas atenções agora.

7
Em termos gráficos, a distribuição normal é simétrica e tem aproximadamente o formato de um
sino. De acordo com a sua formulação, o centro da distribuição é a média, e à esquerda e à direita
da média estão os valores possíveis da variável aleatória que estamos considerando. Como nem
todos esses valores ocorrem com a mesma probabilidade, o formato da distribuição (ou seja, a
curva do sino) é o que nos indica o maior ou menor grau de probabilidade de que um determinado
valor (ou intervalo de valores, mais precisamente) ocorra. E tal indicação leva em consideração o
quão longe da média está aquele determinado valor em termos de número de desvios-padrão. A
distribuição normal, então, alia a informação sobre a dispersão dos dados com a probabilidade de
que ocorram.

A distribuição normal pode ser representada da seguinte maneira:

Como aplicar o conhecimento sobre a distribuição normal? Imagine que você esteja conversando
com um cliente sobre uma determinada ação negociada em bolsa, cujo retorno semanal médio
seja de 2,0%, com desvio-padrão dos retornos semanais de 2,5%. O cliente deseja então saber,
com base nos dados históricos, a probabilidade de que o retorno dessa ação na próxima semana
seja de igual ou superior a 7,0%. Utilizando a hipótese de que esses retornos semanais seguem
uma distribuição normal, e considerando que o retorno de 7,0% está a exatamente dois desvios-
padrão de distância da média, você pode afirmar que a probabilidade de o retorno dessa ação ser
de 7,0% ou mais é de aproximadamente 2,5% (na verdade, 2,28%), bastando para isso olhar o
gráfico acima e lembrar que a distribuição normal é simétrica (isto é, um lado é o espelho do
outro).

As regras de bolso sobre a relação entre probabilidades e número de desvios-padrão na


distribuição normal são, assim, muito úteis no dia-a-dia. O entendimento da distribuição normal é
muito importante para qualquer discussão ou apresentação a clientes e colegas com base em
dados estatísticos, ou seja, com uma base quantitativa sólida para se chegar a inferências
conceitualmente corretas.

Introdução à Inferência Estatística: Intervalo de Confiança


De posse do conhecimento básico sobre a distribuição normal, podemos agora abordar o conceito
de intervalo de confiança. Um intervalo de confiança é um intervalo de valores dentro do qual se
espera encontrar um determinado parâmetro populacional com uma certa probabilidade ou grau
de confiança.

8
Por exemplo, pode nos interessar criar um intervalo de confiança para a média populacional dos
retornos semanais da ação mencionada no item anterior. Tal exercício nos permitirá afirmar, com
alto grau de certeza, que a média populacional (que não conhecemos) está incluída nesse
intervalo. Digamos que a média amostral de 2,0% tenha sido obtida com base em 20 observações
(ou seja, esse é o tamanho da amostra) e que queiramos ter 95% de certeza de que a média
populacional estará incluída no intervalo. Assim, o intervalo de confiança para a média
populacional é dado por

2,5%
𝑋̅ ± 1,96 × => 𝑋̅ ± 1,1%
√20

Duas perguntas surgem da análise da fórmula acima. Primeiro, de onde vem o número 1,96? Esse
é o número de desvios-padrão, conforme as propriedades da distribuição normal, que devemos
nos distanciar a partir da média, para mais e para menos, a fim de chegarmos a um intervalo que
contenha 95% da área da distribuição (ou seja, que contenha 95% da probabilidade de ocorrência
ao redor da média). Para um intervalo menor, de 90%, deve-se utilizar 1,65 desvios, e para um
intervalo maior, de 99%, deve-se utilizar 2,58 desvios. Segundo, por que dividimos o desvio-padrão
amostral pela raiz quadrada do número de observações? Para assim obter o erro-padrão da média
amostral, elemento necessário para o cálculo do intervalo de confiança (e conceitualmente
distinto do desvio-padrão amostral).

Assim, com base apenas na média e no desvio-padrão amostral, podemos inferir que, com 95% de
probabilidade, a média populacional dos retornos semanais da ação pode ser encontrada no
intervalo entre 0,9% (2,0% - 1,1%) e 3,1% (2,0% + 1,1%).

3.2. Risco, Retorno e Mercado (LFA)

Mercado Eficiente
Frequentemente as pessoas se surpreendem com o fato de determinados eventos econômicos
relevantes não se refletirem nos preços dos ativos logo após sua ocorrência. Por exemplo, um
rebaixamento classificação de risco de um país (rating) pode ser seguido de uma reação amena
dos índices da bolsa de valores, às vezes mesmo em sentido contrário ao que seria de se esperar.
O inverso também pode ocorrer, situações relativamente pouco importantes podem ter um
impacto desproporcional. O investidor muitas vezes julga tais ocorrências como prova da
irracionalidade dos mercados, como veremos, se trata exatamente o inverso. Essas são situações
que apontam para algum grau de eficiência no funcionamento dos mercados.

Ao perguntar a um investidor profissional o motivo do rebaixamento do rating não ter levado a


uma queda na bolsa, ouvimos a resposta “ah, esse evento já estava no preço”. A ideia de que o
preço vigente já embute certas informações está na base da noção de mercados eficientes.

Na verdade, podemos distinguir entre três formas de eficiência de acordo com a Hipótese do
Mercado Eficiente (HME):

1. Eficiência Fraca

A eficiência fraca nos diz que qualquer conteúdo informacional que possamos encontrar nos
preços passados já está embutido nos preços presentes. Dito de outra maneira, não é possível se
9
prever o preço futuro de um ativo observando seu comportamento ao longo de uma série
histórica. A eficiência fraca se apoia na ideia de que os mercados descrevem um processo
aleatório (random walk) ao longo do tempo. Os gráficos abaixo ilustram esta noção.

O gráfico 1 descreve um processo aleatório, tipo random walk. Observe que o gráfico nos dá a
impressão de que há um padrão facilmente perceptível. Há 3 picos (1, 2 e 3) com uma tendência
crescente (o terceiro pico é mais alto que o segundo e este mais alto que o primeiro). Em torno
dos dois primeiros picos há uma breve oscilação seguida de uma queda (o terceiro pico aparece
incompleto).
Há teorias que dizem que após três altas seguidas com estas características o mercado
apresentará uma queda significativa. O que você acha? Colocaria seu dinheiro nessa aposta?

Gráfico 1
25%

20%

15% 2
10%

1
5%

0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

-5%

Na verdade, o padrão observado é ilusório. O gráfico foi gerado por um simples jogo de cara ou
coroa, com 28 jogadas, em que se atribuiu um “retorno” de 3% para o resultado cara e de – 2%
para o resultado coroa.

No gráfico abaixo, repetimos o jogo, o que obviamente muda a sequência de caras e coroas e os
resultados ficam totalmente diferentes.

Há um padrão agora?

Gráfico 2

10
6%

4%

2%

0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

-2%

-4%

-6%

-8%

Esse jogo é reproduzido aqui:

Divirta-se procurando padrões de retorno nos gráficos, mas lembre-se que todos são gerados por
um processo aleatório, equivalente a 28 rodadas de um jogo de cara e coroa.

Note que a existência de um processo aleatório não implica na inexistência de uma tendência de
longo prazo. No nosso jogo, ganhamos 3% quando o resultado para a moeda é cara e perdemos
2%, quando é coroa. No longo prazo, o número de caras e coroas tende a ser o mesmo, mas como

11
as caras valem mais em termos absolutos, isso levará a um resultado positivo – uma tendência ao
ganho – em torno da qual se observam as oscilações aleatórias.

2. Eficiência Semiforte

A eficiência semiforte nos diz que qualquer informação de natureza pública já está embutida nos
preços vigentes no mercado. As informações públicas incluem notícias, publicação de balanços ou
quaisquer elementos que estejam disponíveis aos investidores em geral. De acordo com a noção
de eficiência semiforte, os mercados reagem à novidade eventualmente trazida por uma nova
informação no exato momento em que ela é divulgada (i.e. enquanto é uma novidade), mas nunca
antes ou depois. Ainda de acordo com esta noção esta reação se dá na “medida certa”, ou seja,
sem exageros para cima ou para baixo.

É por isso que muitas vezes se observa que o rebaixamento da classificação de risco (rating) não
tem efeito sobre os preços – as análises de rating são quase sempre realizadas com base em
dados públicos e as metodologias e conclusões normalmente apresentadas, mesmo que não
sejam divulgadas em detalhe, acabam sendo do conhecimento do mercado, que se antecipa ao
anúncio da alteração da nota.

3. Eficiência Forte

A eficiência forte nos diz que qualquer informação de natureza pública ou não pública já está
embutida nos preços vigentes no mercado. Informações não públicas são aquelas que um agente
econômico divulgou por serem de natureza sigilosa para a empresa (pode ser a assinatura de um
grande contrato ou a aquisição de uma concorrente).

A eficiência forte é normalmente impedida de ser atingida pelas leis e regulamentações que
penalizam o uso de informação privilegiada (inside information). Tais normas não permitem que o
investidor que seja insider reaja à informação comprando ou vendendo o ativo – o que acabaria
por incorporá-la aos preços.

A noção de mercados eficientes tem um papel muito importante em finanças. Ela desafia a ideia
de que se possa ganhar dinheiro fácil, seguindo modelos simplistas. Sistemas de previsão de
mercado baseados em indicadores como a visualização de figuras identificadas nas análises
gráficas (tipo “ombro-cabeça-ombro”) foram seriamente desafiados por esta noção.

Na verdade, se acreditamos plenamente na validade da eficiência fraca, devemos também


desacreditar da validade das chamadas análises técnicas que se utilizam de séries históricas de
preços para fazer previsões de mercado e determinar “pontos de compra” e “pontos de venda”.

Adicionalmente, se acreditamos na validade da eficiência semiforte, devemos também desconfiar


da chamada análise fundamentalista. Os analistas fundamentalistas creem que, a partir de
informações públicas podem produzir conclusões diferentes e melhores que o consenso embutido
nos preços. Assim estabelecem preços meta (target prices) acima ou abaixo do mercado e
recomendam a compra ou venda do ativo enquanto o mercado não reflete tal preço. A eficiência
semiforte, por outro lado, supõe que as informações são incorporadas aos preços de forma

12
imediata e na medida certa, assim que são tornadas públicas. Dessa forma o preço do ativo estaria
sempre “justo”.

A descrença nas análises técnica e fundamentalista nos levaria a alternativas de investimento


passivas, como comprar um fundo de índice. Nesses produtos financeiros não há qualquer tipo de
análise ou processo de gestão de carteiras. Por outro lado, a Hipótese de Eficiência dos Mercados
tem recebido inúmeras críticas. Proponentes da escola de finanças comportamentais, por
exemplo, têm apontado para anomalias do mercado como a reação exagerada a uma notícia ou
efeitos que se repetem no tempo (por exemplo, o chamado efeito janeiro, segundo o qual os
preços das ações em janeiro aumentam mais que em outros meses). Analistas fundamentalistas
têm demonstrado que indicadores como as razões baseadas em informações públicas como a
razão preço-lucro podem ter efeito relevante. Por fim, a hipótese de processo aleatório (random
walk) tem sido desafiada por novos testes estatísticos que demonstram que pode haver algum
grau de previsibilidade, ainda que baixo, nos preços.

O debate sobre a eficiência dos mercados (e sobre seu grau) tem sido campo de uma batalha sem
fim em finanças. Para quem deseja investir seus recursos ou oferecer recomendações ao público
investidor, vale analisar alguns títulos indicados na bibliografia.

Risco e Retorno Esperados


Ao investir nos mercados, nosso objetivo é sempre o de obter um retorno. Este é um retorno
esperado (uma expectativa) que obviamente pode ou não se concretizar. O retorno esperado
advém da soma de dois componentes, os rendimentos (dividendos e juros recebidos) e a
apreciação (ou algumas vezes queda) nos preços dos ativos – ou ganhos de capital, devendo ser
definido para um determinado período.

Os dois componentes e o retorno total podem ser assim representados:

Rendimento Ganho de capital Total


𝑑1 𝑝1 − 𝑝0 𝑅 = 𝑑1 +𝑝1 − 𝑝0
Retorno absoluto
𝑑1 𝑝1 − 𝑝0 𝑑1 𝑝1 − 𝑝0
Retorno percentual 𝑝0 𝑟= −
𝑝0 𝑝0 𝑝0

Onde:
𝑑1 é o dividendo (juros no caso de títulos de renda fixa) pagos ao fim do período de investimento.
𝑝0 é o preço do ativo no início do período de investimento.
𝑝1 é o preço do ativo no fim do período de investimento.

Hoje, boa parte dos investidores aplica em fundos de investimento. Os fundos tendem a reinvestir
os dividendos e juros ao invés de distribuí-los. Isso faz com que a parcela da valorização referente
ao rendimento já se reflita na apreciação da cota do fundo, simplificando nossa conta:

Retorno de um fundo de investimento que reinveste juros e dividendos:


𝑅 = 𝑐1 − 𝑐0
Retorno absoluto

13
𝑐1 −𝑐0 𝑐1
𝑟= , ou, considere a expressão equivalente: −1
Retorno percentual 𝑐0 𝑐0

Onde:
𝑐0 é o valor da cota do fundo no início do período de investimento
𝑐1 é o valor da cota do fundo ao fim do período de investimento.

Num exemplo para ações, temos que a ação do Grupo Pão de Açúcar (PCAR4) abriu o ano de 2014
(dados de 2 de janeiro) valendo R$ 90,92 e fechou o mesmo ano (dados de 2 de janeiro de 2015)
com o valor de R$ 93,85. Durante o ano a ação pagou dividendos de R$ 1,01. Qual o retorno
percentual para o papel?

𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 1,01
(1) Rendimento (r): = 90,92 = 2,10%
𝑃𝑜

𝑝 90,92
(2) Ganho de capital: 𝑝1 − 1 = − 1 = 3,22%
0 93,85

(3) Total: 5,32%

Note-se que estamos considerando, por simplificação, que todo o dividendo foi pago ao fim do
período. Na verdade, os acionistas receberam dividendos ao longo do ano e poderiam ter
reinvestido esta soma na própria PCAR4, o que daria um resultado ligeiramente superior.

Vamos considerar agora um fundo de investimentos hipotético. No fechamento de abril de


determinado ano, a cota tinha o valor de 1,9352 e no fechamento de março do mesmo ano, o
valor publicado da cota foi de 1,9400. Podemos calcular o retorno do fundo para o mês da
seguinte forma:

1,9400
𝑟 = 1,9352 - 1 = 0,25%.

Enquanto o retorno esperado é o objetivo do investidor, este deve admitir a existência de uma
incerteza em torno deste retorno. A tal incerteza, que pode ser para mais ou para menos, damos o
nome de risco. Assim, se esperávamos um retorno de 10% ao ano para uma determinada
aplicação, é razoável supor que, na prática, tal retorno estará num intervalo entre 8% a.a. e 12%
a.a.

O risco, entendido da forma acima, é normalmente medido pelo desvio padrão dos retornos (a
medida estudada no item 3.1.2). No gráfico a seguir, representamos os retornos mensais do índice
IBOVESPA em 2010:

14
12,00%

10,00%

8,00%

6,00%

4,00%

2,00%

0,00%
jan/10 fev/10 mar/10 abr/10 mai/10 jun/10 jul/10 ago/10 set/10 out/10 nov/10 dez/10
-2,00%

-4,00%

-6,00%

-8,00%

As barras azuis representam os retornos mensais. A linha vermelha representa a média dos
retornos. Em 2010 o IBOVESPA rendeu em média 0,76% ao mês.

Será que estas informações são suficientes para se construir um intervalo de confiança para a
média mensal do IBOVESPA? As linhas vede e roxa representam um intervalo com 95% de
confiança, considerando a amostra de 12 meses. Pode-se concluir que o IBOVESPA não foi um
índice muito “bem comportado” do ponto de vista estatístico em 2010. Note que a maior parte
dos retornos mensais ficou fora do intervalo de confiança estabelecido.

Seleção de Carteiras e Modelo de Markowitz

Retorno Esperado e o Risco de uma carteira com até três ativos


Quando investimos em uma carteira de ativos, é de se esperar certa redução de risco pelo efeito
da diversificação. Este efeito pode ser observado, de maneira intuitiva, no gráfico abaixo:

40,00%

30,00% PCA
R
20,00%

10,00%

0,00%

-10,00%

-20,00%

-30,00%

O gráfico representa a variação mensal nos preços das ações de Estácio Participações S.A. (ESTC3)
e Companhia Brasileira de Distribuição – Pão de Açúcar (PCAR4) no ano de 2010. Note que, os
preços das duas ações nunca variam na mesma magnitude. Em alguns meses, chegam a fazer
15
movimentos em direções opostas. É o que ocorreu em fevereiro, maio, outubro, novembro e
dezembro do ano em questão. Isso nos permite afirmar que o risco de se ter Estácio na carteira é
parcialmente compensado pelo risco de Pão de Açúcar. Trata-se do efeito diversificação.

Vamos supor que você invista em uma carteira composta de 50% de ações do Pão de Açúcar e
50% de ações da Estácio. Qual seriam seu retorno1 e risco neste caso? Como eles se comparariam
com o obtido por um investimento de 100% em cada um dos ativos originais?

A tabela ao lado representa esta situação.


Nela vemos, mês a mês em 2010, os Retorno 50%
Retorno Retorno
retornos de PCAR e ESTC e de uma carteira Data PCAR 50%
PCAR ESTC
formada por 50% de cada um destes ativos. ESTC
Na parte de baixo, calculamos a média dos jan/10 1,68% 0,00% 0,84%
retornos mensais no ano de 2010 e o fev/10 5,82% -4,03% 0,90%
desvio padrão para o mesmo período, mar/10 -4,04% -2,18% -3,11%
utilizando as funções aplicáveis do Excel. abr/10 -6,64% -3,09% -4,86%
mai/10 -3,35% 3,72% 0,18%
Ao compararmos a média dos retornos dos jun/10 10,80% 4,27% 7,53%
ativos individualmente com a média da jul/10 -3,51% -10,47% -6,99%
carteira, podemos concluir que esta última ago/10 6,58% 3,29% 4,93%
está situada exatamente entre as duas set/10 1,79% 30,97% 16,38%
primeiras. out/10 -4,20% 6,89% 1,35%
Percebemos então que o retorno de uma nov/10 2,36% -0,51% 0,93%
carteira é dado pela média dos retornos dez/10 1,84% -19,39% -8,77%
esperados dos ativos que a compõe, Média 0,76% 0,79% 0,78%
ponderada por suas participações Desvio Padrão 5,25% 11,90% 6,78%
relativas. Ou seja:

𝑟𝑐 = 𝑟𝑎 𝑤𝑎 + 𝑟𝑏 𝑤𝑏

onde:
𝑟𝑎 é o retorno do ativo a
𝑟𝑏 é o retorno do ativo b
𝑤𝑎 é a participação do ativo a
𝑤𝑏 é a participação do ativo b

Fazendo as contas:

𝑟𝑐 = 0,76% x 50% + 0,79% x 50% = 0,78%

E o risco? A princípio, poderíamos imaginar que o risco da carteira também é dado pela média
ponderada dos riscos. Porém, ao calcularmos este número, chegaríamos a:

𝑀é𝑑𝑖𝑎 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑎 𝑑𝑜𝑠 𝑅𝑖𝑠𝑐𝑜𝑠 = 5,25% x 50% + 11,90% x 50% = 8,58%

1
Por simplicidade iremos considerar aqui apenas a variação dos preços (ganhos ou perdas de capital) no cálculo dos
retornos.
16
O número que obtivemos, porém, foi 6,78% (1,8% a menos). Esta diferença se deve ao efeito
diversificação. Devido a ele podemos afirmar que, em geral, o risco de uma carteira é menor que
a média dos riscos dos ativos que a compõe, ponderada por suas participações relativas.

A fórmula para o cálculo do risco de uma carteira de dois ativos deve considerar não apenas os
desvios padrão e as participações. A covariância (ou variação conjunta) também deve entrar na
conta. Na aplicação da fórmula, seguimos dois passos. Primeiro calculamos a variância da carteira
e depois tiramos a raiz quadrada da variância e chegamos ao desvio padrão (risco) da carteira.

Cálculo da variância da carteira de dois ativos:

𝜎𝑝2 = 𝜎𝑎2 𝑤𝑎2 + 𝜎𝑏2 𝑤𝑏2 + 2𝑤𝑎 𝑤𝑏 𝐶𝑜𝑣𝑎,𝑏

onde:
𝜎𝑝2 é a variância da carteira (ou portfólio)
𝜎𝑎2 é a variancia dos retornos de a (quadrado do desvio padrão)
𝜎𝑏2 é a variancia dos retornos b (quadrado do desvio padrão)
𝐶𝑜𝑣𝑎,𝑏 é a covariância entre os retornos dos ativos a e b
𝑤𝑎 é a participação do ativo a
𝑤𝑏 é a participação do ativo b

A primeira parte da fórmula lembra o cálculo da média ponderada, só que com as variáveis
elevadas ao quadrado, pois estamos falando de variância. A segunda parte dá conta das
covariâncias (há duas a entre a e b e entre b e a, mas como as duas são iguais, simplesmente
multiplica-se a primeira por 2).

Tendo a variância da carteira, chegamos ao risco (ou desvio padrão) retirando a sua raiz quadrada.

𝜎𝑝 = √𝜎𝑐2
Vamos aplicar a fórmula aos dois ativos que vimos estudando, considerando uma participação de
50% para cada ativo. A covariância entre PCAR e ESTC foi de 0,073% no período.

Calculando a variância da carteira:

𝜎𝑝2 = 5,25%2 × 50%2 + 11,9%2 × 50%2 + 2 × 50% × 50% × 0,073% = 0,46%

Extraindo a raiz quadrada deste número, temos o desvio padrão:

𝜎𝑝 = √0,46% = 6,78%

Note que a covariância entre dois ativos pode ser calculada a partir da correlação entre eles.
Nesse caso temos:

𝐶𝑜𝑣𝑎,𝑏 = 𝜌𝑎.𝑏 𝜎𝑎 𝜎𝑏
Onde 𝜌𝑎.𝑏 é a correlação entre os retornos de a e b

E a fórmula do cálculo da variância de uma carteira pode ser reescrita da seguinte forma:

17
𝜎𝑝2 = 𝜎𝑎2 𝑤𝑎2 + 𝜎𝑏2 𝑤𝑏2 + 2𝑤𝑎 𝑤𝑏 𝜌𝑎.𝑏 𝜎𝑎 𝜎𝑏

As fórmulas são equivalentes, a diferença é que na última versão utilizados a correlação para
capturar o efeito da diversificação.

Quando temos uma carteira de três ativos (a, b e c), devemos esperar que o efeito diversificação
seja ainda maior. Nesse caso, deveremos considerar três variâncias (as de a, b e c) e três
covariâncias (entre a e b, entre b e c e entre a e c). A fórmula do cálculo da variância da carteira
passa a ser:

𝜎𝑝2 = 𝜎𝑎2 𝑤𝑎 + 𝜎𝑏2 𝑤𝑏 + 𝜎𝑏2 𝑤𝑏 + 2𝑤𝑎 𝑤𝑏 𝐶𝑜𝑣𝑎,𝑏 + 2𝑤𝑎 𝑤𝑐 𝐶𝑜𝑣𝑎,𝑐 + 2𝑤𝑏 𝑤𝑐 𝐶𝑜𝑣𝑏,𝑐

Risco e Retorno: Diversificação do Risco de uma Carteira e o Modelo de Markowitz


Risco, na forma como definimos, como o desvio em torno do retorno esperado, é algo que pode
impedir a realização de objetivos financeiros, tendo assim uma conotação negativa. É de se supor,
portanto, que buscamos sempre o maior retorno e menor risco possível. O gráfico a seguir
representa algumas situações com as quais podemos nos deparar.

Suponha que os pontos acima representem diversas opções de investimento com diferentes perfis
de retorno e risco. No ponto A temos um retorno esperado de 10% e um risco de 10%. Claramente
o ponto B representa uma situação melhor, pois temos um risco de 5% para o mesmo nível de
retorno (10%). Nesse caso, dizemos que a opção de investimento A é dominada pela opção B. E o
que diríamos de C? Claramente é melhor que A e B, pois nos dá um retorno de 15% para um risco
de apenas 5%. Podemos concluir que quanto mais para cima (maior retorno) e para a esquerda
(menor risco) (estamos no diagrama), melhor.

E como ficamos entre as opções C e D? C tem bem menos risco, mas D apresenta um retorno
superior. Para decidir entre os dois, precisamos saber as preferências entre risco e retorno. Alguns
podem desejar correr muito risco para pouco retorno adicional, outros podem privilegiar
investimentos de menor risco, mesmo que tenham que abrir mão de maiores retornos. Dizemos
que entre C e D não há dominância e não podemos, a priori, afirmar qual é a melhor alternativa.

No próximo gráfico temos as opções de investimento Pão de Açúcar (PCAR) e Estácio de Sá (ESTC),
temos também diversas carteiras formadas por diferentes proporções de investimento em ambos
os ativos.

18
Para cada uma das carteiras calculamos o retorno e o risco utilizando as fórmulas apresentadas
anteriormente.

Algumas carteiras representam situações interessantes e estão destacadas em vermelho. As


carteiras 100% PCAR e 100% ESTC representam investimentos puros nestes ativos. A carteira 50%
PCAR e 50% ESTC foi a que utilizamos no nosso exemplo anterior. A carteira 85% PCAR e 15% ESTC
foi a que apresentou o menor risco, chamamos esta carteira de carteira de variância mínima.

A “barriga” que a curva forma à medida que formamos carteiras combinando diferentes
proporções dos ativos é o que evidencia que há um ganho de diversificação.

Ativos com Correlação nula


Vale explorar um pouco mais a importância do grau de variação conjunta de dois ativos na
redução do risco. Há duas medidas da variação conjunta, covariância e correlação. As duas são
relacionadas da seguinte forma:

𝐶𝑜𝑣𝑎,𝑏 = 𝜌𝑎.𝑏 𝜎𝑎 𝜎𝑏 (a covariância é dada pela correlação multiplicada pelos desvios padrão) ou

𝐶𝑜𝑣𝑎,𝑏
𝜌𝑎.𝑏 = (a correlação é dada pela covariância dividida pelos desvios padrão).
𝜎𝑎 𝜎𝑏

O gráfico abaixo apresenta novamente as diversas carteiras que podem ser formadas com PCAR e
ESTC. A correlação entre estes dois ativos, medida para 2010, foi de 0,12.

Imagine agora que tal correlação fosse diferente. O que ocorreria com o gráfico? Você mesmo
pode fazer o teste, utilizando várias possibilidades (correlação de 1 ; -1 ; 0,7 etc).

Caso queira voltar ao gráfico original é só colocar a correlação de 0,12, que é a verdadeira
correlação entre os ativos.

19
Embora a correlação nula não seja tão eficaz quanto a correlação perfeitamente negativa, ela
certamente melhora a relação entre risco e retorno do portifólio. Assim, temos que quanto mais
negativa for a correlação entre dois ativos maior será o efeito da diversificação.

Risco Diversificável e Risco Sistemático


Quanto maior o número de ativos, maior o efeito diversificação. O gráfico abaixo exemplifica o
efeito da diversificação como função do número de ativos utilizados. Para elaborá-lo supusemos
que todos os ativos têm o mesmo desvio padrão (30%) e a mesma correlação (40%). Vale ressaltar
que o efeito é muito forte para dois ativos e vai se tornando menor quanto maior é o número de
ativos considerado:

30,00%
Desvio Padrão do Portfólio

25,00%

20,00%

15,00%

10,00%
0 10 20 30 40 50 60
Número de ativos

A adição de mais ativos faz o desvio padrão da carteira convergir para um número pouco abaixo
dos 20%. Considerando as variáveis utilizadas (desvio padrão de 30% e correlação de 40% para
todos os ativos) este número pode ser calculado tomando-se a raiz da correlação multiplicada pelo
desvio padrão:
√40 × 30% = 18,97%

20
O risco que podemos eliminar via diversificação, representado pela diferença entre 30% e 18,97%
é chamado de risco diversificável (ou risco próprio ou risco não sistemático). O risco que não
conseguimos diversificar é chamado de risco de mercado (ou sistemático). O risco de mercado
decorre do fato de que mesmo que a presença de um número infinito de ativos reduza o risco, há
um piso para tal, representado pelo risco do mercado como um todo.

Caso tivéssemos alguns ativos com correlação negativa, como no tópico anterior, talvez
pudéssemos reduzir o risco a zero. Em geral, no entanto, os ativos possuem correlação positiva,
pois respondem da mesma forma ao mesmo conjunto de informações sistêmicas (como por
exemplo um maior ou menor crescimento econômico, maior ou menor taxa de juros básica, maior
ou menor inflação).

Combinações das Possíveis Carteiras: A Fronteira Eficiente


Já descrevemos como as possíveis combinações de PCAR e ESTC levam à redução do risco pelo
efeito diversificação. Vimos também que o efeito diversificação é tão maior quanto maior o
número de ativos utilizados.

No gráfico que segue, acrescentamos uma carteira hipotética x às combinações PCAR e ESTC. Será
natural que, na presença de x, a curva que liga as alternativas 100% PCAR a 100% ESTC se
expanda, incorporando x. Esta expansão reduzirá ainda mais o nível de risco, dado um nível de
retorno. Por outro lado, as antigas carteiras formadas por PCAR e ESTC continuam sendo possíveis,
assim como outras que utilizam maiores ou menores quantidades dos ativos que fazem parte da
carteira x. Assim, na verdade, não só poderemos compor carteiras ao longo da nova curva que
contém x, mas também por toda a área marcada de azul. Temos portanto uma superfície
contendo as diversas carteiras e não apenas uma curva.

Não faz sentido, no entanto, escolhermos carteiras que não estejam na nova curva contendo x,
pois nesta curva encontramos as carteiras com maiores retornos e menores riscos. Você mesmo
pode testar isso.

Escolha um ponto qualquer dentro da área marcada de azul, esta seria a sua carteira hipotética,
formada por algum percentual de x, PCAR e ESTC. A partir desse ponto, você pode se mover
horizontalmente para a esquerda (sem se mover verticalmente). Nesse caso, irá achar uma série
de carteiras com menor risco e mesmo nível de retorno. Agora, volte a sua carteira hipotética e
mova-se para cima, sem se mover horizontalmente. Nesse caso, você irá achar uma série de
carteiras com maior nível de retorno e mesmo risco. Nos dois casos as carteiras que você achou,
21
terão alguma vantagem sobre a sua (menor risco ou maior retorno). Esta vantagem irá perdurar
até que você chegue à linha que contém a carteira x. A partir daí você não achará mais carteiras
que possa utilizar para melhorar a relação retorno/risco.

Veja o gráfico que exemplifica esta situação:

Sua
Carteiras de

Carteiras de

Podemos afirmar que a curva que contém x é uma fronteira ótima, pois abaixo e à direita dessa
linha, localizam-se carteiras que não obtém a melhor relação risco-retorno. Por outro lado, acima
e à esquerda dessa linha, não há novas carteiras que possamos escolher.

Apenas uma questão na definição da fronteira eficiente nos passou despercebido. A parte de
baixo da “barriga” formada pela curva que contém x não nos interessa. De fato, qualquer carteira
localizada nesse segmento, também pode ser substituída por outra com menor risco e/ou maior
retorno. Assim a fronteira eficiente é a parcela da curva que parte da carteira de variância mínima.
No gráfico abaixo marcamos em laranja tal segmento:

Chegamos a uma fronteira eficiente formada por PCAR, ESTC e pelos ativos da carteira x. Na vida
real, há milhares de ativos que contém algum risco e potencialmente nos dão um retorno. A
inclusão de todos estes ativos na análise nos levaria a um exercício complexo de programação
quadrática, muito além dos objetivos do presente curso. O princípio, porém continua o mesmo – a
inclusão de novos ativos de risco no conjunto disponível possibilita a construção de carteiras com
menor risco e/ou maior retorno, devido ao efeito diversificação.

Taxa Livre de Risco e Prêmio pelo Risco de Mercado


A Moderna Teoria de Portfolios supõe a existência de uma taxa livre de risco (riskfree rate). Na
realidade não se pode dizer que exista algum ativo que não possua risco algum, porém podemos
22
supor que, para um determinado período de investimento (digamos um mês), um título prefixado
em que apliquemos no início do período e que vence no fim do período nos dará um ‘ganho
nominal certo’ se seu risco de crédito for desprezível. Nesse sentido, podemos afirmar que se trata
de um ativo livre de riscos.

Assim, se compramos por R$ 990,099 uma LFT (Título do Tesouro Nacional negociado a uma taxa
prós-fixada) que vence em um mês e se pretendemos carregar este título até o vencimento,
podemos dizer que teremos um ganho nominal certo de 1% no mês (no vencimento a LFT vale R$
1.000), se desprezamos a chance de um default da dívida pública no período.

É esse o sentido original do conceito de riskfree, que era atribuído aos títulos da dívida norte
americana de curto prazo (T-bills). Adaptado à realidade brasileira – muito menos estável – o
conceito de riskfree foi associado ao retorno de alguns ativos como LFT e LTN.

Escolha da Carteira ótima.


A presença de um ativo sem risco altera a fronteira eficiente? Sim. No nosso gráfico (agora
considerando apenas a parcela laranja que correponde à fronteira eficiente) podemos acrescentar
um ativo sem risco (chamado rf). No nosso exemplo, o ativo sem risco tem retorno de 0,76% ao
mês e desvio padrão (risco) de zero.

Ao alocarmos parte de nossos investimentos em ativos de risco (por exemplo a carteira x) e parte
em rf teremos a seguinte situação:

Em termos de rentabilidade, como sempre, teremos uma média dos retornos de rf e x ponderados
pelas respectivas participações. Em termos de risco, porém, a coisa muda de figura. Agora com o
risco de rf é zero, somente x irá contribuir com o risco. Nas expressões que utilizamos para cálculo
de risco, eliminaremos toda a parcela que se refira a rf . Eliminaremos também a covariância entre
x e rf. Como rf não ‘varia’ não há porque se falar em covariância.

2 2
𝜎𝑝2 = 𝜎𝑥2 𝑤𝑥2 + 𝜎𝑟𝑓 𝑤𝑟𝑓 + 2𝑤𝑎 𝑤𝑏 𝐶𝑜𝑣𝑥,𝑟𝑓

Dessa forma a expressão se resume a:

𝜎𝑝2 = 𝜎𝑥2 𝑤𝑥2

Retirando-se a raiz quadrada (para cálculo do desvio-padrão), temos:

𝜎𝑝 = 𝜎𝑥 𝑤𝑥

23
Assim, quando alocamos parte dos nossos recursos em uma carteira de risco (x) e parte em uma
carteira sem risco (rf), só o risco da carteira x irá contar. O risco desse meu portfólio será dado
simplesmente pela multiplicação da participação de x (wx) no total.

E no gráfico, como ficamos?

Os pontos em vermelho indicam as alocações entre rf e x. Note que se ligarmos os pontos teremos
uma reta. Note também, que os pontos dessa reta se encontrariam acima da antiga curva que
representa a fronteira eficiente. Assim concluímos que, na presença de um ativo sem risco, a
fronteira eficiente é redefinida para uma reta que parte do ativo rf e vai até a carteira x.

A carteira x por sua vez é chamada de carteira ótima, carteira tangente ou carteira do mercado.
Isso porque ela, e só ela, tangencia a reta que parte do ativo rf. Veja a seguir a situação de duas
retas (a que tangencia a carteira x e a que passa pela carteira y).

A reta que tangencia x nos dará maiores níveis de retorno para cada nível de risco. Isso é o que
evidencia o fato dela ser ótima. Tal reta é a nova fronteira eficiente, que neste caso, ganha o nome
de Linha do Mercado de Capitais (LMC).

24
Por ser uma reta, a LMC pode ser facilmente definida. Seu intercepto é o retorno do ativo sem
𝑟𝑚 −𝑟
risco rf, sua inclinação é dada por 𝜎 𝑓 onde rm é o retorno da carteira tangente (ou carteira x) e
𝑚
σm é o risco da carteira tangente.

Utilizando estes componentes, podemos montar a LMC da seguinte forma:

𝑟𝑚 − 𝑟𝑓
𝑟𝑝 = 𝑟𝑓 + 𝜎𝑝
𝜎𝑚

A equação nos diz que o retorno do portfolio (r p) é uma função do risco do portfolio (σp). Note-se
que essa equação só funciona no contexto em que temos uma carteira tangente (no nosso caso, a
carteira x).

Um resultado interessante da análise nos é dado pelo Teorema da Separação. Ele nos diz que a
carteira tangente será a única carteira de ativos de risco que será adquirida por todos os
investidores. Isso se deve ao fato de ser a única que expande a fronteira eficiente formando a
linha do mercado de capitais.

Por outro lado, cada indivíduo irá alocar uma parcela maior ou menor de seus recursos nessa
carteira tangente, de acordo com seu grau de aversão a riscos. Se muito avesso, poderá alocar até
100% de seus investimentos no ativo sem risco. Se pouco avesso poderá alocar até 100% de seus
investimentos na carteira tangente. Assim, o grau de aversão a risco não influi na escolha dos
ativos de risco (determinado pela carteira tangente), mas apenas na alocação entre o ativo sem
risco e a carteira tangente.
Como todos os agentes investem na mesma carteira tangente, ou pelo menos deveriam investir já
que ela é a melhor carteira que pode se utilizada na presença de um ativo sem risco, ela se tornará
a própria carteira de mercado (a carteira que todos tendem a possuir) e pode ser aproximada por
um índice amplo e representativo do mercado2.

3.4. Modelos de Precificação de Ativos

Capital Asset Pricing Model (CAPM)


Um dos modelos de precificação de ativos mais conhecidos do mercado é o Capital Asset Pricing
Model (CAPM). Com base em algumas estatísticas que podem ser calculadas sobre os ativos
disponíveis para investimento no mercado, o CAPM permite determinar a taxa de retorno
apropriada para um determinado ativo, que seja comensurada com o seu risco de mercado.
Apesar de ser apenas um modelo e, como tal, ser uma tentativa de representação da realidade, o
CAPM é bastante simples de se empregar e útil em análises preliminares de investimentos.

O CAPM é dado pela seguinte equação:

𝐸(𝑅𝑖 ) = 𝑅𝑓 + 𝛽𝑖 [𝐸(𝑅𝑀 ) − 𝑅𝑓 ]

2
Podemos chegar a essa conclusão pela via da eficiência dos mercados. Se os mercados são eficientes e toda
informação já está no preço, não há sentido em se buscar uma gestão ativa que, baseada em análise técnica ou
fundamentalista, busque superar o mercado. Assim todos se tornarão investidores passivos, seguindo a mesma
carteira – a carteira representada por um índice amplo e representativo do mercado. A noção de eficiência e a teoria
de Markowitz são totalmente compatíveis e, na verdade, se complementam.
25
onde:
E(Ri) = retorno esperado no ativo i
Rf = taxa de retorno do ativo livre de risco
E(RM) = retorno esperado na carteira de mercado
βi = Cov(Ri,RM)/Var(RM)

Como modelos em geral, o CAPM possui algumas hipóteses subjacentes que precisam ser
observadas para a sua aplicação:

1. Para se determinar a carteira ótima, investidores precisam apenas conhecer os retornos


esperados, as variâncias e as covariâncias dos retornos dos ativos de risco.
2. As opiniões dos investidores sobre esses retornos, variâncias e correlações entre os ativos de
risco são idênticas.
3. É possível aos investidores comprar e vender ativos em qualquer quantidade sem que haja
efeito sobre o preço, e todos os ativos podem ser negociados.
4. Os investidores podem tomar emprestado ou emprestar recursos à taxa livre de risco, sem
limitação
5. Os investidores podem vender ativos a descoberto.
6. Não há impostos ou custos de transação

Por exemplo, imagine que tenhamos os seguintes dados sobre uma determinada ação e
sobre o mercado:

 Rf = 6,0%
 E(RM) = 9,5%
 βi = 1,2

Aplicando a fórmula do CAPM, o retorno esperado da ação i é:

E(Ri) = 6,0% + 1,2 x (9,5% - 6,0%) = 10,2%

No tópico anterior, falamos sobre a construção de uma fronteira eficiente de ativos. No contexto
do CAPM, tal fronteira eficiente é representada pela Capital Market Line (CML), vista no gráfico a
seguir

A CML mostra, assim, a relação mais eficiente entre risco (eixo x) e retorno (eixo y), dado um
conjunto de ativos, a carteira de mercado e a taxa de retorno do ativo livre de risco. No trecho na
CML que vai entre o ativo livre de risco (intercepto no eixo x) e a carteira de mercado (M) estão

26
todas as combinações possíveis em que um investidor aplica parte de seus recursos em ativos de
risco e o restante no ativo sem risco (ou seja, cujo desvio-padrão é zero). No trecho seguinte da
CML, a partir do ponto M, estão as possibilidades de investimento alavancado na carteira de
mercado, em que o investidor toma recursos emprestados à taxa livre de risco e investe em M
mais do que o valor original de seus recursos.

Todos os pontos situados sobre a CML têm retornos superiores àqueles que podem ser obtidos na
fronteira eficiente – justamente pela introdução do ativo livre de risco e pela possibilidade de se
comprar ou vender esse ativos em combinação com a carteira de mercado. A exceção, claro, é a
própria carteira de mercado, que se situa na fronteira eficiente e serve como ponto de tangência
para a CML. Qualquer combinação de risco e retorno abaixo e à direita da CML representa um
investimento ineficiente, pois a partir dessa região é possível obter um retorno maior para o
mesmo nível de risco, ou um risco menor para o mesmo nível de retorno. Já as combinações de
risco e retorno acima e à esquerda da CML não são possíveis de ser obtidas, pois na realidade não
existem, dadas as características de risco e retorno dos ativos de risco e dado o patamar da taxa
de retorno do ativo livre de risco.

Um elemento importante para o CAPM é o beta (β) da ação. O que significa essa medida? O beta é
uma medida de risco que reflete a exposição do ativo ao movimento geral do mercado (ou seja, a
fatores que não têm a ver com alguma particularidade do ativo em si). Assim, o beta de uma ação
indica a maior ou menor volatilidade de um ativo em relação ao mercado como um todo. Ele é
obtido pela inclinação da reta de regressão entre os retornos do ativo (em excesso ao retorno do
ativo livre de risco), no eixo y, e os retornos do mercado (também em excesso ao retorno do ativo
livre de risco), no eixo x. O gráfico abaixo ilustra essa afirmação:

A reta que vemos no gráfico acima é conhecida como Security Characteristic Line (SCL), e é
justamente a sua inclinação o que denominamos beta do ativo. Quando o beta é superior a 1, o
ativo apresenta maior risco do que aquele observado na média do mercado (o beta do mercado
em relação a si mesmo é exatamente igual a 1) e, como compensação, deve apresentar um
retorno (em excesso ao retorno do ativo livre de risco) superior ao que pode ser obtido com a
carteira de mercado. Por outro lado, se o beta for menor do que 1, o ativo oferece um risco menor
do que o risco médio do mercado, e inversamente deve oferecer um retorno em excesso menor
do que aquele obtido com a carteira de mercado. É importante notar que o beta de um ativo
representa o risco que não pode ser reduzido por meio de diversificação, tendo em vista que em

27
seu cômputo já se leva em consideração a relação entre esse ativo e uma carteira já diversificada
de mercado.

Em relação à fórmula do CAPM em si, podemos representá-la de forma gráfica, mostrando o


retorno de um ativo i (eixo y) em relação ao beta desse mesmo ativo (eixo x), como no gráfico a
seguir. À relação linear entre o retorno e o beta do ativo damos o nome de Security Market Line
(SML).

Como mostra a representação gráfica do CAPM, este modelo serve também para auxiliar na
identificação de ativos subavaliados e sobreavaliados. Se se acredita que o CAPM está correto,
todos os ativos disponíveis no mercado devem apresentar combinações de retorno esperado e
beta que os coloquem exatamente em cima da SML. Assim, qualquer ativo cuja combinação entre
retorno e beta esteja abaixo e à direita da SML está sobreavaliado, pois oferece um retorno menor
(isto é, custa mais caro) do que outros ativos que possuem o mesmo beta. Similarmente, qualquer
ativo cuja combinação entre retorno e beta se localize acima e à esquerda da SML está
subavaliado, pois oferece um retorno maior (ou seja, está sendo negociado a um preço menor) do
que outros ativos de igual beta.

Exemplo: imagine que a área de análise de ações da sua instituição financeira tenha determinado
preços-alvo para os próximos doze meses para um grupo de seis ações (listadas de A a F abaixo).
Com base no preço atual e na expectativa de pagamentos de dividendos, você lista os retornos
esperados pelos analistas. Como hipóteses, você considera uma taxa de retorno livre de risco de
6,0% e um retorno esperado de mercado de 7,5%. Juntando essas informações com o seu
conhecimento sobre o CAPM, você prepara a tabela abaixo:

Ação Retorno Beta Retorno Avaliação da


Esperado Esperado (CAPM) Ação
(Analistas)
A 8,30% 1,05 7,58% Subavaliada
B 6,80% 1,10 7,65% Sobreavaliada
C 7,00% 0,85 7,28% Sobreavaliada
D 8,80% 0,70 7,05% Subavaliada
E 7,50% 1,35 8,03% Sobreavaliada
F 7,90% 0,95 7,43% Subavaliada

Desta maneira, você consegue facilmente identificar (até mesmo com o uso de uma planilha
eletrônica) as ações que estão sobreavaliadas ou subavaliadas (claro, assumindo que seus

28
parâmetros e que a avaliação dos analistas estejam corretos). Assim, você pode ter uma discussão
mais instruída com os seus clientes sobre quais ações eles eventualmente devem comprar ou
vender.

Falamos bastante aqui sobre a carteira de mercado, que de acordo com o CAPM deve incluir todos
os ativos com risco existentes e disponíveis. Na prática, isso não é viável. Além disso, cabe
observar que o CAPM tem sido historicamente utilizado para a avaliação de ações (e não de outros
ativos como títulos de renda fixa, imóveis etc). Diante desses dois fatos, os participantes de
mercado costumam utilizar um índice de bolsa de valores como sendo a carteira de mercado. De
qualquer maneira, o CAPM, mesmo com suas falhas e limitações, nos ajuda a estruturar a
avaliação de um ativo e a analisar os diferentes elementos identificáveis que compõem o retorno
esperado desse ativo.

Arbitrage Pricing Theory (APT): modelo com um ou mais fatores


Na avaliação de ativos, uma alternativa ao CAPM apresentado no item anterior é o Arbitrage
Pricing Theory (APT), que descreve o retorno de um ativo ou carteira como uma função linear do
risco desse ativo ou carteira em relação a um ou mais fatores. Apenas três hipóteses são
necessárias para a aplicação do APT:

1. Um modelo de fatores explica os retornos de ativos e carteiras.


2. O número de ativos disponíveis é grande, de forma que os investidores podem criar carteiras
bastante diversificadas, que eliminem os riscos específicos de cada ativo.
3. Não há oportunidades de arbitragem entre carteiras bastante diversificadas.

A equação que representa o APT é a seguinte:

𝐸(𝑅𝑃 ) = 𝑅𝑓 + 𝑎1 𝛽𝑃,1 + ⋯ + 𝑎𝐾 𝛽𝑃,𝐾

onde:
E(RP) = retorno esperado para a carteira P
Rf = taxa de retorno do ativo livre de risco
ai = prêmio de risco para o fator i, com i=1,...,K
βP,i = sensibilidade da carteira ao fator i
K = número de fatores

Que fatores são esses? No CAPM, temos apenas um fator: o prêmio de risco do mercado (ou seja,
a diferença entre o retorno esperado de mercado e o retorno do ativo livre de risco). Se
utilizarmos esse fator na equação acima, o CAPM se torna consistente com o APT. Mas outros
fatores também são possíveis: variação no PIB, inflação e variação cambial são exemplos possíveis
de serem utilizados para avaliar ativos.

O modelo APT é relevante na identificação de oportunidades de arbitragem na comparação entre


carteiras. Se a hipótese 3 (Não há oportunidades de arbitragem entre carteiras bastante
diversificadas) não se verifica, é justamente daí que um investidor pode tirar vantagem de
eventuais discrepâncias no mercado.

Por exemplo, ao analisar carteiras diversificadas, você pode estabelecer um modelo APT com um
único fator e determinar que o prêmio de risco por esse fator é igual a 4,0% (pense em algo similar
29
ao prêmio de risco de mercado do CAPM). Se a sensibilidade de uma determinada carteira a esse
fator é igual a 0,9 (pense em algo similar ao beta do CAPM) e a taxa de retorno do ativo livre de
risco é igual a 6,0%, o retorno esperado da carteira segundo o APT deve ser de 6,0% + 0,9 x 4,0% =
9,6%. Se o retorno esperado pelo investidor for algo diferente de 9,6%, uma oportunidade de
arbitragem se apresentaria, para a compra ou venda dessa carteira.

Aqui, mais importante do que dominar todos os detalhes do APT é saber sobre sua existência e
sobre como ele pode ser aplicado. Uma potencial dificuldade é estimar os prêmios de risco para
diferentes fatores, o que torna o APT um pouco mais difícil de ser aplicado (do que o CAPM, por
exemplo). Ainda assim, o APT é um modelo bastante utilizado, tendo em vista sua flexibilidade
para lidar com fatores distintos e o menor número de hipóteses para a sua aplicação.

3.5. Alocação de Ativos

Asset Allocation: Processo e Critério de Diversificação de Produtos de Investimento


Diariamente recebemos uma enorme gama de informações sobre os mercados financeiros, seus
produtos e estratégias. Isso torna a tomada de decisões de investimentos bastante complexa.

Devemos procurar reduzir tal complexidade, concentrando-nos naquelas decisões que forem mais
relevantes. De acordo com Robert Ibbotson e Paul Kaplan (Does asset allocation policy explain 40,
90 or 100 percent of performance?3) a decisão de alocação corresponde a mais de 90% dos
retornos gerados por uma carteira. Assim faz sentido que a decisão de alocação ocupe a maior
parte da atenção em um processo de planejamento financeiro.

Por alocação de ativos devemos entender o processo de escolha e diversificação dos recursos
aplicados em diferentes classes de ativos. Isso não se confunde com a diversificação que possa
existir em produtos financeiros. Um exemplo nos ajudará a explicar a diferença.

Suponha que seu cliente aplique em ações diretamente, através de um home broker, opções de
ações e fundos de ações. Estes são três produtos financeiros (fundos, ações e opções) diferentes,
mas a diversificação é garantida? De forma alguma. Na verdade você está atrelado ao mesmo
fator de risco (bolsa), a mesma classe de ativos (renda variável que será explicado no próximo
capítulo) e pode até mesmo, sem saber, estar aplicando nas mesmas empresas emissoras.

Definição de Classes de Ativos e Correlação


Classes de ativos são um conjunto de instrumentos que possuem características semelhantes no
que se refere a risco e retorno. Dois instrumentos dentro de uma mesma classe de ativos tendem
a ter, entre si, uma correlação maior que a observada entre tais instrumentos e aqueles
pertencentes a outras classes.

Um exemplo simples de divisão dos ativos em classes é a tradicional separação entre renda fixa e
renda variável. Uma ação de Petrobras, por exemplo, estará provavelmente mais fortemente
correlacionada com o IBOVESPA do que com uma debênture da própria Petrobras. Link

3
Ibbotson, Roger G. and Kaplan, Paul D., Does Asset Allocation Policy Explain 40, 90, 100 Percent of Performance?.
bFinancial Analysts Journal, Jan/Feb 2000, Vol. 56, No. 1. Available at SSRN: http://ssrn.com/abstract=279096
30
explicativo: Debênture:São valores mobiliários representativos de dívida de médio e longo prazos
que asseguram a seus detentores (debenturistas) direito de crédito contra a companhia emissora.

A divisão por classes de ativos é totalmente diferente da divisão por produtos financeiros. Assim
um fundo de ações deverá sempre ser classificado na classe renda variável e nunca em uma classe
‘fundos de investimento’.

Derivativos devem ser classificados de acordo com seu principal fator de risco. Um derivativo de
ações muitas vezes deve ser classificado na classe ações, mas certas operações estruturadas com
derivativos de ações (travas, boxes, etc) podem ter características de renda fixa.

Veja a seguir um exemplo mais detalhado de classes de ativos:

1. Renda Fixa Soberana


a. Pós-fixado juros (LFTs)
b. Pós-fixado Inflação (NTN-B)
2. Prefixado de Curto Prazo
a. Prefixado de Longo prazo
3. Renda Fixa Privada
a. Curto Prazo
b. Longo Prazo
4. Renda Variável
a. Ações Small Caps
b. Ações Mid Caps
c. Ações Large Caps
d. Ações – produtos indexados (fundos de índice, fundos inexados)
5. Fundos multimercado (retorno não correlacionado com os mercados – alfa)
6. Ativos Indexados a Câmbio
7. Imóveis
8. Private Equity

Os tipos ANBIMA dos fundos de investimento também podem ser utilizados como base de uma
definição de classes de ativos, basta que você aloque em cada tipo não apenas fundos mas outros
investimentos com características semelhantes. A definição dos tipos pode ser encontrada em
http://portal.anbima.com.br/fundos-de-investimento/nova-classificacao-de-
fundos/Documents/NovaClassificacaodeFundos_PaperTecnico.pdf

Critérios de Alocação de Ativos, Horizonte de Tempo, Perfil de Investidor e Rebalanceamento


das Carteiras
A noção de carteira ótima de Markowitz pode agora ser aplicada diretamente à alocação de ativos.
Só para lembrar do conceito, temos no gráfico abaixo a Linha de Mercado de Capitais, que liga o
ativo sem risco (riskfree) à carteira ótima.

Cada ponto da linha representa uma carteira com uma participação do ativo sem risco e de um
percentual da carteira ótima. O trabalho de alocação de carteiras se resume à escolha de um
ponto ao longo dessa linha que melhor satisfaça o objetivo de retorno do investidor, dado o risco
que ele incorre.
31
c

Vamos agora colocar números em nossa análise. Tomamos os retornos mensais de uma série de
classes de ativos para a economia brasileira no período de janeiro de 2003 a dezembro de 2012.
Trata-se de um período de 120 meses para os quais recolhemos dados de:
 Risk Free – Tomamos o retorno mensal acumulado da taxa SELIC
 Renda Fixa Prefixada – utilizamos o retorno mensal do IRFM (índice publicado pela ANBIMA como
representativo do mercado de títulos públicos federais prefixados.
 Renda Fixa Pós-fixada pela Inflação – utilizamos o IMA-B, também publicado pela ANBIMA, como
representativo do mercado de títulos públicos federais pós-fixados e indexados à taxa de inflação.
 Renda Variável – tomamos os retornos mensais do IBOVESPA como representativos do mercado
de renda variável.
 Fundos Multimercado (IFMM) – O IFMM é um índice que busca representar os fundos
multimercado que visam obter alfa (i.e. retorno não correlacionado com o mercado).
 Ouro – utilizamos as cotações do ouro-ativo financeiro.

A partir dos dados calculamos, para cada classe de ativos no período, a média, a variância e a
covariâncias. A partir desses dados foi selecionada a carteira ótima, conforme abaixo:

Retorno Risco
Carteira de Markowitz Composição Sharpe
(a.a.) (a.a.)
Risk Free (SELIC) 0,00% 13,72% 0,00% -
Renda Fixa Prefixada (IRFM) 89,96% 15,87% 2,63% 0,82
Renda Fixa Pós Inflação (IMA-B) 3,23% 17,14% 5,40% 0,63
Renda Variável (IBOVESPA) 0,55% 21,61% 23,25% 0,34
Fundos Multimercado (IFFM) 8,46% 15,17% 2,53% 0,57
Ouro -2,19% 12,56% 19,79% -0,06
Carteira Ótima 100,00% 15,95% 2,67% 0,84

Vamos explorar um pouco o quadro. Notem que a participação do ativo sem risco na carteira
sugerida é zero. Estamos portanto na carteira tangente, ou seja o ponto “c” do gráfico. Tal carteira
calculada para o mercado brasileiro no período tem algumas características interessantes.
Primeiramente, uma baixa concentração em renda variável, apenas 0,55%. Isso parece fazer
sentido pelo fato de o retorno do IBOVESPA ter sido de cerca de seis pontos percentuais superior
ao retorno da renda fixa prefixada medida pelo IRFM. Enquanto que o diferencial de risco entre as
duas classes de ativos foi de quase 21%, no mesmo período.

32
Podemos notar também que o Ouro apresenta uma participação negativa na carteira. O que isso
significa? Basicamente que o ouro teve, considerando os dados utilizados, uma relação retorno x
risco tão desfavorável (seu retorno está abaixo do riskfree e seu risco foi o segundo maior dentre
os ativos) que ao invés de adquirir ouro para a sua carteira, o investidor deveria vendê-lo a
descoberto.

O risco da carteira ótima parece também ser reduzido, superando apenas um pouco o risco da
classe renda fixa prefixada, mas ainda assim com uma volatilidade considerável. E se o investidor
desejar menos risco? Bem, para obter um risco menor, o investidor pode simplesmente comprar
um pouco do ativo sem risco. Como vimos, ao fazer isso o investidor reduzirá seu risco
proporcionalmente ao montante comprado e o mesmo ocorrerá com o retorno. E se quiser
aumentar o risco? Aí poderá se utilizar de alavancagem. No contexto da carteira descrita,
alavancagem seria comprar uma quantidade negativa (i.e. vender a descoberto) o ativo sem risco.
Isso pode ser, na prática, algo difícil de ser feito por um investidor individual. Assim, podemos
entender que esta hipótese é apenas teórica.

Abaixo você poderá clicar na tabela e modificar o percentual de participação do ativo sem risco.
Observe como mudam o risco e o retorno da carteira. Observe também que o índice Sharpe não
se modifica – mesmo com maiores ou menores quantidades do ativo sem risco a carteira
otimizada será sempre superior às demais alternativas.

Carteira de Markowitz Composição Retorno (a.a.) Risco (a.a.) sharpe


Risk Free (SELIC) 60,00% 13,72% 0,00% -
Renda Fixa Prefixado (IRFM) 35,98% 15,87% 2,63% 0,82
Renda Fixa Inflação (IMA-B) 1,29% 17,14% 5,40% 0,63
IBOVESPA 0,22% 21,61% 23,25% 0,34
Fundos Multimercado (IFFM) 3,38% 15,17% 2,53% 0,57
Ouro -0,88% 12,56% 19,79% - 0,06
Carteira 100,00% 14,61% 1,07% 0,84

Apesar de ser uma ferramenta útil, o uso dos conceitos de Markowitz na definição de uma
alocação para um investidor individual possui algumas limitações. A mais evidente é que se utiliza
de dados do passado para seus cálculos. No entanto, como investidores, estamos sempre
interessados no futuro.

Evidentemente, situações como uma relação risco-retorno ruim para a bolsa ou mesmo o retorno
negativo da classe de ativos, como no nosso exemplo, o ouro, podem não perdurar. Da mesma
forma, um retorno do ativo sem risco de 13,72% a.a. é claramente uma anomalia que aconteceu
no passado. Assim, o que deveria entrar na análise não são os dados passados, mas expectativas
quanto ao desempenho futuro de cada classe.

No nosso exercício também ficou claro que o investidor poderá optar por adicionar maiores ou
menores quantidades do ativo sem risco de acordo com seu perfil de retorno-risco. Mas como
aferir este perfil?

A definição de perfis e carteiras é um trabalho extremamente complexo e que requer o uso de


praticamente todos os conceitos de finanças adquiridos neste tópico e de outros que estão além
do escopo desse curso. Requer ainda uma certa sensibilidade, a “arte” que você não irá encontrar
nos livros texto.
33
Normalmente as instituições financeiras oferecem tanto questionários de perfil quanto modelos
de carteiras. Isso torna seu trabalho e a decisão do investidor mais fácil. Entretanto, os
conhecimentos aqui discutidos são úteis para que você entenda a origem desses modelos e possa
questionar sobre algumas das premissas.

De qualquer forma, definida uma alocação, o investidor terá de revê-la de tempos em tempos. Há
dois motivos para isso ocorrer. O primeiro, mais básico, é o próprio efeito dos retornos dos ativos
sobre uma alocação original. Aquela classe de ativos que obtiver maiores retornos tenderá a
crescer mais, aumentando sua participação na carteira. Para evitar isso devemos fazer, de tempos
em tempos, um rebalanceamento, para voltarmos às alocações definidas originalmente.

O rebalanceamento implica em vender parte da classe de ativos que teve um desempenho


positivo e comprar ativos daquela que teve um desempenho negativo num determinado período.
Disciplina aqui é fundamental. Você deve fixar uma periodicidade para rebalancear a carteira
(digamos trimestral, semestral ou anual, também de acordo com a recomendação de sua
insituição) ou, alternativamente, gatilhos do rebalanceamento (por exemplo, quando uma das
classes de ativos ultrapassa em 3% sua alocação original).

O segundo motivo de revisão é a alteração das condições iniciais – por exemplo, uma revisão da
tolerância a risco por parte do investidor ou das expectativas para o mercado de capitais. Nesse
caso termos uma reavaliação da carteira com a repetição de todo o processo.

Alocação de Ativos; Alocação Tática em função da evolução do tempo do investimento;


Alocação Estratégica
Devemos por fim diferenciar a alocação tática da alocação estratégica. A alocação estratégica deve
se basear em fatores de longo prazo – o perfil do investidor (que não deve ser tão mutável) e seus
objetivos de longo prazo – aposentadoria, aquisição de imóveis, etc. Deve ainda ter em conta as
expectativas de longo prazo no mercado de capitais. Qual deve ser a taxa do ativo sem risco? Qual
deve ser o retorno da renda variável no longo prazo? Que prêmio de risco se espera que a renda
variável pague sobre o ativo sem risco?

Já a alocação tática se refere aos desvios de curto prazo que admitimos fazer em função de
expectativas de curto prazo para o mercado de capitais. Assim, se a opinião de sua instituição
sobre a bolsa de valores para o próximo ano é positiva e se acreditamos junto com o cliente nessa
análise, podemos aumentar a alocação em bolsa.

Entretanto a alocação tática deve se dar dentro de limites estritos. O ideal é que sejam fixadas
faixas de variação em torno da alocação estratégica inicial, que deve ser a base da carteira do
investidor.

O pior erro que investidores novatos cometem é o de concentrar sua carteira em determinados
investimentos de alto risco, mas com desempenho recente positivo, acreditando que assim terão
um retorno superior ao mercado.

3.6. Gestão de Riscos em Carteiras

34
Prêmio pelo Risco
Como sabemos de nossos estudos em finanças, não há como falarmos em retornos sem
considerarmos também os riscos associados a cada retorno realizado ou potencial. Podemos falar
em retornos absolutos (esperados ou realizados) ou em retornos relativos, que excedem um
determinado benchmark de mercado ou a taxa de retorno do ativo livre de risco, por exemplo. Em
qualquer dos casos, é preciso se comparar esses retornos com a quantidade de risco a que um
investidor se submete para obtê-los, para então podermos fazer comparações entre diferentes
ativos.

Há alguns indicadores tradicionalmente utilizados no mercado, que desempenham a função de


fornecer um número que reúna tanto a informação sobre retorno como o dado de risco associado
a um determinado investimento. Aqui, vamos destacar dois desses indicadores: o Índice de Sharpe
e o Índice de Treynor.

O Índice de Sharpe mede quantas unidades de retorno em excesso são obtidas para cada unidade
de risco. Quanto maior o indicador, melhor o desempenho da carteira de ativos. Especificamente,
o Índice de Sharpe, em sua versão original, é dado por:

𝑅𝑃 − 𝑅𝑓
𝑆𝑃 =
𝜎𝑃

onde:
RP = retorno da carteira P
Rf = taxa de retorno do ativo livre de risco
σP = desvio-padrão dos retornos da carteira P

Comumente, o Índice de Sharpe é utilizado na avaliação de desempenho entre fundos de


investimento que seguem um mesmo índice de referência. Por exemplo, pela tabela a seguir
(assumindo uma taxa de retorno do ativo livre de risco de 6,0%), o fundo de investimento W
apresenta maior índice de Sharpe. Apesar de mostrar o menor retorno na comparação com os
demais fundos, o fundo W apresenta relativamente o maior retorno por unidade de risco.

Fundo de Retorno Desvio-padrão dos Índice de Sharpe


Investimento retornos
W 15,0% 10,2% 0,8824
X 18,5% 14,8% 0,8446
Y 19,8% 16,7% 0,8263
Z 23,2% 21,1% 0,8152

Ao utilizar o desvio-padrão como medida de risco, o Índice de Sharpe leva em consideração tanto
o risco de mercado (ou sistemático) como o risco específico (ou idiossincrático) presentes em uma
carteira de ativos.
O Índice de Treynor, por sua vez, considera apenas o risco sistemático de uma carteira. O índice
de Treynor é dado por:

𝑅𝑃 − 𝑅𝑓
𝑇𝑃 =
𝛽𝑃

onde:
35
RP = retorno da carteira P
Rf = taxa de retorno do ativo livre de risco
βP = beta da carteira P

Seguindo o exemplo anterior, calculamos os valores dos betas dos fundos do nosso exemplo e o
Índice de Treynor. A tabela abaixo indica que o fundo de investimento X oferece o maior retorno
para cada unidade de risco sistemático e seria a opção de investimento, caso esse critério fosse
adotado.

Fundo de Retorno Beta Índice de Treynor


Investimento
W 15,0% 0,85 0,1059
X 18,5% 0,80 0,1563
Y 19,8% 1,05 0,1314
Z 23,2% 1,20 0,1433

Índice de Modigliani (M2)


Uma medida comum do desempenho ajustado ao risco de uma carteira de investimento é o Índice
de Modigliani, também conhecido como Modigliani-Modigliani ou M2. Esse índice mede o retorno
esperado de uma carteira caso essa carteira estivesse exposta à mesma quantidade de risco que o
índice de mercado. Para isso, o índice ajusta o retorno da carteira que excede o retorno do ativo
livre de risco por um fator igual a razão entre o risco de mercado e o risco da carteira. A medida de
risco utilizada aqui é o desvio-padrão.

O M2 é, assim, dado por

𝜎𝑀
𝑀𝑃2 = 𝑅𝑓 + (𝑅𝑃 − 𝑅𝑓 ) ×
𝜎𝑃

onde:
Rf = taxa de retorno do ativo livre de risco
RP = retorno da carteira de ativos
σM = desvio-padrão da carteira de mercado
σP = desvio-padrão da carteira de ativos

Por exemplo, utilizando dados do item anterior e assumindo um desvio padrão do índice de
mercado de 13,3%, o M2 da Carteira Y é igual a 6,0% + (19,8% - 6,0%) x (13,3%/16,7%) = 17,0%.

Como interpretar essa medida? Similarmente ao Índice de Sharpe, o M2 avalia o desempenho do


gestor da carteira em relação ao mercado como um todo. Um bom gestor conseguirá obter um M 2
superior ao retorno do índice de mercado (que podemos utilizar aqui como uma aproximação da
carteira de mercado discutida anteriormente).

Valor em Risco de uma Carteira – VAR (Value at Risk)


Na gestão de risco, há técnicas cujo emprego envolvem cálculos complexos e recursos
computacionais muito extensos. Esse não é o caso da medida conhecida como Valor em Risco ou
36
Value at Risk (ou VaR, como é chamada por participantes do mercado). Em geral, o VaR mede o
potencial de perda de uma carteira de ativos ou de uma estratégia de investimento, dada uma
certa probabilidade. Em outras palavras, o VaR é uma medida que estima a perda monetária que
pode ser incorrida por uma carteira, a um determinado nível de probabilidade, em um
determinado período de tempo.

Por exemplo, podemos dizer que uma determinada carteira de ativos tem VaR de um dia igual a
R$ 1 milhão, com probabilidade de 5%. O que significa essa afirmação? Estamos dizendo aqui que
existe uma probabilidade de 5% de que a carteira perca R$ 1 milhão ou mais em um determinado
dia. Pode ser que a perda amanhã seja de R$ 2 milhões ou R$ 5 milhões ou mais, mas neste
exemplo, o VaR apenas nos permite afirmar que uma perda igual ou superior a R$ 1 milhão
acontecerá com 5% de probabilidade (ou uma vez a cada vinte ocorrências).

Na definição e no exemplo acima encontram-se embutidos três elementos importantes para


termos em mente quando falamos em VaR:

1. O VaR indica o valor mínimo que pode ser perdido. No exemplo, a perda mínima é de R$ 1
milhão, mas pode ser muito maior que isso.

2. Existe uma probabilidade associada a essa perda mínima. No exemplo, falamos em 5%, ou seja,
esperamos em 5% dos casos que a perda seja de R$ 1 milhão ou mais.

3. Ao falarmos em VaR, precisamos especificar a que período de tempo essa medida se refere. No
exemplo, falamos em VaR de um dia, ou seja, há 5% de probabilidade de a carteira de ativos
perder R$ 1 milhão ou mais, em um determinado dia.

O período de tempo e o nível de probabilidade do VaR são escolhas do analista ou do usuário da


informação. Além dessas escolhas, é necessário utilizar um entre três principais métodos de
estimação da distribuição de ganhos e perdas, que descreveremos brevemente a seguir:

1. Método analítico. Utiliza-se como hipótese básica a distribuição normal dos retornos da carteira
de ativos, e a partir desse ponto pode-se calcular o VaR para qualquer nível de probabilidade e
período de tempo.

2. Método histórico. Aqui, os retornos de uma carteira de ativos são calculados com base nos
preços efetivamente observados durante um determinado período de tempo. Cria-se então um
histograma dos retornos (isto é, um gráfico de barras mostrando a composição dos retornos por
diferentes faixas) e em seguida identifica-se o valor de perda que é excedido com um nível de
probabilidade escolhido.

3. Método de simulação de Monte Carlo. Por meio deste método, cria-se um grande número de
cenários possíveis de retornos, com base em um conjunto de parâmetros. A distribuição
resultante da simulação dos retornos é então analisada para se determinar o valor de perda que é
excedido a um determinado nível de probabilidade.

Algumas vantagens da utilização do VaR para entender o risco a que está exposta uma carteira de
investimentos são evidentes. É uma medida simples de quantificação do risco de perda de uma
carteira, é versátil o suficiente para ser utilizada e adaptada por diferentes participantes da
indústria de investimentos e é amplamente compreendida e empregada pelo mercado. Mas é
37
bom ter em mente algumas de suas desvantagens: o cálculo do VaR pode ser dificultado (pela
existência de um grande número de fatores de risco, por exemplo), cada método pode gerar
resultados bastante distintos e a frequência e a magnitude das perdas podem ser subestimadas.
De qualquer forma, o VaR continua sendo uma medida útil e simples para se entender a perda
possível em uma carteira de ativos, mas deve ser utilizado em conjunto com outras técnicas.

Stress Test
Na gestão de risco de carteira de investimento, o emprego de stress testing ou testes de stress é
bastante comum e complementa a utilização do VaR como medida de risco. A ideia por trás do
stress testing é entender como a carteira se comporta quando submetida a movimentos adversos
de mercado. A simulação desses cenários, que vão de razoavelmente certos a muito improváveis,
gera efeitos importantes na carteira e permitem a análise dos fatores de risco a que a carteira está
submetida:

Alguns exemplos de cenários possíveis, que poderiam ser considerados para calcular o impacto no
valor de uma carteira, se ocorressem em um determinado dia:
1. Variação de 25%, para mais ou para menos, no Índice Bovespa.
2. Aumento ou redução de 100 basis points na meta da Taxa Selic.
3. Variação de 20%, para cima ou para baixo, na cotação do dólar frente ao real.
4. Aumento ou queda de 10% no índice da Bolsa de Nova York.

O cálculo das perdas associadas a esses cenários, levando-se em consideração as probabilidades


associadas a cada um deles, é exatamente o objetivo dos testes de stress. Ele pode mostrar, por
exemplo, que caso esses eventos aconteçam, a carteira irá perder 15% de seu valor nesse dia.
Assim, o VaR é complementado com informações relevantes extraídas dos cenários aplicados à
carteira de investimento.

Stop Loss
Na gestão de uma carteira de investimento, diversas técnicas de gestão de risco podem ser
simultaneamente empregadas. Uma prática comum é o estabelecimento de limites de perda para
uma posição em um determinado ativo ou para a carteira como um todo. Quanto tal limite é
atingido, o gestor da carteira dá a ordem para encerrar a posição que está gerando perdas e assim
protege o restante da carteira. Essa prática é conhecida como stop loss e auxilia o gestor a evitar
perdas significativas para a carteira.

O stop loss, sem dúvida, é melhor empregado quando se trata de ativos líquidos, para os quais
existe continuamente um mercado negociado, preferencialmente, de maneira eletrônica. Assim, a
operação de compra ou venda de ativos para o encerramento de uma posição pode acontecer
sem que haja interferência ou assistência do gestor ou do operador de mesa. Além disso, a
definição prévia de limites para stop loss ajuda a manter a disciplina na gestão da carteira de
investimento.

Backtesting
Outra ferramenta importante na gestão de uma carteira de investimento é a realização de testes
com modelos de previsão e parâmetros de risco utilizando dados históricos. Esse procedimento é
conhecido como backtesting e é extremamente útil na avaliação da qualidade desses modelos e
38
parâmetros para a efetiva gestão de risco da carteira. Se o passado não pode ser corretamente
explicado pelos modelos em uso, isso indica ao gestor que ajustes são necessários para que o risco
da carteira seja corretamente mensurado.

Por exemplo, vamos assumir novamente que o VaR de um dia calculado para uma carteira de
ativos seja de R$ 1 milhão, a um nível de probabilidade de 5%. Olhando para os últimos 100 dias
úteis, é de se esperar que em apenas 5 desses dias a perda da carteira tenha sido de R$ 1 milhão
ou mais. Se descobrimos que, em 5 ocasiões, a perda foi de R$ 3 milhões a R$ 5 milhões, e nos
demais 95 dias as perdas foram inferiores a R$ 1 milhão (e, obviamente, houve dias com ganhos),
podemos dizer que o VaR está correto (ou ao menos não está invalidado pelo backtesting).

Podemos realizar este mesmo exercício com outros períodos (20 dias, 60 dias, 200 dias), mas o
resultado (se a estimativa de VaR estiver correta) deveria ser sempre o mesmo: 5% dos dias
devem apresentar perdas superiores a R$ 1 milhão. Caso a realidade mostre que em mais do que
5% dos dias houve perdas superiores a R$ 1 milhão, qualquer quer seja a magnitude dessas
perdas, isso indicaria que o VaR não foi corretamente estimado e precisaria ser revisto. Assim, o
procedimento de backtesting auxilia o gestor da carteira a avaliar se as medidas de risco estão
realmente adequadas à carteira de investimento sob sua responsabilidade.

Tracking Error versus Erro Quadrático Médio


Quando o desempenho de uma carteira de investimento é medido em relação a um índice de
referência (um benchmark), é importante avaliar o quão aderentes são os retornos dessa carteira
em relação aos retornos do benchmark. Há duas medidas relativamente simples de se calcular e
bastante utilizadas no mercado: o Tracking Error e o Erro Quadrático Médio. Essas medidas são
muito utilizadas, por exemplo, na avaliação de fundos de ações indexados ao índice da bolsa de
valores e mostra se o gestor está fazendo um bom trabalho.

O Tracking Error é dado pelo desvio-padrão das diferenças de retorno entre a carteira analisada e
o benchmark. Sua fórmula, portanto, é

𝑇𝐸 = 𝜎(𝑅𝑃 − 𝑅𝐵 )

onde:
RP = retorno da carteira de ativos
RB = retorno do benchmark
σ = desvio-padrão

Já o Erro Quadrático Médio (EQM) é dado pela raiz quadrada da média dos quadrados das
diferenças entre o retorno da carteira e o retorno do benchmark. É dado por

2
∑𝑛𝑖=1(𝑅𝑃,𝑖 − 𝑅𝐵,𝑖 )

𝐸𝑄𝑀 = ( )
𝑛

onde:
RP,i = retorno da carteira de ativos no período i, i = 1,...,n
RB,i = retorno do benchmark no período i, i = 1,...,n
n = número de períodos observados
39
Ambas as medidas tendem a retornar resultados similares e podem ser igualmente empregadas na
avaliação do desempenho de uma carteira e quanto menor os seus valores, melhor.

40
Copyright © 2016

Todos os direitos reservados. É proibida a reprodução total ou parcial sem autorização da


ANBIMA.

Redação
Mauro Monteiro de Miranda
Luís Fernando D. S. Affonso

Gerência de Certificação e Educação Continuada


Ricardo Nardini

Superintendência de Educação
Ana Claudia Leoni

Superintendência Geral
José Carlos Doherty

ANBIMA - Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais

Av. República do Chile, 230 - 13° andar CEP: 20031-919 - Rio de Janeiro - RJ Tel: (21) 3814-3800 /
Fax: (21) 3814-3960

Av. das Nações Unidas, 8.501 -21º andar CEP: 05425-070 - São Paulo - SP Tel: (11) 3471-4200 / Fax:
(11) 3471- 4240

www.anbima.com.br

41

Você também pode gostar