Asset pre-selection for a cardinality constrained index tracking portfolio with optional enhancement

Resumo Técnico: O Impacto da Pré-seleção de Ativos para um Portfólio de Seguimento de Índice com Restrição de Cardinalidade e Melhoria Opcional

Definição do Problema
O artigo aborda o problema do Portfólio de Seguimento de Índice com Restrição de Cardinalidade (CCITP - Cardinality Constrained Index Tracking Portfolio), que envolve a seleção de um subconjunto de $n$ ativos de um universo maior de $M$ componentes de um índice para replicar o risco e o retorno de um índice de mercado (especificamente o S&P 500). Embora a replicação total seja precisa, ela acarreta altos custos de gestão; inversamente, selecionar um pequeno subconjunto reduz custos, mas aumenta o erro de acompanhamento (tracking error). O problema é computacionalmente difícil porque exige a escolha simultânea do conjunto de ativos e a otimização de seus pesos, uma tarefa que historicamente dependeu de heurísticas para cardinalidades grandes. Além disso, o artigo distingue entre o seguimento de índice puro (minimização do erro de acompanhamento) e o seguimento de índice com melhoria (busca por retornos superiores ao índice enquanto se minimiza o erro de acompanhamento).

Metodologia
Os autores propõem uma abordagem inovadora de dois estágios, que separa a seleção de ativos da estimativa de pesos, contrastando com a literatura que frequentemente trata a seleção e os pesos como um problema de otimização conjunta.

1. Estágio 1: Pré-seleção de Ativos: Os autores empregam procedimentos de regressão estatística para identificar o conjunto ideal de $n$ ativos antes da otimização de pesos. Eles avaliam oito procedimentos distintos de pré-seleção baseados em duas direções (Seleção Progressiva [Forward Selection] e Eliminação Regressiva [Backward Elimination]) e dois objetivos de regressão (Mínimos Quadrados Ordinários [OLS] e Desvio Absoluto Mínimo [LAD]), cada um testado com e sem uma constante de regressão.

   • Seleção Progressiva: Adiciona iterativamente o ativo que maximiza o poder explicativo ( $R^2$ ajustado para OLS, Desvio Médio Absoluto minimizado para LAD) do retorno do índice ou da variação residual.
   • Eliminação Regressiva: Começa com o universo completo e remove iterativamente o ativo com menor poder explicativo (menor valor t para OLS, menor coeficiente absoluto para LAD).
   • Melhoria: Um alvo de melhoria ($\lambda$) pode ser adicionado ao retorno do índice para facilitar o seguimento com melhoria.

2. Estágio 2: Otimização de Pesos: Uma vez fixado o conjunto de ativos, os pesos são otimizados para minimizar uma função objetivo específica sobre um período de amostra (in-sample) ($T_1$). A função objetivo minimiza o erro quadrático médio do erro de acompanhamento (RMSE) somado a um termo de penalidade para a diferença entre as médias de retorno do portfólio e do índice. Um método quasi-Newton (BCONF) é utilizado para esta otimização não linear.

3. Estrutura de Avaliação: O estudo utiliza uma abordagem de janela temporal móvel em dados diários do S&P 500 de 3 de janeiro de 2005 a 29 de dezembro de 2023. O processo envolve a seleção de um portfólio durante um período de amostra ($T_1$) e a avaliação de seu desempenho fora da amostra (out-of-sample) durante um período subsequente ($T_2$). O volume de transação é aproximado pela soma das mudanças absolutas nos pesos dos ativos entre os períodos de rebalanceamento.

Principais Resultados

• Desempenho da Pré-seleção: Entre os oito procedimentos, a Eliminação Regressiva usando OLS sem constante (BE-OLS(n)) classificou-se consistentemente de forma superior em termos de erro de acompanhamento dentro da amostra, erro de acompanhamento fora da amostra e volume de transação. Os procedimentos de seleção progressiva geralmente apresentaram erros de acompanhamento mais elevados, e os procedimentos baseados em LAD tiveram um desempenho insatisfatório, particularmente na eliminação regressiva, provavelmente devido à degeneração em programação linear com grandes conjuntos de ativos.
• Cardinalidade e Erro de Acompanhamento: O estudo demonstra experimentalmente que o erro de acompanhamento fora da amostra diminui de acordo com a raiz quadrada inversa da cardinalidade ($1/\sqrt{cardinality}$). Especificamente, a relação é modelada como $TE \approx \theta n^{-\omega}$, onde $\omega \approx 0,58$ para erros fora da amostra, apoiando a aproximação de que o erro é proporcional a $1/\sqrt{n}$.
• Dependência de Volatilidade: O erro de acompanhamento fora da amostra está fortemente correlacionado com a volatilidade do índice. No entanto, à medida que a cardinalidade aumenta, a dependência do portfólio em relação à volatilidade do índice diminui, levando a uma maior estabilidade.
• Seguimento com Melhoria: Para portfólios que buscam retornos superiores, os resultados diferem significativamente do seguimento puro. Embora cardinalidades maiores reduzam o erro de acompanhamento, elas não necessariamente maximizam os retornos excedentes. O estudo constata que cardinalidades na faixa de 10 a 20 são as mais eficazes para gerar retornos melhorados.
• Análise de Sensibilidade: Períodos de amostra ($T_1$) mais longos geralmente reduzem o erro de acompanhamento e o volume de transação. Períodos de avaliação fora da amostra ($T_2$) mais curtos reduzem o erro de acompanhamento, mas aumentam o volume de transação devido ao rebalanceamento mais frequente. Para o seguimento com melhoria, um período de 3 anos dentro da amostra e 6 meses fora da amostra apresentou o melhor equilíbrio.

Significância e Alegações
O artigo alega uma contribuição distinta para a literatura ao propor a separação dos estágios de seleção de ativos e estimativa de pesos. Os autores argumentam que essa abordagem remove a dificuldade computacional associada à otimização conjunta de conjuntos de ativos e pesos, permitindo a análise de cardinalidades maiores (até 100 ativos) sem depender de heurísticas complexas.

O estudo fornece evidências empíricas de que:

1. A pré-seleção de ativos via regressão estatística é uma alternativa viável e eficaz à otimização conjunta por heurísticas.
2. A relação entre o erro de acompanhamento e a cardinalidade segue uma lei de potência previsível ($1/\sqrt{n}$), oferecendo uma regra prática para a construção de portfólios.
3. Existe um compromisso (trade-off) entre a precisão do seguimento e a melhoria de retorno; embora portfólios maiores minimizem o erro de acompanhamento, portfólios menores (cardinalidade 10–20) são mais eficazes para gerar retornos excedentes.

Os autores mantêm-se modestos quanto à universalidade de suas descobertas, observando que a eficácia da pré-seleção depende das propriedades estatísticas específicas dos retornos dos ativos (ex: caudas longas) e que o portfólio "ideal" não é único, visto que diferentes procedimentos de alto desempenho selecionam componentes de ativos significativamente distintos.