📊 statistics

Zero Variance Portfolio

O artigo demonstra que um novo estimador "Ridgelet" permite que a carteira de variância zero, que normalmente sofre de sobreajuste quando o número de ativos supera o tamanho da amostra, alcance generalização fora da amostra e risco ótimo no regime superparametrizado, superando assim o estimador "Ridgeless" baseado em pseudoinversa.

Autores originais: Jinyuan Chang, Yi Ding, Zhentao Shi, Bo Zhang

Publicado 2026-02-24

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jinyuan Chang, Yi Ding, Zhentao Shi, Bo Zhang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um chef de cozinha tentando criar a receita perfeita de uma salada (o "Portfólio de Variância Mínima") que seja a mais saudável e equilibrada possível (o menor risco de perder dinheiro).

O problema é que você tem milhares de ingredientes (ações de empresas) para escolher, mas só tem pouco tempo e poucos dados sobre como eles se comportaram no passado. Na verdade, você tem muito mais ingredientes do que dias de observação.

Aqui está o que o artigo "Zero Variance Portfolio" descobre, explicado de forma simples:

1. O Problema: A Ilusão da Perfeição

Quando você tenta calcular a melhor combinação de ingredientes com tão poucos dados, os métodos tradicionais de matemática falham. Eles tentam adivinhar uma combinação que teria risco zero nos dados que você já tem.

A Analogia: É como se você provasse a salada uma única vez, achasse que estava perfeita, e dissesse: "Esta é a salada perfeita para sempre!".
O Erro: Na verdade, você apenas "decorou" o gosto daquela única prova. Quando você for servir essa salada para convidados novos (dados fora da amostra), ela vai ter um gosto horrível. Na matemática, isso é chamado de sobreajuste (overfitting). O modelo aprendeu o "ruído" (o barulho da cozinha) em vez da "sabor" real.

2. A Solução Antiga (e Falha): O "Ridgeless"

Existe um método antigo que tenta resolver isso usando uma "mágica matemática" (chamada pseudoinversa) para encontrar essa salada perfeita.

O Resultado: Funciona bem quando você tem poucos ingredientes. Mas, assim que você adiciona muitos ingredientes (mais do que os dias de observação), a salada começa a ficar insuportável. O risco explode. É como tentar equilibrar uma torre de copos com 1.000 copos usando apenas 20 segundos de prática; ela vai cair e quebrar tudo.

3. A Nova Descoberta: O "Ridgelet" (O Truque do Sal)

Os autores do artigo propõem uma ideia surpreendentemente simples, chamada Ridgelet.

O Truque: Em vez de tentar encontrar a salada "perfeita" e sem erros, eles adicionam uma pitada minúscula de sal (um número muito pequeno, quase zero, chamado $\tau$ ) na receita.
Por que funciona?
- Essa pitada de sal impede que a matemática fique "louca" quando há muitos ingredientes.
- Ela força o modelo a não decorar a salada perfeita, mas sim a encontrar uma combinação robusta.
- O Fenômeno "Double Descent" (Queda Dupla): Imagine que o risco da sua salada é uma montanha russa.
  1. Começa baixo.
  2. Sobe muito alto quando você adiciona muitos ingredientes (o pico do desastre).
  3. Mas aqui está a mágica: Se você continuar adicionando ainda mais ingredientes (ultrapassando o número de dias de dados), a montanha russa desce novamente! O risco cai e se torna ótimo. O modelo "Ridgelet" aproveita essa segunda descida para se tornar super eficiente.

4. A Versão Refinada: O "Ridgelet 2"

Os autores perceberam que, em mercados reais, alguns ingredientes têm sabores muito parecidos (setores da economia) e outros são únicos.

O Ridgelet 1 é o truque do sal básico. Funciona muito bem.
O Ridgelet 2 é o chef de elite. Ele não apenas adiciona o sal, mas também analisa quais ingredientes são "gêmeos" (correlacionados) e quais são únicos, ajustando a receita para ignorar o ruído específico de cada um.
Resultado: O Ridgelet 2 consegue chegar perto da "fórmula mágica" (o risco teórico ideal), mesmo com poucos dados e milhares de ações.

5. Por que isso importa?

No mundo real, temos dados de milhares de ações (S&P 500, Nikkei), mas muitas vezes só temos dados de alguns meses.

O Método Antigo: Tenta adivinhar e falha miseravelmente, perdendo dinheiro.
O Método Ridgelet: Usa a "mágica" da complexidade. Ele aceita que tem muitos dados e usa essa complexidade a seu favor, adicionando apenas uma pitada de "segurança" (o sal) para garantir que a estratégia funcione no futuro, não apenas no passado.

Resumo em uma frase:
Em vez de tentar adivinhar a combinação perfeita de milhares de ações com poucos dados (o que leva ao desastre), os autores mostram que adicionar uma "pitada" de regularização matemática permite que o portfólio se torne mais inteligente e seguro quanto mais ações você adiciona, transformando um problema impossível em uma oportunidade de lucro estável.

É como se dissessem: "Não tenha medo de ter muitos ingredientes; se você usar o tempero certo, quanto mais opções você tiver, melhor será sua salada."

Resumo Técnico: Zero Variance Portfolio

Autores: Jinyuan Chang, Yi Ding, Zhentao Shi, Bo Zhang.
Contexto: Otimização de Carteiras, Aprendizado de Máquina, Teoria de Matrizes Aleatórias (RMT).

1. O Problema

O artigo aborda o desafio central da otimização de carteiras de mínima variância (MVP - Minimum Variance Portfolio) em regimes de alta dimensionalidade, onde o número de ativos ( $N$ ) excede significativamente o tamanho da amostra temporal ( $T$ ), ou seja, $N \gg T$ .

Falha dos Métodos Clássicos: A estimativa tradicional, que substitui a matriz de covariância populacional ( $\Sigma$ ) pela matriz de covariância amostral ( $S_0$ ), falha quando $N > T$ . Nesse cenário, $S_0$ é singular (não invertível), e o estimador de mínimos quadrados padrão leva a uma variância intra-amostral zero (interpolando os dados de treinamento), o que resulta em um overfitting severo e em uma performance catastrófica fora da amostra (OOS - Out-of-Sample).
O Paradoxo da Interpolação: Na literatura de aprendizado de máquina, modelos superparametrizados que interpolam perfeitamente os dados de treinamento (variância zero) muitas vezes generalizam bem (fenômeno de "benign overfitting"). No entanto, a aplicação direta desse conceito à otimização de carteiras, utilizando o pseudoinverso de Moore-Penrose (estimador "Ridgeless"), falha em capturar essa generalização no contexto de MVP, divergindo da otimidade.

2. Metodologia Proposta: O Estimador "Ridgelet"

Os autores propõem uma solução simples, porém inovadora, chamada Ridgelet, que modifica a matriz de covariância amostral com um termo de regularização extremamente pequeno.

Definição do Ridgelet1:
Em vez de usar $S_0$ diretamente ou seu pseudoinverso, o método adiciona um "ridge" (pente) minúsculo e pré-especificado ( $\tau$ ) à matriz de covariância:
$S_\tau = S_0 + \tau I_N$
Onde $\tau$ é uma constante positiva muito pequena (ex: $10^{-8}$ ), independente de $N$ e $T$ . O peso da carteira é estimado como:
$\hat{\omega}_\tau = \frac{S_\tau^{-1} \mathbf{1}}{\mathbf{1}^\top S_\tau^{-1} \mathbf{1}}$
Diferente da regularização Ridge tradicional, onde $\tau$ é um parâmetro de ajuste (tuning) otimizado via validação cruzada, o $\tau$ no Ridgelet é fixo e serve apenas para garantir a invertibilidade numérica e selecionar a solução de norma $L_2$ mínima entre as infinitas soluções de variância zero.
Ridgelet2 (Versão Refinada):
Reconhecendo que a estrutura de covariância dos retornos idiossincráticos (não explicados por fatores comuns) pode não ser esférica (i.e., $\Omega \neq \sigma^2 I_N$ ), os autores propõem uma versão refinada. O Ridgelet2 substitui a matriz identidade na regularização por um estimador consistente da matriz de covariância idiossincrática ( $\hat{\Omega}$ ), utilizando o método POET (Principal Orthogonal Complement Thresholding) de Fan et al. (2013).
$S_{\tau, \hat{\Omega}} = S_0 + \tau \hat{\Omega}$

3. Contribuições Teóricas Principais

Generalização da Variância Zero: O artigo demonstra que, embora a carteira de variância zero (ZVP) seja classicamente vista como um caso patológico de overfitting, quando estimada via Ridgelet, ela exibe generalização em dados de teste.
Fenômeno de Double Descent: A análise teórica e empírica revela que o risco da carteira Ridgelet segue o padrão de "double descent" (dupla descida):
- Primeira Descida: Quando $N$ aumenta de um valor pequeno, o risco diminui.
- Pico: O risco atinge um pico quando $N \approx T$ .
- Segunda Descida: Quando $N$ ultrapassa $T$ (regime superparametrizado), o risco cai novamente, alcançando níveis ótimos.
Falha do Estimador Ridgeless: Os autores provam que o estimador "Ridgeless" (usando o pseudoinverso $S_0^+$ ) falha em $N > T$ . Diferente do Ridgelet, o Ridgeless não interpola corretamente os dados de treinamento (a variância intra-amostral não é zero) e seu risco fora da amostra diverge para infinito, performando pior até mesmo que uma carteira de pesos iguais (Equal Weight).
Optimalidade Assintótica: Sob um modelo de fatores aproximado, o Ridgelet2 é provado ser assintoticamente ótimo. Quando $N \gg T$ , o risco fora da amostra do Ridgelet2 converge para o risco da carteira "oracle" (que conhece a matriz de covariância populacional), aproveitando o "bênção da dimensionalidade".

4. Resultados Empíricos e Simulações

Simulações: Estudos de Monte Carlo mostram que o Ridgelet (especialmente o Ridgelet2) supera consistentemente métodos benchmarks como:
- Linear Shrinkage (Ledoit & Wolf, 2004).
- Nonlinear Shrinkage (Ledoit & Wolf, 2017).
- Carteiras de Pesos Iguais (EW).
- O estimador Ridgeless.
  A performance é robusta mesmo sob distribuições de erros com caudas pesadas (distribuição t-Student).
Aplicações Reais:
- S&P 500: Ao aplicar o método aos constituintes do S&P 500, o Ridgelet2 consegue construir carteiras eficientes com mais de 700 ativos usando apenas um mês de dados diários ( $T=22$ ), mantendo riscos baixos.
- Carteira Multinacional: Ao combinar ações dos EUA (S&P 500) e do Japão (Nikkei 225), aumentando $N$ para ~725, o Ridgelet2 demonstrou redução de risco superior em comparação com os métodos tradicionais, validando a eficácia em cenários de alta dimensionalidade com dados limitados.

5. Significado e Impacto

Este trabalho desafia o consenso tradicional na literatura de finanças de que se deve evitar a matriz de covariância amostral pura em alta dimensionalidade. Ao invés de buscar estimadores complexos de covariância ou regularização pesada, os autores mostram que:

A interpolação de dados de treinamento (variância zero) pode ser benéfica se realizada corretamente (via Ridgelet).
A complexidade do modelo (número de ativos) pode ser uma vantagem ("blessing of dimensionality") em vez de uma maldição, desde que se utilize o estimador correto.
O Ridgelet oferece uma ferramenta prática, livre de ajuste de parâmetros (tuning-free), que permite a construção de carteiras diversificadas em regimes onde $N \gg T$ , algo comum em mercados financeiros modernos, mas historicamente considerado intratável para a otimização de Markowitz.

Em suma, o artigo conecta a teoria moderna de aprendizado de máquina (double descent, benign overfitting) com a teoria clássica de portfólio, fornecendo uma solução teoricamente fundamentada e empiricamente superior para a gestão de risco em alta dimensionalidade.