Some general results on risk budgeting portfolios

1. O Problema

O artigo aborda o cálculo de carteiras de Orçamento de Risco (Risk Budgeting - RB), uma generalização da estratégia de Paridade de Risco (Risk Parity). No orçamento de risco, o investidor define uma contribuição predeterminada de risco para cada ativo, e o objetivo é encontrar a alocação de pesos que satisfaça essas contribuições.

Os desafios principais identificados na literatura atual são:

• Ausência de solução analítica: Não existe uma fórmula fechada para a carteira de orçamento de risco, exigindo métodos numéricos.
• Dependência de otimização auxiliar: Os métodos padrão (como os propostos por Maillard et al., 2010) calculam a carteira resolvendo um problema de otimização auxiliar. Este problema carece de uma interpretação econômica direta (é difícil explicar por que um investidor deveria resolver aquele problema específico para alocar riqueza).
• Instabilidade e custo computacional: Técnicas baseadas em otimização podem sofrer de instabilidade numérica, sensibilidade a pequenas variações nos inputs e tornam-se computacionalmente pesadas à medida que o número de ativos aumenta.
• Dificuldade teórica: A prova de existência e unicidade da solução depende inteiramente da convexidade do problema de otimização auxiliar.

2. Metodologia Proposta

Os autores propõem uma abordagem alternativa que não utiliza problemas de otimização, mas sim a construção de uma sequência de Cauchy dentro do simplex de $\mathbb{R}^N$ (o conjunto de portfólios com pesos não negativos que somam 1).

Conceitos Chave:

• Definição da Sequência: Define-se uma função $\Delta(x) = RC_\rho(x) - x_b \mathbf{1}^t RC_\rho(x)$, onde $RC_\rho(x)$ é o vetor de contribuições marginais de risco e $x_b$ é o orçamento de risco alvo.
• Iteração: A sequência é gerada por $x_{n+1} = x_n + k(x_n)\Delta(x_n)$, onde $k(x_n)$ é um passo adaptativo escolhido para garantir a convergência.
• Convergência: O artigo prova que, sob certas condições, esta sequência é de Cauchy e, portanto, converge para um limite no espaço métrico completo. Esse limite corresponde à carteira de orçamento de risco desejada.
• Ponto Fixo: A carteira de orçamento de risco é demonstrada como sendo um ponto fixo de uma função $G(x)$. Isso permite utilizar teoremas de ponto fixo (como o Teorema de Kellogg) para investigar a existência e unicidade da solução.

Caso Específico (Desvio Padrão):
Para a aplicação prática com desvio padrão como medida de risco, os autores derivam explicitamente como calcular o passo $k_n$. Eles formulam desigualdades polinomiais (quárticas ou cúbicas) que garantem que o erro $\|\Delta(x_{n+1})\|$ seja reduzido por um fator $L < 1$ a cada iteração, mantendo a sequência dentro do simplex (pesos não negativos).

3. Principais Contribuições

• Abordagem Não-Otimização: Substitui a resolução de problemas de otimização convexa auxiliar por um algoritmo iterativo direto baseado em sequências de Cauchy e pontos fixos.
• Interpretação Econômica e Teórica: Elimina a necessidade de um problema de otimização sem interpretação econômica clara. A existência e unicidade são tratadas através das propriedades da função de ponto fixo e da continuidade das contribuições de risco.
• Algoritmo Eficiente: Desenvolve um algoritmo (pseudo-código fornecido no artigo) que é simples de implementar, não requer solvers de otimização complexos e garante que a sequência permaneça no simplex (sem posições curtas) através do controle do tamanho do passo.
• Generalidade: A estrutura teórica é desenvolvida para medidas de risco gerais, embora a implementação detalhada seja feita para o desvio padrão.

4. Resultados Empíricos

Os autores compararam seu algoritmo de Ponto Fixo (FP) com três métodos padrão da literatura:

1. OP1: Otimização quadrática (Maillard et al., 2010).
2. OP2: Otimização com transformação logarítmica (Maillard et al., 2010).
3. NLS: Resolução de sistema não-linear (lsqnonlin do MATLAB).

Desempenho:

• Velocidade: O algoritmo FP foi consistentemente mais rápido. Para portfólios com 200 ativos, o FP levou ~0,038 segundos, enquanto o OP1 levou ~1,4 segundos e o NLS levou ~3,6 segundos.
• Precisão: O FP alcançou uma precisão superior (menor distância entre as contribuições de risco reais e o alvo). Os métodos de otimização (OP1, OP2) apresentaram erros significativamente maiores, mesmo com configurações padrão.
• Escalabilidade: O tempo de computação do FP escala muito melhor com o aumento do número de ativos ($N$) em comparação com os métodos de otimização.
• Parâmetro $L$: A análise do parâmetro de convergência $L$ mostrou que valores muito baixos podem causar falhas na iteração (devido à falta de raízes reais no polinômio de passo), enquanto valores próximos de 1 (ex: 0,95 ou 0,99) oferecem o melhor equilíbrio entre velocidade e estabilidade.

5. Significado e Conclusão

O artigo oferece uma mudança de paradigma na forma como as carteiras de orçamento de risco são calculadas. Ao evitar a otimização auxiliar, a metodologia proposta:

• Reduz drasticamente o custo computacional, tornando-a viável para portfólios grandes e em tempo real.
• Oferece uma fundamentação matemática mais robusta para a existência e unicidade da solução, baseada em análise funcional (pontos fixos) em vez de apenas convexidade de otimização.
• Demonstra que métodos iterativos simples, quando bem construídos, podem superar métodos de otimização complexos tanto em velocidade quanto em acurácia numérica.

Em suma, o trabalho fornece uma ferramenta prática e teoricamente sólida para a implementação de estratégias de orçamento de risco, superando as limitações de instabilidade e complexidade dos métodos tradicionais.