📈 economics

P vs NP Problem in Portfolio Optimization: Integrating the Markowitz-CAPM Framework with Cardinality Constraints and Black-Scholes Derivative Pricing

Este artigo operacionaliza o problema P versus NP no contexto financeiro ao investigar a seleção de carteiras com restrições de cardinalidade sobre o modelo Markowitz-CAPM, avaliando esquemas de aproximação escaláveis e integrando a precificação de derivativos via Black-Scholes para analisar o impacto da complexidade computacional na fronteira eficiente e na estabilidade das soluções.

Autores originais: Davit Gondauri

Publicado 2026-03-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Davit Gondauri

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 de renome tentando criar o prato perfeito para um jantar de gala. O seu objetivo é equilibrar dois ingredientes principais: sabor (retorno financeiro) e segurança (risco).

Este artigo é como um livro de receitas que explica como criar esse prato, mas com um grande obstáculo: você só pode usar 10 ingredientes (ou menos) em uma panela que tem 94 opções disponíveis. Além disso, você precisa provar que sua receita é matematicamente impossível de ser feita perfeitamente em tempo recorde, mas que ainda assim é possível fazer uma versão "quase perfeita" usando truques inteligentes.

Aqui está a explicação do artigo, traduzida para a linguagem do dia a dia:

1. O Problema: A "Fórmula do Prato Perfeito" vs. O Limite de Ingredientes

No mundo das finanças, existe uma fórmula clássica chamada Markowitz (o "chef" original) que diz como misturar ingredientes para obter o máximo de sabor com o mínimo de risco. Se você pudesse usar todos os 94 ingredientes ao mesmo tempo, seria fácil: a matemática funciona como uma receita de bolo simples.

Mas, na vida real, os investidores não podem monitorar 94 ações diferentes. Eles têm um limite: "Só posso escolher 10".

A analogia: É como se você tivesse um cardápio com 94 pratos, mas só pode pedir 10.
O problema matemático (P vs NP): Quando você adiciona essa regra de "escolher apenas 10", o problema deixa de ser uma receita simples e vira um quebra-cabeça impossível de resolver rapidamente. O artigo chama isso de "P vs NP". Basicamente, verificar se uma receita está boa é fácil, mas descobrir qual é a combinação perfeita de 10 entre 94 exige testar trilhões de combinações. É como tentar adivinhar a senha de um cofre testando todas as combinações possíveis: demoraria mais do que a vida do universo para achar a certa.

2. A Solução: Os "Truques de Chef" (Algoritmos)

Como não podemos testar todas as trilhões de combinações, os autores usam "truques" (algoritmos) para encontrar uma solução muito boa, mesmo que não seja a perfeita:

O Método "Gourmet Rápido" (Greedy): O chef pega os 10 ingredientes que parecem mais saborosos individualmente e os mistura. É rápido, mas pode não ser o melhor equilíbrio.
O Método "Sorteio Cego" (Monte Carlo): O chef fecha os olhos, pega 10 ingredientes aleatórios, prova, joga fora e repete isso 10.000 vezes. Ele guarda a melhor combinação que encontrou. É como tentar achar uma agulha no palheiro jogando palha aleatoriamente até achar a agulha.
O Método "Evolução" (Algoritmo Genético): O chef cria 50 receitas diferentes. As melhores receitas "casam" entre si (misturam ingredientes) e têm "filhos" (novas receitas). As piores receitas são descartadas. Com o tempo, a "espécie" de receitas evolui para ficar cada vez melhor.

A lição importante: O artigo diz que não devemos confiar apenas no "melhor prato" que o chef achou uma única vez. Em vez disso, devemos olhar para a média de todos os pratos que ele tentou. Se o método "Evolução" sempre entrega um prato bom, mesmo que não seja o perfeito, é um método confiável.

3. A Realidade dos Dados: O "Mapa do Tesouro"

Para fazer os testes, os autores usaram dados reais de 94 indústrias americanas (como Tecnologia, Energia, Saúde).

Eles usaram uma regra simples para prever o futuro: "Quanto mais arriscado o setor, mais ele deve pagar" (isso é o modelo CAPM).
Eles criaram um mapa de como os setores se relacionam. Se o setor de "Carros" vai mal, o de "Pneus" também tende a ir mal. O artigo mostra que, sob essa regra, a maioria dos setores anda junto (como uma multidão seguindo um líder), o que torna difícil diversificar de verdade.

4. O Ingrediente Extra: O "Chapéu Mágico" (Opções Financeiras)

O artigo vai além e pergunta: "E se adicionarmos um ingrediente mágico, como uma Opção de Compra (um contrato que dá o direito de comprar algo no futuro)?"

O desafio: Opções são como temperos muito fortes. Elas podem mudar o sabor do prato drasticamente, mas são difíceis de medir.
A solução: Os autores criaram uma "ponte" matemática. Eles transformaram o comportamento complexo da opção em algo que o computador entende como um ingrediente comum, usando uma fórmula famosa (Black-Scholes).
O resultado: Eles descobriram que adicionar essa "opção" muitas vezes aumenta o risco (o prato fica mais picante) sem necessariamente melhorar o sabor (retorno). Às vezes, parece que o prato ficou melhor só porque você aumentou a quantidade de pimenta (alavancagem), mas o risco real subiu muito.

5. Conclusão: O Que Aprendemos?

Este artigo não é apenas sobre matemática chata; é sobre honestidade e transparência na ciência financeira.

A perfeição é ilusória: Com a regra de "apenas 10 ativos", encontrar a solução perfeita é matematicamente impossível em tempo útil.
Aproximações são válidas: Usar métodos inteligentes (como evolução ou sorteios) funciona muito bem, desde que testemos muitas vezes e não confiamos em um único resultado "sortudo".
Cuidado com a alavancagem: Adicionar derivativos (opções) pode parecer mágico, mas se não for feito com cuidado, você pode estar apenas aumentando o risco sem ganhar nada em troca.
Reprodutibilidade: O artigo é um manual de como fazer ciência financeira que qualquer pessoa pode copiar, verificar e confiar, mostrando todos os ingredientes e o passo a passo exato.

Em resumo, o artigo nos ensina que, na vida financeira (e na vida em geral), quando o problema é muito complexo para ter uma resposta única e perfeita, a melhor estratégia é usar métodos inteligentes, testar muitas vezes, entender os riscos e aceitar que uma solução "muito boa e segura" é melhor do que tentar adivinhar a "solução perfeita" que pode não existir.

Resumo Técnico: O Problema P vs NP na Otimização de Carteiras

Título: P vs NP Problem in Portfolio Optimization: Integrating the Markowitz–CAPM Framework with Cardinality Constraints and Black–Scholes Derivative Pricing
Autor: Davit Gondauri

1. O Problema

O artigo aborda a interseção entre a teoria econômica de portfólio e a complexidade computacional. O problema central é a otimização de carteiras com restrições de cardinalidade (limitar o número de ativos na carteira a um valor $K$ ).

Contexto Tradicional: O modelo clássico de Markowitz (Média-Variância) é um problema de programação quadrática convexa, solúvel em tempo polinomial.
A Complexidade: A imposição de uma restrição rígida de cardinalidade ( $|supp(w)| \le K$ ), onde apenas $K$ ativos podem ter pesos não nulos, transforma o problema em um Programa Quadrático Misto-Inteiro (MIQP).
Implicação P vs NP: A seleção do subconjunto ótimo de ativos torna-se um problema de busca combinatória (explorar $\binom{n}{K}$ subconjuntos). O artigo posiciona esse problema como NP-difícil, onde a verificação de uma solução é polinomial, mas a descoberta da solução globalmente ótima não é conhecida por ser computável em tempo polinomial (a menos que P=NP).
Desafio Adicional: A integração de instrumentos não lineares (opções) em um framework linear de média-variância, mantendo a auditabilidade e a consistência com o CAPM.

2. Metodologia

O estudo desenvolve um framework empírico reprodutível e auditável para investigar esse problema.

Base de Dados e Calibração:
- Universo de Ativos: ~94 portfólios industriais dos EUA (dados de Aswath Damodaran).
- Retornos Esperados ( $\mu$ ): Calibrados via modelo CAPM: $\mu_i = R_f + \beta_i \cdot ERP$ .
- Covariância ( $\Sigma$ ): Construída via um modelo de índice único (Single-Index Model). A matriz de covariância é derivada dos betas e volatilidades individuais, garantindo que a matriz seja reconstruível e auditável a partir dos dados de entrada, sem depender de séries temporais brutas.
Formulação Matemática (MIQP):
- Minimização da variância sujeita a retornos alvo e restrições de cardinalidade.
- Uso de variáveis binárias ( $z_i$ ) para seleção de ativos e variáveis contínuas ( $w_i$ ) para pesos.
Algoritmos de Solução (Heurísticas):
- Devido à NP-dificuldade, o estudo compara três abordagens aproximadas:
  1. Algoritmo Guloso (Greedy): Seleção baseada em pontuação (ex: Sharpe proxy).
  2. Amostragem Monte Carlo: Geração aleatória de subconjuntos de tamanho $K$ e pesos (ex: Dirichlet).
  3. Algoritmo Genético (GA): Evolução de populações de subconjuntos com operadores de seleção, cruzamento e mutação.
- Re-otimização Contínua: Após a seleção do subconjunto (discreto), os pesos são re-otimizados via programação quadrática convexa para encontrar o ótimo condicional àquele suporte.
Integração de Derivativos (Black-Scholes):
- Um call europeu é tratado como um ativo adicional.
- Linearização Delta: O derivativo é mapeado para o espaço média-variância usando o Delta ( $\Delta$ ) para estimar o Beta e a volatilidade implícitos ( $\beta_{op} \approx L \cdot \beta_{sub}$ ), onde $L$ é o fator de alavancagem.
- Validação: Testes de "bump" (variação de ±1%) e matrizes de moneyness/maturidade para verificar a precisão da linearização delta.
Protocolo de Reprodutibilidade:
- Relatórios baseados em estatísticas distribucionais (mediana, IQR, quantis) sobre múltiplas sementes aleatórias (10 seeds), evitando a dependência de um único "melhor resultado".
- Perfis de tempo de execução e curvas de convergência.

3. Principais Contribuições

Ancoragem de Complexidade: Formaliza a seleção de carteiras com cardinalidade como um problema NP-difícil, justificando o uso de heurísticas e a necessidade de relatórios de estabilidade em vez de garantias de otimalidade global.
Backbone Empírico Reprodutível: Cria uma cadeia de cálculo totalmente auditável desde os betas de Damodaran até a matriz de covariância e os resultados finais, permitindo a reconstrução independente.
Evidência além do "Melhor Run": Estabelece que a credibilidade de métodos estocásticos (GA, Monte Carlo) depende de estatísticas distribucionais (mediana/IQR) e perfis de convergência, não apenas do pico de desempenho de uma única execução.
Integração de Derivativos Auditável: Demonstra como incorporar opções em um modelo de média-variância usando linearização delta consistente com o CAPM, incluindo testes de robustez para erros de aproximação.
Diagnósticos de Dependência: Apresenta métricas de correlação e concentração de autovalores como saídas de primeira classe para explicar o comportamento dos algoritmos e a geometria da matriz de covariância.

4. Resultados Chave

Fronteira Eficiente e Cardinalidade: A restrição de cardinalidade ( $K=10$ ) cria descontinuidades na fronteira eficiente em comparação com o caso não restrito. O espaço de busca combinatório limita a diversificação, forçando trade-offs entre prêmios de retorno (ativos de alto Beta) e a geometria de correlação.
Desempenho dos Algoritmos:
- Em uma instância reduzida ( $n=20, K=6$ ), os heurísticos (Monte Carlo e GA) alcançaram o ótimo exato (verificado por enumeração completa) com gap de 0%.
- Para $n \approx 94$ , os métodos heurísticos mostraram estabilidade robusta. O Algoritmo Genético com re-otimização contínua superou a seleção de subconjuntos com pesos iguais.
- O tempo de execução escalou quase linearmente com o orçamento de esforço (número de amostras ou gerações).
Impacto dos Derivativos:
- A adição de uma opção (Call) aumentou significativamente o retorno esperado ( $\mu$ ) e o risco ( $\sigma$ ) devido ao efeito de alavancagem do Delta.
- Conclusão Crítica: O aumento do retorno não resultou automaticamente em um aumento do Índice de Sharpe. Em muitos cenários, o risco adicional superou o ganho de retorno, distinguindo "artefatos de alavancagem" de ganhos reais de eficiência.
- A linearização delta mostrou-se altamente precisa para pequenos movimentos (erros relativos < 0.1% nos testes de bump).
Diagnósticos de Dependência: A matriz de covariância de índice único resultou em correlações medianas altas (~~0.77) e uma forte concentração no primeiro autovalor (~~76%), indicando que a diversificação efetiva é comprimida pela dependência comum de mercado.

5. Significado e Conclusão

O artigo demonstra que a otimização de carteiras com restrições de cardinalidade não é apenas um problema prático de investimento, mas um laboratório metodológico para investigar os limites do P vs NP.

Para a Teoria Financeira: O trabalho valida que restrições institucionais reais (limites de posições, derivativos) alteram fundamentalmente a natureza matemática do problema, exigindo abordagens de aproximação.
Para a Pesquisa Computacional: Estabelece um novo padrão de ouro para estudos de otimização financeira, onde a reprodutibilidade (sementes aleatórias, logs de tempo, estatísticas distribucionais) é tão importante quanto a qualidade da solução.
Limitações e Futuro: O estudo reconhece que o modelo CAPM e a estrutura de índice único são simplificações. Trabalhos futuros devem explorar modelos de fatores múltiplos, estimativas de covariância mais ricas (shrinkage) e a integração de métricas de risco de cauda (CVaR) e não linearidades completas (Gama/Vega) dos derivativos.

Em suma, o papel fornece um template de nível de revista para estudar seleção de portfólio NP-difícil, integrando teoria econômica, complexidade computacional e experimentação rigorosa.