Asset allocation using a Markov process of clustered efficient frontier coefficients states

Resumo Técnico: Alocação de Ativos via Processo de Markov de Estados Agrupados por Coeficientes da Fronteira Eficiente

1. O Problema

O modelo clássico de Modern Portfolio Theory (MPT) de Markowitz baseia-se na premissa de que o mercado é estacionário (ou seja, os retornos esperados e a matriz de covariância permanecem constantes ao longo do tempo). Na prática, os mercados são não estacionários, o que leva a erros significativos de estimação e limita a robustez dos modelos tradicionais.

Embora existam extensões como o modelo Black-Litterman e técnicas de encolhimento de covariância (Ledoit-Wolf), elas ainda enfrentam desafios na estimação precisa do vetor de retornos e na adaptação a mudanças de regime. Além disso, modelos de mudança de regime existentes, como os Modelos Ocultos de Markov (HMM), frequentemente utilizam estados ocultos, o que reduz a interpretabilidade e pode ser sensível a erros de classificação, resultando em desempenho inferior fora da amostra.

2. Metodologia Proposta

Os autores propõem um modelo inovador de alocação de ativos, denominado Markov Markowitz, que relaxa a suposição de estacionariedade ao definir estados de mercado observáveis baseados em coeficientes da Fronteira Eficiente (EF) agrupados. O processo segue cinco etapas principais:

1. Definição de Estados via Agrupamento Temporal (Clustering):

   • Em vez de usar retornos ou volatilidade diretamente, o modelo utiliza os três coeficientes interpretáveis da Fronteira Eficiente (derivados de Merton, 1972):
     • $r_{mvp}$: Retorno do portfólio de variância mínima.
     • $\sigma_{mvp}$: Desvio padrão do portfólio de variância mínima.
     • $u$: Taxa de curvatura da função utilidade da EF.
   • Os coeficientes mensais são agrupados usando Agrupamento Hierárquico Aglomerativo com a métrica de distância Dynamic Time Warping (DTW). O DTW é utilizado para lidar com a natureza de séries temporais, permitindo comparar padrões de forma flexível, não exigindo que os dados ocorram exatamente no mesmo instante.
   • O número de clusters (estados) é determinado por dendrogramas (geralmente 3 a 5 estados), representando diferentes regimes de mercado (ex: alta, baixa, baixa volatilidade).

2. Modelo de Markov Observável:

   • Diferente dos HMMs, os estados são observáveis e definidos pelo agrupamento dos dados históricos até o momento atual.
   • Uma matriz de transição de Markov é construída dinamicamente para calcular a probabilidade de transição do estado atual para os outros estados no próximo período.

3. Cálculo de Portfólios de Tangência por Estado:

   • Para cada estado identificado, calcula-se um portfólio de tangência (que maximiza o Sharpe) utilizando apenas os dados de retorno pertencentes àquele estado específico. Isso elimina a necessidade de janelas de retrocesso (lookback) arbitrárias, pois todos os dados dentro de um estado são considerados relevantes para aquele regime.
   • O modelo seleciona a melhor configuração (long-only ou long-short) baseada no Sharpe in-sample do estado.

4. Agregação de Pesos (Markov Markowitz Weights):

   • O portfólio final não é um único portfólio de tangência, mas uma expectativa ponderada dos portfólios de tangência de todos os estados.
   • Os pesos são calculados multiplicando os pesos de cada estado pela probabilidade de transição do estado atual para aquele estado específico, conforme definido pela matriz de Markov.

5. Atualização Online Expansiva:

   • O modelo é atualizado mensalmente em uma janela expansiva (expanding window), incorporando novos dados para recalculer o agrupamento, a matriz de transição e os pesos do portfólio.

3. Principais Contribuições

• Novo Conjunto de Características (Features): É a primeira aplicação de coeficientes da Fronteira Eficiente para definir regimes de mercado em modelos de mudança de regime, oferecendo uma redução de dimensionalidade e informações ricas sobre as interações entre ativos.
• Interpretabilidade Superior: Ao contrário dos HMMs, o modelo utiliza estados observáveis e agrupados explicitamente, permitindo que os analistas entendam a lógica por trás de cada estado (ex: qual estado corresponde a uma recessão ou a um mercado de alta).
• Abordagem Híbrida: Combina a teoria de portfólio clássica (MPT) com aprendizado não supervisionado (clustering) e processos estocásticos (Markov) de forma transparente.

4. Resultados Empíricos

O modelo foi testado em três universos de ativos distintos (Fundos de Investimento GVMC, Setores do S&P 500 e Índices de Mercados Desenvolvidos) em um período de backtest online (2000-2022 e 2008-2022).

• Desempenho: O modelo proposto superou significativamente três benchmarks (Portfólio de Tangência Mensal, Portfólio Equally Weighted e S&P 500) em termos de Rácio de Sharpe e Retorno Anualizado.
• Resiliência: O modelo demonstrou menor volatilidade e menores drawdowns máximos (MDD) durante choques de mercado (Crash da Bolha Dot-com, Crise de 2008 e Pandemia de 2020), especialmente no universo de setores.
• Significância Estatística: Regressões de alpha (Jensen's Alpha) mostraram que o alpha gerado pelo modelo é estatisticamente significativo (p-valor < 0.05) para os universos de ações dos EUA.
• Sensibilidade: O modelo é robusto à escolha do número de clusters (3, 4 ou 5), embora 4 clusters tenham se mostrado ótimos para a maioria dos casos.
• Limitação Identificada: O desempenho degradou quando todos os universos foram combinados em um único modelo, devido à falta de graus de liberdade na estimação da matriz de covariância diária (número de ativos > número de observações diárias).

5. Significância e Conclusão

Este trabalho oferece uma alternativa mais interpretável e robusta aos modelos tradicionais de alocação de ativos e aos HMMs. Ao focar na estrutura da Fronteira Eficiente e utilizar estados observáveis, o modelo consegue adaptar-se melhor às mudanças de regime do mercado sem a "caixa preta" dos modelos ocultos.

A descoberta de que existem múltiplos estados de mercado de alta (bull), onde um é significativamente mais propenso a transitar para um estado de baixa (bear) do que os outros, fornece insights valiosos para a gestão de riscos. O modelo demonstra que a estacionariedade pode ser assumida dentro de regimes bem definidos, permitindo otimizações de portfólio mais precisas e adaptativas.

Futuras Pesquisas: Os autores planejam testar o modelo com dados de retorno total para mercados desenvolvidos, expandir para outras classes de ativos (commodities, FX, renda fixa) e investigar a aplicação em frequências diárias utilizando dados intradiários para melhorar a estimação de covariância.