Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

Resumo Técnico: Previsão de Portfólios de Tangência e Investimento no Portfólio de Distância Euclidiana Mínima para Maximizar Índices Sharpe Fora da Amostra

1. O Problema

A teoria moderna de portfólios (MPT), baseada na otimização média-variância de Markowitz, depende criticamente da estimativa precisa dos retornos esperados e da matriz de covariância dos ativos. O portfólio que maximiza o índice de Sharpe (o portfólio de tangência) é frequentemente utilizado como a alocação ideal. No entanto, o modelo padrão assume que os retornos futuros e as covariâncias serão idênticos aos dados históricos.

A literatura reconhece que essa suposição é falha devido ao comportamento não estacionário dos mercados, levando a erros significativos de estimação. Métodos existentes para mitigar isso, como o modelo Black-Litterman, shrinkage de matriz de covariância e DCC MV-GARCH, possuem limitações:

• Requerem muitas entradas subjetivas ou são complexos de implementar.
• Muitos melhoram a estimativa da covariância, mas não fornecem estimativas robustas para o vetor de retornos.
• A complexidade reduz a interpretabilidade e a confiança do investidor.

O problema central abordado é a instabilidade dos pesos do portfólio e o desempenho inferior fora da amostra (out-of-sample) quando se tenta estimar parâmetros diretamente em vez de prever a estrutura do portfólio ideal.

2. Metodologia

Os autores propõem uma abordagem inovadora que inverte a lógica tradicional: em vez de estimar retornos e covariâncias para encontrar o portfólio de tangência, o modelo prevê diretamente o portfólio de tangência futuro e investe no portfólio atual mais próximo dele.

A metodologia divide-se em três etapas principais:

• A. Decomposição da Fronteira Eficiente:
  Utilizando a solução fechada de Merton, a fronteira eficiente é representada como uma função polinomial de segunda ordem. Os autores derivam três coeficientes interpretáveis para descrever essa fronteira:

  1. $r_{mvp}$: Retorno do ponto de variância mínima.
  2. $\sigma_{mvp}$: Desvio padrão do ponto de variância mínima.
  3. $u$: Taxa de curvatura da função de utilidade da fronteira eficiente (mede a "utilidade" do conjunto de ativos para otimização).
     O coeficiente $u$ é decomposto em uma função da distância de Mahalanobis do vetor de retornos e da similaridade de cosseno entre o vetor de retornos e o vetor de uns.

• B. Previsão dos Coeficientes (VARX):
  Os três coeficientes são previstos para o próximo período (1 mês) utilizando um modelo de Autoregressão Vetorial com Variáveis Exógenas (VARX) online.

  • O modelo utiliza apenas os lags dos coeficientes e a média móvel histórica de retornos ponderados igualmente como preditores.
  • O modelo é atualizado diariamente (online), incorporando novos dados conforme chegam, evitando a rigidez de modelos estáticos.

• C. Seleção do Portfólio de Distância Mínima:
  Como a fronteira eficiente prevista não fornece diretamente os vetores de retorno e covariância para calcular os pesos, e o portfólio de tangência previsto pode não existir na fronteira eficiente atual (devido à não estacionariedade), o modelo resolve um problema de otimização:

  • Calcula-se o portfólio na fronteira eficiente atual que possui a distância euclidiana mínima em relação ao portfólio de tangência previsto.
  • Isso é feito minimizando a função objetivo que mede a distância entre o retorno/desvio padrão previsto e a curva da fronteira eficiente atual.
  • Os pesos finais são obtidos através de otimização média-variância no retorno calculado.

3. Principais Contribuições

1. Novos Coeficientes Interpretáveis: Desenvolvimento de três coeficientes ($r_{mvp}$, $\sigma_{mvp}$, $u$) que simplificam a representação da fronteira eficiente e permitem uma análise gráfica clara das condições de mercado (demanda de retorno, risco e curvatura).
2. Método de Previsão de Coeficientes: Aplicação de regressão de séries temporais (VARX) para prever a estrutura da fronteira eficiente, contornando a necessidade de prever diretamente a matriz de covariância e o vetor de retornos.
3. Estratégia de Investimento Robusta: Proposta de investir no portfólio de "distância euclidiana mínima" ao portfólio de tangência previsto. Isso oferece robustez contra movimentos de mercado, pois não assume que o portfólio previsto é exato, mas sim que é o alvo mais próximo possível na fronteira atual.
4. Validação Empírica: Demonstração de que essa abordagem supera benchmarks tradicionais em métricas de risco-retorno.

4. Resultados Empíricos

O modelo foi testado em dois universos de ativos distintos cobrindo o mercado:

• Conjunto 1 (GVMC): 6 fundos mútuos representando fatores de crescimento/valor e capitalização (Small/Large Cap) + um fundo de títulos. Período de teste: 2000–2022.
• Conjunto 2 (Setorial): 9 ETFs de setores do S&P + um fundo de títulos. Período de teste: 2008–2022.

Comparação com Benchmarks:
O modelo proposto foi comparado a: Portfólio de Tangência (janela rolante de 1 mês), Portfólio de Peso Igual, Retorno Total do S&P 500 e Portfólio 60/40 (Ações/Títulos).

• Índice de Sharpe: O modelo proposto obteve o maior índice de Sharpe em ambos os conjuntos de dados (1.00 no GVMC e 0.76 no Setorial, este último alavancado 2x para comparação visual), superando significativamente todos os benchmarks.
• Retorno Anual vs. Drawdown Máximo: O modelo gerou retornos anuais consistentes (10.7% em ambos os casos) com drawdowns máximos significativamente menores que os benchmarks de ações puras (ex: -18.7% vs -55.3% no S&P 500 para o conjunto GVMC).
• Estabilidade: O modelo demonstrou resiliência durante crises (2008 e 2020), sofrendo menos perdas que os benchmarks tradicionais.
• Significância Estatística: Regressões de alpha confirmaram que o desempenho superior é estatisticamente significativo (p-valor < 0.05) em relação a todos os benchmarks.

5. Significância e Conclusão

Este trabalho oferece uma alternativa prática e interpretável aos modelos complexos de alocação de ativos. Ao focar na previsão da estrutura da fronteira eficiente (através de coeficientes) em vez de tentar prever parâmetros de entrada instáveis (retornos e covariâncias), o modelo mitiga o erro de estimação que geralmente prejudica a otimização média-variância.

A principal inovação é a mudança de paradigma: em vez de tentar adivinhar o futuro exato para encontrar o portfólio de tangência, o modelo identifica a direção futura provável e aloca capital no portfólio atual mais próximo dessa direção. Isso resulta em uma estratégia que maximiza o índice de Sharpe fora da amostra, oferecendo uma ferramenta robusta para gestores de fundos e investidores que buscam superar o mercado com menor volatilidade e drawdowns controlados.

Limitações e Futuro: Os autores reconhecem que o modelo pode ser dependente dos ativos selecionados e do nível de alavancagem permitido (1.5x). Trabalhos futuros planejam testar em outros universos de ativos e explorar a inclusão de indicadores técnicos e modelos não lineares (como LASSO e árvores de decisão) para melhorar a previsão dos coeficientes.