💰 quantitative finance

A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach

Este artigo propõe um novo modelo de programação linear inteira mista robusta para o problema de acompanhamento de índice sob não rebalanceamento, acompanhado de um algoritmo heurístico híbrido que combina capacidades genéticas e de busca local para resolver eficientemente o problema NP-difícil e superar soluções comerciais tanto em dados de amostra quanto fora da amostra.

Autores originais: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Publicado 2026-07-13

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

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 esteja tentando construir uma versão em miniatura de uma orquestra massiva e caótica. Seu objetivo é escolher apenas alguns instrumentos (talvez 10 entre centenas) que, quando tocados juntos, soem exatamente como a sinfonia completa. No mundo financeiro, isso é chamado de Index Tracking (Rastreamento de Índice). Em vez de comprar cada ação de um mercado (o que é caro e bagunçado), os gestores de fundos querem escolher uma "carteira de rastreamento" pequena que imite perfeitamente o desempenho do mercado.

Por muito tempo, os gestores tentaram fazer isso observando o quão semelhantes as ações eram umas às outras no passado, como verificar se um violino e um violoncelo sempre tocavam as mesmas notas. Mas os autores deste artigo, Danial Ramezani e sua equipe, dizem que essa abordagem é um pouco como tentar prever o clima de amanhã olhando apenas para as nuvens de ontem. É instável demais. Eles argumentam que confiar em correlações simples do passado é ruidoso e frequentemente falha quando o humor do mercado muda.

A Nova Receita "Robusta"
A equipe propôs uma nova receita matemática (um modelo) que é "robusta". Pense nisso como construir um barco que não apenas flutua em águas calmas, mas que é projetado para sobreviver à pior tempestade possível. Em vez de apenas adivinhar quais ações corresponderão ao mercado, o modelo deles pergunta: "E se a relação entre essas ações der errado? E se elas agirem da pior forma possível?". Ao planejar para o pior cenário, o modelo escolhe um grupo de ativos que permanece estável mesmo quando as coisas ficam complicadas.

Eles também introduziram um "buffer de segurança" especial em sua matemática. Imagine que você está arrumando uma mala para uma viagem onde não tem certeza se vai chover ou fazer sol. Um arrumador normal poderia apenas adivinhar. Este novo modelo arruma para a chuva e para o sol, garantindo que você tenha o que precisa, não importa o que aconteça. Essa abordagem permite que a carteira rastreie o mercado por um longo período sem a necessidade de ajustes constantes (rebalanceamento), o que economiza dinheiro em taxas de transação.

A Equipe de Super-Busca (GALB)
Aqui está a parte difícil: encontrar os 10 instrumentos perfeitos entre centenas é um quebra-cabeça tão enorme que até os supercomputadores mais rápidos do mundo (chamados de "solvers exatos" como o CPLEX) podem ficar travados ou levar uma eternidade para resolver. O problema é "NP-difícil", que é uma maneira elegante de dizer que é um labirinto com muitos becos sem saída.

Para resolver isso, os autores criaram uma nova equipe de busca chamada GALB. Você pode pensar no GALB como um detetive híbrido.

O Algoritmo Genético (GA): Esta parte é como um enxame de exploradores correndo em todas as direções, tentando diferentes combinações de ações. É ótimo para encontrar novos caminhos interessantes rapidamente.
Branching Local: Este é o especialista em "dar zoom". Quando os exploradores encontram um ponto promissor, este especialista para e olha muito de perto para o ambiente imediato para ver se consegue ajustar a solução apenas um pouco para torná-la perfeita.

Ao misturar a "busca ampla" dos exploradores com a "inspeção detalhada" do especialista, o GALB encontra soluções de alta qualidade muito mais rápido do que os computadores lentos de força bruta.

O Que Dizem os Números
A equipe testou seu novo modelo robusto e sua equipe de busca GALB contra os métodos antigos e o computador super-rápido CPLEX usando dados de mercados famosos como o Dow Jones, Hang Seng, DAX, FTSE 100, S&P 100 e Nikkei 225.

Velocidade: Nestes testes, o computador CPLEX levou até 1.800 segundos (30 minutos) para tentar resolver o problema para alguns mercados, e às vezes desistia sem encontrar a melhor resposta. Em contraste, a equipe GALB encontrou ótimas soluções em apenas 120 segundos para mercados menores e 300 segundos para os maiores.
Precisão: As carteiras criadas pelo GALB não apenas encontraram respostas rapidamente; elas encontraram respostas melhores. Quando a equipe analisou o quão bem as carteiras se saíram no futuro (chamado de dados "fora da amostra" ou out-of-sample), o novo modelo apresentou consistentemente erros menores. Por exemplo, no teste do Dow Jones, o novo modelo teve um erro de rastreamento (MAD) de 0,00402 comparado a 0,00458 do Modelo 3 mais antigo.
Estabilidade: As carteiras que construíram eram compostas por apenas 10 ativos (um número muito pequeno comparado às centenas disponíveis). Apesar desse tamanho reduzido, elas rastrearam os mercados massivos por longos períodos sem a necessidade de serem constantemente rearranjadas.

O Que Eles Dizem Que NÃO É
Os autores são cuidadosos em apontar o que seu método não é. Eles argumentam explicitamente contra a ideia de que você pode simplesmente olhar para as correlações passadas das ações para prever o futuro. Eles mostram que modelos que ignoram cenários de "pior caso" (como o Modelo 1 mais antigo) frequentemente produzem carteiras que parecem boas nos testes, mas falham quando as condições do mundo real mudam. Eles também observam que, embora seu heurístico (GALB) seja incrível, ele é uma aproximação; ele encontra soluções que são "iguais ou até superiores" aos solvers exatos em um tempo menor, mas não garante uma prova matemática de perfeição para cada cenário possível no universo, embora tenha convergido para soluções ótimas para os tamanhos de problema testados.

A Conclusão
Nestas simulações e testes, os autores sugerem que seu novo modelo "robusto", combinado com a equipe de busca GALB, é uma forma poderosa de construir uma carteira pequena e de baixo custo que imita um grande mercado. Parece lidar com o caos do mercado de ações melhor do que os métodos antigos, mantendo o erro de rastreamento baixo e a necessidade de rebalanceamentos caros ao mínimo. Embora o artigo mostre que esses resultados se sustentam em vários índices globais importantes, os autores apresentam isso como uma abordagem testada e forte, em vez de uma solução mágica que resolve todos os mistérios financeiros existentes.

Resumo Técnico: Um Novo Modelo de Programação Linear Inteira Mista Robusto para Rastreamento de Índices Sem Rebalanceamento

Definição do Problema
O artigo aborda o problema de Rastreamento de Índice (RI), um desafio central na gestão de fundos passivos, onde o objetivo é construir um portfólio utilizando um subconjunto de ativos que replica o desempenho de um índice de referência (benchmark) específico. Os autores identificam limitações críticas nas formulações matemáticas existentes:

Sensibilidade à Correlação: Os modelos tradicionais frequentemente dependem de correlações históricas de ativos, que podem ser ruidosas, instáveis entre diferentes regimes de mercado e propensas ao sobreajuste (overfitting) de dados amostrais (in-sample), levando a um desempenho insatisfatório fora da amostra (out-of-sample).
Custos de Rebalanceamento: Muitas estratégias exigem rebalanceamentos frequentes para manter a precisão do rastreamento, incorrendo em custos de transação significativos e riscos de liquidez.
Complexidade Computacional: O problema de RI é NP-difícil devido à sua natureza combinatória (seleção de um subconjunto de ativos e determinação de pesos), tornando difícil resolvê-lo de forma ótima para grandes conjuntos de dados dentro de prazos razoáveis utilizando resolvedores exatos.

O objetivo específico deste estudo é desenvolver um modelo que seja robusto contra a incerteza dos parâmetros (especificamente desvios de correlação), capaz de rastrear índices por longos períodos sem a necessidade de rebalanceamento, e que possa ser resolvido eficientemente via uma nova heurística.

Metodologia

1. Formulação Matemática (Modelo 4)
Os autores propõem uma nova formulação de Programação Linear Inteira Mista (MILP) que integra dois objetivos distintos em um único modelo robusto:

Robustez via Incerteza de Correlação: Baseando-se na abordagem de otimização robusta de Bertsimas e Sim (2003), o modelo incorpora um cenário de "pior caso" para as correlações entre ativos. Ele minimiza o desvio negativo das correlações (coeficientes $\Gamma$ assumindo seus piores valores) para garantir que o portfólio permaneça eficaz mesmo se as correlações mudarem desfavoravelmente.
Minimização do Erro de Rastreamento: O modelo minimiza simultaneamente o Desvio Absoluto Médio (MAD) entre o retorno do portfólio e o retorno do índice de referência.
Restrições: A formulação inclui restrições padrão do mundo real, como cardinalidade (limitando o número de ativos, $K$ ), limites de compra (buy-in thresholds) (pesos mínimos e máximos) e proibição de vendas a descoberto (no short-selling).
Função Objetivo: A função objetivo (Eq. 19) combina o termo de erro de rastreamento e o termo de correlação robusta, escalonados por coeficientes $\xi$ e $\psi$ para normalizar os valores entre 0 e 1.

2. Abordagem de Solução: Heurística GALB
Reconhecendo que os resolvedores exatos têm dificuldade com problemas de maior escala, os autores desenvolveram a GALB (Algoritmo Genético com Ramificação Local), uma metaheurística híbrida:

Algoritmo Genético (GA): Atua como o motor de busca global, utilizando operadores de cruzamento (crossover) e mutação para evoluir uma população de soluções candidatas (portfólios).
Ramificação Local (Local Branching): Integrada como um mecanismo de busca local. Quando condições específicas são atendidas (por exemplo, um número definido de iterações do GA sem melhoria), o algoritmo aplica a ramificação local à melhor solução encontrada. Isso envolve a definição de uma vizinhança de distância de Hamming ao redor da atual melhor solução e a resolução de um subproblema MILP restrito para explorar soluções próximas de forma mais profunda.
Função de Aptidão (Fitness Function): Uma função de aptidão especializada (Algoritmo 2) é projetada para avaliar as soluções sem o custo computacional de executar um resolvedor exato em cada etapa. Ela decodifica os pesos dos ativos e calcula o valor objetivo robusto diretamente, lidando com os cenários de pior caso de correlação de forma eficiente.

Configuração Experimental
O estudo utilizou dados de oito grandes mercados: Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 e Nikkei 225. As fontes de dados incluíram a OR-library e o Yahoo Finance (julho de 2018 – janeiro de 2024).

Comparações: O Modelo 4 proposto e a GALB foram comparados contra:
- Formulações existentes (Modelo 1 baseado na maximização de correlação, Modelo 3 baseado na minimização de MAD).
- O resolvedor exato comercial CPLEX.
Métricas: O desempenho foi avaliado usando Correlação ( $\rho$ ), Desvio Absoluto Médio (MAD), Raiz do Erro Quadrático Médio (RMSE), Desvio Padrão do erro de rastreamento (STD) e Beta. Tanto os resultados in-sample quanto out-of-sample foram analisados.
Parâmetros: Os experimentos testaram vários níveis de incerteza ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) e fixaram o tamanho do portfólio em 10 ativos ( $K=10$ ).

Principais Resultados

Superioridade da Formulação Robusta:
- Quando resolvido pelo CPLEX, o proposto Modelo 4 superou consistentemente o Modelo 1 e o Modelo 3 em métricas out-of-sample em todos os mercados testados (Dow Jones, CAC 40, EURO STOXX 50).
- Especificamente, o Modelo 4 alcançou maior correlação com o índice e menores erros de rastreamento (MAD, RMSE, STD) em períodos out-of-sample, demonstrando sua robustez contra mudanças de regime de mercado.
- Em termos de eficiência computacional, o CPLEX resolveu o modelo proposto mais rapidamente que o Modelo 3 para vários mercados (ex: 72s vs. 118s para o Dow Jones).
Desempenho da Heurística GALB:
- Eficiência: A GALB encontrou soluções de qualidade igual ou superior ao CPLEX em significativamente menos tempo (ex: 120s vs. 1800s para o Dow Jones; 300s vs. 1800s para outros).
- Otimalidade: Para problemas de menor escala, a GALB convergiu para o ótimo global (resultados idênticos ao CPLEX) em muitas execuções, particularmente quando $\Gamma=0$ .
- Dominância Out-of-Sample: Na maioria dos mercados (Hang Seng, DAX, Nikkei 225, S&P 100), os portfólios gerados pela GALB (especialmente com $\Gamma=75\%$ ou $90\%$ ) apresentaram melhor desempenho de rastreamento out-of-sample do que os do CPLEX, mesmo quando o CPLEX teve mais tempo para busca.
- Sem Rebalanceamento: Os portfólios resultantes, compostos por apenas 10 ativos, rastrearam os índices por longos períodos com desvio mínimo, validando a afirmação de "sem rebalanceamento".

Significância e Alegações
O artigo alega uma contribuição dupla:

Uma Formulação Robusta: Introduz um modelo MILP que é mais robusto que os modelos de RI tradicionais, capaz de lidar com a incerteza de correlação e entregar um desempenho out-of-sample superior sem exigir rebalanceamentos frequentes.
Uma Heurística Poderosa: Apresenta a GALB, um algoritmo híbrido que equilibra efetivamente a exploração global (GA) e a explotação local (Ramificação Local). Os autores afirmam que a GALB não apenas resolve problemas de RI NP-difíceis mais rápido que resolvedores comerciais, mas também gera portfólios que superam as soluções de resolvedores exatos em termos de precisão de rastreamento no mundo real.

O estudo conclui que a abordagem proposta permite a construção de portfólios enxutos (com apenas 10 ativos) que mantêm alta correlação com índices voláteis e amplos (como o Nikkei 225) ao longo de períodos estendidos, reduzindo efetivamente os custos de gestão associados ao giro (turnover) e ao rebalanceamento.

Mais como este