📈 economics

Mathematical Optimisation Techniques for Enterprise Finance: Maximising Returns and Minimising Risk

Este estudo demonstra que a aplicação de otimização matemática aos dados diários de cinco empresas indianas revela um compromisso onde a maximização de retornos sem restrições leva a uma concentração excessiva e alta volatilidade, ao passo que estratégias diversificadas, como carteiras de risco mínimo ou de pesos iguais, oferecem retornos mais estáveis e melhor desempenho ajustado ao risco para as finanças empresariais.

Autores originais: Reginald Djimatey, Michael Ayikwei Quarshie, Francis Tuffour, Rex Paul Danquah

Publicado 2026-08-19

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Reginald Djimatey, Michael Ayikwei Quarshie, Francis Tuffour, Rex Paul Danquah

Artigo original sob licença CC BY 4.0 (https://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

Todo negócio que gere dinheiro enfrenta uma tensão fundamental e implacável: o desejo de aumentar a riqueza versus a necessidade de protegê-la. No mundo das finanças empresariais, isso não é uma questão de adivinhação ou intuição, mas de navegar em um cenário onde maiores recompensas potenciais estão intrinsecamente ligadas a maiores chances de perda. Para gerir isso, os líderes financeiros baseiam-se num conceito conhecido como a relação risco-retorno. Simplificando, um investimento que promete um grande ganho geralmente carrega uma chance significativa de perder valor, enquanto um investimento seguro oferece frequentemente apenas um crescimento modesto. O desafio para qualquer organização é encontrar a mistura precisa de ativos que entregue o melhor retorno possível para a quantidade de risco que estão dispostos a aceitar. É aqui que a otimização matemática entra em cena, oferecendo uma forma sistemática de calcular a distribuição ideal de fundos entre diferentes investimentos, em vez de depender do instinto.

Uma equipa de investigadores de universidades de Gana decidiu testar como estas ferramentas matemáticas funcionam no mundo real das finanças empresariais. Eles focaram-se em cinco grandes empresas listadas na Bolsa de Valores Nacional da Índia, acompanhando os seus preços de ações diários ao longo de uma década, de 2015 a 2025. As empresas representavam diferentes setores, incluindo automóveis, banca, tecnologia, farmacêutica e aço, fornecendo um conjunto diversificado de dados para trabalhar. Os investigadores não se limitaram a observar quanto dinheiro cada empresa ganhou; eles mediram o quanto esses ganhos flutuavam dia após dia e como o desempenho de uma empresa se movia em relação às outras. Ao analisar estes padrões, construíram três estratégias de investimento distintas para ver qual abordagem oferecia mais valor para uma empresa.

A primeira estratégia foi a mais simples: uma carteira com pesos iguais. Nesta abordagem, a empresa dividiria o seu dinheiro de forma equilibrada, colocando a mesma quantia em cada uma das cinco empresas. A segunda estratégia visava encontrar o caminho absolutamente mais seguro, uma carteira de risco mínimo desenhada para manter o valor do investimento o mais estável possível, mesmo que isso significasse aceitar lucros menores. A terceira estratégia era o oposto, uma carteira de retorno máximo que procurava extrair cada dólar possível de lucro, independentemente de quão selvagem fosse a jornada. Os investigadores utilizaram modelos computacionais para calcular a percentagem exata de dinheiro a alocar para cada ação para a segunda e terceira estratégias, deixando a matemática decidir a melhor mistura com base nos dados históricos.

Os resultados revelaram um contraste acentuado entre estas abordagens. A estratégia que perseguiu o lucro mais elevado acabou por colocar todo o dinheiro numa única empresa, a Tata Steel. Embora esta abordagem tenha gerado um retorno anual massivo de 32,89 por cento, veio com um preço: o valor do investimento oscilou violentamente, com uma volatilidade anual de 48,72 por cento. Esta concentração extrema significava que, se a Tata Steel enfrentasse problemas, todo o investimento sofreria. O estudo descobriu que este tipo de abordagem "tudo ou nada", embora matematicamente otimizada para o lucro puro, cria um nível de risco que é frequentemente demasiado elevado para uma empresa estável.

Em contraste, a estratégia de risco mínimo produziu um quadro muito diferente. Ao distribuir cuidadosamente o dinheiro pelas cinco empresas, com a maior parte destinada à empresa de tecnologia Infosys, a carteira alcançou um retorno anual de 16,91 por cento. Mais importante ainda, o valor desta carteira foi muito mais estável, com uma volatilidade de apenas 18,55 por cento. Isto demonstrou que, ao diversificar — distribuindo os investimentos por diferentes empresas que não se movem em perfeita sintonia — a empresa poderia reduzir significativamente a chance de uma queda abrupta de valor. A abordagem de pesos iguais, que simplesmente dividiu o dinheiro em cinco partes sem cálculos complexos, situou-se num ponto intermédio, entregando um retorno de 19,87 por cento com uma volatilidade de 20,80 por cento.

O estudo conclui que, embora os modelos matemáticos sejam ferramentas poderosas para a tomada de decisões de investimento, devem ser usados com cautela. A investigação sugere que seguir cegamente um modelo que procura apenas maximizar os retornos pode levar a uma concentração perigosa num único ativo. Em vez disso, a abordagem mais prática para uma empresa é utilizar estes modelos para encontrar uma alocação equilibrada que respeite a necessidade de estabilidade. Os resultados indicam que uma carteira diversificada, que aceita um retorno ligeiramente inferior em troca de um risco muito menor, é frequentemente a escolha mais inteligente para a saúde financeira a longo prazo. Ao combinar a precisão matemática com regras sensatas sobre quanto dinheiro colocar em qualquer investimento individual, as empresas podem navegar a incerteza do mercado com maior confiança e clareza.

Resumo Técnico: Técnicas de Otimização Matemática para Finanças Empresariais

Definição do Problema
Os gestores financeiros de empresas enfrentam o desafio complexo de alocar capital para equilibrar a busca por maiores retornos sobre o investimento com a necessidade de controlar o risco financeiro sob condições de mercado incertas. Embora o compromisso entre risco e retorno seja um conceito fundamental, determinar a composição ideal de ativos requer métodos sistemáticos que considerem retornos esperados, volatilidade, correlação e covariância. O artigo aborda a lacuna nos estudos empíricos que contrastam explicitamente estratégias de alocação diversificadas simples (como o peso igual) contra carteiras matematicamente otimizadas (risco mínimo e retorno máximo) utilizando um subconjunto direcionado de grandes empresas indianas. Busca também demonstrar como a otimização matemática sem restrições pode levar a uma concentração irrealista, destacando assim a necessidade de restrições de diversificação na tomada de decisão empresarial prática.

Metodologia
O estudo emprega um design de pesquisa quantitativa utilizando dados secundários de janeiro de 2015 a janeiro de 2025. O conjunto de dados compreende dados diários de preços de ações (Abertura, Máxima, Mínima, Fechamento, Volume) de cinco empresas listadas na National Stock Exchange (NSE) da Índia: Maruti Suzuki, ICICI Bank, Infosys, Sun Pharmaceutical Industries e Tata Steel. Essas empresas foram selecionadas para representar diferentes setores, oferecendo potencial para diversificação.

A abordagem analítica envolveu as seguintes etapas:

Processamento de Dados: Retornos diários e mensais foram calculados a partir dos preços de fechamento. Métricas estatísticas fundamentais, incluindo retornos médios, desvios padrão (volatilidade), coeficientes de correlação e matrizes de covariância, foram computadas.
Construção de Carteiras: Três estratégias de carteira distintas foram construídas e avaliadas:
- Carteira de Peso Igual: Uma estratégia de diversificação padrão alocando 20% para cada ação.
- Carteira de Risco Mínimo: Otimizada para minimizar a variância da carteira (volatilidade) sujeita à alocação total de capital e restrições de ausência de vendas a descoberto.
- Carteira de Retorno Máximo: Otimizada para maximizar o retorno esperado sujeita às mesmas restrições.
Técnicas de Otimização: O estudo utilizou otimização de média-variância e programação quadrática. As funções objetivo foram definidas como minimização da variância da carteira ( $\min \sigma_p^2$ ) para o modelo de risco e maximização do retorno esperado da carteira ( $\max E(R_p)$ ) para o modelo de retorno.
Implementação: A análise estatística e a otimização foram executadas usando Python, aproveitando bibliotecas como Pandas, NumPy, SciPy e Matplotlib para processamento de dados, computação numérica, otimização e visualização da fronteira eficiente.
Métricas de Desempenho: As carteiras foram avaliadas com base no retorno anualizado, volatilidade anualizada, variância da carteira e o índice Sharpe.

Principais Resultados
A análise gerou perfis de risco-retorno distintos para as três estratégias:

Características dos Ativos: A Tata Steel exibiu os maiores retornos médios diários (0,001305) e mensais (0,026472), mas também a maior volatilidade (desvio padrão mensal de 0,130514). Por outro lado, a Infosys demonstrou a menor volatilidade (0,070480) e um retorno moderado, tornando-se um ativo estabilizador.
Análise de Correlação: Todas as correlações pareadas foram positivas, mas permaneceram abaixo de 0,50, com a menor correlação (0,1470) entre Infosys e Tata Steel. Isso indicou que as ações selecionadas não se moviam perfeitamente em conjunto, apoiando o potencial de diversificação.
Desempenho da Carteira:
- Carteira de Peso Igual: Gerou um retorno anualizado de 19,87% com uma volatilidade de 20,80% e um índice Sharpe de 0,8595.
- Carteira de Risco Mínimo: Alcançou um retorno anualizado de 16,91% com a menor volatilidade de 18,55%. A alocação ideal favoreceu fortemente a Infosys (34,73%), seguida pela Sun Pharmaceutical (26,16%) e Maruti Suzuki (24,92%), com alocação mínima para a Tata Steel (2,30%).
- Carteira de Retorno Máximo: Produziu o maior retorno anualizado de 32,89%, mas ao custo de uma volatilidade extrema (48,72%). O modelo de otimização alocou 100% do capital para a Tata Steel, resultando em uma carteira altamente concentrada e arriscada.

Principais Contribuições
O artigo contribui para a literatura de finanças empresariais ao:

Comparação Empírica: Fornecer uma comparação direta entre uma estratégia padrão de peso igual e carteiras matematicamente otimizadas utilizando um conjunto de dados específico de 10 anos de empresas listadas na NSE.
Demonstração do "Enigma da Otimização": Validar a preocupação de que a maximização de retornos sem restrições pode levar à concentração extrema de ativos (neste caso, 100% em uma única ação volátil), o que pode ser impraticável para a gestão de risco empresarial.
Validação da Diversificação: Mostrar que a carteira de risco mínimo reduziu com sucesso a volatilidade abaixo daquela da carteira de peso igual, aproveitando a baixa correlação entre ativos específicos (ex: Infosys e Tata Steel).
Aplicação Metodológica: Ilustrar a aplicação de otimização de média-variância e programação quadrática em um contexto de finanças empresariais do mundo real usando Python.

Significância e Alegações
Os autores afirmam que a otimização matemática fornece uma estrutura sistemática e transparente para identificar alocações eficientes de carteira. No entanto, o estudo conclui modestamente que a otimalidade matemática não equivale automaticamente à eficácia prática. Os achados sugerem que:

A maximização sem restrições é arriscada: Buscar retornos máximos sem restrições leva à concentração excessiva e instabilidade, o que é inadequado para a maioria das empresas.
A diversificação é crítica: Uma alocação diversificada (seja de peso igual ou de risco mínimo) melhora a estabilidade da carteira e oferece um equilíbrio mais ponderado entre risco e retorno.
Implicações Gerenciais: As decisões de investimento empresarial devem utilizar modelos de otimização, mas estes devem ser combinados com restrições práticas, como limites de exposição, requisitos de diversificação e revisões periódicas de carteira. O estudo postula que, para um desempenho financeiro sustentável, uma alocação de risco mínimo diversificada ou equilibrada é mais adequada do que uma estratégia de retorno máximo concentrada.

O artigo não pretende resolver todos os desafios das finanças empresariais, mas sim demonstrar a utilidade desses modelos para quantificar compensações (trade-offs) e a necessidade de integrá-los com políticas de gestão de risco.

Mais como este