📈 economics

Multi-objective Portfolio Optimization Based on the Fama–French Three-Factor Model and the Black–Litterman Framework

Este estudo propõe um modelo robusto de otimização de portfólio multiobjetivo que integra o modelo de três fatores de Fama–French com a estrutura de Black–Litterman para gerar retornos esperados posteriores enquanto minimiza simultaneamente o risco de queda e maximiza a diversificação sob restrições práticas, demonstrando desempenho superior em relação às estratégias de referência tanto em testes intraamostrais quanto extraamostrais.

Autores originais: Shili Dang, Yang Liu

Publicado 2026-08-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Shili Dang, Yang Liu

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

No mundo dos investimentos, o desafio central não é simplesmente encontrar ativos que gerem dinheiro, mas encontrar a combinação certa de ativos que possa sobreviver quando o mercado se tornar desfavorável. Durante décadas, a forma padrão de gerir este risco baseou-se num conceito matemático chamado variância, que trata cada oscilação de preço como um perigo potencial, quer o preço suba ou desça. Esta abordagem assume que os retornos dos investimentos seguem uma curva previsível em forma de sino, tal como a distribuição de alturas numa grande multidão. No entanto, os mercados financeiros reais são frequentemente mais caóticos, com quedas súbitas e acentuadas que acontecem com mais frequência do que uma curva simples preveria. Além disso, os métodos mais comuns para adivinhar retornos futuros são notoriamente frágeis; se o palpite de um investidor sobre o desempenho futuro de uma ação estiver ligeiramente errado, o plano de investimento resultante pode tornar-se desequilibrado, colocando demasiado dinheiro numa única aposta arriscada. Para resolver estes problemas, os investigadores procuram há muito uma forma de construir carteiras que se foquem especificamente no risco de perder dinheiro, garantindo ao mesmo tempo que o dinheiro está suficientemente disperso para evitar o desastre caso um investimento específico falhe.

Uma equipa de investigadores da Universidade de Finanças e Economia de Guangdong propôs um novo método para enfrentar estas questões, combinando três ideias distintas numa estratégia única e coesa. Primeiro, utilizam uma estrutura conhecida como o modelo de três fatores de Fama–French, que analisa três impulsionadores específicos do desempenho das ações: o mercado geral, o tamanho da empresa e o seu valor relativo ao seu valor contabilístico. Em vez de adivinhar retornos futuros no vácuo, este modelo utiliza dados históricos para compreender como estes três fatores influenciaram ações específicas no passado. Segundo, alimentam esses conhecimentos num sistema chamado modelo Black–Litterman, que atua como um filtro sofisticado. Este sistema pega nas expectativas gerais do mercado e funde-as com os conhecimentos específicos do modelo de três fatores, suavizando os palpites selvagens que frequentemente assolam o planeamento tradicional. Finalmente, os investigadores substituem a antiga medida abrangente de risco por uma ferramenta mais precisa chamada desvio médio absoluto semidirecional, que apenas conta as vezes em que uma carteira perde valor, ignorando as vezes em que ganha. Eles também adicionam uma medida de "entropia", um conceito emprestado da física que, neste contexto, simplesmente quantifica o quão uniformemente o dinheiro está distribuído por diferentes ações. Se o dinheiro estiver concentrado em apenas algumas ações, a entropia é baixa; se estiver disperso, a entropia é alta.

Os investigadores testaram esta nova abordagem utilizando trinta ações principais do Índice CSI 300 da China, uma coleção das empresas mais grandes e líquidas do país. Eles recolheram dados de preços diários de 1 de janeiro de 2024 a 30 de junho de 2025, para ver como o seu modelo se comportaria num cenário do mundo real. Compararam o seu método com dois marcos comuns: o próprio Índice CSI 300, que simplesmente acompanha o mercado, e uma estratégia "1/N", onde um investidor coloca uma quantia igual de dinheiro em cada ação sem qualquer análise complexa. O estudo também considerou o atrito do mundo real, como as taxas pagas cada vez que uma ação é comprada ou vendida, e regras estritas que impedem os investidores de apostar mais de 30% do seu dinheiro numa única ação.

Os resultados da simulação mostraram que o novo modelo superou consistentemente as estratégias mais simples. Ao observar o crescimento total do investimento durante o período de teste, o novo modelo gerou um retorno cumulativo de aproximadamente 17,5%, significativamente superior aos ganhos modestos observados na estratégia de peso igual. Mais importante ainda, o novo modelo provou ser melhor a proteger o capital do investidor durante as quedas. Enquanto o índice de mercado padrão e a abordagem de peso igual lutaram para manter o seu valor, o foco do novo modelo no risco de queda significou que sofreu menos durante as descidas do mercado. Os investigadores mediram isto utilizando uma métrica chamada rácio de Sortino, que avalia o desempenho de um investimento em relação aos seus dias maus, em vez de todos os seus dias. Neste teste, o novo modelo alcançou um rácio de Sortino de pico acima de 27, enquanto a estratégia de peso igual raramente excedeu os 5. Isto sugere que o modelo foi excepcionalmente bom em evitar perdas sem sacrificar o potencial de ganhos.

Além de ganhar mais dinheiro, o modelo também demonstrou maior estabilidade. Os investigadores testaram como o modelo se manteria se alterassem o tempo das suas decisões, tais como a frequência com que reequilibram a carteira ou a quantidade de dados históricos utilizados para fazer as suas previsões. Eles descobriram que o modelo permanecia robusto em diferentes configurações, sugerindo que o seu sucesso não foi um acaso de um período de tempo específico. O estudo indica que, ao fundamentar as suas previsões no modelo de três fatores e depois as refinar com a estrutura Black–Litterman, os investigadores criaram um sistema que é menos sensível aos erros que normalmente arruínam os planos de investimento. A inclusão da medida de entropia garantiu que a carteira não se tornasse perigosamente concentrada, enquanto o foco no desvio semidirecional manteve a estratégia alerta para o perigo específico de perder dinheiro.

Este trabalho sugere que uma abordagem mais matizada à construção de carteiras pode gerar benefícios tangíveis para os investidores. Ao afastar-se da ideia de que todo o movimento de preços é risco igual, e ao fundamentar as expectativas futuras numa análise estruturada de fatores de mercado, os investigadores criaram uma ferramenta que equilibra o desejo de lucro com a necessidade de segurança. O estudo não afirma ter resolvido o mistério do mercado, mas fornece provas sólidas de que a combinação destas técnicas específicas pode levar a carteiras que são não só mais lucrativas, mas também mais resilientes quando o mercado se volta contra elas. Para investidores institucionais e gestores de património, isto oferece um caminho prático, demonstrando que uma abordagem disciplinada e multiobjetivo pode navegar as complexidades dos mercados financeiros modernos de forma mais eficaz do que as estratégias tradicionais de visão única.

Resumo Técnico: Otimização de Portfólio Multiobjetivo Baseada no Modelo de Três Fatores de Fama–French e na Estrutura de Black–Litterman

1. Definição do Problema

O artigo aborda limitações críticas nos modelos tradicionais de otimização de portfólio, particularmente na estrutura de Média-Variância. Os autores identificam três desafios primários na gestão de investimentos atual:

Viés de Medição de Risco: A variância trata desvios positivos e negativos da média de forma igual, falhando em distinguir entre volatilidade "favorável" e "desfavorável". Isso contradiz as preferências dos investidores, que se preocupam primordialmente com o risco de queda (downside risk).
Sensibilidade ao Erro de Estimativa: Modelos clássicos são altamente sensíveis a erros na estiminação de retornos esperados e matrizes de covariância, levando frequentemente a pesos extremos no portfólio e a um desempenho instável fora da amostra (out-of-sample).
Falta de Diversificação e Restrições Práticas: Modelos existentes frequentemente negligenciam a diversificação do portfólio (risco de concentração) e ignoram restrições do mundo real, como custos de transação e limites de peso, limitando sua implementabilidade.
Subjetividade nas Visões de Retorno: Embora o modelo Black–Litterman (BL) melhore a estimativa de retornos ao combinar o equilíbrio de mercado com as visões do investidor, a construção dessas visões carece de uma base teórica unificada, dependendo fortemente de dados subjetivos ou puramente empíricos.

2. Metodologia

O estudo propõe um Modelo de Otimização de Portfólio Multiobjetivo que integra o modelo de três fatores de Fama–French com a estrutura Black–Litterman, utilizando o Desvio Semiestatístico Absoluto da Média (MASD) para o risco e a Entropia para a diversificação.

A. Estimativa do Retorno Esperado (Estrutura FF-BL)

Os autores constroem uma estrutura unificada para gerar retornos esperados:

Modelagem de Fatores: O modelo de três fatores de Fama–French (Mercado, Tamanho e Valor) é primeiro estimado via Mínimos Quadrados Ordinários (OLS) para determinar as cargas fatoriais ( $\beta, s, h$ ).
Construção de Visões: Os retornos esperados derivados do modelo de fatores ( $\Pi_{FF}$ ) servem como as "visões do investidor" dentro do processo de atualização Bayesiana de Black–Litterman.
Atualização Bayesiana: Essas visões baseadas em fatores são combinadas com os retornos de equilíbrio de mercado (derivados do CAPM) usando o teorema de Bayes. Isso resulta em um vetor de retorno esperado posterior ( $\mu_{BL}$ ) que é mais robusto e teoricamente fundamentado do que as abordagens tradicionais de BL.

B. Métricas de Risco e Diversificação

Risco de Queda (Downside Risk): Em vez da variância, o modelo utiliza o Desvio Semiestatístico Absoluto da Média (MASD). Esta métrica calcula o desvio absoluto médio dos retornos que caem abaixo da média, visando especificamente a volatilidade de queda.
Diversificação: A diversificação do portfólio é quantificada usando a Entropia de Shannon. Valores de entropia mais altos indicam uma distribuição mais uniforme de pesos, reduzindo o risco de concentração.

C. Formulação da Otimização

O problema é formulado como um problema de otimização de três objetivos:

Maximizar o Retorno Líquido: Incorporando os retornos esperados posteriores do FF-BL e deduzindo os custos de transação (modelados como uma função em forma de V do nível de mudança de peso).
Minimizar o Risco de Queda: Minimizando o Desvio Semiestatístico Absoluto da Média.
Maximizar a Diversificação: Maximizando a Entropia do Portfólio.

Restrições:

Restrição de investimento total (a soma dos pesos é igual a 1).
Proibição de vendas a descoberto (no short-selling).
Limites superiores e inferiores nos pesos individuais dos ativos ( $l_i \leq x_i \leq u_i$ ).

D. Método de Solução

O problema multiobjetivo é resolvido utilizando o Método do Ponto Ideal. Esta abordagem:

Determina o valor ideal (ótimo) para cada função objetivo de forma independente.
Normaliza as funções objetivo.
Minimiza a distância entre a solução viável e o ponto ideal (usando uma norma específica), transformando o problema multiobjetivo em um problema de minimização de objetivo único.

3. Análise Empírica

Dados: Dados diários de 1º de janeiro de 2024 a 30 de junho de 2025, para 30 ações constituintes do Índice CSI 300.
Benchmarks: O modelo proposto é comparado contra a estratégia de Peso Igual (1/N) e o Índice CSI 300.
Parâmetros: Taxa livre de risco definida em 0,000119; custo de transação em 0,003; limites de peso entre 0 e 0,3.

4. Principais Resultados

A análise empírica demonstra que o modelo proposto de MASD–Entropia FF-BL supera os benchmarks em múltiplas dimensões:

Retornos: O modelo alcançou um retorno cumulativo de pico de aproximadamente 17,5% durante o período fora da amostra, superando significativamente a estratégia 1/N e o Índice CSI 300.
Desempenho Ajustado ao Risco:
- Índice de Sharpe (SR): O modelo FF-BL alcançou um SR de 0,0972, mais que o dobro da estratégia 1/N (0,0431) e quase quatro vezes o do CSI 300 (0,0251).
- Índice de Sortino: O modelo mostrou uma vantagem substancial no desempenho ajustado ao risco de queda, com um índice de Sortino de pico excedendo 27, comparado ao índice da estratégia 1/N que permaneceu abaixo de 5.
Robustez: O modelo manteve um desempenho estável através de várias frequências de rebalanceamento (T) e comprimentos de janela móvel (W). Janelas históricas mais longas (ex: W=252) geraram índices de Sharpe ligeiramente superiores, sugerindo estabilidade contra o ruído de curto prazo do mercado.
Diversificação: A inclusão da entropia como uma função objetivo resultou em uma alocação de portfólio mais equilibrada em comparação com estratégias passivas.

5. Significância e Contribuições

O artigo reivindica três contribuições primárias para o campo da gestão de portfólio:

Unificação Teórica: Ao incorporar o modelo de três fatores de Fama–French na estrutura Black–Litterman, o estudo fornece uma base estruturada e economicamente significativa para a construção de visões do investidor. Isso reduz a subjetividade e os erros de estimativa associados aos modelos BL tradicionais.
Alinhamento Multiobjetivo: A construção de um modelo de três objetivos (Retorno, Risco de Queda, Diversificação) alinha-se melhor com as preferências reais dos investidores do que as abordagens tradicionais de média-variância. O uso do MASD aborda especificamente a assimetria da percepção de risco.
Implementabilidade Prática: Ao incorporar custos de transação e restrições de peso, o modelo produz resultados de otimização que são viáveis para o investimento institucional e gestão de patrimônio no mundo real, particularmente dentro dos mercados de capitais da China.

Os autores concluem que a estrutura proposta oferece uma alternativa robusta ao investimento passivo em índices e à diversificação simples, fornecendo um sistema de suporte metodológico para a alocação de ativos que equilibra a maximização do retorno com o controle do risco de queda e a estabilidade do portfólio.