📈 economics

Multi-objective Portfolio Optimization Via Gradient Descent

Este artigo introduz um framework de benchmark flexível, baseado em gradiente descendente, para otimização de portfólio multiobjetivo que aproveita a diferenciação automática para lidar com restrições complexas e objetivos diversos, demonstrando um desempenho competitivo em relação a solvers padrão através de vários cenários experimentais.

Autores originais: Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

Publicado 2026-08-15

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

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

Imagine que você é o capitão de um grande navio, mas em vez de navegar em águas, você está navegando em um mar feito inteiramente de dinheiro. Seu objetivo é ir do ponto A ao ponto B com o máximo de tesouro possível, mas há um detalhe: o oceano está cheio de tempestades (risco) e você tem um mapa rigoroso (regulamentações) que diz que você não pode carregar muito ouro em um único baú, e deve permanecer próximo a um farol específico (um índice de referência). Este é o mundo da otimização de portfólio. Durante décadas, a maneira padrão de conduzir este navio foi usar uma bússola matemática rígida chamada "Teoria Moderna do Portfólio". Ela funcionava bem em águas calmas, mas quando o mar ficava agitado com regras complexas ou objetivos conflitantes — como querer o máximo de tesouro E o mínimo de risco E limites de segurança rigorosos — a velha bússola muitas vezes travava ou quebrava.

Apresentamos uma nova ferramenta de navegação: o Gradiente Descendente (Gradient Descent). Pense nisso não como um mapa rígido, mas como um caminhante sentindo seu caminho em uma montanha com neblina. O caminhante (o computador) dá pequenos passos, verificando constantemente qual direção é a mais íngreme para baixo (em direção a menos risco ou mais lucro) e ajustando seu caminho. Geralmente, este método de "caminhada" é usado para ensinar computadores a reconhecer gatos em fotos ou dirigir carros. Mas e se ensinássemos o computador a caminhar pelas montanhas financeiras? É exatamente isso que este artigo explora. Os pesquisadores construíram um novo framework que utiliza esta técnica de "caminhada", alimentada por ferramentas modernas de IA, para resolver os problemas bagunçados de múltiplos objetivos do investimento, com os quais os métodos antigos têm dificuldade. Eles queriam ver se esta abordagem flexível, passo a passo, poderia construir um baú de tesouro melhor, mais seguro e que respeitasse mais as regras do que as calculadoras tradicionais e rígidas.

A Jornada do Artigo: Caminhando pelas Montanhas Financeiras

Os autores, uma equipe da Universidade Autônoma de Madrid e da March Asset Management, propuseram-se a testar se este método de "caminhada" (Gradiente Descendente) conseguiria lidar com a tarefa complexa de Otimização de Portfólio Multiobjetivo (MPO). No mundo real, os investidores não querem apenas "retornos altos". Eles querem retornos altos enquanto mantêm o risco baixo, enquanto seguem leis rigorosas (como as regras europeias UCITS), enquanto garantem que não estão colocando todos os ovos em uma única cesta e enquanto acompanham de perto um índice de mercado específico. As ferramentas tradicionais costem ter dificuldades quando você pede para elas equilibrarem todas essas bolas ao mesmo tempo, especialmente se as regras forem complicadas ou os dados forem enormes.

Os pesquisadores construíram um playground digital usando dados do S&P 500 (uma lista de cerca de 500 das maiores empresas dos EUA) do ano de 2020. Eles não construíram apenas um teste; eles construíram seis cenários diferentes, variando de tarefas simples de "encontrar o melhor caminho" a desafios incrivelmente complexos de "encontrar o melhor caminho enquanto desvia de rochas, mantém limites de velocidade e carrega um peso específico".

Os Testes Simples: Caminhando em Linha Reta
Primeiro, eles testaram o básico. Em um cenário, pediram ao computador para simplesmente encontrar o caminho com o melhor equilíbrio entre risco e recompensa (maximizando o "índice Sharpe"). Eles compararam seu novo método de "caminhada" contra um famoso e rígido solver matemático chamado CVXPY. O resultado? O caminhante e o calculador rígido chegaram quase ao mesmo lugar. Os pesos dos ativos (quanto dinheiro ia para cada ação) eram quase idênticos, diferindo apenas na sexta casa decimal. Isso provou que o novo método era tão preciso quanto as ferramentas antigas e confiáveis para tarefas simples.

Em um segundo teste, pediram ao computador para minimizar "perdas extremas" (um conceito chamado CVaR). Eles compararam isso contra outra ferramenta chamada SKFOLIO. Aqui, o "caminhante" seguiu um caminho ligeiramente diferente do calculador rígido, escolhendo ações diferentes e atribuindo-lhes pesos ligeiramente diferentes. No entanto, quando verificaram o resultado final — a quantidade real de perda extrema evitada — os dois métodos eram praticamente gêmeos. A diferença era tão minúscula (na quinta casa decimal) que, para todos os efeitos práticos, o caminhante encontrou o mesmo destino, apenas sentindo o chão em vez de seguir um mapa pré-desenhado. Isso foi importante porque o problema da "perda extrema" é matematicamente bagunçado e difícil de resolver perfeitamente com ferramentas rígidas; o caminhante lidou com isso com facilidade.

Os Testes Complexos: Malabarismos e Circuitos de Obstáculos
Então, as coisas ficaram intensas. Os pesquisadores adicionaram camadas de complexidade, como um videogame adicionando novos níveis.

O Seguidor de Regras: Pediram ao computador para minimizar perdas extremas enquanto obedecia às regulamentações UCITS. Estas são regras europeias estritas que dizem, por exemplo, "Nenhuma ação individual pode ocupar mais de 10% do seu portfólio" e "O total de suas grandes apostas (acima de 5%) não pode exceder 40%". As ferramentas tradicionais muitas vezes travam nessas regras porque elas tornam a matemática "não convexa" (uma forma elegante de dizer que o mapa possui buracos e penhascos que quebram os calculadores rígidos). Mas o caminhante? Ele apenas continuou andando, ajustando seus passos até encontrar um caminho que permanecesse dentro das linhas. O resultado foi um portfólio que seguiu perfeitamente as regras, mantendo o risco baixo.
O Equilibrista: Em outro teste, adicionaram uma restrição de Erro de Rastreamento (Tracking Error). Isso significa que o desempenho do portfólio deveria permanecer muito próximo do índice S&P 500 (como um equilibrista mantendo-se na corda bamba). O caminhante conseguiu minimizar as perdas extremas e manter-se colado ao índice, provando que poderia equilibrar objetivos conflitantes sem cair.
O Desafio Supremo: O teste final, o mais complexo, pediu ao computador para fazer tudo ao mesmo tempo: maximizar retornos, minimizar perdas extremas, seguir as regras UCITS, manter um número mínimo de ações, garantir que nenhuma ação fosse pequena demais e permanecer próximo ao índice. O computador navegou com sucesso por este circuito de obstáculos caótico. Ele selecionou 23 ações, manteve cada uma acima de um peso de 1%, garantiu que as "grandes apostas" ficassem abaixo do limite de 40% e entregou um portfólio que superou o índice padrão em retornos ajustados ao risco.

O Mistério da "Máscara"
Em um último e criativo teste, os pesquisadores criaram "máscaras" — grupos de ações que deveriam permanecer abaixo de um certo peso total (como dizer: "o grupo de tecnologia não pode ter mais de 27% do seu dinheiro"). O caminhante distribuiu o dinheiro com sucesso para que nenhum grupo quebrasse seu limite, enquanto ainda minimizava o risco geral do portfólio. Isso mostrou que o método poderia lidar com regras customizadas e arbitrárias que seriam um pesadelo para softwares mais antigos.

O Que Isso Significa para o Futuro

O artigo não afirma ter descoberto uma "bala de prata" que garante que você ficará rico. Em vez disso, sugere algo mais prático: flexibilidade. Os autores mostram que o uso do Gradiente Descendente com diferenciação automática (uma ferramenta que permite aos computadores calcular inclinações instantaneamente) é uma maneira poderosa e escalável de resolver problemas de investimento que são complexos demais para a matemática tradicional.

A principal descoberta é que este método é competitivo com as melhores ferramentas existentes para tarefas simples, mas superior para cenários complexos e de múltiplas regras. Ele não encontra apenas uma resposta; ele encontra uma boa resposta que respeita todas as regras bagunçadas e restrições do mundo real que os investidores realmente enfrentam. Os pesquisadores enfatizam que o "caminhante" precisa de um guia (o usuário) para definir os "pesos" corretos (o quanto se importa com o risco versus a recompensa), mas uma vez que essas configurações são escolhidas, o computador pode lidar com o trabalho pesado de equilibrar dezenas de objetivos conflitantes simultaneamente.

No fim, este artigo abre as portas para um novo tipo de ferramenta financeira — uma que é tão adaptável quanto um caminhante humano, capaz de navegar pelo terreno nebuloso e rochoso do investimento moderno, onde mapas rígidos falham. Sugere que, ao emprestar técnicas do mundo da inteligência artificial, podemos construir portfólios que não são apenas matematicamente sólidos, mas também praticamente robustos e prontos para o mundo real.

Resumo Técnico: Otimização de Portfólio Multiobjetivo via Gradiente Descendente

Definição do Problema
A otimização de portfólio (PO) tradicional, fundamentada na Teoria Moderna do Portfólio (Markowitz, 1952), frequentemente baseia-se em programação quadrática ou algoritmos evolucionários. Embora eficazes para problemas de objetivo único, essas abordagens enfrentam dificuldades de escalabilidade e flexibilidade ao abordar cenários complexos do mundo real que envolvem grandes conjuntos de dados, restrições não convexas e múltiplos objetivos conflitantes (por exemplo, minimizar simultaneamente o Valor em Risco Condicional [CVaR] e maximizar o Índice de Sharpe). Além disso, algoritmos de solução exata enfrentam dificuldades quando os problemas se tornam NP-difíceis devido a restrições não convexas ou alta dimensionalidade. Os autores identificam uma lacuna na literatura onde técnicas de Aprendizado de Máquina (ML), especificamente métodos baseados em gradiente, são subutilizadas na Otimização de Portfólio Multiobjetivo (MPO) em comparação com meta-heurísticas baseadas em população, como Algoritmos Genéticos (GAs) e Algoritmos de Enxame (SAs).

Metodologia
O artigo propõe um framework de referência para MPO utilizando o gradiente descendente com diferenciação automática, implementado via bibliotecas de aprendizado profundo (TensorFlow e PyTorch). A metodologia central envolve:

Formulação Diferenciável: Em vez de resolver um programa quadrático estático, os pesos do portfólio são tratados como a saída de uma transformação diferenciável de "pré-pesos" ( $z$ $z$ ) aprendíveis.
- Para garantir que os pesos somem 1 e sejam não negativos, os autores utilizam a função softmax.
- Para abordar a limitação da softmax (que raramente produz soluções esparsas), eles utilizam a sparsemax (Martins e Astudillo, 2016), que trunca valores pequenos para zero, facilitando a construção de portfólios esparsos.
Construção da Função de Perda: O objetivo de otimização é definido como uma função de perda $L$ $L$ a ser minimizada. Esta função combina:
- Objetivos Primários: Como maximizar o Índice de Sharpe (formulado como $-(R - r_f)/\sigma(R)$ ) ou minimizar o CVaR.
- Restrições como Penalidades: Restrições regulatórias e práticas são incorporadas como termos de penalidade adicionados à função de perda, ponderados por hiperparâmetros ( $\lambda$ ).
Tratamento de Restrições Não Diferenciáveis: Para manter a compatibilidade com o gradiente descendente, os autores introduzem técnicas específicas para operações não diferenciáveis:
- Restrições de Limiar: Implementadas usando ReLU (ex: $[w - \alpha]_+$ ) para penalizar pesos que excedem um limite.
- Máscaras Condicionais: Para decisões binárias (ex: seleção de ativos), uma função "round sigmoid" é utilizada. Durante a retropropagação, o gradiente da sigmoide suave é usado em vez da função round não diferenciável, permitindo que o otimizador aprenda máscaras eficazes.
Configuração Experimental: O framework é avaliado em ativos do S&P 500 (2019–2020) através de seis cenários, variando de otimização de objetivo único a problemas multiobjetivo complexos com múltiplas restrições (regulamentações UCITS, limites de erro de rastreamento, contagem de ativos ativos e limites de peso de subconjuntos).

Principais Contribuições

Um Framework de MPO Flexível: Os autores fornecem um benchmark de código aberto e extensível que permite aos pesquisadores modelar qualquer objetivo e restrição financeira dentro de um framework unificado de gradiente descendente.
Tratamento de Restrições Diferenciáveis: O artigo detalha técnicas específicas (sparsemax, penalidades ReLU e gradientes substitutos para máscaras) para impor restrições complexas (como diretrizes UCITS e limites de contagem de ativos) sem quebrar a diferenciabilidade necessária para a retropropagação.
Análise Comparativa: O estudo compara o método proposto com solvers padrão (CVXPY para problemas convexos, SKFOLIO para CVaR), demonstrando que o gradiente descendente pode alcançar resultados competitivos enquanto oferece maior flexibilidade de modelagem.

Resultados
Os resultados experimentais nos seis casos demonstram a eficácia do framework:

Caso 1 (Maximizar o Índice de Sharpe): O otimizador de gradiente descendente (GD) produziu resultados quase idênticos à solução convexa exata fornecida pelo CVXPY, com um Erro Quadrático Médio (MSE) de $3,6179 \times 10^{-5}$ nos vetores de peso em 100 simulações.
Caso 2 (Minimizar o CVaR): Embora os pesos específicos dos ativos tenham diferido do solver exato SKFOLIO (devido ao fato de o CVaR ser não convexo), o otimizador GD alcançou um valor de CVaR diferindo apenas na 5ª casa decimal, aproximando efetivamente a solução global.
Caso 3 (Minimizar o CVaR com UCITS): O framework satisfez com sucesso as restrições simplificadas da UCITS (ex: nenhum ativo >10%, soma de ativos >5% <40%) enquanto minimizava o CVaR, um cenário onde solvers exatos como o CVXPY não conseguem encontrar uma solução devido a violações de não-DCP (Programação Convexa Disciplinada).
Casos 4 & 5 (Multiobjetivo com Restrições): O otimizador equilibrou com sucesso objetivos conflitantes (maximizar o Índice de Sharpe e minimizar o CVaR) enquanto aderia a limites de erro de rastreamento, pesos mínimos de ativos e contagens de ativos ativos. O Caso 5 mostrou uma melhoria significativa no Índice de Sharpe (0,0516 vs. 0,0310 no Caso 4) com apenas um aumento marginal no CVaR, demonstrando uma gestão de trade-off eficaz.
Caso 6 (Restrições de Subconjunto): O método minimizou efetivamente a volatilidade enquanto aderiu estritamente aos limites de peso em subconjuntos de ativos predefinidos (máscaras), com desvios abaixo de 0,01%.

Significância e Alegações
Os autores posicionam este trabalho não como uma estratégia de otimização inovadora destinada a superar todas as técnicas existentes, mas como uma ferramenta prática e extensível para pesquisadores e profissionais. A principal significância reside na capacidade do framework de:

Modelar Complexidade: Lidar com combinações arbitrárias de objetivos e restrições (incluindo regras regulatórias como UCITS) que são difíceis de formular para solvers tradicionais.
Aproveitar a Diferenciação Automática: Utilizar a simplicidade computacional e adaptabilidade das bibliotecas de aprendizado profundo para resolver problemas de portfólio em larga escala.
Facilitar a Pesquisa: Fornecer uma base reprodutível (via código de código aberto) para estudos futuros em otimização de portfólio multiobjetivo, servindo potencialmente como fundação para comparar métodos baseados em gradiente contra meta-heurísticas ou integrar modelos prospectivos como o Black-Litterman.

O artigo conclui que o benchmark de gradiente descendente proposto é uma alternativa robusta, confiável e flexível para a construção de portfólios em condições do mundo real, onde múltiplos objetivos conflitantes e restrições rigorosas devem ser gerenciados simultaneamente.

A Jornada do Artigo: Caminhando pelas Montanhas Financeiras

O Que Isso Significa para o Futuro

Mais como este