Otimização de portfólio em duas etapas: os efeitos da pré-otimização setorial sobre portfólios de variância mínima e de paridade de risco

• Autor(a) principal: Nielsen, Filipe Ferreira
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/33128
• topic: Portfolio optimization; Asset allocation; Two-stage optimization; Minimum variance portfolio; Risk parity; Covariance matrix; Sectorial optimization; Otimização de portfólio; Alocação de carteira; Otimização em duas etapas; Portfólio de variância mínima; Paridade de risco; Matriz de covariância; Otimização em setores; Economia; Investimentos - Análise; Investimentos - Administração; Administração de risco; Alocação de ativos; Análise de covariância

Portfólios otimizados com elevada quantidade de ativos dependem de matrizes de covariância de grandes dimensões. Tais casos exigem cuidado extra quanto à consistência do estimador da matriz quando o número de covariâncias estimadas supera o de observações da amostra. Visando melhorar a qualidade de portfólios com grandes dimensões, apresentamos um método de otimização em duas etapas, baseado na capacidade da setorização de ativos em melhorar o estimador amostral da matriz. O método consiste em agrupar os ativos em seus respectivos setores e otimizar cada um dos setores separadamente. Em seguida, otimiza-se os retornos dos portfólios resultantes entre si para determinar o portfólio final. No presente estudo mostramos que, para portfólios de variância mínima e de paridade de risco otimizados entre janeiro de 2015 e janeiro de 2022 com ações do mercado americano, o método traz ganhos de concentração e de rotatividade dos portfólios sem alterar seus retornos ajustados ao risco – ou mesmo melhorando-os em períodos de crise. Atingimos resultados melhores em portfólios com maior influência das covariâncias, como os de variância mínima. Dessa forma, desenvolvemos uma solução para melhorar a otimização de portfólios com grandes dimensões, sendo uma alternativa aos métodos de encolhimento da matriz de covariância e de agrupamento da matriz em blocos.