0

Edward Thorp e o Critério de Kelly

Edward Thorp é um professor de matemática, famoso por ter inventado um sistema elaborado para ganhar no blackjack através de contagem de cartas e por ter sido um dos gestores mais bem sucedidos da história, obtendo retornos anualizados da ordem de 20% ao longo de mais de 20 anos. O fundo de Thorp foi um dos pioneiros em utilizar modelos quantitativos para identificar e explorar anomalias no mercado financeiro. Thorp lançou recentemente sua biografia, o que me lembrou de um material que preparei muito tempo atrás baseado em um artigo seu sobre o Critério de Kelly.

O Critério de Kelly, um dos conceitos utilizados amplamente por Thorp em jogos e no mercado, é uma metodologia matemática para maximizar o crescimento do capital em jogos favoráveis, ou seja, no qual a probabilidade de se ganhar é maior do que 1/2.

21

O exemplo mais simples para entender o Critério de Kelly é considerar um jogo envolvendo o lançamento de uma moeda com probabilidade de cara igual a p>1/2. O jogo consiste em ganhar R$1 se o lançamento der cara, e perder R$1 se der coroa. Seja X_0 o capital do jogador no início do jogo. Queremos encontrar uma fração ideal de X_0 para apostar em cada lançamento da moeda, de maneira a maximizar o valor esperado do capital após n lançamentos. A solução deste problema é chamada de fração de Kelly e é igual a f = p - q, onde q=1-p.

Um exemplo um pouco mais realista é o jogo de blackjack, no qual era possível obter uma vantagem através de contagem de cartas. Os casinos mudaram o modus operandi do jogo devido aos contadores de cartas como Thorp e o time do MIT, ficcionalizado no filme 21. No blackjack, apesar de ser possível obter uma vantagem através da contagem de cartas, também é necessário fazer apostas em situações desfavoráveis. Thorp explica a estratégia da seguinte maneira. Assuma que o jogador sabe de antemão se uma rodada do jogo é favorável ou não, ou seja, ele conhece p. Nas rodadas favoráveis (nas quais p>0.5), o jogador aposta uma fração f do capital, e nas rodadas desfavoráveis, ele faz uma aposta “de espera” com um valor a \cdot f ,onde 0<a<1. Dado a, podemos obter a fração ótima f.

A apresentação que mencionei mostra outros exemplos, aplicações no mercado financeiro e relação com o paradigma de finanças. O artigo de Thorp e seus livros trazem mais detalhes e exemplos. Aplicações do critério de Kelly em investimento podem ser vistas nos artigos abaixo:

Christensen, Morten. 2005. On the History of the Growth Optimal Portfolio.

Estrada, Javier. 2010. Geometric Mean Maximization: An Overlooked Portfolio Approach? The Journal of Investing, 19, 134–147.

Rubesam, Alexandre; Beltrame, André Lomonaco. Minimum Variance Portfolios in the Brazilian Equity Market. Brazilian Review of Finance, v. 11, n. 1, p. 81-118, may. 2013.

 

17

Long-Short através de Cointegração – Parte 4

Após uma longa pausa, aqui está o quarto e último post desta série sobre operações de long-short/pares utilizando cointegração.

Recapitulando: no primeiro post da série, introduzi intuitivamente o conceito de cointegração, que permite encontrar pares (ou outras combinações) de ativos que “andam juntos”. No segundo post, expliquei conceitualmente um teste simples de estacionariedade, conhecido como teste de Dickey-Fuller (DF), apresentei sua versão “aumentada”, e introduzi o Método de Engle-Granger, que permite testar se duas séries não-estacionárias são cointegradas. No terceiro post, mostrei um exemplo prático da aplicação deste teste utilizando o Excel e dei uma ideia de como seria uma possível estratégia de operação de pares usando cointegração.

O objetivo deste post é apresentar uma aplicação completa dos conceitos de cointegração para criar um modelo de operações com pares. Para isto, construirei um modelo de pares muito similar aos modelos utilizados na literatura (e na prática), e farei uma simulação (backtest) dos resultados do modelo. Uma ressalva importante é que este post não é exaustivo, no sentido de que muitas variações e refinamentos podem e devem ser feitos à uma estratégia destas antes da produção. O objetivo é simplesmente ilustrar os conceitos. O modelo apresentado aqui é bastante similar ao utilizado no artigo de Caldeira e Moura (2013). Recomendo fortemente ao leitor interessado em se aprofundar no assunto a leitura do artigo e das referências nele citadas.

Em um post anterior, apresentei o conceito de um modelo básico de pares de ações. Naquele post, utilizei o seguinte diagrama:

ModeloPairsTrading

Criação de uma estratégia de operação com pares

Este diagrama será interessante para explicar a estratégia de pares através de cointegração utilizada, pois ele utiliza-se de simulação para escolher os melhores pares dentro da janela de treinamento (período in-sample ou dentro da amostra) para posteriormente operar na janela de operação (fora da amostra), ou seja, existe uma interação entre o modelo de operação e o de seleção de pares, conforme mostrado do diagrama. Vamos à descrição do modelo:

Modelo de Pares via Cointegração

Partimos de um universo com N ativos observados ao longo de T períodos. Os parâmetros do modelo são os seguintes:
1. Janela de treinamento: período no qual serão determinados os pares cointegrados
2. Janela de operação: período no qual os pares são operados com sinais de entrada e saída
3. Número de pares: o modelo utiliza os n melhores pares de acordo com o índice de Sharpe dentro do período de treinamento.
4. Sinal de entrada: valor do z-spread para iniciar um trade, ou seja, o valor no qual assumimos que o spread do par divergiu do seu comportamento histórico.
5. Sinal de saída: valor do z-spread para encerrar um trade, ou seja, o valor no qual assumimos que o spread do par reverteu à sua média.
6. Duração máxima: maior período em que um trade pode ficar aberto.
7. Stop Loss: perda máxima que um trade pode ter. Se um trade apresentar uma perda maior do que o stop loss, ele é encerrado.

Os pares são selecionados na janela de treinamento através de dois critérios. Primeiramente são selecionados os pares que estão cointegrados através da aplicação da metodologia de Engle-Granger. Em seguida, os pares cointegrados são “operados” nesta janela (dentro da amostra) e os pares com melhor índice de Sharpe são selecionados para operação na janela de operação. Os parâmetros do spread (parâmetros da regressão e a média e desvio padrão do spread) na janela de treinamento (dentro da amostra) são utilizados para calcular os z-scores dos pares na janela de operação (fora da amostra). Este procedimento garante que na nossa simulação, estaremos utilizando apenas valores conhecidos em cada momento (ou seja, não estamos incorrendo no look-ahead bias).

Por exemplo, se a janela de treinamento é de 12 meses e de operação é de 1 mês, então os melhores pares nos primeiros 12 meses são operados no mês seguinte. As janelas são então roladas um mês para frente e o processo reinicia, até o final da amostra. A figura abaixo ilustra este procedimento de janelas móveis:

Esquema treinamento operacao.png

A dinâmica de operação é baseada no valor do z-score, que é o spread do par (resultado da cointegração) normalizado, isto é, subtraído da sua média e dividido pelo desvio padrão. Quando o z-score é muito alto e positivo, o par é vendido (abre-se simultaneamente uma posição vendida na primeira ação e comprada na segunda ação). Quando o z-score é muito negativo, a operação oposta é realizada, isto é, o par é comprado. Uma operação é encerrada se pelo menos uma das condições a seguir ocorre: (i) o z-score do par retorna ao patamar pré-definido; (ii) o P&L da operação cai abaixo do valor de stop-loss; (iii) a operação excede a duração máxima definida pelo modelo; (iv) a janela de operação é encerrada.

No final da simulação, temos o resultado simulado de todas operações realizadas, o que permite calcular estatísticas de rentabilidade e risco do modelo no período.

Detalhes da Simulação

Parâmetros do modelo – Os seguintes valores foram utilizados:

Janela de treinamento: 12 meses
Janela de operação: 1 mês
Número de pares: 20
Sinal de entrada: |z-spread| > 1.7
Sinal de saída: |z-spread| < 1.2
Duração máxima: 1 mês (20 dias)
Stop Loss: 7%

Custos operacionais – Foram considerados custos de bid-ask spread de 0.1% para cada operação, de 2% ao ano para o aluguel de ações, e de 0.05% de corretagem. Os trades foram abertos com o mesmo financeiro em cada ação, ou seja, o modelo é financeiro-neutro (a outra possibilidade é operar beta-neutro). Um comentário sobre os valores de entrada e saída do z-score: eu testei os valores considerados por Caldeira e Moura (2013) (abrir trade em 2 e fechar em 0.5/0.75), porém os resultados foram piores.

Universo de ativos – Para realizar a simulação, é preciso primeiramente definir um universo de ativos. Os trabalhos acadêmicos (como por exemplo o artigo mencionado acima) geralmente utilizam as ações que pertencem a um certo índice como o IBOVESPA no Brasil. Na prática, esta restrição não é necessária. Nesta simulação, eu utilizei os dados diários de preço de fechamento e volume de todas as ações, ETFs e FIIs disponíveis no mercado brasileiro de janeiro de 2001 até maio de 2016, incluindo ações que deixaram de existir, o que elimina o viés de sobrevivência. Para evitar ações ilíquidas, em cada janela de treinamento eu utilizei os 70 ativos com maior volume. Isto significa que o número total de ativos considerados será maior do que 70.

Teste de Cointegração – foi utilizada a metodologia de Engle-Granger com teste ADF, descrita nos posts anteriores.

Cálculo de Retornos – calcular o retorno de operações com pares não é algo trivial. Teoricamente, os retornos de operações long-short não são definidos, uma vez que o investimento inicial pode ser igual a zero. Há duas medidas diferentes de reportar o “retorno” de uma operação de pares. A primeira consiste  em adotar a convenção de que o retorno é dado pelo lucro ou prejuízo da operação (P&L) dividido pelo valor inicial investido em cada ponta. Chamaremos isto de retorno líquido. Se usarmos o valor de R$1, o próprio P&L tem a interpretação de retorno. A segunda consiste em considerar como denominador o capital alocado para manter a operação. Por exemplo, se uma operação consiste em comprar R$10,000 da ação A e vender R$10,000 da ação B, o valor necessário para montar esta operação é igual a R$0. Na prática, as corretoras requerem uma quantia em margem que limita a alavancagem. Esta quantia pode ser usada como denominador para definir um retorno sobre o capital. É importante ressaltar que este capital pode ficar investido em outros ativos que geram retornos (por exemplo, títulos do governo), o que tornará a estratégia mais rentável. Como o número máximo de pares em qualquer período de operação é de 20 pares, eu calculo e reporto os retornos considerando 1/20 do capital investido em cada par, ou seja, a alavancagem máxima da carteira é 1 (esta restrição não é necessária). Reportarei tanto os retornos líquidos (ou seja os retornos apenas das operações com pares) como os retornos sobre o capital, considerando que o capital excedente renderia 100% do CDI. Caldeira e Moura (2013) consideram um esquema “fully invested” no qual um certo capital é 100% investido nos pares que estão abertos, e a carteira é rebalanceada para manter 100% do capital investido.

Resultados da Simulação (01/2002 – 05/2016)

O modelo foi simulado de janeiro de 2001 até maio de 2016. Isto significa que o primeiro período de operação foi janeiro de 2002. A tabela abaixo resume os resultados considerando os retornos líquidos das operações. Observação: o P&L abaixo não está normalizado para a duração de cada operação.

Número de ações 162
Número de pares operados 1212
Número de operações 3817
P&L médio por operação (financeiro de R$1,00) 1.12%
Desvio padrão P&L 9.34%
Razão de informação 0.12
% operações ganhadoras 57.20%
% operações perdedoras 42.80%
Pior P&L -58.90%
Melhor P&L 84%
Mediana P&L 1.33%
Duração média (dias) 5.35
Duração mediana (dias) 4

Vemos que a estratégia parece capaz de gerar ganhos financeiros razoáveis, com uma convergência rápida da maioria das operações. O gráfico abaixo mostra o histograma da duração em dias das operações. Mais de 85% das operações encerra em menos de 10 dias. duracao

Resultados com Retornos Líquidos

Os resultados abaixo são baseados nos retornos líquidos da carteira que investe 1/20 do capital em cada par, sem considerar a remuneração do capital. Como mencionei antes, esta estratégia não ficará com 100% do capital alocado nos pares, a não ser que todos os 20 pares estejam abertos simultaneamente. Vemos que a estratégia apresentou um retorno médio de 11.4% com volatilidade de 11.21%, o que não é ruim considerando que a estratégia não toma risco direcional. O drawdown máximo foi de -14.5%. Vemos que, apesar de a estratégia ser financeiro-neutra, o que é confirmado pela exposição média da carteira de 0.35%, ela teve períodos em que chegou as estar quase 10% comprada e quase 16% vendida. O maior valor short foi de -68.66% e o maior long foi de 74.92%, confirmando que não tivemos nenhum período em que todos os 20 pares estavam abertos simultaneamente. Estes resultados são conservadores, pois assumem que o capital fica parado, ou seja, poderia estar sendo investido nos pares que estão abertos. Apesar de a estratégia diferir da de Caldeira e Moura (2013) em vários aspectos, os resultados para o período do artigo (2002 a 2006) são muito similares (não reportados).

Retorno médio 11.40%
Volatilidade 11.21%
Retorno total 327.89%
Índice de Sharpe 1.02
Drawdown máximo -14.50%
Pior mês -7.58%
Melhor mês 19.89%
% dias positivos 45.96%
% meses positivos 61.27%
Exposição média carteira 0.35%
Exposição máxima carteira 9.67%
Exposição mínima carteira -15.98%
Máximo short carteira -68.66%
Máximo long carteira 74.92%

A tabela abaixo mostra os retornos por ano. Notamos que a estratégia foi positiva em todos os anos, com retornos muito altos entre 2008 e 2010. Isto não é surpreendente, já que estratégias long-short tendem a ser muito boas em períodos de volatilidade alta.

Ano Retorno líquido (%)
2002 3.37
2003 6.96
2004 10.25
2005 8.68
2006 10.5
2007 9.22
2008 16.74
2009 37.85
2010 18.9
2011 8.49
2012 5.45
2013 0.43
2014 9.48
2015 4.38
2016 6.53

Finalmente, a figura abaixo mostra a evolução do P&L acumulado.

pnlacumulado.png

Resultados com Remuneração do Capital (2002-2016)

Na prática, uma estratégia de pares requer pouco capital, o que significa que quase 100% do capital poderia ficar investido em títulos (ou qualquer ativo que seja aceito como margem) a maior parte do tempo. Os fundos em geral definem um target  de alavancagem ou volatilidade para a estratégia. Os resultados abaixo consideram que o capital livre é remunerado a 100% do CDI. O investimento nos pares segue a mesma regra de 1/20 do capital, ou seja, a alavancagem nunca é superior a 1.

Os resultados abaixo mostram a grande contribuição de investir o capital livre. Vemos que o retorno médio, muito mais alto, é uma combinação do retorno da estratégia pura (mostrado anteriormente) com a rentabilidade do CDI. Obviamente, os resultados são bastante aumentados pelo alto valor do CDI, principalmente no início do período. Os resultados por ano (tabela seguinte) corroboram isto. O retorno total é muito alto devido à natureza dos juros compostos, uma vez que a estratégia reinveste os lucros a cada período.

Retorno médio 26.38%
Volatilidade 11.36%
Retorno total 2497.02%
Índice de Sharpe 2.32
Drawdown máximo -14.74%
Pior mês -6.66%
Melhor mês 20.97%
% dias positivos 59.89%
% meses positivos 85.55%
Exposição média carteira 0.35%
Exposição máxima carteira 9.71%
Exposição mínima carteira -16.46%
Máximo short carteira -70.54%
Máximo long carteira 75.21%
Ano Retorno líquido (%)
2002 22.64
2003 31.6
2004 27.88
2005 29.04
2006 27.46
2007 22.65
2008 31.59
2009 51.41
2010 30.62
2011 21.14
2012 14.31
2013 8.53
2014 21.34
2015 18.17
2016 11.21

O gráfico abaixo mostra o retorno acumulado da carteira e do CDI. pnlacumulado-com-capital

Resultados com Remuneração do Capital (2010-2016)

Os resultados acima mostram que a estratégia funciona em um período longo (15 anos), durante a qual houve períodos atípicos (juros muito altos, crise de 2007-2008 etc). Por este motivo, é interessante avaliar o resultado da estratégia em um período mais recente. Para isto rodamos a simulação de 2010 a 2016. Os resultados (tabela e gráfico abaixo) mostram um resultado muito consistente. Tanto a volatilidade como o retorno são mais baixos, reflexo da exclusão do período de alta volatilidade da crise de 2007-2008 e do período de CDI muito alto. O drawdown máximo é cerca de metade do observado no período anterior.

Retorno médio 20.07%
Volatilidade 9.44%
Retorno total 208.97%
Índice de Sharpe 2.13
Drawdown máximo -7.25%
Pior mês -4.10%
Melhor mês 7.79%
% dias positivos 59.13%
% meses positivos 85.71%
Exposição média carteira 0.35%
Exposição máxima carteira 9.06%
Exposição mínima carteira -5.68%
Máximo short carteira -67.73%
Máximo long carteira 74.48%

pnlacumulado-com-capital-2010-2016

Considerações Finais

Este post encerra a série de Long-Short através de cointegração e teve o objetivo de apresentar um exemplo de um modelo completo usando este conceito. O modelo apresentado teve desempenho muito forte ao longo de um período de 15 anos, com uma consistência impressionante. Alguns comentários são importantes:

  • Refinamentos – o modelo apresentado é bastante simplista. Uma implementação deste modelo na vida real requer um estudo mais aprofundado em termos dos parâmetros. Em especial, destacaria os seguintes pontos: a estabilidade da relação de cointegração e testes alternativos de cointegração (como o teste de Johansen); estudo das regras de abertura e fechamento das operações); modelagem do spread através de modelos de séries temporais (ver Tsay 2010) e estimação do z-score.
  • Caveats da simulação – a simulação usando os dados de fechamento é simplista demais. Mesmo que o horizonte do modelo seja dados diários, o ideal seria utilizar os preços da ações em um determinado horário do dia, e capturar o bid-ask observado das ações, que reflete melhor o custo de compra e venda dos ativos de maneira. Além disto, usando dados de alta frequência é possível simular se um par daria sinais de entrada ou saída durante o dia.
  • Operacionalização – fazer a simulação é o primeiro passo, mas implementar uma estratégia destas requer sofisticação no controle da carteira de pares e principalmente habilidade de executar ordens de maneira automática e rápida.
  • Controle de riscos – uma estratégia destas requer controles de riscos ativo, principalmente no que toca à concentração em ativos e setores.

Update – comparação β-neutro vs $-neutro

Os resultados mostrados acima foram obtidos com a abordagem $-neutra, ou seja, as operações são abertas com o mesmo valor financeiro comprado e vendido. Do ponto de vista teórico, existe um argumento a favor de utilizar a abordagem β-neutra, na qual opera-se uma quantidade β de um dos ativos para cada uma quantidade do outro (onde o β é obtido da regressão de cointegração), já que desta maneira, a posição operada (desde que o par seja cointegrado) é estacionária. Na abordagem β-neutra, a exposição líquida da carteira pode variar mais e a carteira pode ficar net comprada ou net vendida, pois o valor financeiro nas pontas não é necessariamente igual. Uma vantagem de manter a carteira $-neutra é que o valor líquido da carteira é mais previsível e não está sujeito ao erro de estimação do beta.

Para comparar as duas abordagens, rodei o modelo β-neutro e o modelo $-neutro para o período 2010-2016, ajustando as exposições dos dois modelos para obter a mesma volatilidade de 12% (um valor arbitrário, mas que garante comparabilidade e alavancagem relativamente baixa). Os resultados obtidos com o modelo β-neutro foram piores do que os do modelo $-neutro. O retorno médio do modelo β-neutro foi de 17.31%, enquanto o do modelo $-neutro foi de 23.70%. Os índices de Sharpe e Sortino também foram piores, apesar de o modelo $-neutro apresentar um drawdown máximo maior.

Outro ponto interessante é a exposição líquida da carteira. Conforme esperado, a carteira $-neutra, por construção, mantém uma alocação líquida próxima de zero, com uma exposição média de 0.46% do capital, máxima de 12.32% e mínima de -5.44%. Ela não fica completamente zerada devido às movimentações dos ativos nas operações abertas, já que uma vez que uma operação é aberta, ela não é rebalanceada. Já a carteira β-neutra fica net vendida 7% do capital, na média, com uma exposição net máxima de 0.62% e mínima net de -56.12%. Isto significa que o custo de aluguel desta operação é maior, pois é preciso carregar uma posição short maior do que a posição long.

β-neutro $-neutro
Retorno médio 17.31% 23.7%
Volatilidade 12% 12%
Retorno total 162.06% 266.58%
Índice de Sharpe 0.57% 1.1%
Drawdown máximo -8.38% -9.83%
Pior mês -5.18% -6.56%
Melhor mês 8.94% 12.88%
% dias positivos 56.94% 58.32%
% meses positivos 72.73% 77.92%
Exposição média carteira -7.00% 0.46%
Exposição máxima carteira 0.62% 12.32%
Exposição mínima carteira -56.12% -5.44%
Máximo short carteira -116.14% -89.01%
Máximo long carteira 79.21% 100.19%

O gráfico abaixo apresenta a comparação do P&L acumulado das duas versões. beta-neutro

Referências

Os artigos abaixo são úteis para aprofundar o estudo deste tipo de modelo. Este post possui links para o download destes artigos.

Caldeira, J. F. e Moura, G.V. (2013), Rev. Bras. Finanças, Vol. 11, No. 1, March 2013, pp. 49–80.

Gatev, E., Goetzmann, W. N., & Rouwenhorst, K. G. (2006). Pairs Trading: Performance of a Relative Value Arbitrage Rule. The Review of Financial Studies, 19, 797–827.

Avellaneda, M., & Lee, J. (2010). Statistical arbitrage in the US equities market. Quantitative Finance, 10, 1–22.

Tsay, R. (2010). Analysis of Financial Time Series. Wiley.

 

 

 

 

0

Comparação de alocações de ativos

Post interessante comparando diversas alocações propostas por gestores institucionais.

Interessante notar que uma taxa de administração de apenas 1% elimina qualquer distinção entre as alocações mais diferentes. Ou seja, manter investimentos de custo baixo (como ETFs por exemplo) é mais importante no longo prazo do que as diferenças entre alocações balanceadas entre várias classes de ativos.

0

Artigo sobre construção de carteiras

Cullen Roche, do Pragmatic Capitalism, tem um novo artigo sobre contrução de carteiras. O trabalho resume sucintamente a história da construção de carteiras e toca em várias pontos que tem sido discutidos recentemente em Finanças, com impactos importantes tanto do ponto de vista prático como acadêmico:

  • O único “almoço grátis” em alocação de ativos é a diversificação
  • O debate de investimento passivo (seguir índices) vs ativo (ganhar do mercado), bastante relacionado com o conceito de eficiência no mercado. O Roche defende a tese de que só existe uma carteira verdadeiramente passsiva, que é a carteira formada por todos os ativos financeiros disponíveis no mundo (ele chama esta carteira de Global Financial Asset Portfolio ou GFAP). Qualquer estratégia que divirja desta alocação é, por necessidade, uma estratégia ativa de investimento, pois envolve uma seleção de ativos por parte do investidor.
  • A busca ilusória pelo alfa (retorno superior ao do mercado) – no nível global, não existe alfa, só diferentes tipos de beta (exposição a fatores sistêmicos de risco). A busca pelo alfa gera altos custos e é, para a maioria dos investidores, desnecessária. É mais eficiente e melhor focar em reduzir custos e otimizar os impostos, pois estes são os fatores mais importantes sob os quais o investidor possui algum nível de controle. Eu adicionaria que o fator mais importante ainda é a taxa de poupança.
  • Diferenças entre a percepção de risco dos alocadores ou poupadores (perda financeira permanente ou perda do poder compra ) e dos gestores (divergência do benchmark) – isto é muito importante, pois os incentivos dos gestores não são, em gera, alinhados com o dos poupadores ou investidores.
  • Importância das taxas e impostos no cálculo de retornos reais (o que o Roche chama de real, real returns, i.e o retorno após todas as taxas e impostos, e descontado o efeito da inflação).

Eu havia comentado sobre muitos dos pontos deste artigo (que o Roche já havia feito em seu livro) no post Como Investir. Gosto muito deste tipo de abordagem, pois deixa clara a necessidade de definir metas de investimento e perfil de risco, e desenhar uma estratégia de investimento compatível com isto; implementar a estratégia através de ETFs ou fundos com baixas taxas de administração; e ter disciplina na hora de rebalancear e fazer aportes periódicos na carteira.

 

0

ETFs – Ações de baixa volatilidade

Comentei recentemente sobre a criação de um índice de ações baseado em uma carteira de volatilidade mínima global para o mercado brasileiro, e como seria bom se existisse um ETF seguindo este índice.

No mercado americano e internacional, já existem diversos ETFs deste tipo há alguns anos. Nos EUA, os dois ETFs de ações de baixa volatilidade mais populares são o SPLV (PowerShares S&P 500 Low Volatility), que tem aproximadamente U$ 6 bi em ativos, e o USMV (iShares MSCI USA Minimum Vol), que possui aproximadamente $10 bi em ativos. Os ETFs possuem diferenças importantes na metodologia, no universo de ações e no custo. Enquanto o SPLV é composto pelas 100 ações com menor volatilidade (desvio padrão de 252 dias) dentro do universo do S&P500, o USMV parte do universo com todas as ações dos EUA, e utiliza otimização para determinar a carteira com menor volatilidade. Os custos anuais: 0,25% ao ano (SPLV) e 0,15% ao ano (USMV).

Por causa destas diferenças, o SPLV possui maior alocação em ações de grandes empresas (já que o S&P 500, por definição, inclui as 500 maiores empresas) e tem menor diversificação do que o USMV. Para mim, o USMV é claramente a melhor opção: mais barato e mais diversificado.

O gráfico abaixo mostra o histórico do retorno total dos ETFs no último ano, e de um índice que representa o mercado americano. Conforme esperado, nos períodos de maior volatilidade, como o que temos passado desde o meio de 2015, ambos superam o retorno total do mercado. O mercado total perdeu aproximadamente 6% no último ano, enquanto os ETFs de baixa vol quanharam aproximadamente 3%, uma diferença notável. Em períodos de bull market, porém, a tendência é de estas estratégias ganharem menos do que mercado, já que carregam mais em ações com beta baixo.

US low vol etfs

5

Dinheiro de helicóptero

Enquanto no Brasil as taxas de juros continuam altíssimas, nos países ricos ocorre o contrário. Diversos países possuem taxas de juros negativas há algum tempo. Ou seja, você paga pelo privilégio de emprestar dinheiro ao banco ou ao governo. Veja no gráfico abaixo as curvas de juros soberanos do Japão (vermelho), Reino Unido (laranja), Suíca (azul escuro), Alemanha (amarelo), Suécia (azul claro), EUA (verde) e Dinamarca (roxo). A linha branca é o zero. Vemos que, com exceção de EUA e Reino Unido, os demais países possuem taxas de juros soberanas negativas para diversas maturidades.

Curvas de juros soberanos, países ricos

Curvas de juros soberanos, países ricos

Os motivos são complexos, mas de uma forma geral podemos dizer que, após a crise de 2008, os bancos centrais se viram forçados a baixar os juros para estimular a economia. A premissa central é que o dinheiro mais barato estimularia o investimento e o consumo, gerando uma inflação saudável e “restartando” a economia. O problema é que a política monetária é um instrumento limitado, especialmente quando chegamos perto do zero. Os bancos centrais em diversos países (EUA, Reino Unido, Japão) então passaram a utilizar instrumentos monetários mais inovadores, como o chamado quantitative easing ou QE. Muitos no mercado alertaram que o QE era equivalente a imprimir dinheiro e que isto levaria o risco de hiperinflação. Porém, não só não houve aumento da inflação, como as economias continuaram deprimidas, algumas com deflação ou risco significante de deflação. Isto é esperado do ponto de vista do funcionamento operacional do QE, que basicamente é uma troca de ativos entre o banco central e o setor privado (o banco central retira títulos do setor privado e credita as contas dos participantes com reservas ou dinheiro eletrônico)*.  As reservas adicionais nas contas dos bancos não resultaram em aumentos significativos do crédito, uma vez que os bancos não decidem emprestar com base na quantidade de reservas, e sim com base no seu apetite ao risco e restrições de capital.

Isto nos traz à discussão que está ocorrendo agora, de utilizar o chamado helicopter money, uma ideia proposta originalmente por Milton Friedman. A ideia é que, se toda a população recebesse uma certa quantidade  de dinheiro, e (importante!) a expectativa da população fosse de que isto nunca mais ocorreria, as pessoas gastariam esse dinheiro inesperado, gerando um aumento na demanda. Esta ideia parece maluca, mas está sendo discutida de maneira séria em vários veículos (Financial Times, Economist, Bloomberg) e por economistas famosos como Paul Krugman.

HelicopterMoneyA ideia é simples, porém não há consenso sobre como ela poderia ser implementada (a alternativa mais razoável parece ser através de uma redução ou rebate em algum imposto). Porém, como coloca Krugman, é impossível saber quais seriam as expectativas ao testar esta política sem precedentes.

A conclusão a que chego: ainda não vimos o fim da crise que começou em 2008, e a ideia de usar um mecanismo como o helicopter money coloca sérias dúvidas sobre o funcionamento da economia mundial, e sobre a eficácia da política monetária de maneira geral.

Em tempo, para quem ficou curioso, veja abaixo o gráfico das curvas de juros, com a inclusão do Brasil (curva em reais) 🙂

Curvas de juros soberanos, países ricos + Brasil

Curvas de juros soberanos, países ricos + Brasil

* Recomendo o blog do Cullen Roche e este artigo para entender a dinâmica do QE.