Otimização média-variância e fronteira eficiente

Para quem é esta página — Para quem deseja entender o que o modelo média-variância realmente otimiza, como se forma a fronteira eficiente e por que uma carteira matematicamente ótima pode ser frágil fora da amostra.

A otimização média-variância combina retornos esperados e matriz de covariância para comparar carteiras em um problema de período único. Uma carteira é eficiente em média-variância quando, no conjunto permitido, não há outra com retorno esperado maior para a mesma variância ou variância menor para o mesmo retorno esperado. O conjunto dessas soluções forma a fronteira eficiente.

O modelo atribuído a Harry Markowitz é uma linguagem para organizar uma troca sob hipóteses declaradas. Ele não conhece os retornos futuros, não prova que a variância esgote o risco e não escolhe sozinho objetivos, restrições ou custos. Os insumos estimados e o conjunto permitido fazem parte da resposta.

A fronteira pertence a um conjunto de insumos e restrições: quando eles mudam, também muda o que se chama de eficiente.

As duas equações básicas

Com vetor de pesos w, vetor de retornos esperados μ e matriz de covariância Σ:

E[Rₚ] = wᵀμ

Var(Rₚ) = wᵀΣw

A primeira relação é linear nos pesos; a segunda incorpora variâncias e covariâncias. Para dois componentes:

σₚ² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(R₁,R₂)

A covariância explica por que o risco da carteira não é a média dos riscos individuais. A correlação padroniza essa relação, mas a matriz necessária à otimização está em unidades de covariância.

Uma formulação comum minimiza wᵀΣw para um retorno-alvo, com restrições como ∑wᵢ = 1. Outra maximiza o retorno esperado menos uma penalidade proporcional à variância. Os resultados dependem do parâmetro de aversão ao risco e das restrições sobre venda a descoberto, alavancagem, giro, concentração e liquidez.

O que a fronteira mostra

No plano retorno esperado–volatilidade:

as carteiras abaixo da fronteira são dominadas dentro do modelo;
o ponto mais à esquerda é a carteira global de variância mínima;
avançar pela parte superior muda a troca entre retorno esperado e volatilidade estimada;
adicionar ou retirar restrições muda o conjunto permitido;
alterar os insumos desloca toda a fronteira.

“Eficiente” é, portanto, um termo condicionado, não um julgamento absoluto. Uma solução pode ser eficiente no modelo e inadequada para fluxos, drawdown, passivos, caudas, liquidez ou capacidade. Dois investidores com o mesmo universo podem escolher pontos diferentes porque têm objetivos e restrições diferentes.

O problema do erro de estimação

Retornos esperados, volatilidades e covariâncias são estimados. Pequenas variações dos insumos podem produzir grandes mudanças nos pesos, especialmente quando ativos semelhantes disputam uma pequena diferença de retorno esperado. Entre as críticas à MVO, o CFA Institute lista:

sensibilidade dos resultados aos insumos;
concentrações extremas;
representação insuficiente de assimetria e caudas;
diversificação aparente por ativo, mas não por fator;
ausência de vínculo direto com passivos;
estrutura de período único que tende a ignorar custos, tributos e rebalanceamento.

A comparação fora da amostra de DeMiguel, Garlappi e Uppal mostra como é difícil para muitas regras otimizadas superar de forma estável o benchmark simples de pesos iguais nos conjuntos de dados estudados. O resultado não declara 1/N universalmente ótimo; ele obriga a comparar um modelo complexo com linhas de base simples, custos e dados não usados na estimação.

Instrumentos de robustez

As possíveis correções respondem a problemas diferentes:

Intervenção	Objetivo	Limitação
Restrições aos pesos	evitar soluções extremas	podem esconder insumos fracos sem corrigi-los
Shrinkage	estabilizar médias ou covariâncias	exige um alvo e uma intensidade
Reamostragem ou cenários	mostrar sensibilidade a insumos alternativos	depende do modelo de simulação
Black–Litterman	combinar equilíbrio e visões com incerteza	não elimina a escolha das visões e parâmetros
Variância mínima	reduzir dependência dos retornos esperados	continua dependente da covariância
Orçamento de risco	controlar contribuições sob uma medida	não otimiza automaticamente o retorno
Penalidade de giro	incluir fricções de transição	exige custos realistas e estado inicial

Uma bateria robusta varia janelas, frequências, universos, restrições e custos, preservando um teste fora da amostra. Mostrar uma única solução com muitas casas decimais comunica precisão numérica, não certeza econômica.

Exemplo com dois ativos

Dois ativos hipotéticos têm volatilidades anuais estimadas de 10% e 20%, correlação de 0,25 e pesos de 60% e 40%. A covariância é 0,25 × 0,10 × 0,20 = 0,005. A variância estimada é:

0,60²×0,10² + 0,40²×0,20² + 2×0,60×0,40×0,005 = 0,0124

A volatilidade é aproximadamente √0,0124 = 11,14%. O cálculo ilustra o efeito da covariância. Não prevê a volatilidade futura nem demonstra que 60/40 seja eficiente: são necessários retornos esperados, restrições e comparação com todas as combinações permitidas.

Protocolo de publicação de uma otimização

Um resultado verificável declara:

universo e regra de sobrevivência;
moeda, frequência e intervalo dos dados;
estimação dos retornos e da covariância;
função objetivo;
restrições e tratamento do caixa;
posição inicial, giro e modelo de custos;
tratamento de dados ausentes e outliers;
análise de sensibilidade;
validação fora da amostra;
data e versão dos insumos.

Erro comum — Apresentar o ponto mais alto de uma fronteira estimada como “melhor carteira”. O otimizador resolve a função fornecida; não decide se insumos, objetivo e restrições representam o problema real.

Fontes

Harry Markowitz, Portfolio Selection, The Journal of Finance (1952) — formulação original do critério média-variância.
CFA Institute, Principles of Asset Allocation — 2026 refresher reading — função objetivo, fronteira, críticas, passivos, fatores e aplicações práticas.
Victor DeMiguel, Lorenzo Garlappi e Raman Uppal, Optimal Versus Naive Diversification, The Review of Financial Studies — comparação fora da amostra com a regra 1/N.
Fischer Black e Robert Litterman, Global Portfolio Optimization, Financial Analysts Journal (1992) — modelo que combina equilíbrio e visões.
Richard O. Michaud e Robert Michaud, Estimation Error and Portfolio Optimization: A Resampling Solution — erro de estimação, reamostragem e estabilidade das soluções.