Search

Esta tese tem foco no tema de otimização de carteiras de investimento modeladas para estratégia de investimento de index tracking. O conteúdo final é composto por três artigos. O primeiro artigo é intitulado “Index Tracking with Controlled Number of Assets Using a Hybrid Heuristic Combining Genetic Algorithm and Non-linear Programming”, e foi aceito para publicação na revista Annals of Operations Research. O segundo artigo é “Index Tracking and Enhanced Indexing using Cointegration and Correlation with Endogenous Portfolio Selection”, e foi aceito para publicação na revista Quarterly Review of Economics and Finance. Por fim, o terceiro artivo é “Investigating the Use of Statistical Process Control Charts for Index Tracking Portfolios”, o qual já foi submetido e está atualmente em processo de revisão. No primeiro artigo, discutimos a estratégia de investimento de index tracking usando programação matemática. Primeiro, usamos uma formulação de programação não linear para o problema de index tracking, considerando um número limitado de ações. Devido à dificuldade de solução do problema em um intervalo de tempo razoável por pacotes matemáticos comerciais, aplicamos uma abordagem de solução híbrida, combinando programação matemática e algoritmo genético. Com a aplicação de testes, demonstramos a eficiência da abordagem proposta comparando os resultados com soluções ótimas, com métodos previamente desenvolvidos, e com dados reais de índices de mercado. Os experimentos computacionais focam no Ibovespa (o mais popular índice do mercado brasileiro), e também apresentamos resultados para mercados consolidados tais quais S&P 100 (Estados Unidos), FTSE 100 (Reino Unido) and DAX (Alemanha). A estrutura proposta apresenta sua abilidade para obter ótimos resultados (resultados com gap em relação às soluções ótimas menores que 5% em 8 minutos de tempo de processamento) até mesmo para índices de mercado com alta volatilidade em um mercado em desenvolvimento. No segundo artigo, a atenção é voltada para a análise de dois métodos alternativos entre si para solução do problema de otimização de index tracking. Esse artigo investiga o desempenho “fora da amostra” dos métodos de correlação e cointegração para as estratégias de index tracking (IT) e enhanced indexing (EIT) aplicadas aos dados de mercado Brasileiro e Norte-americano. Nosso objetivo é comparar ambos os métodos na medida em que exploramos fortemente a cointegração em relação a estudos prévios: nós transformamos a seleção do portfólio endógena ao problema de otimização nessa abordagem. Os testes foram executados utilizando dados de 2004 a 2014 com amostras de 57 ações para dados brasileiros, e 96 ações para dados dos Estados Unidos; carteiras foram construídas usando combinações de no máximo 10 ações. Apesar da realização de testes extensivos, os resultados gerais demonstraram desempenho similar para ambos os métodos. Para IT no mercado brasileiro, foi verificado um trade-off entre melhor erro de tracking e maior turnover com cointegração (com resultados opostos para correlação), sendo que este mesmo padrão não foi encontrado para dados norte-americanos. Os resultados para EIT também não apresentação claro favorecimento para cointegração ou correlação. Por fim, o terceiro artigo é dedicado à discussão a respeito do uso de processo estatístico de gráficos de controle para regulação de carteiras de index tracking. Nesse artigo, nosso objetivo é introduzir uma abordagem baseada em gráficos de controle (SPC) para monitorar o processo de rebalanceamento de carteiras de index tracking. O método de SPC é derivado da Estatística e da Engenharia, como ferramenta para controle de processos de produção. Para cumprir os objetivos, aplicamos gráficos de controle EWMA (do inglês, exponentially weighted moving average) para monitorar carteiras de IT baseadas no uso combinado de dois gráficos de controle: desempenho de carteiras em termos de erro de tracking e em termos de volatilidade. Assim, visamos tornar endógeno o controle do processo de rebalanceamento das carteiras baseado em seu desempenho e em suas condições de risco ao longo do tempo. Testes computacionais foram realizados para avaliar a abordagem desenvolvida em comparação com a estratégia tradicional de rebalanceamento (que consiste no uso de janelas fixas de tempo para atualização das carteiras), usando dados dos mercados brasileiro e norte-americano de 2005 a 2014. Os métodos de cointegração e correlação foram aplicados para otimização das carteiras. Os resultados demonstraram que a abordagem com SPC pode ser uma alternativa viável para o processo de rebalanceamento de carteiras.

Nesta dissertação, discute-se o problema de otimização de carteiras de investimento para estratégia passiva de Index Tracking. Os objetivos principais são (i) apresentar um modelo de otimização de Index Tracking e (ii) a solucionar esse modelo com uso do método heurístico de Algoritmos Genéticos (AG) para formação de carteiras com número reduzido de ativos. O índice de referência utilizado é o Ibovespa, para o período de Janeiro/2009 a Julho/2012, com um total de 890 observações diárias de preços. A partir de uma amostra de 67 ativos, são formadas carteiras sem limite de ativos e limitadas a 40, 30, 20, 10 e 05 ativos; os intervalos de rebalanceamento das carteiras são 20, 40 e 60 períodos (dias úteis), ou seja, rebalanceamento mensal, bimestral e trimestral. É verificado que, para essa amostra, não é possível formar carteiras de 20 ou menos ativos via otimização direta com o solver Cplex com menos de 1 hora de processamento e gap abaixo de 5%. Com uso da heurística de Algoritmos Genéticos, são formadas carteiras de 10 e 05 ativos com tempo de processamento em torno de 5 minutos; nesse caso, o gap médio fica abaixo de 10% para ambos os tipos de carteira. E, com tempo de processamento do AG um pouco maior, em torno de 8 minutos, o algoritmo fornece soluções para carteiras de 10 e 05 ativos com gap médio abaixo de 5%. In this master’s thesis it is discussed the portfolio optimization problem using the passive investment strategy of Index Tracking. The main goals are (i) to present an optimization model for the Index Tracking problem and (ii) to solve this model using the heuristic approach of Genetic Algorithms (GA) to create portfolios with reduced amount of stocks. The benchmark used is the Ibovespa Index (main reference for the Brazilian Stock Market), during the period from January/2009 to July/2012 (using a total of 890 daily stock prices). The sample contains 67 assets, and the model is used to build portfolios without limit in the amount of assets and portfolios limited to 40, 30, 20, 10 and 05 assets; the ranges of time to rebalance the portfolios are 20, 40, and 60 trading days, which means to rebalance monthly, bimonthly and quarterly. The results show that, considering this sample, it is not possible to build portfolios with 20 stocks (or less than 20) through direct optimization using the solver Cplex with computational processing time less than 1 hour and results with gap below 5%. On the other hand, using the Genetic Algorithms heuristic approach, portfolios limited to 10 and 05 stocks are built with computational time close to 5 minutes; for both types of portfolio, the solutions provided by the GA have average gap below 10%. Also, with a computational time slightly bigger, close to 8 minutes, the algorithm provides solutions with average gap below 5% for portfolios limited to 10 and 05 stocks.