OTIMIZAÇÃO DE CARTEIRAS COM RETORNOS NÃO GAUSSIANOS: UMA ABORDAGEM BAYESIANA

Autores

  • Lizeth Jacquelin Rodriguez Huarsaya IAG Escola de Negócios, Departamento de Administração, PUC-Rio
  • Luiz Eduardo Teixeira Brandão IAG Escola de Negócios, Departamento de Administração, PUC-Rio
  • Javier Gutiérrez Castro Departamento de Engenharia de Produção e Sistemas, UFSC
  • Edison Americo Huarsaya Tito Instituto de Matemática e Estatística - UERJ

DOI:

https://doi.org/10.12957/cadest.2023.79151

Palavras-chave:

Teoria Moderna de Carteiras, Medida Ômega, Estatística Bayesiana

Resumo

A teoria moderna de carteiras estabelece que a alocação ótima de ativos é uma função da média-variância da distribuição dos retornos. Geralmente, assume-se que esses retornos seguem uma distribuição Gaussiana, estimada a partir de dados históricos usando métodos da estatística frequentista. Entretanto, a dinâmica atual dos mercados globalizados pode provocar mudanças de regime ou quebras estruturais na série temporal dos retornos, tornando-os não Gaussianos. Para lidar com o problema das mudanças de regime, propõe-se substituir o mecanismo de otimização baseado no índice de Sharpe pela otimização baseada na medida Ômega. Isto porque a medida Ômega tem a vantagem de quantificar o risco-retorno de qualquer distribuição de probabilidade, não se restringindo à média-variância como acontece com o índice de Sharpe, solucionando assim o problema das mudanças de regime. Para lidar com o problema das quebras estruturais, propõe-se substituir o procedimento de estimação dos parâmetros da distribuição dos retornos, que se baseia em técnicas da estatística frequentista por técnicas da estatística Bayesiana. A estatística Bayesiana, tem a vantagem de combinar as informações públicas do mercado (dados históricos dos retornos) com informações privadas do investidor (visões prospectivas do mercado) permitindo corrigir o problema das quebras estruturais.

Referências

BAUDER, D.; BODNAR, T.; PAROLYA, N.; SCHMID, W. Bayesian mean–variance analysis: optimal portfolio selection under parameter uncertainty. Quantitative Finance, v. 21, n. 2, p. 221–242, 2021.

BLACK, F.; LITTERMAN, R. Global Portfolio Optimization. Financial Analysts Journal, v. 48, n. 5, p. 28–43, 1992.

BODNAR, T.; MAZUR, S.; OKHRIN, Y. Bayesian estimation of the global minimum variance portfolio. European Journal of Operational Research, v. 256, n. 1, p. 292–307, 2017.

CASTRO, J.; TITO, E.; BRANDÃO, L.; GOMES, L. Crypto-assets portfolio optimization under the Omega measure. The Engineering Economist, v. 65, n. 2, p. 114–134, 2020.

CHU, C. S. J.; SANTONI, G. J.; LIU, T. Stock market volatility and regime shifts in returns. Information Sciences, v. 94, n. 1–4, p. 179–190, 1996.

DOUCET, A.; DE FREITAS, N.; GORDON, N. Sequential Monte Carlo Methods in Practice. Springer New York, NY, 2001.

FAMA, E. F. The Behavior of Stock-Market Prices. The Journal of Business, v. 38, n. 1, p. 34–105, 1965.

GREYSERMAN, A.; JONES, D. H.; STRAWDERMAN, W. E. Portfolio selection using hierarchical Bayesian analysis and MCMC methods. Journal of Banking and Finance, v. 30, n. 2, p. 669–678, 2006.

HÄRDLE, W. K.; SIMAR, L. Applied Multivariate Statistical Analysis. 5th Edition. Springer Nature Switzerland AG, 2019.

HARVEY, C.; LIECHTY, J.; LIECHTY, M.; MÜLLER, P. Portfolio selection with higher moments. Quantitative Finance, v. 10, n. 5, p. 469–485, 2010.

HUARSAYA, L.; BRANDÃO, L.; TITO, E.; CASTRO, J. Um método universal para seleção de carteiras. CADERNOS DO IME – Série Estatística. UERJ, v.52, p.1-23, Rio de Janeiro, 2022.

IDZOREK, T. M. A step-by-step guide to the Black-Litterman model: Incorporating user-specified confidence levels. Forecasting Expected Returns in the Financial Markets, p. 17–38, 2007.

JARQUE, C. M.; BERA, A. K. Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, v. 6, n. 3, p. 255–259, 1980.

JOBSON, J. D.; KORKIE, B. Putting Markowitz theory to work. Journal of Portfolio Management, v. 7, n. 4, p. 70–74, 1981.

JOHNSON, R. A.; WICHERN, D. W. Sample Mean, Covariance and Correlation as Matrix Operations. In: Applied Multivariate Statistical Analysis. 6th. ed. New Jersey: Pearson, 2007. p. 1–773.

KAZEMI, H.; SCHNEEWEIS, T.; GUPTA, R. Omega as a Performance Measure. Journal of Performance Measurement, v. 8, p. 16-25, 2004.

KEATING, C.; SHADWICK, W. F. A Universal Performance Measure. Journal of Perfomance Measurement, v. 6, n. 3, p. 59–84, 2002.

LEWIN, M.; CAMPANI, C. H. Gestão de Carteiras sob Múltiplos Regimes: Estratégias que Performam Acima do Mercado. Journal of Contemporary Administration, v. 24, n. 4, p. 300–316, 2020.

MARKOWITZ, H. Portfolio Selection. The Journal of Finance, v. 7, n. 1, p. 77–91, 1952.

MICHAUD, R. O. The Markowitz Optimization Enigma: Is “Optimized” Optimal? Financial Analysts Journal, v. 45, n. 1, p. 31–42, 1989.

OLIVEIRA, A. B. Ensaios em alocação de portfólio com mudança de regime. Tese (Doutorado em Economia de Empresas) - FGV - Fundação Getúlio Vargas, São Paulo, 2014.

ROBERT, C. P.; CASELLA, G. Monte Carlo Statistical Methods. 2. ed. Springer, New York, NY, 2004.

SARANYA, K.; PRASANNA, P. K. Portfolio Selection and Optimization with Higher Moments: Evidence from the Indian Stock Market. Asia-Pacific Financial Markets, v. 21, n. 2, p. 133–149, 2014.

SHARPE, W. F. Mutual Fund Performance. The Journal of Business, v. 39, n. 1, p. 119–138, 1966.

SONG, Y. Modelling Regime Switching and Structural Breaks with an Infinite Hidden Markow. Journal of Applied Econometrics, v. 29, n. 5, p. 825–842, 2014.

ZHAO, D.; FANG, Y.; ZHANG, C.; WANG, Z. Portfolio Selection Based on Bayesian Theory. Mathematical Problems in Engineering, v. 1, n. 11, p. 1–11, 2019.

Downloads

Publicado

2023-10-21

Como Citar

Huarsaya, L. J. R., Brandão, L. E. T., Castro, J. G., & Huarsaya Tito, E. A. (2023). OTIMIZAÇÃO DE CARTEIRAS COM RETORNOS NÃO GAUSSIANOS: UMA ABORDAGEM BAYESIANA. Cadernos Do IME - Série Estatística, 54, 14–42. https://doi.org/10.12957/cadest.2023.79151

Edição

Seção

Artigos Serie Estatística