Se uma estratégia de investimento parece boa demais para ser verdade, olhe sob o capô

0
47

Uma carteira investida 51% no índice S&P 500 pode gerar os mesmos retornos de uma carteira 100% investida?

Em meados de março de 2020, um consultor financeiro disse a um dos autores que uma análise recente publicada por uma grande empresa de gestão de investimentos descobriu que sim.

Em outras palavras, a estratégia oferece o mesmo retorno do portfólio com apenas metade da volatilidade.

Botão de inscrição

Em um momento em que a volatilidade do mercado excede os níveis da crise financeira de 2008-2009, essa estratégia tem um apelo compreensível. Dadas as implicações potenciais, demos uma olhada mais de perto na pesquisa.

De acordo com a análise, US$ 100.000 investidos 100% no índice S&P 500 sob uma estratégia de compra e retenção em 24 de março de 2000 teriam crescido para US$ 310.570 em 31 de dezembro de 2019. A estratégia alternativa investiu 51% dos US$ 100.000 no S&P 500 Index em 24 de março de 2000. A pesquisa não indicou o que aconteceu com os 49% restantes, mas descobrimos que os retornos que eles relatam são gerados se colocarmos os US$ 49.000 debaixo do colchão, então assume um retorno de 0%. A carteira foi rebalanceada para 51% de peso de mercado em 9 de outubro de 2002, 9 de outubro de 2007 e 9 de março de 2009. Entre essas datas, o valor da carteira flutuou livremente.

A estratégia de 51% de peso de mercado aumentou o investimento de US$ 100.000 para US$ 311.560 em 31 de dezembro de 2019. Portanto, a estratégia de 51% de peso de mercado superou ligeiramente a estratégia de 100% de peso de mercado com cerca de metade do risco do portfólio, assim como o consultor financeiro disse.

O que nos chamou a atenção foi o acaso das três datas de reequilíbrio. Os de 2007 e 2009 correspondem a um top e bottom de mercado, respectivamente.

Anúncio para dez anos após a monografia da Research Foundation

Como demonstra a recente volatilidade relacionada ao COVID-19, é difícil determinar o momento ideal para comprar ou vender. Por exemplo, podemos ter comprado em 11 de março de 2020, depois que o índice S&P 500 caiu 4,9%, apenas para vê-lo cair 9,5% no dia seguinte. Os investidores, portanto, provavelmente não farão o reequilíbrio nas datas precisas especificadas.

Então, como datas diferentes afetariam a estratégia de 51% de peso de mercado? Embora não pudéssemos replicar perfeitamente os resultados, conseguimos produzir algo semelhante usando os retornos totais do SPDR S&P 500 Index ETF (SPY), que fazia sentido como proxy, pois é investível e acompanha de perto o S&P 500.

Em nosso estudo, a estratégia de 100% de peso de mercado rendeu US$ 304.122 em 31 de dezembro de 2019. Para superar um pouco esse portfólio, também precisávamos investir 51% no mercado em cada data de rebalanceamento. Isso resultou em um valor de portfólio de US$ 306.311 no final de 2019.

Usando o peso de mercado de 51% e nossos dados, testamos a sensibilidade do portfólio ao reequilíbrio um pouco mais cedo ou um pouco mais tarde. Primeiro, rebalanceamos a carteira uma semana antes de cada uma das datas originais de rebalanceamento. Isso nos deu um valor de portfólio no final do período de medição de US$ 292.772, 3,7% inferior à estratégia de 100% de peso de mercado. Em seguida, reequilibramos o portfólio uma semana depois das datas originais. Isso rendeu um valor de portfólio no final de 2019 de US$ 278.587, que é 8,4% menor do que a estratégia de 100% de peso de mercado.

Anúncio do Jornal de Analistas Financeiros

Ajustando as datas de rebalanceamento em duas semanas do calendário e os resultados são ainda piores. Duas semanas antes e os US$ 100.000 se tornam US$ 281.559 – 7,4% menos do que a estratégia de 100% de peso de mercado. Duas semanas depois, é igual a US$ 262.884, ou 13,6% menos do que a estratégia de 100% de peso de mercado. De forma mais geral, o resultado vale para praticamente todos (~98%) possíveis turnos de uma e duas semanas das datas de rebalanceamento.

Então, qual é o ponto de partida?

Para executar a estratégia de peso de mercado de 51%, é necessário um timing de mercado extremo: as datas específicas de rebalanceamento devem ser escolhidas perfeitamente. Caso contrário, é melhor adotarmos uma estratégia de compra e retenção que seja 100% investida no mercado.

Se você gostou deste post, não se esqueça de se inscrever no Investidor Empreendedor.


As opiniões aqui expressas são exclusivamente do autor e não refletem as opiniões da Compass Lexecon ou de seus outros funcionários.

Todos os posts são da opinião do autor. Como tal, eles não devem ser interpretados como conselhos de investimento, nem as opiniões expressas refletem necessariamente as opiniões do CFA Institute ou do empregador do autor.

Crédito da imagem: ©Getty Images / Giorez


Aprendizagem profissional para membros do CFA Institute

Os artigos selecionados são elegíveis para crédito de Aprendizagem Profissional (PL). Registre créditos facilmente usando o CFA Institute Members App, disponível em iOS e Android.

Clifford S. Ang, CFA

Clifford S. Ang, CFA, é vice-presidente sênior da Compass Lexecon, uma empresa de consultoria econômica. Ele é especialista na avaliação de empresas e ativos de difícil avaliação, principalmente no contexto de litígios. Ele trabalhou em centenas de compromissos envolvendo empresas em um amplo espectro de indústrias. Ang ensina os cursos de avaliação de ações e títulos no DataCamp, uma plataforma interativa de aprendizado de ciência de dados. Ele publicou e fez apresentações sobre inúmeras questões relacionadas à avaliação. Ang é o autor do livro de modelagem financeira, análise de dados e visualização de dados Analyzing Financial Data and Implementing Financial Models Using R, publicado pela Springer. A segunda edição do livro está programada para ser lançada na primavera de 2021. Ele é um CFA Charterholder e possui um mestrado em finanças. Ele é membro do CFA Institute, membro da CFA Society San Francisco, um resumo do CFA Digest, e foi voluntário no apoio ao programa CFA. Ele também é membro do Conselho Consultivo de Big Data da Rutgers University e do Conselho de Ex-alunos da Olin Business School da Washington University em St. Louis. Seu site é www.cliffordang.com e seu e-mail é [email protected]

Merrit Lyon

Merritt Lyon é estudante de doutorado em estatística na George Washington University. Seus interesses de pesquisa são em estruturas aleatórias, probabilidade aplicada e aprendizado estatístico. Sua experiência profissional envolve o desenvolvimento e aplicação de modelos de aprendizado de máquina, mais recentemente para uso no mercado de hipotecas residenciais.

LEAVE A REPLY

Please enter your comment!
Please enter your name here