A era dos robôs: a evolução da gestão quantitativa no mundo

Em tempos de inteligência artificial, a tecnologia mais do que nunca, se coloca no centro das atenções, nos fazendo pensar sobre o futuro de diversas profissões. Por um lado, existem grandes melhorias que podem chegar com o avanço tecnológico, principalmente no ganho de produtividade, cujo crescimento se encontra estagnado no mundo há muito tempo. 

Por outro lado, há um certo receio sobre a substituição de humanos por máquinas, além de preocupações com o desenvolvimento de novos golpes digitais, que tendem a ficar cada vez mais frequentes e eficientes. 

No mundo da gestão profissional, o emprego de tecnologia para se obter vantagens competitivas não é novidade. Até mesmo nos fundos geridos por gestores e analistas geniais, emprega-se muita tecnologia para coleta e tratamento de dados que permitem ao time uma melhor tomada de decisão. 

Entretanto, existe uma categoria de fundos em que não é um humano que toma a decisão de comprar e vender, e sim um algoritmo. Esse tipo de fundo em que a decisão de compra e venda não é discricionária é chamado de sistemático, ou até mesmo quantitativo. 

E, ao contrário do que possa parecer, este tipo de fundo já é muito comum no exterior; com os maiores hedge funds do mundo operando de forma totalmente ou parcialmente sistemática.

A seguir, você verá um infográfico criado pela Visual Capitalist no final de 2022, destacando os cinco maiores hedges funds daquela época. Esses fundos continuam entre os maiores em 2024.

Fonte: Visual Capitalist

A Bridgewater, que possui um dos maiores hedge funds do mundo, tem sua estratégia principal implementada inteiramente através de algoritmos. A Man Group, que possui o braço de gestão Man AHL, também é uma das maiores referências do mundo no assunto de gestão sistemática. Já a Renaissance, dona de um dos fundos tidos como mais rentável do mundo, possui uma gestão totalmente sistemática.

Isso sem nem citar outras grandes gestoras sistemáticas que também ocupam o ranking de maiores gestoras do mundo, como AQR Capital Management e Two Sigma Investments.

Se pararmos para pensar, o assunto não é novidade por aqui, na Finclass. Nós já recomendamos estratégias sistemáticas para a sua carteira global, a exemplo do fundo Bridgewater Core Global Macro (que podemos chamar de um fundo híbrido ou “semi-sistemático”) e o Man AHL Target Risk, que é 100% sistemático. Também temos uma única recomendação de um fundo quantitativo que faz parte da nossa caixinha de multimercados, gerido por uma gestora brasileira: o Zarathustra, da Giant Steps.

Fizemos uma breve introdução sobre esta realidade dos fundos sistemáticos, mas deixe-nos aprofundar um pouco mais sobre o tema.

Afinal, o que é um fundo sistemático?

Por muito tempo, os fundos sistemáticos receberam a alcunha de “caixa-preta”, em que se tem pouca visibilidade do que acontece, fazendo com que muitos investidores tenham um alto nível de ceticismo sobre a classe.

Na prática, o que um fundo sistemático busca fazer é transformar em algoritmos o processo formal e fundamentalista de tomada de decisão feito por um gestor discricionário. 

Imagine um gestor de ações que analisa setores, identifica empresas alinhadas ao perfil desejado, coleta informações detalhadas, como balanços financeiros, e compara esses dados com os de empresas do mesmo setor, tanto no Brasil quanto no exterior. Ele estuda a saúde econômica da empresa, investiga quem está por trás do negócio, projeta o fluxo de caixa futuro e estima as taxas de juros futuras, entre muitas outras etapas e estratégias de análise, antes de decidir se vale a pena comprar – ou não – uma determinada ação.

Agora, pense que um algoritmo pode ser programado para replicar todo esse processo de tomada de decisão. A diferença é que, com o auxílio da tecnologia, a quantidade de dados que podem ser processados e analisados simultaneamente é infinitamente maior do que qualquer ser humano, por mais competente que seja, poderia fazer – mesmo com uma equipe robusta de análise. Além disso, todo gestor é humano e, portanto, suscetível às próprias emoções.

Um algoritmo é frio e calculista. Vai executar o que foi programado para fazer, escapando de decisões afetadas pela emoção. Além disso, consegue operar com muita velocidade e em muitas classes diferentes de ativos no mundo todo.

Um fundo sistemático costuma ter dezenas (e até centenas) de algoritmos operando simultaneamente, cada um com um funcionamento e visando capturar algum tipo de distorção de preço no mundo e trazer diversificação para o fundo.

Cada algoritmo é programado para capturar algum tipo de sinal, correlacionar dados com dezenas de acontecimentos históricos e levar em conta o comportamento do mercado para se posicionar, comprando ou vendendo. Por mais que exista uma infinidade de categorias de algoritmos, podemos simplificar explicando os mais comuns.

Os tipos de algoritmos mais conhecidos e utilizados por fundos sistemáticos são trend following (seguidor de tendências) e mean reversion (reversão à média). Agora, com o perdão do garrancho (afinal, como desenhistas, somos ótimos analistas), fizemos uma ilustração simples para mostrar de maneira objetiva o que seriam os conceitos reversão à média e seguidor de tendência.

Fonte: Finclass

Diversos ativos demonstram comportamentos cíclicos, oscilando bastante em torno de uma média crescente ao longo do tempo. Muitos algoritmos buscam encontrar esses momentos de distorção para se posicionar comprando ou até mesmo operando vendido. Portanto, de maneira simplificada, é um algoritmo que procura se posicionar em um momento em que haja uma grande tendência de o preço se reverter a essa média crescente.

Já o modelo seguidor de tendências passa a procurar sinais de que um determinado ativo está com um bom “momentum”, apresentando a tendência de valorização ou de desvalorização. Pela ilustração a seguir, podemos reparar que, usualmente, o algoritmo perde a primeira “pernada” de valorização ou desvalorização; porém, depois de identificada, a tendência se posiciona rapidamente para surfá-la.

Fonte: Finclass

Obviamente, reduzir toda a estratégia de um fundo sistemático para apenas duas ideias é uma abordagem muito simplista. Como mencionamos, muitas vezes existem dezenas de algoritmos rodando simultaneamente. 

Não existe mágica, tampouco “caixa-preta”, em que um milagre acontece operado por robôs. Existe muita ciência e estudo para gerar novas ideias e acompanhar as atuais. Sim, modelos vencedores podem perder sua eficiência ao longo do tempo e precisam ser substituídos ou melhorados.

Por isso, para nós, um fator determinante para nos permitir recomendar um fundo sistemático é a profundidade e a eficiência da geração de novas ideias.

Para ilustrar “na prática”, utilizamos um fundo sistemático já recomendado por nós. É claro que cada fundo funciona de uma maneira particular, mas ao detalharmos o funcionamento do Man AHL Target Risk, podemos ter uma ideia melhor de como o projeto foi pensado e implementado com uso de muita tecnologia. 

Sucessos e fracassos da gestão sistemática

É normal generalizarmos com base em experiências pontuais. Por exemplo, se vou a um restaurante japonês pela primeira vez e não gosto da comida, posso acabar achando que toda comida japonesa é ruim. Mas, na verdade, pode ter sido apenas o azar de escolher um restaurante específico que não era dos melhores.

Da mesma maneira, muitos têm um grande pé atrás quanto à gestão sistemática por conta de casos icônicos de fundos que quebraram e deram grande prejuízo a seus cotistas. 

Talvez um dos casos (fracassos) mais icônicos tenha sido o da Long Term Capital Management (LTCM).

A Long-Term Capital Management (LTCM) foi um hedge fund criado em 1994 por John Meriwether, um renomado trader de Wall Street, junto com um time de especialistas, incluindo dois ganhadores do Prêmio Nobel, Myron Scholes e Robert Merton. O fundo ficou famoso por utilizar modelos matemáticos sofisticados e estratégias de arbitragem de alta alavancagem para explorar pequenas ineficiências nos mercados financeiros.

No início, a LTCM teve muito sucesso, gerando retornos significativos. Contudo, em 1998, a crise financeira da Rússia afetou drasticamente o fundo. A Rússia declarou moratória sobre sua dívida, o que causou pânico nos mercados e gerou grandes perdas para a LTCM. Devido à alta alavancagem, essas perdas foram amplificadas, resultando em uma quase falência do fundo.

O colapso da LTCM representou um risco sistêmico para o sistema financeiro global, pois o fundo tinha posições gigantescas que estavam interligadas com grandes bancos e outras instituições financeiras. Com receio de um colapso financeiro em cadeia, o Federal Reserve de Nova York (responsável pela supervisão dos mercados de capitais) organizou um resgate de US$ 3,6 bilhões, financiado por um consórcio de grandes bancos, permitindo uma liquidação ordenada do fundo.

O caso da LTCM destacou os riscos da alavancagem excessiva e da confiança cega em modelos matemáticos sem considerar eventos de baixa probabilidade, mas de alto impacto.

Este evento destacou que um fundo quantitativo pode funcionar muito bem por anos, até não funcionar mais, principalmente quando as correlações históricas deixam de funcionar ao longo do tempo ou quando enfrentamos eventos sem precedentes. Por isso, se faz necessário o desenvolvimento contínuo de novas estratégias e sistemas de risco que possam lidar até mesmo com eventos nunca observados. 

O melhor fundo do mundo?

Para trazer um contraponto interessante, falaremos sobre o Medallion Fund, gerido pela Renaissance Technologies, fundada por Jim Simons, um dos mais brilhantes matemáticos do século XX, que faleceu em maio de 2024, deixando um legado marcante.

Foto: Jim Simons. Reprodução: Money Times

James Harris Simons nasceu em 25 de abril de 1938, em Brookline, Massachusetts. Filho único de Matthew Simons, que trabalhava na indústria cinematográfica como representante de vendas da 20th Century Fox, e Marcia Kantor, Jim demonstrou talento para a matemática desde muito jovem. Ele completou o ensino médio na Newton High School em três anos e, posteriormente, ingressou no MIT, onde concluiu seu bacharelado em matemática em 1958, também em três anos. Durante seu doutorado na Universidade da Califórnia, em Berkeley, Simons teve seu primeiro contato com o mundo dos investimentos ao negociar futuros de soja na Merrill Lynch, em São Francisco.

Em 1961, retornou ao MIT como professor e acreditava que sua vida estava decidida. Em uma entrevista ao Instituto Americano de Física, realizada em 2020, ele relembrou ter pensado que passaria o resto da vida como professor universitário. 

No entanto, sua trajetória mudou quando, em 1964, ele aceitou uma posição no Institute for Defense Analyses, em Princeton (Nova Jersey), onde trabalhou em criptografia para a Agência de Segurança Nacional dos EUA durante a Guerra Fria. Esse trabalho o expôs ao potencial dos algoritmos computacionais, e Simons começou a explorar previsões de curto prazo no mercado de ações.

Após mais de três anos na organização, Simons foi demitido por criticar publicamente o presidente do Instituto, o general Maxwell D. Taylor, em relação à guerra do Vietnã. Logo depois, ele foi convidado a presidir o departamento de matemática da Universidade Estadual de Nova York, em Stony Brook. Ao lado de Shiing-Shen Chern, ele desenvolveu a teoria de Chern-Simons, apresentada em 1974, que trouxe ferramentas importantes para distinguirmos tipos específicos de espaços curvos, relevantes na teoria da relatividade geral de Einstein.

Em 1976, Simons foi laureado com o Prêmio Oswald Veblen de Geometria pela American Mathematical Society. Durante sua gestão no departamento de matemática, ele voltou a se interessar pelo mercado financeiro, utilizando sua rede de contatos em criptografia e matemática para desenvolver modelos estatísticos para análise de mercado. Inicialmente, ele negociava commodities com base em fundamentos econômicos, mas logo passou a buscar ajuda de colegas como Elwyn Berlekamp, Leonard Baum e outros para refinar suas técnicas.

Em 1978, Simons deixou definitivamente a academia e fundou a Monemetrics, que mais tarde se tornaria a Renaissance Technologies. Com a colaboração de Leonard Baum, ele aplicou modelos matemáticos para negociar moedas, descobrindo que esses métodos poderiam ser aplicados a outros ativos. Essa abordagem resultou na criação do Medallion Fund, que, após um início desafiador, entregou 9% de retorno no primeiro ano, queda de 4% no segundo, e alcançou um retorno líquido de 55% em 1990, mantendo uma performance excepcional desde então.

Os retornos impressionantes do Medallion permitiram que o fundo cobrasse taxas de administração e performance muito superiores às médias do mercado, mas com uma média de retorno anual de 39,1% ao longo de 30 anos, os investidores dificilmente poderiam reclamar.

Talvez a tabela acima não passe toda a dimensão do resultado entregue pelo fundo ao longo de 30 anos. Mas, se acumulassemos esses retornos, teríamos uma curva de acumulação de retornos líquidos como a seguinte:

Se considerarmos o crescimento do fundo, um investimento inicial de US$ 1 mil teria se transformado em US$ 20,3 milhões ao longo de três décadas. 

Além de sua carreira financeira, Simons também foi um filantropo comprometido. Ele prometeu doar a maior parte de sua fortuna para instituições de caridade e, em 1994, fundou a Simons Foundation, que apoia pesquisas em matemática, ciências e autismo. Simons também fundou o Math for America, uma organização que oferece bolsas de estudo para professores de matemática e ciências em escolas públicas de Nova York.

Como mencionamos, infelizmente perdemos Jim Simons em 2024. Deixamos este relato sobre sua vida como uma espécie de homenagem da Finclass ao grande ícone da gestão quantitativa mundial. 

Um exemplo de funcionamento: Man AHL TargetRisk

O fundo do braço sistemático da Man Group, o Man AHL, é um fundo gerido totalmente por algoritmos e recomendado por nós. Ele tem um funcionamento um pouco mais fácil de exemplificar e, por isso, investiremos um tempo para contar a história dele e como seus algoritmos trabalham. 

A ideia do fundo nasceu da necessidade de construir algo mais eficiente que o tradicional portfólio 60/40, investindo de maneira diversificada entre ações, crédito, bonds (que podem ser entendidos como títulos de renda fixa governamentais de Tesouro e prefixados) e títulos atrelados à inflação.

Em um portfólio tradicional 60/40, a parcela de ações, devido à maior volatilidade, representa cerca de 85% do risco, o que, no ponto de vista dos especialistas da Man AHL, é uma alocação subótima, já que há diversificação e quase todo o risco continua pendendo para o lado das ações.

Esse, inclusive, é um dos motivos de termos procurado uma diversificação diferente em nossa bússola global, agregando outras classes de ativos para fugir do tradicional 60/40, que não consideramos mais ser eficiente nos dias de hoje.

Por isso, a decisão foi montar uma estratégia que melhoraria a alocação 60/40, passando por três estágios: diversificação, escalabilidade e gestão sistemática de risco.

Faremos um passo a passo para exemplificar como a estratégia do fundo foi pensada.

Diversificação

A ideia do portfólio 60/40 era diversificar entre bonds e ações, que são duas classes que possuem retorno esperado positivo no longo prazo, embora tenham correlação baixa entre si.

Então, por que não estender essa linha de pensamento para outras classes de ativos com retorno esperado positivo e correlação baixa?

A pergunta parece simples, mas achar a composição ideal entre ativos com baixa correlação que potencializem retorno e minimizem riscos é uma das grandes dificuldades da atividade de gestão de ativos.

Vejamos como a Man AHL compõe seu portfólio padrão:

Fonte: Man AHL

Apenas por incluir mais diversificação, o resultado obtido era uma carteira com menor risco, porém, com menor retorno.

Fontes: Man AHL e Finclass

Entretanto, ter menos risco não valeria a pena se fosse para obter um retorno pouco representativo. Era preciso, portanto, escalar o portfólio.

Escalabilidade

Depois de reduzir consideravelmente o risco por meio de diversificação, a pergunta a ser feita agora é: como potencializar o retorno esperado?

Uma das alternativas escolhidas foi aumentar a fatia de ações em relação ao crédito e utilizar dosagens certas de alavancagem para potencializar o retorno de forma equilibrada.

Quando falamos de escalabilidade, estamos nos referindo ao imenso leque de possibilidades do fundo. Vale lembrar que a atuação do fundo é a nível global, operando sistematicamente contratos futuros (que são bastante líquidos) e, por terem um arcabouço operacional extremamente eficiente, é feito com um custo de execução de operações consideravelmente menor do que a média em mais de 50 mercados diferentes e em mais de 20 países.

A alavancagem, conceito de se obter uma exposição maior do que o patrimônio que se tem, é utilizada para permitir que o fundo chegue a uma exposição comprada, cerca de 300% ou até um pouco mais. Ou seja, para cada dólar que o fundo tem no patrimônio, ele consegue expor até US$ 4 a ativos.

Antes que você se incomode com a possibilidade de risco, saiba que aqui não estamos falando de uma alavancagem para fazer loucuras, e, sim, para ganhar eficiência (esse conceito de alavancagem é também utilizado pelo fundo da Bridgewater e outros tantos fundos que usam implementação sistemática).

O resultado é um portfólio com um potencial de retorno consideravelmente maior, mas com um risco igualmente elevado.

Fontes: Man AHL e Finclass

Conseguimos resolver a questão do retorno, mas voltamos um passo atrás em termos de risco.

Gestão sistemática de risco

Diferentes combinações de portfólio seriam possíveis de acordo com o potencial de retorno a se obter e a tolerância ao risco. O ponto ótimo escolhido pela equipe da Man AHL é uma meta de volatilidade de 10%, valendo-se de uma exposição comprada de cerca de 300%, conforme explicado no ponto anterior.

Justamente por isso, o nome do fundo é Target Risk, ou seja, meta de risco, fazendo alusão a essa meta de perseguir 10% de volatilidade anual ao longo do tempo.  

A questão é que, se temos uma meta de risco de 10%, nem sempre poderemos manter a exposição comprada em 300%. Em momentos turbulentos, é necessário reduzir a exposição para preservar a meta de volatilidade.

É aí que entra uma das características mais interessantes do fundo: os três gatilhos de redução sistemática de risco.

Os algoritmos observam os mercados a todo momento e são capazes de detectar sinais que fazem com que o fundo possa reduzir o risco em questão de segundos:

Gatilho de volatilidade: quando o fundo detecta que houve um pico de volatilidade no portfólio que desalinha a sua meta de risco, ele é capaz de desalavancar a exposição do fundo e retirar até 50% do risco do portfólio em segundos. Já em momentos em que o mercado está pouco volátil, o contrário também é válido, e o fundo pode alavancar a exposição para se encaixar na meta.

Leitura de momentum: reduz automaticamente a exposição a um determinado mercado em até 50%, quando uma tendência de queda é identificada pelos algoritmos, e volta a tomar risco, quando detecta que essa tendência de queda se esgotou. Esse gatilho não movimenta o portfólio como um todo, mas, sim, atua em cada um dos 50 mercados que o fundo opera. Portanto, se esse momentum fosse identificado no mercado de ações norte-americano, por exemplo, apenas essa parte da carteira teria o risco reduzido.

Correlação entre bonds e ações: reduz a exposição global do portfólio em até 50% quando os algoritmos detectam um aumento repentino de correlação entre bonds e ações, que, historicamente, têm correlação baixa ou até negativa. Esses aumentos costumam indicar momentos de intenso sell-off (venda desenfreada de ativos que acontecem em ocasiões de crise).

Juntos, esses três gatilhos sistemáticos conseguem reduzir o risco, justamente por poderem se sobrepor. Por exemplo, se um pico de volatilidade for detectado, o primeiro gatilho é ativado, e 50% do risco de todo o fundo é retirado. Se o terceiro gatilho identificar um aumento de correlação entre ações e bonds, mais 50% do risco é retirado. Por fim, se ainda assim todos os mercados em que o fundo opera começarem a apresentar uma tendência de queda, 50% de risco de cada mercado será retirado.

Como exemplo, no momento mais grave da crise causada pela Covid-19 em março de 2020, o fundo chegou a reduzir a exposição de 300% para quase 30%, uma queda de 90% do risco total do portfólio.

A ideia é retirar risco enquanto preserva a meta de retorno, conforme ilustrado na figura a seguir.

Fontes: Man AHL e Finclass

O resultado seria uma carteira com retorno superior a um tradicional portfólio 60/40 e com risco semelhante.

Que estilo de gestão é melhor?

O primeiro ponto que este relatório precisa deixar claro é que não existe um estilo de gestão vencedor. Ao falar sobre a gestão sistemática/quantitativa, não temos a intenção de eleger um vencedor, mas sim apresentar como esta classe já é muito relevante fora do Brasil e como pode ser combinada com os estilos de gestão que já conhecemos. 

Cada fundo quantitativo é de um jeito particular, mesmo assim, em média, temos algumas características interessantes que podem melhorar a eficiência de nossa carteira. 

Gostamos de diversificação e sabemos do potencial que muitos gestores, principalmente os brasileiros, têm capacidades de entregar retornos consistentes. Mas ao empregar tecnologia para ganhar escala, velocidade e eficiência de análise, podemos ter fundos com características diferentes em nossa carteira. 

Geralmente a correlação entre fundos discricionários e quantitativos é baixa, ou até negativa, o que tende a diminuir a volatilidade da carteira como um todo, mantendo o potencial de retornos. 

Por isso, podemos combinar dois poderosos estilos de gestão para termos resultados ainda melhores. 

Ainda sobre este assunto, lembre-se de que, por mais que um fundo sistemático seja operado por algoritmos, eles foram desenvolvidos por humanos que precisam ter um profundo conhecimento de mercado para pesquisar e encontrar teses que possam ser ganhadoras de dinheiro quando transformadas em algoritmos. Por isso, a participação humana não se encerrará nem mesmo dentro dos fundos desta categoria. 

Gestão sistemática no Brasil

Agora, por que será que essa tendência ainda não tem a mesma força aqui no Brasil?

O processo de desenvolver algoritmos de gestão não é tão simples como colocar dois programadores experientes fechados em uma sala para fazer testes com dados históricos de variação de preços.

Para ter sucesso nessa indústria, é necessário um investimento pesado em tecnologia e em reciclagem de modelos, pois bons modelos podem perder sua efetividade e durar por pouco tempo. Esse é um dos principais motivos de diversos projetos quantitativos e sistemáticos terem ficado pelo caminho aqui no Brasil.

Eu, Arrais, me lembro da oportunidade que tive de visitar a sede da Man Group às margens do rio Tâmisa, em Londres, e conhecer de perto o quão importante é o investimento em tecnologia e novas ideias. Por isso, não raramente, gestoras sistemáticas se tornam também grandes produtoras de materiais acadêmicos sobre comportamento de mercado.

Naquela época, a gestora investia cerca de US$ 100 milhões todos os anos apenas em melhoria de tecnologia e inovação. Muitas gestoras brasileiras sequer possuem este montante sob gestão, quanto mais disponível para fazer investimentos em tecnologia para melhorar os processos de gestão. 

Esse foi um dos motivos de termos confiado no trabalho da Giant Steps. Existe foco nesse tipo de atividade e não é apenas mais um fundo dentro de uma grade ampla de produtos tradicionais. Cada vez mais, vemos gestoras tradicionais lançando projetos sistemáticos e que, apesar de gostarmos da classe, ficamos um pouco mais reticentes sobre essa grande quantidade de fundos quantitativos que têm surgido no mercado brasileiro.

Outra questão que conta a favor da gestora Giant Steps é o perfil de profissionais que buscam, investindo muito dinheiro para trazer não só pessoas com experiência de mercado, mas programadores e PhD's. É comum encontrar campeões de xadrez e Olimpíadas de física e matemática entre os funcionários da Giant Steps.

Eles criaram uma “fábrica de ideias” que tem obstinação por testar novas teses de maneira contínua a fim de encontrar os algoritmos ganhadores de dinheiro. Afinal, muitas vezes uma boa ideia funciona bem na planilha e não funciona na vida real, ou até chega a funcionar, mas somente operando uma quantia de dinheiro pequena, forçando a equipe a procurar várias ideias diferentes para que o resultado seja significativo para o fundo.

Esse entendimento, e até mesmo certo “desapego” com ideias que podem não funcionar, faz com que o resultado do fundo Giant Zarathustra já seja notável há mais de uma década, desde seu início, em 2012.

Como mencionamos, hoje, mais estratégias sistemáticas têm surgido até mesmo em gestoras mais tradicionais. Entretanto, no surgimento do Zarathustra, podemos dizer que ele estava “pregando” sozinho no deserto.

Inclusive, aqui cabe destacar a relação com o nome do fundo, Zarathustra, uma referência ao profeta que concebeu o Masdeísmo, antiga religião que foi a principal religião da Pérsia e existe até hoje. Por mais de uma década, teve apenas um único adepto, seu irmão. A lenda conta que ele “pregava” sozinho no deserto sem que ninguém lhe desse atenção. Ele teve muita determinação até que, aos seus 40 anos, conseguiu converter o rei Vishtaspa, que se tornou um fervoroso seguidor da religião pregada por Zarathustra.

Ele, portanto, passou de alguém que pregava sozinho aos quatro ventos a um líder religioso, considerado a segunda pessoa mais importante da época, atrás apenas do imperador soberano. Seguindo essa analogia, podemos dizer que o fundo Giant Zarathustra foi um dos pioneiros no Brasil e hoje talvez seja a maior e mais bem-sucedida referência de fundo sistemático no Brasil.

As recomendações internacionais

Como muitos de vocês sabem, a cobertura internacional de ativos da Finclass começou há vários anos com uma assinatura da Spiti chamada Você, Investidor Global.

Por ser uma assinatura dedicada ao tema, tínhamos espaço para expandir nosso escopo e, ao longo dos anos, criamos uma extensa lista de recomendações que, em sua maioria, deveriam ser escolhidas de maneira qualitativa.

Por um lado, é ótimo que tenhamos mais opções de investimento; por outro, isso pode tornar o processo muito confuso e pouco prático.

Após a fusão com a Finclass, passamos a adotar uma visão de carteira única e integrada. Desta maneira, a carteira internacional escolhida não tem espaço para algumas recomendações muito específicas.

Fonte: Finclass

Ficamos por aqui...

A gestão sistemática/quantitativa já é consolidada no exterior. Entre histórias de fracasso, como o da LTCM, e sucesso, como o Medallion de Jim Simons, temos visto cada vez mais o crescimento desta classe de fundos. 

Ainda há bastante preconceito sobre o estilo, já que é menos trivial entendermos o que o fundo está fazendo para ganhar dinheiro. Por isso, muitos chamam a classe de “caixa-preta”. No entanto, quando um gestor toma uma decisão de comprar ou vender com base em sua experiência, não temos como mapear todo o pensamento e lógica que ele empregou para tomar as decisões. 

Um algoritmo faz o que é programado para fazer, por isso, podemos, sim, entender exatamente o que está acontecendo para o fundo ganhar ou perder dinheiro. 

A ideia do relatório foi explicar um pouco sobre essa classe e não eleger um vencedor. Afinal, gostamos muito da gestão tradicional, e continuamos confiando nos gestores nacionais e internacionais que recomendamos. 

O relatório de hoje também serve como uma antecipação, ou no vocabulário mais informal, um “esquenta” para prepará-lo para a “nova” Finclass, exclusiva sobre gestão quantitativa, que será lançada em breve. 

Em breve, traremos novidades. 

Um grande abraço, 

Felipe Arrais, Ana Farias e Rodrigo Xavier.