Lei Fundamental da Gestão Ativa: O Breadth é o Teto do Meu Portfólio

Atualizado em 07/08/2026

Passei meses caçando a vantagem do meu portfólio no lugar errado, tentando espremer mais qualidade de cada robô, quando o gargalo verdadeiro estava no número de fatores de risco independentes que eu conseguia montar. Existe uma fórmula que nomeia esse gargalo com precisão cirúrgica, a Lei Fundamental da Gestão Ativa, e ela diz que o retorno ajustado ao risco de qualquer estratégia é a habilidade por previsão multiplicada pela raiz do número de fatores de risco independentes. Este texto conta como essa lei explica o teto que eu bati na prática, com dados de 2024 a 2026, e por que ela empurra o projeto na direção de diversificar por comportamento e por classe de ativo. A mecânica de como eu contei esses fatores com PCA eu já detalhei em paridade de risco na prática e no algoritmo de Hierarchical Risk Parity; aqui o foco é a lei que dá sentido àqueles números. A habilidade por previsão de um robô de tendência, o tal do IC, é assunto de momentum de série temporal.

O que a pesquisa mostra: Grinold decompôs o desempenho de qualquer estratégia ativa em exatamente dois fatores e nada mais, a habilidade por previsão e a raiz do número de fatores de risco independentes, na forma IR = IC × √Breadth. A leitura é dura: só existem duas alavancas para melhorar uma estratégia, ficar mais esperto por previsão ou somar mais fatores de risco independentes, e a segunda entra com raiz quadrada (Grinold, 1989).

A Lei Fundamental separa habilidade de número de fatores de risco

A Lei Fundamental da Gestão Ativa decompõe o desempenho de uma estratégia em dois fatores multiplicativos, e a fórmula é o resumo do parágrafo inteiro: IR = IC × √Breadth. Em texto simples, o retorno ajustado ao risco (IR, ou Information Ratio) é igual à habilidade por previsão (IC, ou Information Coefficient) multiplicada pela raiz do número de fatores de risco independentes (o breadth, ou amplitude). Cada termo tem um sentido preciso e vale nomear.

O IR é o Sharpe da vantagem, a razão entre o retorno ativo e o risco ativo da estratégia como um todo. O IC é a habilidade medida como a correlação entre o que a estratégia previu e o que de fato aconteceu; um IC de zero significa previsão sem nenhuma relação com o que aconteceu depois, e um IC entre 0,05 e 0,10 já é considerado bom em mercado líquido, porque prever preço é difícil de verdade. O breadth é a contagem de decisões verdadeiramente separadas por período, e a palavra que carrega toda a armadilha é separadas: conta apenas os fatores de risco que não são o mesmo fator vestido com outra roupa, o que exclui do total tanto os trades repetidos quanto os robôs redundantes do mesmo sinal. Grinold formalizou essa relação em 1989 e ela virou um dos pilares conceituais da indústria quantitativa, refinada depois por Grinold e Kahn em Active Portfolio Management.

Por que a raiz quadrada é a parte que muda o resultado

A raiz quadrada no breadth é o coração da lei, e ela corta nos dois sentidos. Como o IR cresce com a raiz do número de fatores, quadruplicar os fatores de risco independentes não quadruplica o desempenho, apenas o dobra, porque a raiz de 4 é 2. Dobrar esse número rende um ganho de raiz de 2, cerca de 1,41 vez. É um retorno decrescente que impõe um teto: chega um ponto em que adicionar mais fatores do mesmo tipo quase não move o ponteiro.

Na direção contrária, a mesma raiz é generosa com quem tem pouca habilidade e muita oportunidade. O exemplo clássico de Grinold e Kahn deixa isso visível: um gestor com IC modesto de 0,082 tomando 200 decisões independentes por ano chega a um IR perto de 1,16, enquanto um selecionador brilhante, com IC quase dobrado de 0,15 mas concentrado em apenas 10 decisões, fica em torno de 0,47, menos da metade. O segundo é mais talentoso por previsão e ainda assim perde, porque o breadth é a alavanca que a raiz amplifica. Esse é o mecanismo que faz um portfólio de muitos robôs medianos entregar uma curva mais suave que três estratégias geniais, e é a mesma lógica que sustenta o dimensionamento por Kelly: o crescimento de longo prazo depende do número de oportunidades independentes de aplicar a vantagem, muito mais do que do tamanho de cada posição isolada.

No meu forex, dezenas de robôs valiam 2,46 fatores efetivos

Quando levei essa régua para o meu portfólio real, o teto apareceu na cara. Eu tinha dezenas de robôs de tendência rodando em EURUSD, GBPUSD, USDJPY e USDCAD, e a planilha dava a impressão confortável de uma carteira bem espalhada por quatro mercados. Rodei um PCA sobre os resultados semanais para contar quantos fatores de risco independentes existiam de fato, e a resposta foi humilhante: o bloco de tendência inteiro valia 2,46 fatores efetivos. A primeira componente principal, que é essencialmente o fator dólar, sozinha explicava 67% da variância de tudo.

O motivo é estrutural e vale para qualquer um que opere majors. Todo par principal é cotado contra o dólar, então um robô comprado em USDJPY e outro vendido em EURUSD parecem posições diferentes, mas nos dois casos a posição de fundo é dólar comprado. Multiplicar pares multiplica linhas na planilha e quase não multiplica fatores de risco. Espalhar capital por par é uma diversificação de aparência: vinte linhas com 5% do risco cada podem ser vinte fatias iguais de um único fator macro. Como a correlação entre esses robôs entra na conta do breadth eu detalho em correlação num portfólio quant, e a decomposição de risco que expôs a mesma concentração está no artigo de paridade de risco. A conclusão que interessa aqui é a da lei: com breadth de 2,46, meu IR tinha um teto baixo por construção, e nenhuma melhoria no IC de cada robô ia furar esse teto, porque a raiz de 2,46 é a raiz de 2,46 por mais afiado que fique cada sinal.

Misturar comportamento quase dobrou o breadth sem adicionar um par

A dimensão nova não veio de adicionar mercado, veio de adicionar comportamento. Quando juntei ao bloco de tendência os robôs de grid, que acumulam ordens contra o movimento em ciclos curtos operando reversão à média, os fatores efetivos subiram de 2,46 para 5,69, com correlação medida de −0,15 entre o bloco de grid e o bloco de tendência. O grid era a única coisa no portfólio que não dependia de dólar comprado em tendência, e por isso ele adicionou breadth de verdade, enquanto mais um par de moeda teria adicionado só linha.

Pela Lei Fundamental, esse salto é o evento que importa. Quase dobrar o breadth, de 2,46 para 5,69, eleva o teto do IR por um fator próximo da raiz de 2,3, algo como 1,5 vez, e faz isso sem que eu precise ficar mais esperto em nenhum robô individual. O teste que mais me convenceu foi o condicional dos dias ruins: nos 5% piores dias do bloco de tendência, o bloco de grid rendeu em média a favor, e nos piores dias do grid, a tendência segurou a linha. Pela única medida que interessa, o resultado conjunto quando um dos lados sofre, eram fatores de risco diferentes de verdade. Preciso registrar a ressalva, porque a régua da casa é medir e não romantizar: esse 5,69 é potencial ainda não plenamente realizado. Eu tinha poucos grids no pool, um deles dominava o risco do bloco, e a janela de 2024 a 2026 não contém um choque tipo 2008 ou 2020. O breadth medido vale para o regime que eu vi, com a humildade de quem sabe o que não viu.

O forex tem um teto baixo de fatores de risco, e é por isso que o projeto muda de rumo

A consequência estratégica da lei é direta: o forex tem um teto baixo de fatores de risco independentes, algo como dois fatores macro, e nenhuma engenharia de robô fura esse teto por dentro do forex. Por mais pares que eu adicione e por mais robôs que eu empilhe em cada par, a maioria colapsa no fator dólar, com uma segunda dimensão fraca vindo do diferencial de juros que move o iene. Quem vive de majors trabalha, na prática, com pouco mais de um fator macro e meio. A lei diz que o IR de longo prazo dessa carteira está travado pela raiz desse número pequeno, e é um travamento que a qualidade individual dos sinais não resolve.

É essa leitura que redireciona o projeto. Se o breadth é o gargalo e o forex satura em cerca de dois fatores, a alavanca certa deixou de ser adicionar mais robôs de tendência ao mesmo pool e passou a ser adicionar comportamento e classe de ativo com correlação baixa entre si. Grid contra tendência já provou que rende dimensão nova de graça, com correlação negativa. O passo seguinte natural é sair do forex para índices e commodities, onde os fatores de risco não são o dólar, o que multiplica breadth de verdade em vez de multiplicar linhas. A pergunta que organiza a montagem do portfólio deixou de ser quantos robôs eu tenho e virou quantos fatores de risco independentes eu tenho, e se eles estão equilibrados entre si. O número de robôs passou a emergir como consequência dessa conta.

O transfer coefficient: quanto do sinal chega à conta

Há um terceiro fator que a versão original da lei ignorava, e que Clarke, de Silva e Thorley adicionaram em 2002 porque a teoria pura assumia execução perfeita. A lei refinada vira IR = TC × IC × √Breadth, onde o TC, o transfer coefficient, mede quanto da sua previsão ideal de fato chega ao portfólio depois de custos e restrições. O TC vale entre 0 e 1: um TC de 1 seria a implementação perfeita, cada sinal virando posição exatamente no tamanho que a teoria pede, e um TC de 0,5 simplesmente corta o IR pela metade, porque metade da vantagem vazou no caminho entre o sinal e a conta.

Para quem opera robô, o transfer coefficient é onde a teoria encontra o extrato. A previsão pode estar certa e ainda assim só uma fração dela chegar à conta, drenada por spread efetivo, slippage, custo de carrego e pela granularidade do lote, porque não dá para posicionar 0,37 de contrato quando o mínimo é 0,01. Foi medindo esses vazamentos que descobri o custo de swap desligado em dezenas de milhares de dias-posição dos meus backtests, exatamente o tipo de atrito que derruba o TC sem aparecer na tela. A lição completa da lei, então, é que existem três formas de melhorar uma estratégia: ficar mais esperto por previsão (IC), somar mais fatores de risco independentes (breadth), ou perder menos sinal na execução (TC). No meu caso, com o breadth travado pelo teto do forex, as alavancas que de fato sobraram foram diversificar por comportamento e por classe, e cuidar para que o custo não coma o que a diversificação constrói.

Os números deste artigo

Perguntas Frequentes

O que é a Lei Fundamental da Gestão Ativa em uma frase?

É a relação que decompõe o retorno ajustado ao risco de uma estratégia em habilidade por previsão multiplicada pela raiz do número de fatores de risco independentes: IR = IC × √Breadth. Foi formulada por Richard Grinold em 1989 e diz que só existem duas alavancas para melhorar uma estratégia, ficar mais esperto por previsão ou somar mais fatores de risco independentes, com a segunda entrando pela raiz quadrada.

O que significa breadth num portfólio de robôs?

Breadth conta apenas os fatores de risco verdadeiramente independentes, o que exclui robôs redundantes e trades repetidos do mesmo sinal. Dez robôs que entram todos no mesmo sinal de tendência do mesmo fator têm breadth de um, replicado dez vezes. No meu portfólio, dezenas de robôs de tendência em quatro pares de forex valiam apenas 2,46 fatores efetivos medidos por PCA, porque o fator dólar explicava 67% da variância de todos eles.

Por que adicionar mais robôs de tendência quase não aumentou o meu Sharpe?

Porque o IR cresce com a raiz do breadth, e mais robôs do mesmo tipo não aumentam o breadth, aumentam a redundância. Todos carregam o mesmo fator macro, então o breadth efetivo trava perto de dois no forex e a raiz de dois é a raiz de dois por mais robôs que eu empilhe. Foi misturar comportamento, grid com correlação de −0,15 contra a tendência, que levou os fatores efetivos de 2,46 para 5,69 e destravou o teto.

O que é o transfer coefficient?

É um fator entre 0 e 1 que mede quanto da sua previsão ideal de fato chega ao portfólio depois de custos, slippage, granularidade de lote e restrições, refinando a lei para IR = TC × IC × √Breadth. Clarke, de Silva e Thorley adicionaram esse termo em 2002; um TC de 0,5 corta o IR pela metade mesmo com a previsão correta, porque é a parte da fórmula que captura a execução imperfeita.

Referências

• Grinold, R. C. (1989). The Fundamental Law of Active Management. The Journal of Portfolio Management, 15(3), 30-37. pm-research.com. (Formulação original IR = IC × √Breadth.)
• Clarke, R.; de Silva, H.; Thorley, S. (2002). Portfolio Constraints and the Fundamental Law of Active Management. Financial Analysts Journal, 58(5), 48-66. cfainstitute.org. (Introduz o transfer coefficient.)
• Grinold, R. C.; Kahn, R. N. (2000). Active Portfolio Management. 2ª ed., McGraw-Hill. (Lei Fundamental, exemplos de IC e breadth, e o transfer coefficient.)