O modelo de Markowitz (1952) fundou a teoria moderna de portfólios e rendeu um Nobel. Ele formaliza algo intuitivo: para um dado nível de risco, existe a combinação de ativos que maximiza o retorno esperado — a fronteira eficiente. O problema não é a teoria. É o que acontece quando você tenta usá-la com dados reais.
A promessa: a fronteira eficiente
Dadas as estimativas de retorno esperado, volatilidade e correlação de cada ativo, a otimização cospe os pesos que maximizam o Sharpe do portfólio. No papel, é o portfólio perfeito. Na prática, esses três insumos precisam ser estimados — e é aí que tudo desanda.
Por que quebra fora da amostra
O calcanhar de Aquiles é a estimativa dos retornos esperados. Médias são muito mais difíceis de estimar do que variâncias, e a otimização é extremamente sensível a elas. Michaud chamou o MVO de “máquina de maximizar erro”: ele aloca pesado justamente nos ativos cujas estimativas estão (por acaso) infladas, e foge dos que estão subestimados. O resultado são carteiras concentradas, instáveis e que mudam radicalmente a cada nova janela de dados.
A evidência é dura: DeMiguel, Garlappi e Uppal (2009) testaram o MVO contra a regra ingênua 1/N em 14 conjuntos de dados e o 1/N venceu fora da amostra na maioria deles, justamente por não depender da estimativa de médias. Qualquer otimização sofisticada precisa provar que supera esse baseline — e poucas conseguem de forma robusta.
O que fazer na prática
Não é abandonar a otimização — é domá-la:
- Use o 1/N como referência antes de qualquer modelo sofisticado.
- Encolha as estimativas (shrinkage de Ledoit-Wolf na covariância; Black-Litterman para combinar visões com o equilíbrio de mercado).
- Imponha restrições (sem venda a descoberto, peso máximo por ativo) para conter os extremos.
- Prefira abordagens baseadas em risco, que não dependem de prever retornos — como a paridade de risco.
E sempre meça diversificação por contribuição de risco e correlação, não só por peso de capital. Para ganhar exposição sem inchar o núcleo, vale conhecer o return stacking.
O modelo de Markowitz está errado?
Não. A teoria é sólida; o problema é a sensibilidade aos insumos estimados. Com estimativas perfeitas, o MVO seria ótimo — mas ninguém tem estimativas perfeitas de retorno esperado. A fragilidade é de implementação, não de conceito.
Por que o 1/N (peso igual) é tão difícil de bater?
Porque ele não tenta prever retornos — e prever retornos é justamente onde os modelos erram mais. O 1/N abre mão de “otimizar” e, com isso, evita o erro de estimação que destrói o MVO fora da amostra. É um baseline humilde e surpreendentemente forte.
Referências
- Markowitz, H. (1952). Portfolio Selection. Journal of Finance.
- DeMiguel, V.; Garlappi, L.; Uppal, R. (2009). Optimal Versus Naive Diversification. Review of Financial Studies.
- Michaud, R. (1989). The Markowitz Optimization Enigma: Is Optimized Optimal?
Presente para Leitores: Robô de Gradiente Linear Gratuito
Estou liberando o acesso ao meu setup pessoal de Gradiente Linear sem custo nenhum. É só clicar e me pedir o arquivo.
