Paridade de Risco num Portfólio de Robôs: O Fator Que a Covariância Não Vê

Atualizado em 26/08/2026

Paridade de risco é uma das ideias mais elegantes da construção de carteiras: em vez de dividir o capital, dividir o risco, de modo que nenhuma posição domine o destino do portfólio. A teoria eu conhecia havia anos. Este texto conta o que aconteceu quando apliquei essa lente ao meu portfólio real de robôs, com dados de 2024 a 2026: a contribuição de risco medida inverteu minha intuição sobre quem era o perigoso da carteira; igualar risco por volatilidade não igualou risco por fator; e pesar posições pela covariância trouxe o risco de cauda de volta pela porta dos fundos. O duelo completo entre otimização e divisão ingênua de capital eu já contei em os limites do Markowitz. Aqui o assunto é a paridade de risco em si: o que ela enxerga, o que ela não enxerga, e o que sobrou dela no meu deploy.

O que a pesquisa mostra: Edward Qian mostrou que a carteira 60/40 só parece equilibrada em capital: as ações são tão mais voláteis que respondem por cerca de 90% do risco total, e a contribuição de risco de cada ativo aproxima a fatia da perda que ele entrega nos dias ruins do portfólio (Qian, 2005).

A paridade de risco corrige uma ilusão de diversificação

O argumento clássico, formalizado por Edward Qian em 2005, parte da carteira 60/40: 60% em ações e 40% em títulos parece equilibrado em capital, mas as ações são tão mais voláteis que respondem por cerca de 90% do risco total. O investidor acha que tem dois fatores de risco e tem uma exposição a bolsa com um enfeite de renda fixa. Qian propôs alocar de modo que cada classe contribua igualmente para o risco, e mostrou que essa contribuição aproxima a fatia da perda que cada ativo entrega nos dias ruins do portfólio.

A conta por trás disso é a decomposição de Euler. Em texto simples: a volatilidade do portfólio pode ser fatiada em contribuições, onde a contribuição de cada ativo é o peso dele multiplicado pela sensibilidade da volatilidade total a esse peso; a soma das contribuições devolve exatamente a volatilidade do portfólio. Isso permite perguntar, ativo por ativo, quantos por cento do risco cada um carrega. Maillard, Roncalli e Teïletche formalizaram em 2010 a carteira que iguala essas contribuições, a ERC (equal risk contribution), e provaram que a volatilidade dela fica sempre entre a da mínima variância e a da carteira de pesos iguais.

Faltava explicar por que isso geraria retorno melhor, e Asness, Frazzini e Pedersen fecharam o argumento em 2012: como muitos investidores não podem ou não querem se alavancar, eles esticam retorno comprando os ativos mais arriscados, que ficam caros, e sobra prêmio ajustado ao risco nos ativos seguros. A paridade de risco explora isso sobreponderando o seguro e alavancando o conjunto; nos dados americanos de 1926 a 2010, a carteira alavancada deles bateu o 60/40 em Sharpe. Esse é o tripé teórico, e ele é sólido. Meus problemas começaram quando levei a régua para o meu próprio portfólio.

Medi a contribuição de risco dos meus robôs e a intuição estava invertida

Meu portfólio mistura dois comportamentos: robôs de tendência, que abrem uma posição e carregam, e robôs de grid, que vão acumulando ordens contra o movimento dentro de um ciclo. O grid faz pirâmide de posições, então minha intuição dizia que ele era o lado pesado do risco e que os robôs de tendência, de posição única, deviam entrar com lote maior para equilibrar. Antes de mexer em lote, apliquei a decomposição de Euler na carteira que estava rodando.

A medição disse o contrário. Na composição da época, dez robôs de tendência carregavam 85,5% da variância do portfólio, e os dois grids, os supostos vilões, carregavam 14,5%. Subir o lote da tendência para “equilibrar” teria concentrado ainda mais risco onde ele já estava. Essa é a primeira utilidade prática da paridade de risco, e ela não exige implementar carteira ERC nenhuma: medir a contribuição de risco de cada posição, em vez de chutar pela cara da estratégia, já paga o esforço. Como a correlação entre robôs entra nessa conta, eu detalho em correlação num portfólio quant.

Igualar risco por volatilidade não iguala risco por fator

Aqui está o achado que mudou minha forma de montar carteira, e que não aparece nos textos de gestora sobre o tema. Suponha que eu tivesse implementado a ERC direitinho sobre as linhas do meu portfólio: cada robô contribuindo com a mesma fatia da volatilidade. Parece o fim da história. Só que eu rodei um PCA sobre os resultados semanais dos robôs para contar quantos fatores de risco independentes existiam de verdade, e a resposta foi humilhante: o bloco de tendência inteiro, espalhado por EURUSD, GBPUSD, USDJPY e USDCAD, valia 2,46 fatores de risco efetivos. A primeira componente principal, que é essencialmente o fator dólar, explicava 67% da variância de tudo.

O motivo é estrutural: todo par major é cotado contra o dólar. Um robô comprado em USDJPY e outro vendido em EURUSD parecem posições diferentes, mas nos dois casos o portfólio está comprado em dólar. Multiplicar pares multiplica linhas na planilha, e a paridade de risco por linha distribuiria a volatilidade lindamente entre elas, mantendo intacta a concentração no fator. Vinte linhas com 5% do risco cada podem ser vinte fatias iguais de um único fator de risco. A paridade que importa se mede depois do PCA, no espaço dos fatores, onde meu portfólio “diversificado” tinha um fator com dois terços do risco.

A dimensão nova não veio de adicionar par, veio de adicionar comportamento. Quando juntei os grids (que operam reversão à média em ciclos curtos) ao bloco de tendência, o número efetivo de fatores de risco subiu de 2,46 para 5,69, e a correlação medida entre o bloco de grid e o bloco de tendência ficou em −0,15. O grid era a única coisa no portfólio que não dependia de dólar comprado em tendência. E o teste que mais me convenceu foi o condicional: nos 5% piores dias do bloco de tendência, o bloco de grid fez em média +$0,90 por dia; nos 5% piores dias do grid, a tendência fez +$0,11. Pela única medida que interessa, o resultado conjunto nos dias ruins, eram fatores de risco diferentes de verdade.

Com uma ressalva que me impede de romantizar: o grid carrega a própria cauda gorda. O pior dia do bloco de grid foi −$47, contra −$6 do pior dia da tendência, porque grade presa contra um movimento longo sangra de um jeito que posição única com stop não sangra. Misturar comportamentos me deu duas caudas que não coincidem no tempo, muito melhor do que uma cauda concentrada, mas segue sendo um portfólio com caudas. E a janela medida, 2024 a 2026, não contém um choque tipo 2008 ou 2020, então “não caem juntos” vale para as caudas que eu vi, com a humildade de quem sabe o que não viu.

Quando tentei pesar posições pela covariância, a cauda voltou disfarçada

O passo seguinte natural seria sofisticar os pesos: se dá para medir contribuição de risco, dá para otimizá-la. Testei a versão mais robusta dessa família, mínima variância com encolhimento de Ledoit-Wolf na matriz de covariância, contra a minha divisão igual de capital, em validação cruzada fora da amostra. O otimizador ganhou por +14%, e por um dia achei que a paridade sofisticada tinha vencido.

Aí abri os pesos para entender de onde vinha o ganho, e encontrei o defeito de nascença de toda essa família: covariância mede como os robôs se movem juntos no centro da distribuição, nos dias normais. Cerca de metade do +14% vinha de concentrar lote em pares de robôs cuja correlação diária era baixa, então o otimizador os tratava como diversificadores, mas que despencavam juntos justamente nos dias de estresse. Na média pareciam independentes; no aperto viravam um fator só. Refiz o teste com uma trava explícita de cauda, permitindo subir lote apenas nos robôs de fato independentes nos dias ruins, e o ganho limpo caiu para +6,5%, com pesos só moderadamente estáveis entre janelas.

A lição serve para qualquer carteira, e considero a frase mais importante que esse projeto me deu: controle de risco sem controle de cauda é troca de risco disfarçada de redução. O +14% era prêmio por carregar uma cauda que a matriz de covariância não enxerga. Para dinheiro real, com um único regime de dados no histórico, +6,5% líquido não paga a complexidade nem o risco de os pesos estarem errados no regime seguinte. Meu deploy final ficou com lote igual de 0,01 em todos os robôs, e a otimização com trava de cauda guardada para quando o histórico cobrir mais regimes. Por que a dependência de cauda exige tratamento próprio, eu aprofundo em hedging de cauda.

2022 expôs exatamente essa falha na paridade de risco tradicional

O que eu vi em miniatura no meu portfólio, o mercado viu em escala em 2022. A paridade de risco clássica sobrepondera títulos e alavanca o conjunto, apoiada numa premissa estatística: a correlação entre ações e títulos, estimada nas décadas anteriores, era baixa ou negativa, então os bonds amorteceriam os dias ruins da bolsa. Em 2022, com o choque de inflação e a alta agressiva de juros, os dois caíram juntos: o S&P 500 perdeu cerca de 18% e o agregado de títulos americanos teve o pior ano da sua série histórica, caindo cerca de 13%. A carteira desenhada para ter duas pernas descobriu que, naquele regime, tinha uma. E a alavancagem, que existe para esticar o retorno da perna segura, esticou a perda.

É o mesmo mecanismo do meu teste com mínima variância: a correlação usada no desenho da carteira é uma média de dias normais, e a que destrói a carteira é a dos dias de estresse. 2022 foi um regime raro e não invalida a ideia, mas prova que o método herda a fragilidade de tudo que se apoia em covariância histórica: ele iguala contribuições de risco medidas no centro da distribuição, e o centro não é onde as carteiras morrem.

O que sobrou da paridade de risco no meu processo

Depois de todos esses testes, uso a paridade de risco como instrumento de medição, com três regras práticas. Primeira: medir a contribuição de risco de cada posição via decomposição de Euler, sempre, porque a intuição sobre quem carrega o risco erra (a minha errou feio). Segunda: verificar a paridade no espaço dos fatores e comportamentos, com PCA dos resultados, porque igualar risco entre linhas que compartilham o mesmo fator apenas maquia a concentração; a pergunta certa deixou de ser “quantos robôs, com que lote” e virou “quantos fatores de risco independentes existem aqui de verdade”. Terceira: qualquer peso que saia de uma matriz de covariância só entra em produção com a dependência de cauda medida e travada por fora, senão a otimização compra retorno vendendo seguro contra o estresse.

Para os pesos em si, a resposta dos meus dados foi a mais barata de todas: lote igual em tudo, sobre um pool onde a diversificação foi construída antes, na escolha dos comportamentos, em vez de depois, na calibragem dos pesos. A paridade de risco me serve de raio-X. Como volante, num portfólio de robôs com histórico curto, ela prometeu mais do que entregou.

Os números deste artigo

Paridade de risco funciona num portfólio de robôs de trading?

Como diagnóstico, sim: medir a contribuição de risco de cada robô revela concentrações que a intuição não pega (no meu portfólio, dez robôs de tendência carregavam 85,5% da variância). Como método de alocação, exige cuidado: igualar volatilidade entre robôs que compartilham o mesmo fator, como o dólar no forex, distribui a aparência do risco sem desfazer a concentração no fator. A paridade útil se verifica sobre fatores e comportamentos, via PCA dos resultados.

Qual a diferença entre paridade de risco e dividir o capital igualmente?

A divisão igual de capital (1/N) dá o mesmo dinheiro a cada posição; a paridade de risco dá a mesma contribuição de volatilidade, sobreponderando os ativos calmos. Em volatilidade, a carteira de contribuições iguais fica entre a mínima variância e o 1/N. Quando os componentes do pool têm riscos parecidos, o 1/N entrega quase o mesmo resultado sem estimar nada, e foi o que ficou no meu deploy.

Por que a paridade de risco sofreu em 2022?

Porque a premissa de correlação baixa entre ações e títulos, estimada em décadas de dias normais, falhou no choque de inflação: os dois caíram juntos (S&P 500 perto de −18%, agregado de bonds cerca de −13%). A carteira alavancada na perna “segura” perdeu nas duas pernas ao mesmo tempo. O mesmo defeito que encontrei em escala menor no meu teste: correlação média não descreve o comportamento na cauda.

Vale a pena otimizar os pesos com mínima variância em vez de usar paridade simples?

No meu teste, a mínima variância com Ledoit-Wolf rendeu +14% fora da amostra contra o lote igual, mas metade do ganho vinha de concentrar em robôs que caem juntos nos dias de estresse, invisíveis para a covariância. Com a trava de cauda, o ganho limpo caiu para +6,5%, pouco para justificar a complexidade com um histórico de um regime só.

Referências

• Qian, E. (2005). Risk Parity Portfolios: Efficient Portfolios Through True Diversification. PanAgora Asset Management. panagora.com.
• Qian, E. (2011). Risk Parity and Diversification. The Journal of Investing, 20(1), 119-127. panagora.com.
• Maillard, S.; Roncalli, T.; Teïletche, J. (2010). The Properties of Equally Weighted Risk Contribution Portfolios. The Journal of Portfolio Management, 36(4), 60-70. ssrn.com.
• Asness, C.; Frazzini, A.; Pedersen, L. H. (2012). Leverage Aversion and Risk Parity. Financial Analysts Journal, 68(1), 47-59. aqr.com.
• Ledoit, O.; Wolf, M. (2004). Honey, I Shrunk the Sample Covariance Matrix. The Journal of Portfolio Management, 30(4), 110-119. pm-research.com.