Fundos multimercados brasileiros criam valor? Uma avaliação dos alfas

FUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO

ALEXANDRE BATISTA LUDOLF GOMES

FUNDOS MULTIMERCADOS BRASILEIROS CRIAM VALOR? UMA AVALIAÇÃO DOS ALFAS.

SÃO PAULO 2016

ALEXANDRE BATISTA LUDOLF GOMES

FUNDOS MULTIMERCADOS BRASILEIROS CRIAM VALOR? UMA AVALIAÇÃO DOS ALFAS.

Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getulio Vargas, como requisito para obtenção do título de Mestre em Finanças e Economia.

Campo de conhecimento: Finanças – Investimentos

Orientador: Ricardo Rochman

SÃO PAULO 2016

Gomes, Alexandre Batista Ludolf.

Fundos multimercados brasileiros criam valor? : uma avaliação dos alfas / Alexandre Batista Ludolf. - 2016.

114 f.

Orientador: Ricardo Ratner Rochman

Dissertação (MPFE) - Escola de Economia de São Paulo.

1. Fundos de investimento - Brasil. 2. Mercado de capitais. 3. Investimentos - Análise. 4. Modelos econométricos. 5. Desempenho. I. Rochman, Ricardo Ratner. II. Dissertação (MPFE) - Escola de Economia de São Paulo. III. Título.

ALEXANDRE BATISTA LUDOLF GOMES

FUNDOS MULTIMERCADOS BRASILEIROS CRIAM VALOR? UMA AVALIAÇÃO DOS ALFAS.

Dissertação apresentada à

Escola de Economia de São Paulo da Fundação Getúlio Vargas, como requisito para obtenção do título de Mestre em Finanças e Economia. Campo de conhecimento: Finanças – Investimentos Data de aprovação: ____/____/________ Banca examinadora: __________________________________________ Prof. Dr. Ricardo R. Rochman (Orientador)

EESP - FGV

__________________________________________ Prof. Dr. Joelson Sampaio

EESP - FGV

__________________________________________ Prof. Dr. Hsia Sheng

RESUMO

Esse trabalho analisa a geração de alfa da indústria brasileira de fundos multimercado, levando em consideração características específicas, estratégias de investimento e segmento de investidor durante diferentes condições econômicas. A amostra utilizada compreende 1.568 fundos de 328 gestores distintos, observados em granularidade mensal durante período de 10 anos, de dez-2005 a dez-2015. O método empírico utilizado faz uso de processo de seleção automática de regressores via stepwise, modelagem implementada por autores como Stafylas, Anderson e Uddin (2015), selecionados de uma lista prévia de candidatos a regressores amparados na literatura e contemplando fatores de ações, fatores de juros, fatores de risco de crédito, fatores de moedas e fatores de commodities. Os resultados obtidos mostram que a 5% existe geração de alfa positivo na categoria de fundos, isto é, os gestores de fundos multimercado têm capacidade de gerar, na média, retornos anormais na administração dos recursos dos investidores ao longo do tempo, tanto na amostra total quanto nos períodos econômicos mais benignos, contudo não apresentam retornos extraordinários estatisticamente diferentes de zero durante períodos econômicos menos benignos. Além disso, os fundos também apresentam diferenças sensíveis na composição dos retornos quando avaliados por sub-estratégias e em diferentes condições de mercado.

Palavras-chave: Desempenho, fundos, investimento, multimercado, modelo multifatorial.

ABSTRACT

This work examines the alpha generation of the Brazilian multimarket fund industry, taking in account fund specific characteristics, fund strategies, investor segment during different economic conditions. The employed dataset represents 1,568 multistrategy funds from 328 different managers within a 10-year timeframe from Dec-2005 to Dec-2015. The proposed model utilizes a stepwise automatic feature selection method, similar to other authors such as Stafylas, Anderson e Uddin (2015), where features are selected from a regressor candidates list that contemplates: equity factors, interest rate factors, credit factors, currency factors and commodities factors. The results found shows that at a 5% level there is positive alpha generation, that is, Brazilian multistrategy funds on average have delivered extraordinary returns on the whole sample and at the more benign market environments. During less benign market environment multistrategy funds does not deliver alpha that is statistically distinguishable from zero and sub-strategy segmentation points to different risk exposures dynamics during different market conditions.

Keywords: multistrategy funds, performance, multi-factor model, Investment measurement, risk exposures.

AGRADECIMENTOS

Muito obrigado à minha esposa Priscila, por toda paciência e suporte incondicional ao longo dos últimos anos, sem os quais esse projeto não seria possível. Gostaria também de agradecer ao professor Ricardo Rochman pela diligência e disponibilidade na orientação. Aos professores Wagner Oliveira Monteiro, Priscilla Albuquerque Tavares e Emerson Marçal pela ajuda na especificação e diagnóstico da modelagem econométrica e também ao professor Ernesto Colla pelo auxilio na implementação dos códigos.

LISTA DE GRÁFICOS E DIAGRAMAS

Gráfico 1. Patrimonio Líquido dos Fundos ... 14

Gráfico 2. Número de Fundos por Categoria ... 15

Gráfico 3. Histograma dos Patrimonios Líquidos ... 32

Diagrama 1. Seleção de Modelo via Stepwise ... 28

LISTA DE TABELAS

Tabela 1: Sinais dos Fatores da Literatura... 25

Tabela 2: Estrutura da Análise das Carteiras ... 34

Tabela 3: Lista de Candidatos a Regressores ... 35

Tabela 4: Resultado: Todos os Fundos – Toda Janela ... 41

Tabela 5: Resultado: Todos os Fundos – Expansões ... 43

Tabela 6: Resultado: Todos os Fundos – Recessões ... 45

Tabela 7: Resultado: Multimercado Sem Restrição – Toda Janela ... 47

Tabela 8: Resultado: Multimercado Sem Restrição – Expansões ... 49

Tabela 9: Resultado: Multimercado Sem Restrição – Recessões ... 51

Tabela 10: Resultado: Multimercado Macro – Toda Janela ... 54

Tabela 11: Resultado: Multimercado Macro – Expansões ... 57

Tabela 12: Resultado: Multimercado Macro – Recessões ... 59

Tabela 13: Resultado: Multimercado Investimento no Exterior – Toda Janela ... 62

Tabela 14: Resultado: Multimercado Investimento no Exterior – Expansões ... 64

Tabela 15: Resultado: Multimercado Investimento no Exterior – Recessões ... 66

Tabela 16: Resultado: Multimercado Juros e Moedas – Toda Janela ... 69

Tabela 17: Resultado: Multimercado Juros e Moedas – Expansões ... 71

Tabela 19: Resultado: Multimercado Dinâmico – Toda Janela ... 75

Tabela 20: Resultado: Multimercado Dinâmico – Expansões ... 77

Tabela 21: Resultado: Multimercado Dinâmico – Recessões ... 79

Tabela 22: Resultado: Multimercado Long & Short – Toda Janela ... 81

Tabela 23: Resultado: Multimercado Long & Short – Expansões ... 82

Tabela 24: Resultado: Multimercado Long & Short – Recessões ... 84

SUMÁRIO

1. INTRODUÇÃO... 13

2. FUNDAMENTAÇÃO TEÓRICA... 17

2.1. Medidas de desempenho ajustadas pelo risco... 17

2.1.1. Índice de Sharpe... 17

2.1.2. Índice de Treynor... 18

2.1.3. Information Ratio... 18

2.1.4. Índice de Modigliani... 19

2.1.5. Índice de Sortino... 20

2.2. Medidas Baseadas em Modelos Fatoriais... 21

2.2.1. Alfa de Jensen... 21

2.2.2. Modelo de 3 Fatores de Fama e French... 22

2.2.3. Modelo de 4 Fatores de Fama, French e Carhart... 22

2.3. Resultados Prévios Da Literatura... 23

3. METODOLOGIA... 26 3.1. Dados... 29 4. RESULTADOS OBTIDOS... 39 4.1. Todos Fundos... 39 4.1.1. Todo Período... 39 4.1.2. Expansões... 42 4.1.3. Recessões... 44

4.2. Multimercado Sem Restrição... 46

4.2.1. Todo Período... 46

4.2.2. Expansões... 48

4.2.3. Recessões... 50

4.3.1. Todo Período...52

4.3.2. Expansões... 55

4.3.3. Recessões... 58

4.4. Multimercado Investimento no Exterior... 60

4.4.1. Todo Período...61

4.4.2. Expansões...63

4.4.3. Recessões...65

4.5. Multimercado Juros e Moedas... 67

4.5.1. Todo Período...67 4.5.2. Expansões...70 4.5.3. Recessões...72 4.6. Multimercado Dinâmico...74 4.6.1. Todo Período...74 4.6.2. Expansões...76 4.6.3. Recessões...78

4.7. Multimercado Long & Short ...80

4.7.1. Todo Período...80

4.7.2. Expansões...82

4.7.3. Recessões...83

4.8. Resultados por Características...85

4.8.1 Idade...85 4.8.2 Tamanho...85 4.8.3 Taxa de Performance...85 4.8.2 Taxa de Administração...86 5. CONCLUSÃO...87 6. REFERÊNCIAS BIBLIOGRÁFICAS...90

13

1 – INTRODUÇÃO

O desempenho dos fundos de investimento é objeto de estudo de pesquisas tanto no Brasil quanto no exterior e esta forma de avaliação empírica se mostra útil para elucidar e esclarecer as especificidades e idiossincrasias das diferentes classes de fundos de investimento que estão ao alcance dos investidores, auxiliando-os em sua alocação de carteira e estratégia de poupança.

A questão de pesquisa central deste trabalho é: os fundos multimercado geram valor extraordinário para o investidor? E as evidências obtidas mostram que a 5% existe geração de alfa positiva na categoria de interesse, isto é, os gestores de fundos multimercado têm capacidade de gerar, na média, retornos anormais na administração dos recursos dos investidores ao longo do tempo, contudo com diferenças sensíveis na composição dos retornos quando avaliados por sub-estratégias e em diferentes condições de mercado.

Serão apresentados diversos métodos utilizados na literatura para avaliação de desempenho absoluto, além de outras medidas formuladas para avaliação de comportamento relativo a benchmarks. Esse estudo se propõe a aplicar um modelo multifatorial ampliado para estudar a indústria de fundos multimercados brasileiros.

O foco na indústria de fundos multimercados se deu pelo expressivo crescimento que a classe de fundos apresentou durante os últimos anos, passando de 1.688 fundos em atividade em 2002 para pouco mais de 7.000 fundos ao fim de 2015, superando em quantidade de fundos as categorias de Renda Fixa e Ações somados. O patrimônio administrado total na categoria também ilustra o ganho de importância dos fundos multimercado como veículo de poupança no Brasil. Por exemplo, nos anos 2000 os fundos multimercado possuíam patrimônio líquido agregado de 50 bilhões de reais, montante à época próximo ao patrimônio líquido da categoria fundos de Ações. Em 2015 a categoria já acumulava um patrimônio

14

líquido agregado de mais de 600 bilhões de reais, montante quatro vezes superior ao patrimônio líquido dos fundos de Ações.

As evoluções históricas tanto do patrimônio total administrado quanto do aumento do número de fundos multimercado em atividade são apresentadas nos Gráficos I e II abaixo e esse crescimento acelerado da categoria e a ampla diversidade de estratégias implementadas pelos gestores dos hedge funds brasileiros inspirou esse trabalho que se propõe a investigar o processo de geração dos alfas dos fundos multimercados brasileiros.

15 Fonte: Anbima

Na literatura referente à indústria de fundos existe um gama de estudos que se propõem a investigar a relação entre os retornos dos fundos e suas características específicas como tamanho, idade, taxas e outras características intrínsecas (Harri e Brorsen (2004), Frumkin e Vandegrift (2009) e Bae e Yi (2012)). Também existe outra gama de estudos que exploram a relação dos retornos dos fundos e respectivas estratégias de investimento e estilos de gestão (Bollen e Whaley (2009), O’Doherty, Savin e Tiwari (2015)). Apesar da maior parte dos estudos se basear na indústria de fundos de hedge americana e utilizar bases de dados, metodologia e períodos de análise distintos, esses estudos fornecem um arcabouço quantitativo amplo, gerando informações úteis para que os investidores compreendam melhor esses veículos de investimento. Esse trabalho assume que os fundos multimercado são os fundos brasileiros que mais se assemelham a um fundo de hedge tradicional para fins de comparação.

16

A metodologia empírica sugerida analisa conjuntamente as interações do desempenho dos fundos com suas estratégias e características específicas ao sugerir enfoque quantitativo mais holístico na análise da geração de alfa de fundos multimercado. Dessa forma, o presente estudo contribui para o entendimento das complexidades e diversidades desta categoria de fundo de investimento, que se consolida como um dos mais relevantes veículos de investimento nacional, representando ao fim de 2015, 20% da indústria brasileira de fundos de investimentos, com patrimônio líquido administrado superior a 600 bilhões de reais.

O presente trabalho irá analisar a indústria de fundos multimercado via uma abordagem abrangente ao examinar o desempenho dos fundos levando em consideração suas características, estratégia de gestão e em diferentes condições de mercado. A modelagem flexível utilizada faz uso de um modelo multifatorial, expandindo os modelos de um fator como o Capital Asset Pricing Model (CAPM) e multifatoriais como o modelo de quatro fatores de Fama, French e Carhart (FFC). A modelagem multifatorial sugerida agrega regressores adicionais de diferentes categorias: insumos agrícolas, preços de energia, metais preciosos, exposição cambial, mercado de juros, entre outras, fornecendo explicação mais detalhada do processo de geração dos retornos e alterações no posicionamento médio dos fundos ao longo de diferentes condições de mercado.

Este Trabalho está dividido em 5 capítulos: Além da introdução, o segundo capítulo traz uma breve revisão da literatura, o terceiro capítulo apresenta a metodologia e dados amostrais utilizados, o quarto capítulo exibe os resultados obtidos e o quinto capitulo apresenta as conclusões e possibilidades adicionais de pesquisa.

17

2 – FUNDAMENTAÇÃO TEÓRICA

Os investidores buscam entender se os gestores têm obtido sucesso em alcançar seus objetivos de investimento, isto é: se o retorno do fundo foi suficiente para remunerar os custos e riscos incorridos, e também buscam compreender se o desempenho foi obtido por sorte ou porque o gestor tem real habilidade que pode ser isolada e replicada no futuro. Esses questionamentos fundamentais levaram à busca de métodos que pudessem proporcionar aos investidores um arcabouço quantitativo a fim de cumprir esses objetivos, e explica o aumento da quantidade de pesquisas acadêmicas dedicadas à gestão de desempenho.

A avaliação do desempenho dos fundos é constituída por um conjunto de técnicas, muitas das quais centradas na Moderna Teoria de Carteiras, essa teoria estabeleceu arcabouço quantitativo utilizado para análise de risco e retorno. O Capital Asset Pricing Model (CAPM), desenvolvido por Sharpe, Lintner e Treynor em 1964, enfatizou a noção da recompensa por risco e produziu os primeiros indicadores de performance ajustados pelo risco: índice de Sharpe, índice de informação e retorno diferencial, conhecido como alfa. A avaliação do alfa de um portfólio, ainda hoje, é um dos aspectos centrais do interesse dos gestores, Le Sourd (2007).

Modelos de fatores foram desenvolvidos como uma alternativa ao CAPM, permitindo melhor descrição dos riscos da carteira e uma avaliação precisa do desempenho dos gestores, em particular, uma melhor análise da geração de alfa das carteiras.

2.1. Medidas de desempenho ajustadas pelo risco

As medidas a seguir avaliam retornos ajustados pelo risco de fundos, sem referência a benchmarks.

18

Segundo Sharpe (1966), este índice é uma medida do excesso de retorno por unidade de risco e é definido por:

𝑆𝑝 =

𝐸(𝑅_𝑝) − 𝑅_𝑓 𝜎(𝑅𝑝)

(1)

Onde 𝑆𝑝 é o índice de Sharpe do portfólio, 𝐸(𝑅𝑝) o retorno esperado da carteira, 𝑅𝑓

a taxa livre de risco e 𝜎(𝑅𝑝) é o desvio-padrão dos retornos do portfólio.

Este índice mede o excesso de retorno do portfólio em relação à taxa livre de risco e ainda hoje o índice de Sharpe é utilizado para estruturar rankings de desempenho de fundos de investimento e utilizado para comparação de fundos com perfil de volatilidade similar, mesmo possuindo problemas estruturais como potencial de assumir valores negativos.

2.1.2. Índice de Treynor (1965)

O índice de Treynor é definido por:

𝑇𝑝 =

𝐸(𝑅_𝑝) − 𝑅_𝑓 𝛽𝑝

(2)

Em que 𝑇_𝑝 é o índice de Treynor, 𝐸(𝑅_𝑝) o retorno esperado do portfólio, 𝑅_𝑓 o retorno do ativo livre de risco e 𝛽𝑝 é o Beta do portfólio.

Diferente do índice de Sharpe, esse índice utiliza o beta da carteira como medida de risco sistêmico para ajustar o excesso de retorno e possui as mesmas limitações do índice de Sharpe.

19

Algumas medidas de desempenho avaliam o retorno das carteiras ajustado pelo risco com referência a um benchmark. Essa sofisticação, auxilia no entendimento da dinâmica da carteira, retirando o ruído do benchmark, no entanto, a escolha do

benchmark pode gerar vieses de seleção e a escolha do padrão de referência não apropriado para comparar o desempenho de um portfólio pode distorcer as medidas de risco e a análise de desempenho.

O índice de informação ou índice de Sharpe generalizado, foi apresentado por Sharpe, em artigo publicado em 1994, para propor uma evolução ao conceito de índice de Sharpe original de 1966. Sharpe sugeriu calcular a média e o desvio-padrão dos retornos das diferenças entre o retorno da carteira e seu índice de referência, segundo a formula:

𝐼𝑅 = 𝐸(𝑅𝑝− 𝑅𝛽)

𝜎(𝑅_𝑝− 𝑅_𝛽) (3)

em que: 𝐼𝑅 é o Information Ratio, 𝑅𝑝 o retorno do portfólio e 𝑅𝛽 o retorno do

benchmark do portfólio.

O information ratio portando é definido pela razão entre o excesso de retorno e o risco residual do portfólio em relação ao seu benchmark. O excesso de retorno da carteira corresponde ao componente dos retornos que não é explicado pelo

benchmark, isto é resultado das escolhas feitas ativamente pelo gestor e o risco residual ou tracking error é definido pelo desvio-padrão da diferença dos retornos do portfólio em relação ao seu benchmark. Quanto menor este desvio-padrão, mais próximo a carteira em analise estará do de seu benchmark.

2.1.4. Índice de Modigliani (1997)

O índice de Modigliani ou M2, cunhado por Franco Modigliani e Leah Modigliani (1997), baseia-se no conceito da Linha de Mercado de Capitais e permite

20

equacionar o risco da carteira ao risco do índice de referência utilizando o desvio-padrão como medida de dispersão. O índice M2 é formulado como:

𝑀2 = 𝜎𝑚 𝜎𝑝

(𝑅𝑝− 𝑅𝑓) + 𝑅𝑓 (4)

O excesso de retorno é ajustado pela razão entre os níveis de risco do benchmark e o do portfólio. Essa medida similar ao índice de Sharpe, penaliza prêmios de retorno que são obtidos com assunção de risco desproporcional. Essa medida fornece uma melhoria qualitativa, visto que é modulado de forma mais intuitiva em relação ao índice de Sharpe por modular seu nível num intervalo definido de 0 a 100, em comparação como o índice de Sharpe que não possui dimensionalidade.

2.1.5. Índice de Sortino (1991)

O índice de Sortino é uma variação do índice de Sharpe, esse índice diferencia a volatilidade negativa da volatilidade total do portfólio, utilizando o desvio padrão apenas dos retornos negativos, medida também conhecida por downside risk. Esse conceito de utilizar a semi-variância dos retornos é útil para equacionar a intuição de que para determinados perfis de investidores exista uma utilidade não linear em relação a retornos positivos e negativos. O Índice de Sortino, portanto é um tipo de medida fundamentada em riscos assimétricos. O downside risk é definido como:

𝐷𝑜𝑤𝑛𝑠𝑖𝑑𝑒 𝑅𝑖𝑠𝑘 = √∑ (min(0, 𝑟𝑖 − 𝑀𝑅𝐴𝑖))

2 𝑛

𝑖=1

𝑛 (5)

Onde: 𝑟𝑖 é retorno do portfólio, 𝑛 o número de períodos e 𝑀𝑅𝐴 representa o Mínimo

Retorno Aceitável definido pelo investidor e esse por sua vez é um parâmetro que leva em conta o grau de aversão ao risco do investidor em sua estimativa.

21

𝐼𝑆 =

∑𝑛_𝑖=1(𝑟_𝑖− 𝑀𝑅𝐴_𝑖) 𝑛

𝐷𝑜𝑤𝑛𝑠𝑖𝑑𝑒 𝑅𝑖𝑠𝑘 (6)

Onde: 𝐼𝑆 é o Índice de Sortino, 𝑟_𝑖 o retorno do portfólio, 𝑛 o número de períodos, 𝑀𝑅𝐴 representa o Mínimo Retorno Aceitável definido pelo investidor e 𝐷𝑜𝑤𝑛𝑠𝑖𝑑𝑒 𝑅𝑖𝑠𝑘 a medida de risco assimétrico definido na equação 5.

2.2. Medidas Baseadas em Modelos Fatoriais

As medidas apresentadas nessa sessão não utilizam noções de retornos ajustados ao risco e não fazem referência a benchmarks. O foco metodológico do presente estudo se concentra nesses modelos.

2.2.1. Alfa de Jensen

O Alfa de Jensen é definido como a diferença entre o excesso de retorno da carteira e o retorno esperado em função do risco de mercado. O Alfa de Jensen e suas variações são objeto de estudo e utilizados como métrica usual para diversos tipos de estudos de desempenho de fundos que se propõe a estimar a capacidade dos fundos de investimento de gerar retornos extraordinários. Esse resultado é especialmente importante pois a hipótese de agregar valor extraordinário para os cotistas, contesta-se também a Hipótese de Eficiência de Mercado (HEM) (Fama, 1970, 1991), ao menos na forma semiforte.

(𝑅𝑖− 𝑅𝑓) = 𝛼 + 𝛽(𝑅𝑚− 𝑅𝑓) + 𝜀ℎ (7)

Em que: 𝛼 representa do Alfa de Jensen, 𝑅_𝑖 o retorno do fundo i, 𝑅_𝑓 é a taxa livre de risco, 𝑅_𝑚 é o retorno do índice de mercado e 𝜀_ℎ é um termo estocástico.

Essa metodologia fornece um ferramental para estimação de retornos anormais, é amplamente utilizada na literatura e com escrutínio permanente da comunidade

22

acadêmica; uma das críticas foi proposta por Roll (1978) que demonstrou que a modelagem é amplamente sensível à escolha da carteira de mercado podendo levar a conclusões errôneas na interpretação dos retornos anormais estimados.

2.2.2. Modelo de 3 Fatores de Fama e French (1992)

Evoluções do modelo de 1 fator, buscam melhor explicar o processo a geração de retornos dos fundos e propõem controlar por outros fatores relevantes. Hipótese fundamentada no debate sobre as deficiências do modelo de 1 fator e evidências de que parte significativa da variação nos retornos esperados das carteiras não está relacionada ao fator beta de mercado, como apontado por Fama e French (2004). Os conceitos de arbitragem, Arbitrage Pricing Theory (APT) e análise de estilo de investimento proposta por Sharpe (1992) são influências notáveis para a modelagem utilizada nesse trabalho. Em 1992, Fama e French propuseram um modelo multifatorial que buscava decompor o retorno dos fundos em 3 fatores:

(𝑅𝑖 − 𝑅𝑓) = 𝛼 + 𝛽0(𝑅𝑚− 𝑅𝑓) + 𝛽1𝑆𝑀𝐵 + 𝛽2𝐻𝑀𝐿 + 𝜀ℎ (8)

Onde: 𝑅_𝑖 − 𝑅_𝑓 representa o excesso de retorno da carteira, 𝑅_𝑚− 𝑅_𝑓 o excesso de retorno da carteira de mercado, os regressores SMB e HML representam retornos de carteiras ordenadas que representam, respectivamente, os efeitos do tamanho da capitalização de mercado e da relação book-to-market das companhias. Portanto, 𝛽₀, 𝛽₁ e 𝛽₂ os efeitos de cada um dos respectivos componentes, 𝛼 medida dos retornos extraordinários e 𝜀h termo estocástico.

2.2.3. Modelo de 4 Fatores de Fama, French e Carhart (1997)

Outra inovação proposta por Carhart (1997), o autor sugere acrescentar ao modelo de 3 fatores de Fama e French o fator chamado momentum (MOM), que busca capturar o efeito da persistência de retornos em períodos de tempo subsequentes, ou seja, a tendência do preço de um ativo continuar a subir se este estiver subindo

23

ou a tendência de continuar a cair se estiver caindo; este modelo pode ser definido por:

(𝑅𝑖 − 𝑅𝑓) = 𝛼 + 𝛽0(𝑅𝑚− 𝑅𝑓) + 𝛽1𝑆𝑀𝐵 + 𝛽2𝐻𝑀𝐿 + 𝛽3𝑀𝑂𝑀 + 𝜀ℎ (9)

Com especificação análoga ao modelo de 3 fatores de Fama e French, com a adição do componente 𝑀𝑂𝑀 e 𝛽₃ que representam a carteira ordenada por momentum e o efeito desse fator respectivamente.

2.3 – Resultados Prévios Da Literatura

Esse capitulo elenca os principais resultados encontrados por diversos autores quanto ao estudo da geração de alfa de fundos de investimento bem como análise das características especificas dos fundos.

Jensen (1968) não encontrou evidências de que os fundos amostrados no período de 1945 a 1964, geraram na média, retornos anormais. Grinblatt e Titman (1989) e Wermers (2000), entre outros, concluíram que pode existir geração de alfa positiva na análise de retornos brutos, mas quando descontados os custos e taxas os retornos anormais estimados para os hedge funds os resultados na média são indistinguíveis de zero, sendo esse o resultado mais comum encontrado em toda literatura nacional e internacional referenciada nesse trabalho, e alguns autores como Wermers também chegaram em alguns casos a resultados que apontavam para geração de alfa até 1% inferiores ao benchmark em relação aos retornos líquidos.

Ambos Grinblatt e Titman, e Wermers também encontraram efeito negativo para o fator tamanho, com fundos de baixo patrimônio apresentando resultados melhores que os fundos de maior patrimônio. Similarmente Volkman e Wohar (1995) e Becker, Stan e Vaughan (2001) e Chen et Al (2004), entre outros, também concluíram que a performance foi negativamente relacionada ao tamanho do fundo, por outo lado, também existem resultados apontando para efeito positivo do fator

24

tamanho, como Getmansky (2004), e a maioria dos autores brasileiros como, Rochman e Eid Jr. (2006), entre outros.

Lemak e Satish (1996) e Golec (1996) concluíram que fundos com maior tempo de gestão ofereciam desempenho ajustado ao risco superiores, enquanto Porter e Trifts (1998) e Fortin, Michelson e Wagner (1999) não encontraram relação entre tempo de gestão e performance já Howell (2001) encontrou relação negativa entre tempo de gestão e idade do fundo.

Como pode ser percebido, a literatura a respeito dos fundos multimercados (tabela I) mostra que na média, os resultados de diversos estudos, os fundos não geram retornos anormais superiores. Na análise de características especificas, apesar de haverem alguns resultados contraditórios, a maioria dos estudos que utilizam janelas de tempo, bases de dados e metodologia diferentes, concluem que existe uma relação negativa entre tamanho do fundo e seu desempenho, suportado pela tese de que fundos maiores limitam suas alternativas de investimento por questões de liquidez, contudo nos trabalhos focados no mercado de fundos nacional os resultados estimados convergem para efeito positivo no desempenho dos fundos causado pelo tamanho do fundo. O fator idade, por sua vez, não aponta para um consenso na literatura, com resultados contraditórios nos diferentes estudos e a taxa de performance, objeto de estudo de 4 estudos analisados, mostra efeitos positivos em 3 deles.

25

Tabela I. Sinais dos fatores da literatura prévia.

Foco Geografico Autor(es) Retornos Anormais Tamanho Idade Taxa Performance

EUA Jensen (1968)

EUA Grinblatt e Titman (1989)

-EUA Hendricks, Patel e Zeckhauser (1993)

-EUA Volkman e Wohar (1995)

-EUA Lemak e Satish (1996) +

EUA Golec (1996) +

EUA Porter e Trifts (1998) EUA Michelson e Wagner (1999) EUA Chevalier e Ellison (1999)

BRASIL Sanvicente (1999) +

EUA Ackermann et al. (1999) +

EUA Wermers (2000)

-EUA Agarwal e Naik (2000) +

EUA Becker, Stan e Vaughan (2001)

-EUA Howell (2001)

-EUA Lhabitant (2001) +

EUA Schneeweis, Kazemi e Martin (2002)

-EUA Gregoriou e Rouah (2002)

EUA Hedges (2003)

-EUA Amenc e Martellini (2003) +

EUA Koh, Koh e Teo (2003) +

EUA Boyson (2003)

-EUA Chen et Al (2004)

-EUA Harri e Brorsen (2004)

-EUA Getmansky (2004) +

EUA Ammann e Moerth, 2005

-BRASIL Rochman e Eid Jr. (2006) + +

BRASIL Camargos e Romero (2006) +

BRASIL Rochman & Eid Jr. (2007) +

EUA Meredith (2007)

-EUA Dangl et al. (2008)

-EUA Frumkin e Vandegrift (2009)

BRASIL Castro e Minardi (2009) +

BRASIL Eid Jr. & Securato (2010)

EUA Bodie et al. (2010) +

EUA Li et al. (2011)

-EUA Joenavaara, Kosowski e Tolonen (2012)

-BRASIL Malaquias, Eid Jr. (2013) +

-26

3 – METODOLOGIA

Os autores Grinblatt e Titman (2005) sugerem três formas para selecionar os fatores para um modelo multifatorial: 1) utilizar metodologia empírica para determinar carteiras fatoriais, criadas de forma a replicar o mais próximo possível fatores de risco fundamentais; 2) utilizar variáveis macroeconômicas como aproximações para fatores de risco; 3) utilizar características das empresas, como capitalização de mercado e outras características para aproximar o efeito de fatores, ao aplicar método de seleção que tem base nas anomalias estatísticas de retornos passados.

Neste estudo, expandindo o modelo de 4 fatores de Fama-French-Carhart (FFC), e fazendo uso da literatura de fundos de hedge como referência, foram selecionados 12 candidatos a regressores adicionais, escolhidos mediante disponibilidade dos dados, baixa colinearidade e que sejam correlacionados com as series de retornos dos fundos e de suas sub-estratégias.

Os candidatos a regressores adicionados têm relação com as principais classes de ativos de investimento: Fatores de ações, fatores de juros, fatores de risco de crédito, fatores de moedas e fatores de commodities.

O processo de seleção dos modelos, englobou procedimento de analise exploratória de dados, realizando diagnóstico e testes de especificações para escolha da modelagem, em especial, o teste F, realizado entre os modelos de painel de efeitos fixos e o modelo de mínimos quadrados empilhado, e o teste de Hausman, realizado entre os modelos de painel de efeitos fixos e o modelo de painel de efeitos aleatórios, que sugeriram uso de painel de efeitos aleatórios. Já o teste de Breusch-Pagan (BP) apontou indícios da presença de heterocedasticidade em 64% dos painéis, e portando a modelagem utilizada fez uso de método de estimação robusto, aplicando a correção de Newey-West à estatística t apresentada na sessão de resultados obtidos.

27

O modelo final, foi especificado assume a seguinte forma:

𝑅_𝑖𝑆 = 𝛼_𝑖𝑆+ 𝛽_𝑖,1𝐹₁(𝑆) + 𝛽_𝑖,2𝐹₂(𝑆) + ⋯ + 𝛽_𝑖,𝑘𝐹_𝑘(𝑆) + 𝜀_𝑖(𝑆) (10)

Onde, i denota o fundo da amostra completa ou sub-estratégia, S = { 𝑇 𝐸 𝑅

é o estado da economia, podendo assumir os valores dos vetores T para todo o período da amostra, E quando em expansão econômica e R quando em recessão. Com os vetores:

T = [T₁, T₂, … , T_n], E = [E₁, E₂, … , E_n] e R = [R₁, R₂, … , R_n] (11)

Portanto, a modelagem contempla quebras estruturais pré-definidas, condicionadas ao estado da economia brasileira como datadas pelo Comitê de Datação de Ciclos Econômicos (CODACE) do Instituto Brasileiro de Economia da FGV. A forma de organização e método de trabalho do CODACE segue o modelo adotado em muitos países, análogo ao Comitê de Datação norte-americano, criado em 1978 pelo

National Bureau of Economic Research (NBER) que é utilizado em diversos trabalhos acadêmicos voltados para a indústria de fundos norte americana.

No período objeto do presente estudo, de 31/12/2005 até 31/12/2015, ao adotar essa metodologia definem-se os seguintes períodos como períodos de recessão: de 31/12/2008 até 31/05/2009 e de 30/06/2014 até 31/12/2015.

Para o período agregado e também para cada estado da economia é aplicada uma regressão com método stepwise para limitar a lista de fatores para cada grupo de fundos. Outros autores como Dor, Dynkin e Gould (2006) e Jawadi e Khanniche (2012) e Stafylas, Anderson e Uddin (2015) utilizaram essa técnica para analisar a indústria de fundos de hedge americana. A regressão por stepwise permite que sejam examinadas a importância de uma ampla gama de variáveis que são adicionadas ou removidas do modelo dependendo da significância do teste F, no

28

estudo o critério de 5% de significância é utilizado tanto para inclusão quanto exclusão das variáveis e todas combinações de regressores possíveis são testadas, fazendo com que o modelo selecione os regressores mais apropriados quando avalia as diferentes sub-estratégias e condições de mercado. Esse componente dinâmico na implementação, mitiga problemas de multicolinearidade visto que o algoritmo utilizado penaliza modelos tentativos que possuam nível de multicolinearidade mais alto e permite levar em consideração a natureza multifacetada da indústria de fundos multimercado nacional ao tentar explicar seus retornos. O diagrama 1 abaixo ilustra o processo de seleção de modelo via método

stepwise.

Para examinar o universo de fundos foram formados grupos (portfolios) separados por tamanho, idade, taxa de performance e segmento de investidor. Adicionalmente, para a análise por sub-estratégia foram formados subgrupos (sub-portfólios) para cada uma das 8 diferentes estratégias. O fluxograma da metodologia empírica empregada no trabalho está disponível no Diagrama 2.

29 3.1. Dados

A base de dados utilizada no estudo foi obtida primariamente a partir da Bloomberg, onde foram retiradas as séries de valores das cotas e patrimônio líquido de todos os fundos multimercado disponíveis, contemplando fundos sobreviventes e não-sobreviventes; foram utilizados dados com frequência mensal e estes foram cruzados com duas outras fontes: Quantum e Economática para fins de validação e limpeza dos dados. A base cobre o período de janeiro de 2005 até dezembro de 2015, período escolhido de forma a compatibilizar uma amostra grande de fundos para análise no período de 10 anos e ainda assim fornecer quantidade de fundos suficientes para que fossem segmentados em diferentes portfolios para analise econométrica detalhada. Períodos mais longos com 15 e 20 anos retornavam

30

quantidade de fundos insuficientes para uma análise por sub-estratégias minuciosa e ainda assim, mesmo utilizando o período de 10 anos, alguns subgrupos de fundos não se obteve amostra razoável e por essa razão as tabelas de resultados para subgrupos com menos de 20 fundos foram omitidas deliberadamente.

A fim de mitigar problemas de amostragem e o fato de que alguns perfis de investidores mantem veículos de investimento com custos fixos mais altos que o concorrencial, como no caso de investidores de private banking que muitas vezes pagam pelo serviço via taxa de administração em seus fundos, ou mesmo no caso de produtos que estão em fase de encerramento. Foi adotado um procedimento de filtragem e limpeza da base de dados onde foram excluídos os fundos classificados como previdenciários, fundos de cotas, fundos exclusivos e também foram retirados da amostra os fundos com patrimônio médio inferior a 5 milhões de reais, visto que fundos com baixo patrimônio possuem encargo alto de taxas fixas e outras despesas administrativas.

A mostra final totaliza 1.568 fundos de 328 gestores diferentes e a lista completa está disponível no apêndice deste trabalho. Os fundos foram classificados por estratégia, características específicas e público alvo de investidor. Os grupos de classificação por estratégias e características fizeram uso exclusivo dos dados reportados pelos gestores à Comissão de Valores Mobiliários (CVM), já a classificação por segmento alvo de investidor utilizou um critério particular, explicitado a seguir.

A partir dos regulamentos mais recentes disponíveis na CVM e do cadastro dos fundos na ANBIMA foi construída uma base de dados auxiliar para dar suporte à classificação por segmento de investidor. Nessa base de dados, o critério utilizado foi: 1) Fundos que tivessem o público alvo para “investidor qualificado” explícitos em seus regulamentos, isto é, formalmente voltados para as pessoas físicas e jurídicas que possuem aplicações financeiras em valor igual ou superior a um milhão de reais, e que atestem esta condição por escrito segundo definido pela a Instrução

31

CVM nº 554/2014, foram classificados como Private (SP; 2) Fundos explicitamente definidos como “master” ou “feeder”, isto é, fundos que são constituídos especificamente para serem utilizados para alimentar/compor fundos de cotas e mais especificamente na segmentação de produtos de grandes gestoras, foram classificados como Master (SM); 3) Fundos enquadrados especificamente às instruções normativas do Conselho Monetário Nacional (CMN) que dispõem sobre as aplicações dos recursos dos regimes próprios de da previdência, em específico, instrução CMN 3792 e CMN 3922 foram classificados como institucional (SI); 4) O conjunto complementar de fundos, isto é, todos aqueles que não foram classificados em nenhuma das regras anteriores e, portanto, são voltados para os investidores em geral foram classificados como Varejo (SV).

Essa classificação é importante porque além de ser correlacionada com a estrutura de custos dos fundos, é possível investigar se existe diferenças na composição da carteira entre os diferentes públicos alvo e diversas restrições de alocação como no caso dos fundos institucionais, que tem regras mais rígidas definidas por lei quanto ao uso de derivativos, grau de alavancagem, concentração de ativos, entre outros.

Além do segmento de investidor, os fundos multimercados também foram agrupados por 3 outras características específicas: tamanho, idade e cobrança de taxa de performance. Com objetivo de explorar as diferenças entre fundos pequenos e grandes, jovens e antigos e que cobram ou não taxa de incentivo analisando suas diferenças entre a geração de retornos anormais (alfa) e exposições à risco. A segmentação por tamanho foi feita calculando o patrimônio médio de cada fundo nas respectivas janelas e estimando a mediana da amostra. Fundos com patrimônios médios inferiores à mediana foram classificados como Tamanho Pequeno (TP) e fundos com patrimônios médios superiores à mediana classificados como Tamanho Grande (TG), a distribuição dos patrimônios líquidos está disponível no Gráfico III. O uso do patrimônio médio do fundo se faz necessário para tentar mitigar erros que podem surgir ao utilizar apenas o patrimônio de fechamento de

32

período, visto que os patrimônios líquidos dos fundos por muitas vezes não são estáveis ao longo do tempo.

O mesmo procedimento foi feito para classificar os fundos por idade; foi estimada a idade do fundo em meses a partir da data de início de cada fundo até a data final do estudo Dez-2015 ou no caso de fundos encerrados no período até o mês de divulgação da sua última cota de fechamento de mês. Foi estimada a idade mediana em meses para os fundos e aqueles que com idade inferior à mediana classificados como Idade Novo (IN) e aqueles com vida superior à mediana classificados com o Idade Velho (IV). Para o fator taxa de performance os fundos que fazem menção explícita em seus regulamentos da cobrança de taxas de incentivo foram classificados como Performance Sim (PS) e aqueles que não fazem cobrança dessa taxa classificados como Performance Não (PN). Especificação análoga à diversos artigos da literatura internacional.

Por fim, esse estudo faz uso de 8 sub-estratégias de fundos: Multimercado Sem Restrição (SRE), Multimercado Juros e Moedas (JEM), Multimercado Investimento

33

no Exterior (IEX), Multimercado Long and Short (LAS), Multimercado Dinâmico (DIN), Multimercado Balanceados (BAL) e Multimercado Macro (MAC. E para cada uma destas sete estratégias os fundos foram segmentados, por tamanho, idade, cobrança ou não de taxa de performance e segmento de investidor. De acordo com diagrama da especificação disponível na tabela 2.

35

Quanto aos candidatos a regressores selecionados para o estudo, as series também foram extraídas da Bloomberg, exceto os dos fatores de FFC; SMB, HML e MOM os quais foram obtidos do Núcleo de Pesquisa em Economia Financeira (NEFIN) da USP e utilizadas na mesma granularidade temporal mensal das series de cotas e series dos patrimônios líquidos dos fundos.

Os fatores IBX, EQWO, SPX, COEN, COMP, COMI e COAG são modelados como excessos de retorno em relação ao custo de renda fixa, 𝑅_𝑓 definido nesse trabalho como o fator acumulado do Certificado de Deposito Bancário (CDI) no mês calendário, modelagem empregada nos artigos seminais referenciados no estudo e que contribui para estacionariedade das séries. Os retornos foram calculados na forma de retornos logarítmicos mensais, modelagem análoga à equação 9. Os fatores VIX, TERMBZ, TERMUS, BZCDS5Y e CREDIT, por se tratarem de referências à mercados de volatilidade e indicadores de percepção de risco são modelados para capturar o efeito da variação de nível, portanto são utilizadas as primeiras diferenças das suas respectivas taxas de referência explicitadas em pontos percentuais com duas casas decimais. Na tabela 3, são apresentados os 16 candidatos a regressores.

36

O fator Small Minus Big (SMB) representa a diferença de retorno entre portfolios formados por firmas pequenas, com baixa capitalização de mercado e firmas grandes, com alta capitalização de mercado. A teoria supõe que existe uma anomalia onde empresas pequenas tem retornos superiores às empresas grandes. O favor High Minus Low (HML), por sua vez, também conhecido por prêmio de valor, representa a diferença de retornos entre portfolios formados por empresas com altos múltiplos book-to-market (BM) em relação às companhias com companhias com baixos múltiplos BM. O fator Momentum (MOM) representa o retorno do portfólio comprado em ações com os retornos passados mais elevados e vendido em ações com os menores retornos passados, ou seja, que as empresas vencedoras do último período tenderiam a continuar subindo e as empresas perdedoras continuarem caindo.

A metodologia utilizada pelo NEFIN para obtenção dos fatores de Fama, French e Carhart, bem como descrição mais detalhada para definição dos portfolios utilizados nos quatro fatores está disponível no apêndice deste trabalho. A modelagem dos fatores pelo NEFIN diverge da modelagem tradicional de FFC, adaptações que se fazem necessárias visto o pequeno número de empresas listadas nas bolsas de valores brasileiras e a criação de diversos portfólios como realizado nos trabalhos seminais.

A seleção dos demais candidatos à regressores utilizou a referência da literatura internacional e nacional, com foco na metodologia empírica de diversos estudos e também da experiência profissional de gestores de fundos consultados. Todos candidatos a regressores são correlacionados com as series históricas agregadas dos fundos multimercados e suas subclasses a fim de mitigar a chance de ocorrência de resultados espúrios.

Os fatores de ações tem sido usados de forma recorrente na literatura para medir a exposição dos fundos aos mercados acionários, na literatura internacional, como nos casos de Dor, Dynkin e Gould (2006) e Amenc, Goltz (2008), o índice mais

37

utilizado para esse fim é o Wilshire 5000, índice constituído por 5 mil ações e é o mais amplo disponível para o mercado americano, analogamente para o brasil, foi utilizado o IBX-100 que para o universo de ações brasileiro é o mais amplo e possui melhores propriedades que o IBOVESPA que possui menor diversidade de papeis e maior foco em empresas com alta capitalização de mercado.

Autores como Capocci e Ubner (2004), Agarwal e Nail (2000) utilizaram fatores relativos à commodities em seus estudos e Giannikis e Vrontos (2011), Jawadi e Khanniche (2012) e Stafylas, Anderson e Uddin (2015) também utilizaram os fatores de commodities curados pela Goldman Sachs sendo que apenas o último estudo mencionado utilizou como no caso do presente trabalho os sub-índices de commodities segmentados em energia, metais preciosos, metais industriais e insumos agrícolas para buscar resultados mais precisos.

A modelagem dos fatores de renda fixa e credito também foi adaptada do arcabouço acadêmico internacional. Muitos autores utilizaram a inclinação das curvas de juros e spreads de credito como proxies para fatores de credito. Por exemplo, Villio, Getmansky e Pelizzon (2012) utilizaram a diferença entre as taxas do T-Bond de 10 anos e a LIBOR de 6 meses e a diferença entre os índices de credito de rating BAA e AAA da Moody’s. Giannikis e Vrontos (2011) utilizavam o índice de High Yield do Barclays como um fator de risco de credito. Analogamente foi utilizada a inclinação da curva prefixada nominal brasileira, TERMBZ, definida como a taxa do vértice de 10 anos da curva prefixada nominal brasileira descontada a taxa do vértice de 3 meses da curva nominal prefixada brasileira. E o TERMUS, definido como a diferença de taxas do T-Bond de 10 anos e a T-Bill de 3 meses.

Para o fator CREDIT, foram utilizados os índices do JP Morgan CEMBI Brasil e EMBI Brasil que medem respectivamente a taxa de uma carteira diversificada de dívidas de empresas brasileiras emitidas em dólares americanos e a taxa de uma carteira comprada nas dívidas soberanas do governo brasileiro negociados em dólares americanos, ambos índices de referência muito utilizados e com grande

38

representatividade dos respectivos mercados. A diferença dessas taxas definimos como fator CREDIT. A escolha do dólar (DOL) como fator também é análogo à literatura internacional, como por exemplo, Capocci (2009) e Stafylas, Anderson e Uddin (2015) que utilizaram o dólar index (DXY), índice que mede o valor do dólar americano contra os principais parceiros comerciais americanos e é ponderado proporcionalmente ao comercio bilateral dos Estados Unidos e seus parceiros.

O VIX foi escolhido por ser um indicador de aversão ao risco amplamente utilizado e também ter feito parte de diversos outros estudos que utilizaram modelos multifatoriais como Billio, Germansky e Pelizzon (2012) e Stafylas, Anderson e Uddin (2015). Esse índice representa a expectativa de volatilidade de curto prazo (30 dias) para o índice S&P 500. O Spread de Credit Default Swap (CDS) de 5 anos do governo brasileiro também é utilizado como proxy para risco específico do governo brasileiro.

39

4 – RESULTADOS OBTIDOS

Esse capítulo visa detalhar os resultados dos modelos selecionados. Inicialmente são apresentados os resultados da análise agregada dos fundos e também dos portfolios separados por características específicas, cobrindo três períodos amostrais. Todo período, períodos de expansão econômica e períodos de recessão econômica. Posteriormente são apresentados os resultados para cada sub-estratégia dos fundos multimercados brasileiros com similar nível de detalhamento.

4.1. Todos Fundos

4.1.1. Todo Período

Na tabela 4 são apresentados os resultados dos modelos para todo período analisado. O modelo agregado com todos os fundos, “Todos”, bem como os 10 modelos cobrindo as características específicas: tamanho, idade, taxa de performance e segmento de investidor. No agregado os fundos geram alfas positivos e significativos na ordem de 0,03% ao mês, contudo 4 subgrupos apresentam alfas não diferentes de zero, tamanho pequeno (TP), idade velho (IV), performance sim (PS) e segmento máster (SM), enquanto tamanho grande (TG), idade novo (IN), performance não (PN) apresentam alfas positivos e significativos. Destaque para o grupo TG que apresenta alfa superior a 0,07% ao mês, duas vezes superior ao agregado, seguido pelo grupo IN que apresenta alfa de 0,05% ao mês. O alfa superior estimado para fundos com maior tamanho é um resultado divergente do que seria esperado na literatura internacional mas concorda com a grande maioria dos estudos focados na indústria local. O único grupo que apresentou alfa estimado negativo foi o Segmento Varejo (SV), significativo a 10%.

Quanto às exposições, os maiores efeitos significativos (em modulo) se dão para os fatores de FFC, com destaque para SMB, HML e IBX. Amparado na literatura que suporta a utilização da modelagem de quatro fatores de FFC para explicar o comportamento dos fundos. Os sinais encontrados também corroboram com os

40

resultados de outros estudos nacionais, por exemplo o fator HML com sinal negativo. No agregado, o modelo selecionou 7 exposições relevantes para explicar o comportamento dos fundos,

Os fundos de tamanho pequeno (TP) apresentam maior efeito do componente SMB em relação aos de tamanho grande (TG), um resultado que confirma a maior exposição de fundos menores a empresas com menor capitalização de mercado, estratégias que não são disponíveis para condomínios maiores por questões de liquidez, esse resultado também alinhado com a literatura internacional; fundos menores também possuem maior quantidade de exposições relevantes em relação aos fundos maiores, 8 contra 6 respectivamente. Já o fator idade mostrou diferenças importantes na composição das carteiras, com maior efeito tanto do fator HML e menor do IBX, ou seja, menor beta com o índice de mercado e maior exposição a empresas com foco em crescimento (baixos múltiplos book-market). A exposição dos fundos estratificados por taxa de performance mostrou que que os fundos que cobram essa taxa fazem uso de estratégias mais elaboradas, com exposição significante vendida em dólar (DOL), menor beta com o IBX e maior efeito do componente HML.

A segmentação voltada para investidores institucionais (SI) mostra menores exposições médias no segmento, com menores efeitos em modulo dos fatores SMB, HML e IBX e uma exposição relevante à inclinação da curva de juros brasileira, com sinal negativo sugerindo um posicionamento aplicado em juros prefixados longos. Resultado em linha com o perfil da categoria que tem um horizonte de investimento mais longo. O segmento de varejo (SV) apresentou a maior exposição cambial, maior beta com o índice de mercado e também a maior exposição em metais preciosos (COMP) de todos os modelos. E apesar de representarem menos de 10% de toda amostra os fundos máster (SM) foi a categoria que apresentou menor quantidade de exposições relevantes, quatro.

42 4.1.2. Expansões

A seguir os fundos são avaliados em períodos de expansão da economia, os resultados dos modelos avaliados nos períodos econômicos mais favoráveis estão disponíveis na tabela 5. Quanto à geração de alfa não houve mudanças significativas tanto no agregado quanto na avaliação das características intrínsecas dos fundos em relação à janela completa, contudo pode-se elencar importantes alterações na estimativa de exposição dos fundos nesse ambiente. Em geral os fundos possuem maior exposição ao índice de mercado (IBC) se comparados a todo período da amostra, nessa janela o método de escolha por stepwise também selecionou o fator de momentum (MOM), com efeito elevado e significativo, contudo com sinal diferente do sugerido pela literatura internacional. Nesses períodos os fundos têm 8 exposições relevantes, em comparação com 7 em toda janela.

44 4.1.3. Recessões

Para as recessões, tem-se mudança expressiva. Nenhum dos modelos mostra geração de retornos anormais, com alfas estimados estatisticamente indiferentes de zero, durante os períodos menos favoráveis. Resultado em linha com a literatura internacional. A estimativa das exposições também sofre diversas alterações: dentre os fatores de FFC apenas o fator de mercado (IBX) continua apresentando significância, as exposições a fatores globais ganham relevância como SPX, EQWO, TERMUS e também maior alocação em fatores de commodities como agrícolas (COAG) e energia (COEN), além de exposição comprada em dólar americano (DOL) com efeito muito superior aos outros períodos analisados. No agregado os fundos apresentam oito exposições relevantes, uma a mais que no período total, contudo apenas quatro destes fatores são comuns ao período completo, mostrando que nos períodos de recessão os fundos passam a adotar posicionamento mais defensivo. Os resultados estão disponíveis na tabela 6.

46 4.2. Multimercado Sem Restrição

4.2.1. Todo Período

Essa categoria de fundos contempla os fundos que não especificam seu viés na formulação de estratégias e são os mais genéricos dentro de todas sub-estratégias. Na tabela 7 são apresentados os resultados dos modelos para todo período de 10 anos analisado. Essa categoria é bastante representativa de toda amostra, representando 43% da amostra total de fundos. Por esse motivo, como esperado, as exposições estimadas para essa categoria são bem parecidas com as encontradas na amostra completa. Chama a atenção a estimativa do alfa, que nessa amostra apesar do efeito ser bem próximo ao estimado na tabela 4, não é uma estatística significativa, portando estatisticamente indiferente de zero. Nos modelos segmentados por características especificas o efeito de tamanho se mostrou ainda mais forte, com fundos pequenos continuando a apresentar geração de retornos anormais estatisticamente indiferente de zero e os fundos grandes com geração de alfa de 0,10% ao mês, superior ao 0,07% a.m. encontrado no conjunto agregado de fundos. O sinal e efeito dos fatores idade e taxa de performance também foram similares ao conjunto completo de fundos. A estratificação por segmento de investidor mostrou resultados nos quais apenas o segmento institucional apresentou geração de alfa estatisticamente diferente de zero.

48 4.2.2. Expansões

Os resultados dos modelos avaliados apenas nos períodos de expansão econômica contemplando apenas os fundos multimercado sem restrição estão disponíveis na tabela 8. Os resultados para os períodos econômicos mais favoráveis estão disponíveis na tabela 4. Similar à amostra completa, nos períodos mais benignos os fundos multimercados sem restrição também mostram geração de retornos anormais e superiores nestes períodos, respectivamente 0,049% a.m. e 0,033% a.m. O impacto do fator tamanho mostrou consistência com os modelos anteriores, apresentando geração de alfa superior para fundos grandes em relação aos pequenos. Já o fator idade mostrou impacto diferente, visto que nesse grupo ambos fundos jovens e antigos não apresentam geração de alfa estatisticamente diferente de zero. O efeito de taxa de performance também foi consistente com o modelo contemplando todos os fundos. A estratificação por segmento de investidor apresenta resultados interessantes: os fundos do segmento institucional não apresentam geração de alfa significativa, enquanto o segmento Private aponta para geração de alfa de 0,068% a.m., aproximadamente 40% superior ao agregado, resultados diferentes dos encontrados no conjunto completo de fundos.

Quanto às exposições, os fundos multimercado sem restrição apresentam a mesma quantidade de exposições significativas, contudo a segmentação por características especificas começa a apontar para maior diferenciação das carteiras. A estratificação por tamanho mostra que o fator small minus big (SMB) é apenas relevante para os fundos pequenos e o componente HML com efeito muito maior para os fundos de tamanho grande, ambos fundos grandes e pequenos possuem exposição significativa à fatores internacionais com fundos pequenos com uma exposição vendida em S&P500 e os fundos grandes com uma exposição mais diversificada no MSCI Mundo (EQWO) e comprados em dólar (DOL). Dentre todos os modelos a exposição mais comum entre os portfolios é o componente HML e apesar de efeito menor o componente TERMUS também é significativo em todos os modelos.

50 4.2.3. Recessões

Nas recessões os fundos multimercado sem restrição, tabela 9, aparentam ter o mesmo comportamento da amostra total, com nenhum dos modelos apresentando geração de alfa estatisticamente diferente de zero, contudo com grande diferença na estimativa das exposições, o modelo contemplando todos os fundos multimercado sem restrição aponta para apenas 4 exposições significativas em relação à 9 para todos os fundos durante as recessões e o resultado explicado sobretudo pelo beta de mercado (IBX) e exposição à commodities agrícolas e do complexo de energia. Dentre os modelos segmentados pelas características especificas chamou atenção para a segmentação por tamanho com os fundos pequenos carregando uma exposição com efeito grande e bastante significativa comprada em dólar, comportamento similar nos fundos que não cobram taxa de performance. Nessa categoria, os fundos que cobram taxa de performance são explicados sobretudo pelo componente COAG, relativo ao desempenho das commodities agrícolas, apesar de representarem apenas 10% da amostra de todos fundos multimercados sem restrição. No geral fica evidente que assim como na literatura internacional em períodos menos favoráveis para investimentos os fundos reduzem suas exposições e tornam suas carteiras mais simples e concentradas.

52 4.3. Multimercado Macro

4.3.1. Todo Período

A categoria de fundos multimercado Macro representa um tradicional estilo de investimento, muito popular dentre as casas gestoras independentes brasileiras. Essa é a categoria de fundo de investimento que realizam operações em diversas classes de ativos (renda fixa, renda variável, câmbio etc.), definindo as estratégias de investimento baseadas em cenários macroeconômicos de médio e longo prazos, atuando de forma direcional e em geral admitindo alavancagem. Os resultados dos modelos para esse grupo de fundos em toda janela estão disponíveis na tabela 10 abaixo.

Quanto a geração de retornos anormais essa foi a única categoria na qual a análise empírica mostrou alfas negativos para todos a média dos fundos multimercados macro, bem como para algumas das estratificações. Nenhum dos modelos selecionados apresentou alfa estatisticamente superior a zero. Ainda quanto à geração de alfa nesse grupo temos a primeira divergência do efeito do fator tamanho, nesse caso os fundos grandes (TG) tiveram desempenho inferior aos fundos de menor tamanho (TP), esse resultado chama a atenção porque é o resultado que é encontrado na maioria dos estudos internacionais para fundos

hedge. Já os efeitos dos fatores idade e cobrança de taxa de incentivo foram alinhados com os resultados para a amostra agregada e maioria das sub-amostras. O segmento de varejo, que representa 27% da amostra de fundos multimercado macro, foi a categoria de fundos multimercado macro com a menor geração de alfa.

Quanto ao posicionamento dessa categoria de fundos, temos evidencias de diferenças sensíveis em relação a outras sub-estratégias de fundos. Por exemplo, de forma contraria à amostra agregada, os fundos macro mostram que dentre os 4 fatores de Fama, French e Carhart o fator MOM se destaca na magnitude do efeito, ou seja, sugere que os referidos fundos implementam estratégias direcionais de maior horizonte de investimento com favorecimento de empresas que tiveram bons

53

resultados nos períodos anteriores. Enquanto os coeficientes de seleção de ações não foram significativos. Essa é uma evidencia importante de enquadramento dos fundos com seus mandatos e proposta de investimento. Os fundos macro também fazem uso, na média, de menos exposições relevantes, apenas 5 em relação a 7 no conjunto agregado.

Pode-se perceber também que esses fundos na média mantiveram posições vendidas em dólar disseminadas ao longo do período analisado, com efeitos significativos em 11 dos 10 modelos analisados.

55 4.3.2. Expansões

Os resultados dos modelos avaliados para os períodos de expansão econômica estão disponíveis na tabela 11. Nessa janela apesar de nenhum modelo inferir geração de alfa positiva, com condições de mercado mais favoráveis os fundos têm comportamento mais benigno quanto a geração de retornos anormais. Nessa sub-amostra apenas 1 modelo, o PS, estimou geração negativa de alfa, efeito no caso oriundo provavelmente da cobrança de taxa de performance e/ou viés para tomada de riscos assimétricos ou que visem maximizar o valor para o gestor e não para o cotista, sugerindo que a cobrança de taxa de incentivo potencialmente é um catalizador para esse tipo de risco de agencia.

Quanto ao posicionamento inferido, o posicionamento MOM deixa de ser significativo e aqui tem-se presença dos efeitos SMB e IBX, análogos à analise contemplando todos os fundos nesse mesmo período. Aqui também há presença de posição disseminada na venda de dólar (DOL). Tem-se também maior concentração de posicionamento que a média; a amostra com todos fundos multimercado macro os retornos são explicados apenas por 3 fatores, contra 8 na amostra completa. A estratificação por tamanho mostrou diferenças grandes no perfil de posicionamento dos fundos pequenos e grandes e também entre jovens e velhos com fundos pequenos mostrando efeito maior do fator SMB, como esperado para períodos econômicos mais favoráveis os fundos grandes tem maior efeito do fator IBX, fator de risco de mercado.

Por sua vez os fundos jovens apontam para perfil de atividade maior, com efeitos elevados e significativos para os componentes SMB e HML, com o fator IBX com efeito inferior ao encontrado para os fundos mais velhos. Apesar de efeito relativo menor, grande parte dos modelos captura exposição disseminada vendida na curva de juros nacional, isto é, os fundos têm assunção de posicionamento em juros prefixados com durations mais elevados durante períodos de ambiente econômico mais favorável, isto é, posicionados para queda das taxas praticadas nos vértices

56

mais longos da curva de juros. Em relação à média dos modelos, os fundos macro fazem pouco uso de posicionamento em commodities, com baixa presença de efeitos significativos mesmo com efeitos próximos a zero.

58 4.3.3. Recessões

Nas recessões os fundos multimercado macro, tabela 12, mostram dados de geração de alfa mais atrativos, apesar do modelo contemplando todos os fundos inferir alfa não estatisticamente diferente de zero, o efeito é elevado da ordem de 0,20% a.m. No caso da estratificação por tamanho tem-se elevada geração de alfa para os fundos grandes, mas apesar de efeito superior aos fundos grandes, a geração de alfa para os fundos pequenos não é estatisticamente diferente de zero. Porém no caso dos fundos novos (IN), tem-se geração de alfa com efeito alto de 0,5% a.m., um dos maiores efeitos significativos dentre todas as sub-estratégias; esses resultados referentes à geração de alfa dos fundos multimercado em períodos econômicos menos favoráveis sugere que os fundos são capazes de antecipar alterações econômicas relevantes e gerar retornos superiores aos períodos de expansão econômica. Esse resultado representa evidencia forte de diferenças significativas de posicionamento dentre as categorias de fundos multimercado em diferentes condições de mercado.

Mesmo nas recessões os fundos macro possuem menor número de exposições relevantes, 4 contra 8 da amostra contemplando todos fundos multimercado do estudo, sugerindo uma carteira mais concentrada e defensiva. Fundos pequenos também apresentam maior diversidade de exposições se comparados com os fundos grandes e também com efeitos de magnitude maior, destaque para o posicionamento vendido em HML e no fator SPX com exposição comprada em ações globais (EQWO), os fundos grandes com desempenho explicado apenas 3 fatores. Os fundos jovens também apresentam exposição elevada vendida em HML e com posicionamento em metais preciosos (COMP). A análise por segmento de investidor nesse caso não trouxe evidencias conclusivas por conta do número pequeno de fundos nessa janela.