Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DE PERNAMBUCO
CENTRO DE TECNOLOGIA E GEOCIÊNCIAS
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
DRANCE MEIRA DE OLIVEIRA FILHO
SISTEMA DE APOIO À DECISÃO PARA SELEÇÃO DE PORTFÓLIOS NO SETOR
DE PRIVATE BANKING COM USO DE LÓGICA FUZZY
Recife
2018
DRANCE MEIRA DE OLIVEIRA FILHO
SISTEMA DE APOIO À DECISÃO PARA SELEÇÃO DE PORTFÓLIOS NO SETOR
DE PRIVATE BANKING COM USO DE LÓGICA FUZZY
Dissertação de Mestrado apresentada à UFPE
para a obtenção do grau de Mestre como parte
das exigências do Programa de Pós-Graduação
em Engenharia de Produção.
Área de Concentração: Gerência da Produção.
Orientador: Prof. Adiel Teixeira de Almeida Filho, PhD
Recife
2018
Catalogação na fonte
Bibliotecária: Rosineide Mesquita Gonçalves Luz / CRB4-1361 (BCTG)
O48s Oliveira Filho, Drance Meira de.
Sistema de apoio à decisão para seleção de portfólios no setor de Private
Banking com uso de Lógica Fuzzy / Drance Meira de Oliveira Filho. –
Recife, 2018.
88f., il., figs., gráfs., tabs.
Orientador: Prof. Adiel Teixeira de Almeida, PhD. Dissertação (Mestrado) – Universidade Federal de Pernambuco. CTG.
Programa de Pós-Graduação em Engenharia de Produção, 2018. Inclui Referências e Apêndices.
1. Engenharia de Produção. 2. Private Banking. 3. Sistema de apoio
à decisão. 4. Seleção de portfólio. 5. Fuzzy. I. Almeida, Adiel Teixeira de
(Orientador). II. Título.
658.5 CDD (22.ed) UFPE/BCTG-2018/ 363
UNIVERSIDADE FEDERAL DE PERNAMBUCO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
PARECER DA COMISSÃO EXAMINADORA
DE DEFESA DE DISSERTAÇÃO DE
MESTRADO ACADÊMICO DE
DRANCE MEIRA DE OLIVEIRA FILHO
“SISTEMA DE APOIO À DECISÃO PARA SELEÇÃO DE PORTFÓLIOS NO SETOR
DE PRIVATE BANKING COM USO DE LÓGICA FUZZY”
ÁREA DE CONCENTRAÇÃO: GERÊNCIA DA PRODUÇÃO
A comissão examinadora, composta pelos professores abaixo, sob a presidência
do(a) primeiro(a), considera o(a) candidato(a) DRANCE MEIRA DE OLIVEIRA FILHO,
APROVADO(A).
Recife, 20 de junho de 2018.
_________________________________________
Prof. ADIEL TEIXEIRA DE ALMEIDA FILHO, Doutor (UFPE)
_________________________________________
Prof. FRANCISCO DE SOUSA RAMOS, Docteur (UFPE)
_________________________________________
Prof. LUCIANO FERREIRA, Doutor (UFRGS)
À Guilhermina
AGRADECIMENTOS
Agradeço a todos que estiveram presentes em minha caminhada. A minha esposa,
Bruna, que me deu força e apoio para alcançar os meus (que, na verdade, são nossos) objetivos.
Agradeço a minha mãe, Carla, pela inspiração, a minha irmã, Eduarda, pela transpiração (nas
correções de todos os meus trabalhos acadêmicos) e aos familiares e amigos pela participação
em todos os momentos – principalmente, nos mais difíceis. Ao meu orientador, Prof. Adiel
Filho, pela oportunidade de realizar o trabalho e pelo conhecimento oferecido nos momentos
de indecisão. Ao meu chefe, Pedro Pessoa, pelo incentivo. Por fim, a todos que, de forma direta
ou indireta, ajudaram. Muito obrigado a todos.
RESUMO
O setor de Private Banking é voltado para atendimento de clientes de alta renda e, por
isso, um atendimento customizado é imprescindível. Por conta da situação intricada do mercado
financeiro, os investidores demandam respostas para perguntas difíceis e procuram por
segurança em seus planejadores financeiros, que, por sua vez, precisam ter um profundo
conhecimento acerca de uma inumerável lista de produtos e de suas particularidades, além de
se ater à adequação de cada produto às características dos clientes com o propósito de oferecer
o portfólio ótimo de acordo com as expectativas. O objetivo do trabalho é desenvolver um
sistema de apoio à decisão capaz de calcular portfólios sob medida para os clientes,
considerando preferências e questões regulatórias de forma mais explícita e promovendo em
mais transparência para o serviço bancário ao permitir que o investidor considere sua
ponderação entre os critérios ao invés de simplesmente afirmar que está ciente que o portfólio
não atende seus objetivos. O desenvolvimento da ferramenta proposta e a automatização do
processo de seleção de portfólio resultaram na proposição de carteiras mais aderentes ao perfil
de risco dos clientes finais e em uma maior transparência com relação ao processo de escolha
dos ativos, dado que tais escolhas, agora, são frutos de um modelo já validado e testado.
Palavras-chave: Private Banking. Sistemas de apoio à decisão. Seleção de portfólio. Fuzzy.
ABSTRACT
The Private Banking sector is directed to high net worth clients and, for that, a highly
customized service is required. In response to the financial market’s intricate situation, the
investors demand answers for difficult questions and look for safety in their financial planners.
The financial planners ought to have a deep knowledge in an innumerable list of products and
their particularities, besides making sure of the adequacy of the products to the client’s
objectives in order to offer the optimal portfolio in accordance to the client’s expectancy. The
purpose of this project is to develop a decision support system capable of calculating custom-
made portfolios for the clients, considering preferences and regulatory issues in a more explicit
manner and promoting more transparency to the banking system when allowing the investor to
choose criteria in a weighted system instead of simply stating that the portfolio doesn’t fit its
goals. The development of the proposed tool and the automation of the portfolio selection
process resulted in the proposal of more adherent portfolios to the final clients’ risk profile and
in a greater transparency with respect to the asset picking process, since the choices derived
from the asset-picking process are, now, the product of a tested and validated model.
Keywords: Private Banking. Decision support systems. Portfolio selection. Fuzzy.
LISTA DE FIGURAS
Figura 1 – Fronteira Eficiente ................................................................................. 26
Figura 2 – Arquitetura do SAD .............................................................................. 36
Figura 3 – Tecnologias do SAD ............................................................................. 37
Figura 4 – Fases do Framework ............................................................................. 38
Figura 5 – Diagrama Entidade Relacionamento do SGBD .................................... 39
Figura 6 – Questionário de Perfil de Risco do Portfólio disponível no SAD ........ 47
Figura 7 – Formulário de Cadastro ........................................................................ 48
Figura 8 – Classificação dos Fundos com Relação aos Critérios ........................... 49
Figura 9 – Cadastro dos Fundos ............................................................................ 49
Figura 10 – Exemplo de Alocação Gerada Pelo SAD (Perfil Arrojado) ................. 50
Figura 11 – Série Mensal de Rentabilidade das Alternativas (últimos 12 meses) ... 54
LISTA DE TABELAS
Tabela 1 – Metodologia Multicritério x Áreas de Estudo ............................................ 18
Tabela 2 – Descrição das Áreas Financeiras ................................................................ 19
Tabela 3 – Variáveis Linguísticas ............................................................................... 22
Tabela 4 – Perfis de Risco x Suitability ....................................................................... 41
Tabela 5 – Rentabilidades dos Fundos ......................................................................... 53
Tabela 6 – Alternativas de Investimento ..................................................................... 54
Tabela 7 – Matriz de decisão fuzzy para cada fundo de investimento (�̃�) ................... 56
Tabela 8 – Matriz de referência para cada perfil (�̃�) ................................................... 56
Tabela 9 – Resultados do Procedimento de Ordenamento ........................................... 57
Tabela 10 – Carteiras Simuladas pelo SAD para Investidores Fictícios ........................ 57
Tabela 11 – Dados Cadastrais dos Investidores ............................................................. 59
Tabela 12 – Número de Filhos ....................................................................................... 60
Tabela 13 – Grau de Escolaridade ................................................................................. 60
Tabela 14 – Casa Própria ............................................................................................... 60
Tabela 15 – Perfil de Risco ............................................................................................ 60
Tabela 16 – Faixa Etária ................................................................................................ 60
Tabela 17 – Renda Mensal ............................................................................................ 60
Tabela 18 – Número de Imóveis .................................................................................... 61
Tabela 19 – Testes de Hipóteses .................................................................................... 61
Tabela 20 – Carteiras Reais ........................................................................................... 64
Tabela 21 – Carteiras Simuladas pelo SAD para Investidores Reais ............................. 65
Tabela 22 – Comparativo entre carteiras ....................................................................... 66
LISTA DE SIGLAS E ABREVIATURAS
AMD Apoio Multicritério à Decisão
ANBIMA Associação Brasileira das Entidades dos Mercados Financeiros e de Capitais
BACEN Banco Central
CDB Certificado de Depósito Bancário
CETIP Central de Custódia e Liquidação Financeira de Títulos
CFP Certified Financial Planner
CPA-20 Certificação Profissional ANBIMA - Série 20
CPI Consumer Price Index
CRA Certificado de Recebíveis do Agronegócio
CRI Certificado de Recebíveis Imobiliários
CVM Comissão de Valores Mobiliários
DI Depósito Interbancário
IGP-M Índice Geral de Preços do Mercado
IPCA Índice Nacional de Preços ao Consumidor Amplo
LC Letra de Câmbio
LCA Letra de Crédito do Agronegócio
LCI Letra de Crédito Imobiliário
LF Letra Financeira
LFT Letra Financeira do Tesouro
LH Letra Hipotecária
LTN Letra do Tesouro Nacional
MAD Mean Absolute Deviation
MCNC Multiple Criteria Nominal Classification
MOEA Multi-Objective Evolutionary Algorithms
MOLP Multi-Objective linear programming
MOO Multi-Objective Optimization
NTN Nota do Tesouro Nacional
PLANEJAR Associação Brasileira de Planejadores Financeiros
RDB Recibo de Depósito Bancário
SAD Sistema de Apoio à Decisão
SGBD Sistema Gerenciador de Banco de Dados
SEC Securities and Exchange Commissions
VBA Visual Basic for Applications
SUMÁRIO
1 INTRODUÇÃO ................................................................................................... 14
1.1 JUSTIFICATIVA ................................................................................................. 14
1.2 OBJETIVOS ......................................................................................................... 15
1.3 MÉTODO DE PESQUISA .................................................................................... 17
1.4 ESTRUTURA DA DISSERTAÇÃO .................................................................... 17
2 BASE CONCEITUAL ........................................................................................ 18
2.1 APOIO MULTICRITÉRIO À DECISÃO (AMD) ................................................ 18
2.1.1 TOPSIS ................................................................................................................ 20
2.2 LÓGICA FUZZY .................................................................................................. 20
2.2.1 Fuzzy-TOPSIS ..................................................................................................... 22
2.2.2 FTOPSIS-Class ................................................................................................... 23
2.3 O MODELO DE MARKOWITZ .......................................................................... 25
3 PRIVATE BANKING ………………………..................................................... 27
4 ARQUITETURA DO SAD ……………….............……………........................ 35
4.1 BASE DE DADOS ................................................................................................ 38
4.2 BASE DE MODELOS .......................................................................................... 40
4.2.1 Fase 0 .................................................................................................................... 40
4.2.2 Fase 2 .................................................................................................................... 42
4.2.3 Fase 3 .................................................................................................................... 43
4.2.4 Fase 4 .................................................................................................................... 46
4.3 DIÁLOGO ............................................................................................................ 46
4.3.1 Fase 0 .................................................................................................................... 47
4.3.2 Fase 1 .................................................................................................................... 48
4.3.3 Fase 5 .................................................................................................................... 50
5 VALIDAÇÃO DO SAD ...................................................................................... 51
5.1 CRITÉRIOS DE CLASSIFICAÇÃO .................................................................... 55
5.2 AVALIAÇÃO DO ANALISTA ............................................................................ 55
5.3 ORDENAMENTO ................................................................................................ 56
5.4 CARTEIRAS SIMULADAS PELO SAD PARA INVESTIDORES FICTÍCIOS. 57
5.5 RESULTADOS OBTIDOS PARA INVESTIDORES REAIS ............................. 58
5.5.1 Características dos Investidores Analisados ..................................................... 58
5.5.2 Análise Estatística ............................................................................................... 61
5.5.2.1 Correlação do PRP com o Peso do Retorno .......................................................... 62
5.5.2.2 Correlação do PRP com o Peso da Aderência ....................................................... 62
5.5.2.3 Correlação do PRP com a Idade ........................................................................... 62
5.5.2.4 Correlação do PRP com o Peso do Risco .............................................................. 62
5.5.2.5 Correlação do PRP com o Número de Filhos ........................................................ 62
5.5.2.6 Correlação do PRP com a Renda Mensal .............................................................. 63
5.5.2.7 Correlação do PRP com o Número de Imóveis ...................................................... 63
5.5.3 Carteiras Reais .................................................................................................... 63
5.5.4 Carteiras Calculadas pelo SAD .......................................................................... 65
5.5.5 Comparativo ........................................................................................................ 66
6 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS ............. 68
6.1 SUGESTÕES PARA TRABALHOS FUTUROS ................................................. 69
REFERÊNCIAS .................................................................................................. 70
APÊNDICE A – RESULTADO DA VALIDAÇÃO ......................................... 87
APÊNDICE B – CARTA DO BTG ..................................................................... 88
14
1 INTRODUÇÃO
O setor de Private Banking é voltado para atendimento de clientes de alta renda e, por
isso, um atendimento customizado é imprescindível. Por conta da situação intricada do mercado
financeiro, os investidores demandam respostas para perguntas difíceis e procuram por
segurança em seus planejadores financeiros. Os planejadores, por sua vez, precisam ter um
profundo conhecimento acerca de uma inumerável lista de produtos e de suas particularidades,
além de se ater à adequação de cada produto às características dos clientes com o propósito
final de oferecer o portfólio ótimo de acordo com as expectativas.
1.1 JUSTIFICATIVA
Cliente e diversificação de portfólio é uma relação que requer sempre novas
recomendações e demanda o desenvolvimento e uso de sistemas de apoio à decisão voltados
para as características específicas de tal relação (Gonzalez-Carrasco et al., 2012). Ao se realizar
o planejamento das finanças pessoais, é importante um indivíduo considerar a adequação de
uma variedade de instrumentos financeiros ao seu perfil de risco do portfólio, tendo em conta
que seus objetivos são dinâmicos, mudando ao longo da vida (Ferreira et al., 2018). É de praxe
que os bancos, visando uma redução do risco não sistêmico (ou risco diversificável), ofereçam
aos seus clientes mais de uma opção de investimento, incluindo, na oferta, fundos, ações,
derivativos (opções, futuros, swaps), títulos de renda fixa (públicos ou privados), dentre outros
produtos, que, não necessariamente, possuem um ticket mínimo alto.
Em decorrência das incertezas inerentes aos mercados financeiros nos dias atuais, há um
consenso de que as decisões financeiras necessitam de flexibilidade e plataformas
customizáveis e capazes de levar em conta distintos fatores, variáveis, requisitos e restrições, a
fim de modelar a situação específica de cada cliente e, por conseguinte, prover a melhor
sugestão (Zopoudinis & Doumpos, 2013).
Desde a Teoria Moderna do Portfólio, proposta por Harry Markowitz (Markowitz, 1952),
há um crescente interesse pelo tema de otimização das carteiras investimentos, acarretando, por
sua vez, em uma extensa literatura sobre o assunto. Em 1990, ratificando a importância de sua
pesquisa, Markowitz foi laureado com o Prêmio Nobel de Economia. Ultimamente, trabalhos
sobre a Teoria Moderna do Portfólio tem se concentrado em duas principais vertentes
(Anagnostopoulos & Mamanis, 2010): (i) a incorporação de medidas alternativas de risco; e (ii)
15
a incorporações de características reais às formulações matemáticas – isto é, características
adicionais que o investidor gostaria de considerar ou que tem a obrigação a obedecer. O presente
trabalho foca no desenvolvimento de um Sistema de Apoio à Decisão (SAD) baseado em um
framework proposto em Ferreira et al. (2018) e desenvolvido para auxiliar na automatização da
resolução de questões relacionadas ao último dos dois pontos mencionados.
Finanças Pessoais é uma área bastante regulamentada – como exemplos de órgãos
reguladores, temos a Securities and Exchange Commissions (SEC), nos Estados Unidos e, no
Brasil, a Comissão de Valores Mobiliários (CVM). Ditas instituições, usualmente, passam
diretrizes que afirmam que: (i) os produtos, operações ou serviços ofertados devem convergir
com os objetivos do investidor; (ii) a situação financeira do investidor deve ser compatível com
tais produtos, operações ou serviços; e (iii) o cliente deve possuir conhecimento suficiente para
entender os riscos inerentes aos produtos, operações ou serviços adquiridos por ele.
Os bancos, para que sigam as diretrizes dos órgãos regulamentadores e não sejam
autuados, devem ser capazes de definir e, posteriormente, informar ao investidor o perfil de
risco em que ele se enquadra. Contudo, dentre os bancos, não há uma padronização nos
processos e questionários utilizados para tal análise – nem um consenso acerca dos níveis de
risco inerentes a cada produto. É de responsabilidade das áreas de risco de cada banco
categorizar os produtos a partir dos níveis de risco de mercado e/ou de crédito (quando
aplicáveis), desde que respeitem as normas do Banco Central. A não ser que explicitamente
informado pelo cliente – através de, por exemplo, um termo de assunção de risco –, é obrigação
do banco casar o perfil de risco do investidor com um portfólio que, considerando todos os
ativos pertencentes a ele, atinja o mesmo perfil. Como exemplo do quão em voga está o assunto,
recentemente, a Comissão de Valores Mobiliários (CVM) determinou que um investidor fosse
ressarcido no valor de R$ 120 mil pela XP Investimentos por um suposto prejuízo decorrente
de um investimento fora de seu perfil de investimento – o seu Perfil de Risco de Portfólio
(Suitability) não havia sido preenchido (Valor Econômico, 2018).
1.2 OBJETIVOS
O framework que será utilizado como base pelo Sistema de Apoio à Decisão, objeto do
trabalho, se propõe a introduzir um processo de tomada de decisão capaz de selecionar o
portfólio mais adequado, em termos de risco inerentes aos produtos financeiros e perfil dos
16
clientes de Private Banking de forma explícita, dinâmica e flexível, ao endereçar três pontos-
chave (Ferreira et al., 2018):
i. Realização de um procedimento para captura das preferências dos clientes com relação
aos produtos, serviços e operações oferecidas pelo banco e considerando uma série de
atributos relevantes;
ii. Criação de uma ferramenta de modelagem matemática que tem por propósito a
identificação do melhor portfólio para cada cliente de acordo com múltiplos objetivos e
um conjunto de restrições definidas pelos clientes e analistas financeiros do banco;
iii. Desenvolvimento de uma ferramenta de comparação/avaliação capaz de considerar
diversas medidas de risco e a performance do portfólio sugerido contra portfólios
definidos pela mesma estratégia ou estratégias similares.
Portanto, o objetivo geral do presente trabalho é o desenvolvimento de um Sistema de
Apoio à Decisão (posteriormente, no trabalho, apenas referido como SAD) que tem por
propósito principal a automatização do modelo de seleção de portfólio proposto por Ferreira et
al. (2018) e, posteriormente, a validação de tal modelo em um cenário com diferentes
alternativas de investimento e uma base real de investidores. A partir da observação de uma
base real de investidores, será possível analisar as relações entre os perfis socioeconômicos,
perfil de risco e portfólios de investimento destes investidores. O trabalho tem, ainda, por
objetivos específicos:
➢ Prover um Questionário de Suitability para definição do perfil de risco do investidor e,
assim, sugerir uma padronização aos questionários já existentes para mensuração de de
perfil de risco na área de Private Banking no Brasil;
➢ Estruturar a arquitetura de um SAD a partir de um framework desenvolvido para
resolução do problema de seleção de portfólio em Private Banking que considera, além
da dicotomia risco-retorno, a adequação da carteira sugerida ao perfil de risco do
investidor;
➢ Automatizar, através do SAD, todas as fases do framework e, com tal automatização,
viabilizar o uso do framework no dia a dia das instituições financeiras que estão
obrigadas, por regulamentação, a cumprir a ICVM Nº 539;
➢ Validar o SAD através de carteiras, alternativas de investimento e premissas reais.
Analisar, a partir dos resultados obtidos, o comportamento dos investidores e o impacto
do uso da ferramenta.
17
1.3 MÉTODO DE PESQUISA
No primeiro momento, a revisão de literatura e entendimento da base conceitual do
trabalho consistiu na leitura de artigos científicos, livros, sites dos órgãos reguladores (CVM,
BACEN, ANBIMA) e de outros tipos de mídias relacionadas às principais áreas de estudo do
projeto: Private Banking, seleção de portfólio, análise de investimentos, perfis de risco e lógica
fuzzy. A metodologia mais adequada ao trabalho é a quantitativa – dado que o trabalho é todo
em função de um modelo matemático e manipula diversas variáveis que são mensuradas de
maneira quantitativa: risco, retorno, variância, desvio-padrão.
1.4 ESTRUTURA DA DISSERTAÇÃO
O Capítulo 2 forcece o arcabouço técnico necessário para o entendimento do problema
tratado nesta dissertação – uma breve descrição do modelo de Markowitz (1952), a definição
de lógica fuzzy e de alguns métodos de apoio multicritério à decisão (AMD) que dela fazem
uso. O Capítulo 3 discorre sobre os modelos de seleção de portfólio já existentes. O Capítulo 4
define do problema em questão. O Capítulo 5 delineia a arquitetura do SAD – maior
contribuição do trabalho. O Capítulo 6 apresenta a validação a partir dos resultados obtidos pelo
SAD. No Capítulo 7, são apresentadas as conclusões que foram obtidas a partir do trabalho
desenvolvido e as possibilidades para trabalhos futuros. Por fim, podem ser encontradas as
referências bibliográficas utilizadas e, em seguida, os apêndices.
18
2 BASE CONCEITUAL
Visando o entendimento do problema abordado no projeto, antes, precisam ser explicados
conceitos como seleção de portfólios de investimentos e o modelo proposto por Markowitz
(1952), apoio multicritério à decisão (AMD) e técnicas para resolução de problemas AMD,
lógica fuzzy e as possíveis operações entre números fuzzy trapezoidais, dentre outros tópicos
que serão abordados no presente capítulo.
2.1 APOIO MULTICRITÉRIO À DECISÃO (AMD)
Um problema de apoio multicritério à decisão (AMD) pode ser descrito pelos seguintes
conjuntos: 𝐴 = {𝐴1 , 𝐴2, … , 𝐴𝑚}, conjunto das 𝑚 alternativas, e 𝐶 = {𝐶1 , 𝐶2, … , 𝐶𝑛} conjunto
dos 𝑛 critérios (ou atributos). Sendo 𝑅𝑖𝑗 a matriz de decisão dos ratings de desempenho de cada
alternativa i de acordo com cada critério 𝑗 e 𝑤𝑗 sendo o peso do critério 𝑗 ∈ 𝐶.
Tabela 1 – Metodologia Multicritério X Áreas de Estudo
Metodologia PO CP Banking CR B&FP IA SRI EF AE CR Outros Riscos M&A Total
Hybrid Fuzzy 37 36 11 10 7 9 4 2 2 2 0 1 121
AHP 4 33 12 16 8 6 5 3 2 0 3 2 94
MO 60 1 3 0 7 0 5 7 0 0 1 0 84
TOPSIS 5 29 13 8 4 2 4 3 1 2 3 0 74
MOEA 47 0 1 5 7 1 0 0 0 0 0 0 61
Goal Programming 31 3 2 4 4 3 4 1 0 0 0 0 52
VIKOR 1 13 3 1 3 1 0 0 1 1 0 1 25
ANP 2 10 3 1 2 4 2 0 0 0 0 1 25
DEMATEL 2 11 1 0 1 0 1 0 1 0 0 1 18
PROMETHEE 1 7 2 1 0 1 1 1 1 2 0 0 17
DEA 1 5 7 2 0 0 0 1 0 0 0 0 16
UTADIS 2 1 3 2 1 0 0 0 0 2 0 1 12
DRSA 1 4 1 2 1 0 0 0 0 1 0 0 10
ELECTRE 1 1 1 3 0 0 0 0 2 2 0 0 10
Hybrid GRA 0 5 1 4 0 0 0 0 0 0 0 0 10
DELPHI 0 4 2 3 0 0 0 0 0 0 0 0 9
COPRAS 0 4 3 0 1 0 0 0 0 0 0 0 8
Additive Model 0 1 0 0 3 2 0 0 0 0 0 0 6
MACBETH 0 1 3 2 0 0 0 0 0 0 0 0 6
SAW 0 3 2 0 1 0 0 0 0 0 0 0 6
MAUT 2 0 1 0 1 1 0 0 0 0 0 0 5
M.H.DIS 0 0 1 1 0 0 0 0 0 2 0 1 5
Fonte: Adaptado de Silva, 2018
Um problema AMD, que tem por objetivo endereçar o problema de otimização de escolha
de uma solução ótima com o maior grau de satisfação a partir de um conjunto de alternativas
caracterizadas em função de seus atributos, é uma tarefa rotineira do ser humano. Vários
19
métodos para problemas AMD – dentre eles, o TOPSIS (Yue, 2011), o VIKOR
(VlseKriterijumska Optimizacija I Kompromisno Resenje) (Opricovic & Tzeng, 2004), o
PROMETHEE (Preference Ranking Organisation METHod for Enrichment Evaluations)
(Brans & Mareschal, 1986; Le Téno & Mareschal, 1998) e o ELECTRE (Elimination Et Choix
Traduisant la Realité) (Almeida-Dias, Figueira, & Roy, 2010; Devi & Yadav, 2013) – foram
estendidos com a finalidade de levar em consideração diferentes tipos de valores de atributos,
como valores intervalares, variáveis linguísticas, dentre outros (Xu & Zhang, 2000).
Silva (2018) faz uma análise, representada na Tabela 1, de quais metodologias
multicritério são aplicadas no âmbito das finanças. A Tabela 1 apresenta a frequência,
segredada por área, de utilização das diferentes metodologias em modelagem financeira.
Constam, na Tabela 2, um breve descritivo de cada uma das áreas e a sua legenda
correspondente.
Tabela 2 – Descrição das Áreas Financeiras
Área Legenda Descrição
Portolio Optimization PO
Seleção de carteiras de investimentos através de abordagens de
otimização, normalmente envolvendo restrição orçamentária. Tem sua base na Teoria Moderna do Portfólio.
Corporate Performance CP
Análises de performances financeiras de diferentes tipos de empresas.
Envolvem critérios de cobertura, lucratividade, crescimento, liquidez, fluxo de caixa, entre outros.
Banking Banking
Relacionado a performance e atividades de instituições bancárias de maneira geral, com análise de crédito, análise de estabilidade financeira,
etc. O gerenciamento bancário é uma das principais áreas abordadas em
MCDM/A.
Credit Risk / Bankrupty CR Estudos relacionados ao risco de inadimplência e ao risco de falência de
organizações públicas e privadas de diferentes áreas.
Budgeting & Financial Planning B&FP Estudos sobre a melhor forma de alocação de recursos
pessoais/organizacionais dentre diferentes projetos, alternativas.
Envolvem em muitos casos o fator temporal.
Investiment Appraisal IA
Análises sobre projetos de investimentos com o intuito aprofundamento
de conhecimento sobre diferentes alternativas de utilização de recursos.
Muito comum no dia-a-dia de empresas e investidores individuais.
Socially Responsible Investment SRI Envolve a análise de investimentos com a inserção de aspectos
relacionados ao impacto social/ambiental das diversas alternativas
Energy Finance EF
Envolve precificação, operações financeiras e de mercado, além de
gerenciamento de portfólio envolvendo commodities do campo energético.
Asset Evaluation AE
Avaliação de ações, títulos e ativos em geral que podem compor uma
carteira de investimentos. Essa avaliação pode envolver critérios fundamentalistas e técnicos.
Country Risk CR
Envolve o risco de inadimplência e de falência de países/governos. Está
relacionado, entre outros fatores, a investimentos em títulos soberanos
internacionais. Envolve fatores macroeconômicos e políticos.
Other Risk Management Other Risk Análises multicritério envolvendo riscos seleção de projetos, riscos
políticos, estruturais, que incorporam na análise critérios financeiros.
Mergers & Acquisitions M&A Análises envolvendo os critérios utilizados por empresas em processos de
aquisição ou fusões de empresas.
Fonte: Adaptado de Silva, 2018
20
2.1.1 TOPSIS
O método TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution),
proposto por Hwang & Yoon (1981), foi desenvolvido com o propósito de resolver problemas
AMD. O método parte do princípio de que a alternativa a ser escolhida deve ser a mais próxima
da solução positiva ideal (PIS) e a mais distante possível da solução negativa ideal (NIS). Em
termos práticos, o método TOPSIS em problemas AMD é utilizado para a resolução de
problemas de seleção/avaliação com número finito de alternativas (Hwang, Lai, & Liu, 1993).
2.2 LÓGICA FUZZY
A lógica fuzzy (também conhecida como lógica difusa – apesar de serem termos menos
usuais) é uma forma de lógica multivalorada utilizada para modelar a incerteza na definição de
parâmetros. Um conjunto fuzzy, por sua vez, contém um ou mais valores fuzzy e pode ser
entendido como uma ligação entre o impreciso e a sua modelagem numérica.
Definição 1 (Chen, Lin, & Huang (2006)). Um conjunto fuzzy �̃� em um universo 𝑋 é
caracterizado por uma função de pertinência 𝜇ã(𝑥), que associa cada elemento 𝑥 em 𝑋 a um
número real pertencente ao intervalo [0,1].
Definição 2 (Kaufman & Gupta (1991)). Um número fuzzy trapezoidal ã pode ser definido
como �̃� = (𝑎1 , 𝑎2, 𝑎3 , 𝑎4) de acordo com a função 𝜇ã(𝑥) definida por:
𝜇ã(𝑥)
{
𝑓�̃�
𝐿 (𝑥), 𝑎1 ≤ 𝑥 ≤ 𝑎2
1, 𝑎2 ≤ 𝑥 ≤ 𝑎3𝑓�̃�
𝑅 (𝑥), 𝑎3 ≤ 𝑥 ≤ 𝑎4
0, caso contrário
Sendo:
𝑓�̃�
𝐿 (𝑥) ∶ [𝑎1 , 𝑎2] → [0 ,1] uma função estritamente crescente;
𝑓�̃�
𝑅 (𝑥) ∶ [𝑎3 , 𝑎4] → [0 ,1] uma função estritamente decrescente.
Definição 3 (Chen et al. (2006)). O resultado de ambas operações de soma fuzzy e subtração
fuzzy de quaisquer dois números fuzzy trapezoidais é, também, um número fuzzy trapezoidal
pelo princípio da extensão (Dubois & Prade, 1980). Contudo, a multiplicação de quaisquer dois
números fuzzy trapezoidais é, apenas, uma aproximação de um número fuzzy trapezoidal.
21
Dados dois números fuzzy trapezoidais positivos �̃� = (𝑎1 , 𝑎2, 𝑎3 , 𝑎4), e �̃� = (𝑏1 , 𝑏2, 𝑏3 , 𝑏4)
e um número não-fuzzy r ≥ 0, onde 0 ≤ 𝑎1 ≤ 𝑎2 ≤ 𝑎3 ≤ 𝑎4 e 0 ≤ 𝑏1 ≤ 𝑏2 ≤ 𝑏3 ≤
𝑏4 , as operações de soma, subtração, multiplicação e multiplicação por um número escalar
podem ser, respectivamente, expressadas por:
�̃� �̃� = (𝑎1 + 𝑏1, 𝑎2 + 𝑏2, 𝑎3 + 𝑏3, 𝑎4 + 𝑏4) Equação 1
�̃� �̃� = (𝑎1 − 𝑏1, 𝑎2 − 𝑏2, 𝑎3 − 𝑏3, 𝑎4 − 𝑏4) Equação 2
�̃� �̃� = (𝑎1 × 𝑏1, 𝑎2 × 𝑏2, 𝑎3 × 𝑏3, 𝑎4 × 𝑏4) Equação 3
�̃� �̃� = (𝑎1 × 𝑟, 𝑎2 × 𝑟, 𝑎3 × 𝑟, 𝑎4 × 𝑟) Equação 4
Definição 4 A distância δ (�̃�, �̃�) entre dois números fuzzy trapezoidais �̃� = (𝑎1, 𝑎2, 𝑎3, 𝑎4) e
�̃� = (𝑏1 , 𝑏2, 𝑏3 , 𝑏4) é definida por:
δ (�̃�, �̃�) = √1
4× (𝑎1 − 𝑏1)2 + (𝑎2 − 𝑏2)2 + (𝑎3 − 𝑏3)2 + (𝑎4 − 𝑏4)2
Equação 5
Definição 5 (Chen (2000)) A matriz �̃� é considerada uma matriz fuzzy se, pelo menos, um de
seus elementos é um número fuzzy.
Definição 6 (Zimmermann (1978)) Uma variável linguística é uma variável cujos valores são
expressos em termos linguísticos, isto é, palavras ou frases em linguagem natural ou artificial,
como “alto”, “médio” e “baixo”, por exemplo.
A Tabela 3, que será evocada posteriormente no trabalho como uma das entradas do
Sistema de Apoio à Decisão, ilustra como variáveis linguísticas podem ser associadas a
números fuzzy trapezoidais.
A distância entre a variável linguística “Muito baixo” e a variável linguística “Muito
alto”, portanto, de acordo com a Definição 4, seria no valor de aproximadamente 0.7762 –
sendo tal número obtido a partir da resolução da equação da distância entre dois números fuzzy
trapezoidais: √1
4× (0 − 0.7)2 + (0 − 0.8)2 + (0.1 − 0.9)2 + (0.2 − 1)2.
22
Tabela 3 – Variáveis Linguísticas
Ratings Fuzzy Numbers
Muito baixo MB 0.00 0.00 0.10 0.20
Baixo B 0.10 0.20 0.30 0.40
Médio M 0.30 0.40 0.50 0.60
Alto A 0.50 0.60 0.70 0.80
Muito alto MA 0.70 0.80 0.90 1.00
Fonte: Adaptado de Ferreira et al., 2018
2.2.1 Fuzzy-TOPSIS
Chen (2000) estendeu o método clássico TOPSIS para a resolução de problemas de
tomada de decisão em ambientes que fazem uso da lógica fuzzy, aonde as variáveis fuzzy são
usadas para definir o rating das alternativas e peso dos critérios. O Fuzzy-TOPSIS (ou
FTOPSIS) tem sido amplamente utilizado, assim como suas versões adaptadas, como o
FETOPSIS (Caetani, Ferreira, & Borestein, 2016a; Santi, Ferreira, & Borestein, 2015). O
Algoritmo 1, a seguir, demonstra o método FTOPSIS através de oito passos sequenciais:
Algoritmo 1 Método FTOPSIS
Passo 1: Estruturar o problema de tomada de decisão ao identificar os tomadores de decisão, o
conjunto de critérios e o conjunto de alternativas.
Passo 2: Escolher os termos linguísticos para avaliar a significância relativa de cada critério e o
rating de cada uma das alternativas.
Passo 3: Construir a matriz de decisão normalizada �̃� = [𝑟𝑖𝑗]𝑚 × 𝑛, sendo:
𝑟𝑖𝑗
{
𝑎𝑖𝑗
𝑑𝑗∗ ,𝑏𝑖𝑗
𝑑𝑗∗ ,𝑐𝑖𝑗
𝑑𝑗∗ ,𝑑𝑖𝑗
𝑑𝑗∗ , 𝑠𝑒 𝑗 ∈ 𝐵, conjunto associado aos critérios de benefício e 𝑑𝑗
∗ = max𝑖𝑑𝑖𝑗
𝑎𝑗−
𝑎𝑖𝑗,𝑎𝑗−
𝑏𝑖𝑗,𝑎𝑗−
𝑐𝑖𝑗,𝑎𝑗−
𝑑𝑖𝑗, 𝑠𝑒 𝑗 ∈ 𝐶, conjunto associado aos critérios de custo e 𝑎𝑗
− = min𝑖𝑎𝑖𝑗
Passo 4: Construir a matriz de decisão fuzzy normalizada e ponderada �̃� = [�̃�𝑖𝑗]𝑚 × 𝑛a partir de
�̃� = [𝑟𝑖𝑗]𝑚 × 𝑛 e �̃� = [�̃�𝑗]𝑚 × 𝑛, sendo �̃�𝑖𝑗 �̃�𝑗.
23
Passo 5: Determinar a solução ideal positiva (�̃�∗) e a solução ideal negativa (�̃�−), sendo �̃�∗ =
{�̃�1∗, �̃�2
∗, … , �̃�𝑛∗} e �̃�− = {�̃�1
−, �̃�2−, … , �̃�𝑛
−}, onde �̃�𝑗∗ = max
𝑖𝑣𝑖𝑗4, �̃�𝑗
− = min𝑖𝑣𝑖𝑗1, 𝑖 =
1, 2, . . . , 𝑚 e 𝑗 = 1, 2, . . . , 𝑛.
Passo 6: Calcular as distâncias entre cada alternativa 𝑖 em relação às soluções ideais:
𝑑𝑖∗ = ∑δ (�̃�𝑖𝑗, �̃�𝑗
∗)
𝑛
𝑗=1
, 𝑖 = 1, 2, . . . , 𝑚
Equação 6
𝑑𝑖− = ∑δ (�̃�𝑖𝑗, �̃�𝑗
−)
𝑛
𝑗=1
, 𝑖 = 1, 2, . . . , 𝑚
Equação 7
Passo 7: Calcular o coeficiente de proximidade 𝐶𝐶𝑖 de cada alternativa 𝑖:
𝐶𝐶𝑖 = 𝑑𝑖−
𝑑𝑖∗ + 𝑑𝑖
− , i = 1, 2, . . . , m
Equação 8
Passo 8: Ordenamento das alternativas em ordem decrescente. O maior valor de 𝐶𝐶𝑖 indica a
melhor performance com relação ao critério de avaliação.
2.2.2 FTOPSIS-Class
Considerando o sucesso do método TOPSIS e de suas extensões que fazem uso da lógica
fuzzy no âmbito da resolução de problemas AMD (Behzadian, Otaghsara, Yazdani, & Ignatius,
2012), a rotina FTOPSIS-Class, proposta por Ferreira et al. (2018), trata-se de uma variação do
método Fuzzy-TOPSIS, seguindo uma ideia intuitiva de que a nota de uma alternativa 𝑖 ∈ 𝐼 em
um perfil 𝑝 ∈ 𝑃 passaria a ser o coeficiente de proximidade (𝐶𝐶𝑖𝑝), calculado com base nas
distâncias entre cada alternativa 𝑖 para as soluções positiva ideal do perfil 𝑝 (�̃�𝑝∗ = [�̃�𝑝𝑖
∗ ]𝑚) e
negativa ideal do perfil 𝑝 (�̃�𝑝− = [�̃�𝑞𝑖
− ]𝑚). A solução positiva ideal e a solução negativa ideal
seriam calculadas a partir do uso da matriz �̃� = [�̃�𝑝𝑗]|𝑃|𝑥𝑛, onde �̃�𝑝𝑗 é um termo linguístico
associado, dentro de uma lista, que mais se aproxima para classificar o perfil 𝑝 de acordo com
o critério de avaliação 𝑗. Os valores da matriz �̃� deverão ser definidos por um analista de
investimentos. Considerando que os termos �̃� = [𝑟𝑖𝑗]𝑚 × 𝑛 e �̃� = [�̃�𝑗]𝑚 × 𝑛 possuem os
24
significados denotados no Algoritmo 1, a rotina FTOPSIS-Class pode ser definida através da
sequência de passos a seguir (Algoritmo 2):
Algoritmo 2 Rotina FTOPSIS-Class
Passo 1: Executar os Passos 1-4 do método Fuzzy-TOPSIS (Algoritmo 1)
Passo 2: Para cada perfil 𝑝:
Passo 2.1: Definir a solução positiva ideal para o perfil 𝑝 como �̃�𝑝∗ = {�̃�𝑝1
∗ , �̃�𝑝2∗ , … , �̃�𝑝𝑛
∗ },
onde �̃�𝑝𝑗∗ = �̃�𝑝𝑗
∗ , dado que o objetivo do modelo é maximizar a adequação da
alternativa 𝑖 com relação ao perfil 𝑝 – e, portanto, minimizar a distância entre �̃�𝑞∗ e
os valores referentes a cada categoria;
Passo 2.2: Definir a solução negativa ideal para o perfil 𝑝 como �̃�𝑝− = {�̃�𝑝1
− , �̃�𝑝2− , … , �̃�𝑝𝑛
− },
onde �̃�𝑝′𝑗∗ são os valores do perfil 𝑝′ mais distante do perfil 𝑝 –maximizando,
portanto, a distância.
Passo 2.3: Calcular as distâncias de cada alternativa 𝑖 em relação à categoria 𝑝, sendo:
𝑑𝑖𝑝∗ = ∑δ (�̃�𝑖𝑗 , �̃�𝑝𝑗
∗ )
𝑛
𝑗=1
, 𝑖 = 1, 2, … ,𝑚
Equação 9
𝑑𝑖𝑝− = ∑δ (�̃�𝑖𝑗 , �̃�𝑝𝑗
− )
𝑛
𝑗=1
, 𝑖 = 1, 2, . . . , 𝑚
Equação 10
Passo 2.4: Calcular o coeficiente de proximidade 𝐶𝐶𝑖𝑝 para cada alternativa 𝑖 em função
do perfil 𝑝, sendo 𝐶𝐶𝑖𝑝 =
𝑑𝑖𝑝−
𝑑𝑖𝑝∗+ 𝑑
𝑖𝑝− , i = 1, 2, . . . , m.
25
Passo 3 (Ordenar): Para cada alternativa 𝑖, encontrar o perfil 𝑝𝑖∗ = 𝑎𝑟𝑔𝑚𝑎𝑥𝑝 ∈𝑃{𝐶𝐶𝑖
𝑝}l, isto
é, 𝑝 é o perfil mais com maior valor de 𝐶𝐶𝑖𝑝 para a alternativa 𝑖.
2.3 O MODELO DE MARKOWITZ
O modelo de Markowitz (1952) faz uso da média e variância dos retornos históricos para
mensurar o retorno esperado e o risco de um portfólio no mercado acionário e, assim como o
modelo utilizado por Ferreira et al. (2018), pode ser proposto como um problema
multioobjetivo:
𝑅𝑝 = ∑𝑟𝑖 ∗ 𝑥𝑖
𝑖=𝑁
𝑖=1
Equação 11
𝜎 = √∑∑𝑟𝑖 ∗ 𝑥𝑖 ∗ 𝑐𝑜𝑣𝑖𝑗
𝑗=𝑁
𝑗=1
𝑖=𝑁
𝑖=1
Equação 12
∑𝑥𝑖
𝑖=𝑁
𝑖=1
= 1 0 ≤ 𝑥𝑖 ≤ 1 , 𝑖 = 0,1, … ,𝑚
Equação 13
∑𝑥𝑗
𝑗=𝑁
𝑗=1
= 1 0 ≤ 𝑥𝑗 ≤ 1 , 𝑗 = 0,1, … ,𝑚
Equação 14
𝑅𝑝 é o retorno do portfólio e é definido com a média ponderada dos retornos das ações
presentes no portfólio, 𝜎 é o risco do portfólio, 𝑖 é o índice para as ações, 𝑁 é o número total de
ações, 𝑟𝑖 é o retorno da ação 𝑖, 𝑥𝑖 é o percentual da ação 𝑖 no portfólio, 𝑟𝑗 é o retorno da ação 𝑗
e 𝑥𝑗 é o percentual da ação 𝑗 no portfólio (Nayebpur & Bokaei, 2017). Do trabalho de
Markowitz, surgiu o conceito de fronteira eficiente (Figura 1): de onde todos os portfólios
pertencentes a ela são portfólios ótimos, os portfólios abaixo são ineficientes e os portfólios
acima são inatingíveis.
26
Figura 1 – Fronteira Eficiente
Fonte: Markowitz, 1952
27
3 PRIVATE BANKING
O problema da seleção de portfólio, no âmbito dos investimentos, ganhou maior
relevância e visibilidade após a publicação da “Teoria Moderna do Portfólio” por Harry
Markowitz (Markowitz, 1952) – explicada, brevemente, no capítulo anterior. No entanto, com
o crescimento sem precedentes do poder computacional nas últimas décadas, pesquisadores
foram capazes de modelar e desenvolver novos modelos de otimização que, sem tal advento
tecnológico, seriam inconcebíveis no século passado. Selecionar um portfólio de investimentos
consiste em encontrar a combinação mais atrativa de instrumentos financeiros como uma forma
de arbitragem entre risco e retorno. Um instrumento financeiro pode ser entendido como um
ativo negociável de qualquer tipo. Essencialmente, há dois aspectos principais a se considerar
ao se construir um portfólio: os retornos esperados dos produtos disponíveis para a montagem
do portfólio e os riscos a que os investidores estão expostos ao selecioná-los. No presente
trabalho, passamos a considerar um outro aspecto, que, em termos regulatórios, pode ser
considerado até mais relevante do que os dois anteriores: a aderência do perfil de risco de
investidor ao perfil de risco do portfólio selecionado para ele. Tal aspecto, assim como os
demais, deve ser levado em conta no momento da construção do portfólio.
O problema da seleção de portfólios de investimento no setor de Private Banking pode
ser dividido em dois subproblemas interconectados: (i) a mensuração da adequação de cada
alternativa de investimento para cada um dos perfis de risco disponíveis; (ii) a alocação dos
recursos disponíveis em instrumentos financeiros, levando em conta uma série de objetivos,
que incluem a adequação do ativo ao perfil do investidor em questão e, quando aplicável,
possíveis restrições (Ferreira et al., 2018). O primeiro é formulado como um problema AMD
em que o principal objetivo é estimar a adequação de cada alternativa de investimento 𝑖 ∈ 𝐼
para cada perfil de risco 𝑝 ∈ 𝑃, considerando, concomitantemente, vários critérios. O segundo
é um modelo de otimização multiobjectivo (MOO) fuzzy que consiste em encontrar as
proporções de cada produto no portfólio final de modo que os objetivos estabelecidos sejam
atingidos e as características reais de mercado, representadas pelas restrições, respeitadas.
A tomada de decisão para os clientes de Private Banking, geralmente, é afetada por fatores
sociais, econômicos, políticos e psicológicos. Mais especificamente, os agentes recebem
variáveis caracterizadas por informações linguísticas, de importante influência nos mercados
financeiros, mas, por vezes, bastante vagas, como “alto risco”, “baixo retorno”, “longo prazo”,
“volatilidade média” – em muitos casos, tais variáveis podem ser vinculadas a valores fuzzy
28
(Ferreira et al., 2018). Como consequência, tem crescido o aparecimento de literaturas que
abordam o uso de conjuntos fuzzy no âmbito das finanças (Chourmouziadis & Chatzoglou,
2016; Liu & Zhang, 2015; Perez & Gomez, 2016).
Além disso, o processo de seleção de portfólio, no setor de Private Banking, é de
responsabilidade de um gerente de relacionamento, cuja experiência em mercado financeiro
pode ser limitada. Em alguns casos, ainda, há um claro conflito de interesses entre a melhor
escolha para o banco e a melhor escolha para o cliente – dado que os bancos, através de seus
gerentes de relacionamento, que exercem grande influência nas decisões dos investidores,
podem optar por fundos que paguem um maior rebate, uma maior taxa de administração ou o
que esteja mais alinhado com a estratégia comercial do banco – em detrimento do que seria
melhor para o cliente e sem, necessariamente, fugir do perfil de risco do investidor (cumprindo
as normas regulatórias e evitando potenciais sanções). Um dos objetivos do framework
implementado através do SAD é oferecer um ambiente que proporcione o aumento da confiança
entre bancos e clientes e, consequentemente, a melhoria do relacionamento entre eles. Em tal
ambiente, os bancos devem incentivar a participação dos investidores no processo de tomada
de decisão de tal maneira que os investidores passem a entender melhor a função do gerente de
relacionamento e as responsabilidades éticas atreladas ao cargo (Ferreira et al., 2018).
Diversos modelos já foram desenvolvidos para otimização de portfólios – sendo a grande
maioria propondo formulações matemáticas que levam em conta a clássica dicotomia risco-
retorno, restringindo a análise a apenas dois critérios (Prigent, 2007). Mais recentemente, alguns
estudos estenderam o modelo padrão média-variância de Markowitz ao introduzir restrições de
cardinalidade (Chang, Meade, Beasley, & Sharaiha, 2000) e ao utilizar diferentes medidas de
risco (Chang, Yang, & Chang, 2009). Atualmente, otimização multiobjectivo (MOO) se tornou
uma maneira predominante de formular e resolver o problema (Steuer, Qi, & Hirschberger,
2007). Steuer, Qi, & Hirschberger (2005) e Zopoudinis & Doumpos (2013) apresentaram
pesquisas interessantes acerca da aplicação de abordagens MOO para o problema de seleção de
portfólio. Algoritmos evolutivos multiobjectivo (MOEA) (Anagnostopoulos & Mamanis, 2010;
Metaxiotis & Liagkouras, 2012; Ong, Huang, & Tzeng, 2005), por sua vez, tem despertado o
interesse de alguns pesquisadores em decorrência de sua habilidade em lidar com critérios não-
convexos e não-lineares e em considerar características reais.
O reconhecimento de que vários itens são vagos no processo de seleção de portfólio levou
ao uso de conjuntos fuzzy em alguns modelos. Bermúdez, Segura, & Vercher (2012)
29
combinaram MOEA e conjuntos fuzzy a fim de lidar com seleção de portfólio com restrições
de cardinalidade. Perez & Gomez (2016) propuseram um modelo binário e não-linear que faz
uso de MOO com alguns parâmetros fuzzy – privando, contudo, o investidor de algumas
informações. Calvo, Ivorra, & Liern (2016) usaram conjuntos fuzzy na representação de um
critério não financeiro em um problema biobjetivo de risco x retorno.
Apesar dos exemplos citados, a aplicação de abordagens baseadas em modelagem é
escassa no setor de Private Banking – muito, ainda, é feito a partir das escolhas dos gerentes de
relacionamento das contas. Gonzalez-Carrasco et al. (2012), a partir do uso de técnicas de
inteligência artificial, apresentaram um sistema de recomendação voltado para o setor de
Private Banking capaz de determinar o perfil de risco do investidor e a carteira de investimentos
mais adequada ao perfil. O sistema em questão foi desenvolvido, principalmente, com o
propósito de recomendar um conjunto de produtos a partir de suas características e em função
do perfil sócio-psicológico do investidor – no entanto, como crítica, o sistema não é capaz de
considerar certos aspectos reais do problema como o número e a incompatibilidade de certos
ativos.
O Capítulo XII, denominado “Dever de Verificar a Adequação dos Investimentos
Recomentados (Suitability)”, do “Código ANBIMA de Regulação e Melhores Práticas de
Fundos de Investimentos” da Associação Brasileira das Entidades dos Mercados Financeiro e
de Capitais (ANBIMA, 2016) trata da responsabilidade instransferível das instituições
financeiras conduzirem o processo de suitability (adequação de perfil) para com os seus
clientes. De acordo com o Art. 40º, que pertence ao capítulo supracitado:
“As instituições participantes que atuem na distribuição de cotas de
fundos de investimento devem adotar procedimentos formais, que possibilitem
verificar a adequação da recomendação de investimento feita, ao perfil do
investidor, observadas as Diretrizes do Processo de Suitability expedidas pelo
Conselho de Regulação e Melhores Práticas, que complementam este Código.”
A Instrução CVM Nº 539 de 2013 (“ICVM 539”) discorre acerca da obrigatoriedade da
verificação da adequação dos produtos, serviços e operações ao perfil de risco do cliente,
inclusive, vedando a recomendação de produtos sem que o perfil de risco do cliente tenha sido
mensurado previamente, conforme consta no Art. 1º de tal instrução:
30
“As pessoas habilitadas a atuar como integrantes do sistema de
distribuição e os consultores de valores mobiliários não podem recomendar
produtos, realizar operações ou prestar serviços sem que verifiquem sua
adequação ao perfil do cliente.”
Ainda de acordo com a ICVM Nº 539, as pessoas citadas no art. 1º devem verificar se:
I. O produto, serviço ou operação é adequado aos objetivos de investimento do cliente;
II. A situação financeira do cliente é compatível com o produto, serviço ou operação; e
III. O cliente possui conhecimento necessário para compreender os riscos relacionados
ao produto, serviço ou operação.
Para o cumprimento do disposto no inciso I, deve-se analisar, no mínimo:
➢ O período em que o cliente deseja manter o investimento;
➢ As preferências declaradas do cliente quanto à assunção de riscos; e
➢ As finalidades do investimento.
Para o cumprimento do disposto no inciso II, deve-se analisar, no mínimo:
➢ O valor das receitas regulares declaradas pelo cliente;
➢ O valor e os ativos que compõem o patrimônio do cliente; e
➢ A necessidade futura de recursos declarada pelo cliente.
Para o cumprimento do disposto no inciso III, deve-se analisar, no mínimo:
➢ Os tipos de produtos, serviços e operações com os quais o cliente tem familiaridade;
➢ A natureza, o volume e a frequência das operações já realizadas pelo cliente no mercado
de valores mobiliários, bem como o período em que tais operações foram realizadas; e
➢ A formação acadêmica e a experiência profissional do cliente.
A aplicação de um questionário de perfil de risco é, portanto, mandatória para a
categorização do investidor de acordo com objetivos, riscos, conhecimento de mercado,
horizonte de tempo dos investimentos, dentre outras variáveis. A ICVM Nº 539 não determina
o número de categorias a se utilizar para enquadramento dos investidores, apenas cita que tais
categorias devem ser previamente definidas. O padrão que será adotado para categorização do
perfil de risco do cliente, no presente trabalho, será o enquadramento do cliente dentro de 4
31
perfis distintos, mutuamente exclusivos e calculados a partir das respostas dadas no
questionário de perfil de risco, sendo eles:
➢ Conservador: Tem como prioridade a segurança dos investimentos. No Perfil
Conservador, é aconselhável manter a maior parte da carteira em investimentos de baixo
ou baixíssimo risco - contudo, uma menor parcela da alocação pode ser feita em
produtos com um maior risco, com o propósito de se atingir maiores retornos no longo
prazo.
➢ Moderado: Assim como no Perfil Conservador, investidores do Perfil Moderado põem
a segurança dos investimentos em primeiro plano, mas opta por produtos que possam
entregar maiores retornos no longo prazo. A diversificação dos recursos é a estratégia
aconselhável para esse perfil;
➢ Arrojado: Investidores que se enquadram no Perfil Arrojado procuram por
possibilidade de maiores ganhos, no entanto, como consequência, tomam maiores
riscos. Contudo, mesmo nas estratégias arrojadas, é aconselhável a manter de parte dos
recursos alocados em investimentos de baixo risco - como uma forma de proteção;
➢ Agressivo: Grande tolerância para riscos, enxergando-os como oportunidades para
maiores ganhos. O investidor busca o retorno de seus investimentos no longo prazo e,
assim, o seu portfólio pode absorver perdas no curto prazo – decorrentes de uma maior
volatilidade dos produtos escolhidos. Grande parcela da carteira está alocada em ações,
opções e derivativos (opções, futuros, swaps).
A categorização dos clientes por perfil de risco é válida apenas por um intervalo de
tempo – dado que os objetivos de investimento mudam de acordo com a fase e o momento de
vida de cada investidor. No Brasil, de acordo com o art. 8º da ICVM Nº 539, o prazo máximo
para o processo de atualização das informações relativas ao perfil do cliente é de 24 meses. Tal
processo de revisão cadastral engloba a confirmação (ou alteração, caso aplicável) dos dados
cadastrais do cliente (estado civil, por exemplo) e a necessidade do preenchimento e assinatura
(podendo ser física ou digital) de um novo questionário de perfil de risco para realização do
reenquadramento dentro de uma das categorias de risco predefinidas (conservador, moderado,
arrojado ou agressivo – no caso do padrão adotado pelo trabalho). Os clientes que, findo o prazo
de 24 meses, não responderem a um novo questionário ficarão desenquadrados ou sem perfil
de risco cadastrado, uma situação que, a depender da instituição, pode restringir as operações
de ditos clientes em certos mercados – mostrando, por conta da atuação dos órgãos reguladores
32
através de auditorias (programadas ou espontâneas), o quão importante é manter o perfil de
risco em dia na base de dados das instituições financeiras brasileiras. Há relatos de que certas
instituições chegam ao ponto restringir os resgates a partir de contas desenquadradas e apenas
liberá-los mediante apresentação do Questionário de Suitability atualizado ou termo atestando
a ciência da desatualização.
A ICVM Nº 539, além de estabelecer a necessidade da determinação de um perfil de risco
para os clientes, especifica que as pessoas citadas no art. 1º devem, também, “analisar e
classificar as categorias de produtos com que atuem, identificando as características que
possam afetar sua adequação ao perfil do cliente”. No mínimo, na análise e classificação das
categorias de produtos, devem ser considerados:
I. Os riscos associados ao produto e seus ativos subjacentes;
II. O perfil dos emissores e prestadores de serviços associados ao produto;
III. A existência de garantias; e
IV. Os prazos de carência.
Os riscos associados aos produtos são, portanto, basicamente, os riscos de crédito e de
mercado e, em menor escala, o risco de liquidez. O risco de liquidez vem ganhando importância,
inclusive sendo levado em conta no último dos Acordos de Basiléia – no entanto, não será
abordado no presente trabalho. O risco de mercado pode, de forma sucinta, ser entendido como
a volatilidade inerente aos preços dos ativos em seus respectivos mercados de negociações. Já
o risco de crédito, diz respeito ao não cumprimento – parcial ou completo – dos termos
pactuados no contrato de dívida pelo emissor do título. Em geral, os fundos de investimento
são classificados dentro das cinco categorias seguintes em ordem crescente de risco (Ferreira et
al., 2018):
➢ Baixíssimo Risco: fundos com baixo risco de mercado, sendo tal medida de risco
mensurada pela variação dos títulos de dívida pós-fixados. Possuem, também, baixo
risco de crédito;
➢ Baixo Risco: fundos com baixo risco de mercado, medido pela variação dos preços dos
títulos de dívida pós-fixados e prefixados. Possuem, assim como a categoria anterior,
baixo risco de crédito;
➢ Risco Moderado: fundos que apresentam risco de mercado médio, sendo tal risco
medido pela variação dos preços dos títulos de dívida pós-fixados, prefixados e
indexados à índices de preço (no Brasil, os mais comuns são os títulos indexados ao
33
IPCA e, nos Estados-Unidos, os títulos atrelados ao CPI). Também, podem ter risco de
crédito moderado;
➢ Alto Risco: fundos que podem apresentar alto risco de mercado, medido pela variação
dos preços dos títulos de dívida (pós-fixados, prefixados e indexados à índices de preço),
de moedas, de ações e de derivativos. Podem possuir, também, elevado risco de crédito;
➢ Altíssimo Risco: fundos que podem apresentar altíssimo risco de mercado, medido pela
variação dos preços dos títulos de dívida (pós-fixados, prefixados e indexados à índices
de preço), de moedas, de ações e de derivativos. Fundos espelho fazem parte da
categoria e a categoria, assim como a anterior, pode conter fundos com alto risco de
crédito.
Os gerentes de relacionamento, portanto, só podem ofertar os produtos com
classificações de risco compatíveis com o perfil de risco específico do cliente. Contudo, os
clientes podem realizar uma operação não adequada ao seu respectivo perfil de risco contanto
que seja assinado pelo cliente um documento formal atestando ciência dos riscos inerentes ao
produto – inclusive, a depender do caso, do risco de perda do principal investido – e
conhecimento da incompatibilidade entre a classificação do produto e o perfil de risco
existente nos cadastros da instituição financeira – com o propósito de, além de cumprir com a
legislação vigente, isentar o banco de quaisquer responsabilidades legais.
Outro ponto a destacar é que a maneira como o processo de seleção de portfólio para os
clientes é realizada pelos gerentes de relacionamento – em boa parcela das instituições
brasileiras – não é, por assim dizer, uma ciência exata. Envolve o conhecimento prévio do
gerente de relacionamento em comum acordo com o investidor. Desde que atendidas as
proposições da regulamentação corrente, o gerente fica livre para ofertar quaisquer produtos
presentes naquele subconjunto – que nem sempre podem ser os mais vantajosos para os
clientes, cujos interesses deveriam ser os mais importantes. A escolha dos produtos, em vários
casos, é em função da afinidade ou conhecimento do gerente para com eles – quando não é
feita visando o cumprimento das metas comerciais, alinhadas com os objetivos da instituição,
mas em detrimento dos interesses do cliente. A automatização de um modelo já validado
(objetivo principal do trabalho) previne escolhas subjetivas, substituindo tais escolhas pelos
resultados de um modelo matemático de fácil uso e que respeitará os pesos definidos para os
3 objetivos (explicados com maior detalhamento nos tópicos subsequentes) acordados com o
34
cliente: aderência ao perfil, risco e retorno – quaisquer carteiras que apresentem fuga aos
objetivos serão descartadas.
O problema de seleção de portfólio tratado nesta dissertação foi restrito aos setores de
Private Banking (ora chamada de Wealth Management), que é uma área, nos bancos, destinada
à clientes com grandes fortunas e, por isso, exigem um atendimento personalizado.
Confidencialidade, apesar de não tratada no trabalho, também, é uma condição demandada
para os clientes de Private Banking. As contas, apesar de ser uma área destina às pessoas
físicas, podem ser abertas em nome das empresas, de firmas de advocacias, fundos, fundações
ou trusts – decisão à critério do cliente. Não é incomum a abertura de contas offshore em
paraísos fiscais visando um melhor planejamento tributário – prática que pode ser denominada
como um artifício de elisão fiscal.
35
4 ARQUITETURA DO SAD
Um Sistema de Apoio à Decisão (SAD) é um sistema de informação utilizado para dar
suporte a um tomador de decisão de qualquer nível, face a problemas semi-estruturados e não
estruturados (Davis & Olson, 1985). Sistemas de Apoio à Decisão podem seguir diferentes
abordagens: baseados em dados, baseados em análise de informações ou em modelos (Bigdoli,
1989). Os sistemas baseados em dados preocupam-se na realização de comparações entre os
dados atuais, os dados passados e dados que se queiram alcançar. Já os sistemas baseados em
análise de informação fazem uso de base de dados para orientar a decisão e de pequenos
modelos – permitindo a análise da situação atual utilizando dados internos e possibilitando a
geração de uma previsão para o próximo período. Por fim, sistemas baseados em modelos
utilizam relações e fórmulas definidas, possibilitando análises do tipo “o que” e “se”, e
dividindo-se nas categorias explicadas a seguir (Miranda, Costa, & Almeira, 2002):
➢ Modelos representativos (ou de simulacão): representam características indefinidas do
sistema. Um exemplo deste tipo de modelo seria uma análise de risco utilizando
distribuições estimadas de probabilidade para cada fator chave;
➢ Modelos de otimização: gera soluções ótimas; usado para decisões desritas
matematicamente, com um objetivo específico. Como exemplo, podem ser citados
modelos para maximização de lucro ou minimização de custos;
➢ Modelos de sugestão: fornecem uma decisião específica. Analisa procedimentos menos
eficientes para gerar uma sugestão.
O SAD proposto no presente trabalho adota a abordagem baseada em modelos e o modelo
em questão pode ser categorizado na última das categorias especificadas. De forma estrutural,
um SAD é composto de uma base de uma base de dados, que tem por função auxiliar o sistema,
uma base de modelos, que provê a capacidade de análise e o diálogo (interface), que promove
a interação entre o usuário e o sistema – nas subseções subsequentes, serão dadas descrições
mais aprofundadas das 3 diferentes bases, que possuem suas interações representadas
graficamente na Figura 2 (Bidgoli, 1989).
36
Figura 2 – Arquitetura do SAD
Fonte: Clericuzi, Almeida, & Costa, 2006
Ao se tratar do desenvolvimento do SAD, é necessário considerar as 3 tecnologias básicas
de SAD (Figura 3), que devem ser entendidas pelos desenvolvedores e pelos usuários finais –
são elas: SAD Específico, Gerador de SAD e Ferramenta SAD. A seguir, uma a descrição de
cada uma delas (Miranda, Costa, & Almeira, 2002):
➢ SAD específico: é uma combinação de hardware e fotware usado para apoiar o tomador
de decisão em uma tarefa específica. Pode ser desenhado para uso em diferentes áreas
funcionais. Para o setor de finanças, por exemplo, pode ajudar o analista de projetos
com informações para minimizar o risco do investimento;
➢ Gerador de SAD: o gerador de SAD usa uma combinação de hardware e software como
um pacote para desenvolver um SAD específico. Isto é, através do gerador de SAD são
gerados aplicativos específicos mais completos do que um SAD específico. Um típico
gerador de SAD possui base de dados, funções já desenvolvidas, análises estatísticas,
otimização e modelos de simulação;
➢ Ferramenta SAD: as ferramentas do SAD são usadas para desenvolver ou um SAD
específico ou um gerador de SAD. A ferramenta SAD usada no presente trabalho será
a linguagem de programação VBA.
37
Podem ser citados como vantagens do uso adequeado de um SAD para o auxílio da
tomada de decisão: o aumento do número de alternativas examinadas; a melhor compreensão
do negócio em questão; a maior velocidade de resposta a algumas situações inesperadas; a
possibilidade de desempenhar análises ad hoc; novos conhecimentos e aprendizagens; a
melhoria na comunicação; o melhor controle; a minimização dos custos; a escolha das melhores
decisões; o aumento da eficácia do trabalho em equipe; os ganhos de tempo e a melhor
utilização dos recursos de dados (Clericuzi, Almeira, & Costa, 2006).
Figura 3 – Tecnologias do SAD
Fonte: Bidgoli, 1989
A Figura 4 apresenta a estruturação faseada do framework que será adotado pelo SAD. O
SAD proposto no persente trabalho acrescenta ao modelo proposto em Ferreira et al. (2018) um
protocolo para a definição do PRP do investidor, a partir de um questionário baseado no padrão
adotado no mercado atualmente (Fase 0), a apresentação dos resultados de forma amigável para
o cliente final (Fase 5) e a automatização dos motores de cálculo (Fases 1, 2, 3) – tanto para a
resolução do problema AMD, quanto para obtenção dos resultados finais através do fuzzy
MOO.
A Fase 1 é, em linhas curtas, uma fase de definição das entradas dos problemas – e, por
isso, não contém modelos. A Fase 2 faz uso de um modelo inovador de resolução de problemas
AMD, FTOPSIS-Class, para classificação das alternativas de investimento de acordo com as
preferências dos tomadores de decisão e definições de risco do banco. A Fase 3 trata da questão
da alocação dos ativos e, em seguida, na Fase 4, é feita a validação dos resultados obtidos. A
Fase 4 não foi automatizada pelo SAD por motivos que serão explanados posteriormente.
38
Para o desenvolvimento do SAD, como mencionado anteriormente, a ferramenta SAD
escolhida foi a linguagem de programação VBA, regida pelo paradigma de orientação a
eventos, dado que provê as funcionalidades necessárias para o desenvolvimento dos algoritmos
e a interface será o Microsoft Excel, optado pela simplicidade na manipulação do design
(principalmente, para a construção de gráficos – importantes para entendimento do problema),
facilitando, assim, o diálogo entre os usuários, a base de dados e a base de modelos.
Figura 4 – Fases do Framework
Fonte: Adaptado de Ferreira et al., 2018
4.1 BASE DE DADOS
Um banco de dados computacional é definido como uma série de arquivos ou tabelas
relacionadas. Na base de dados, os dados podem ser acessados diretamente pelo usuário ou
podem servir de input para a base de modelos. O Sistema Gerenciador de Banco de Dados
(SGBD) cria, armazena, mantém e gerencia o acesso a um banco de dados e seu desempenho.
O uso de banco de dados oferece uma série de vantagens (Miranda, Costa, & Almeira, 2002):
➢ Mais informação pode ser gerada a partir da mesma quantidade de dados;
➢ Aplicações e dados são independentes;
39
➢ Administração de dados é melhorada;
➢ É possível trabalhar com problemas que exigem maior sofisticação;
➢ Relacionamento entre dados pode ser apresentado e mantido facilmente;
➢ Um espaço menor é utilizado para manter dados.
Há 2 tipos de dados que o SAD deve ter acesso: internos e externos. Os internos são
gerados dentro da organização – podem envolver dados dos sistemas de informação da empresa
ou de diferentes unidades de negócio. Os externos são provenientes de diversas fontes e são
úteis quando o SAD é projetado para apoiar questões estratégicas (Bigdoli, 1989). Como dados
internos, o SAD desenvolvido receberá: as alternativas de investimentos e suas respectivas
características, a matriz de decisão para cada alternativa de investimento, a matriz de decisão
para cada perfil de risco – as duas últimas providas a partir da análise do especialista. Como
externos, o SAD receberá os dados cadastrais do cliente e as respostas ao Questionário de
Suitability.
Dado que o tamanho da base não chega a ser significativo – a maior tabela da base de
dados tem menos de 100 registros –, as tabelas foram armazenadas no Microsoft Excel, que,
por conseguinte, funcionou como o sistema de gerenciamento de base de dados. A Figura 5
exibe o diagrama entidade relacionamento da base, uma representação gráfica do
relacionamento entre as principais tabelas do sistema – o esquema adotado para a confecção do
modelo é descrito em Elmasri & Navathe (2003). No caso de uma necessidade maior de espaço
de armazenamento e tempo de resposta, o SGBD pode ser migrado para o Microsoft Access,
ferramenta mais robusta e que tem interface com o Microsoft Excel, sem maiores dificuldades.
Figura 5 – Diagrama Entidade Relacionamento do SGBD
40
4.2 BASE DE MODELOS
Além da base de dados, é necessário o desenvolvimento e implementação de uma base de
modelos, que tem por propósito auxiliar no processo de tomada de decisões. Um modelo pode
ser entendido como uma representação simplificada de uma situação na vida real, sendo
construído através de uma série de elementos (variáveis) e suas respectivas relações (restrições
impostas). Existem vários tipos de modelo, sendo os tipos mais conhecido os matemáticos e os
estatísticos (Gray, 1994). Nas subseções subsequentes, serão explicados, por fase, os modelos
presentes no SAD.
O SAD se baseará em modelos presentes no framework proposto por Ferreira et al.
(2018), sendo a escolha direcionada pelo fato do modelo já ter sido testado e validado em
produtos do sistema financeiro brasileiro (fundos de investimento do Banco do Brasil) e por
não se restringir, apenas, ao uso de ações – como alguns dos modelos analisados (Konno &
Yamazaki, 1991; Leung, 2009; Yunusoglu & Selim, 2013; Gottschlich & Hinz, 2014;
Chourmouziadis & Chatzoglou, 2016). Ainda em termos das alternativas de investimento, a
solução adotada pelo trabalho pode ser estendida para os demais produtos presentes no sistema
financeiro brasileiro (ou seja, não apenas para fundos): títulos privados (CDB, LCI, LCA, RDB,
CRI, CRA, LF, LH, LC, operações compromissadas), títulos públicos federais (LFT, LTN,
NTN), ações e derivativos (opções, futuros e swaps – além de operações diretamente com
moedas estrangeiras (dólar, euro). Outra premissa para a escolha de modelo foi a capacidade de
propor o tratamento para mais de um objetivo – atualmente, são considerados 3 (aderência,
risco e retorno), mas nada impede, contanto que testado e validado, que novos objetivos sejam
acrescidos ao modelo. O uso de variáveis fuzzy para classificação dos critérios aproxima o
modelo da realidade em que nem todas as variáveis são quantitativas – muitos dos termos
utilizados pelos gestores de fundos são linguísticos e, ao se converter os termos linguísticos em
apenas um número, reduz, há um efeito limitador no poder e, consequentemente, na efetividade
do modelo matemático.
4.2.1 Fase 0
O Questionário de Suitability foi elaborado com base em um questionário já utilizado
para a mensuração do perfil do risco de cliente por um dos maiores bancos do mercado
financeiro brasileiro. A partir das respostas do cliente, é possível se ter uma melhor ideia de
seus objetivos, conhecimentos, horizonte de tempo, restrições, dentre outras características – e,
41
daí, categorizar o cliente dentro de um dos quatro perfis de risco 𝑝, sendo 𝑝 ∈ 𝑃 =
{“Conservador”, “Moderado”, “Arrojado”, “Agressivo”}. Cada questão possui um peso, cada
alternativa um valor, sendo o resultado da questão o produto entre o peso (que varia de 1 até 3)
e o valor da alternativa. O modelo de cálculo do perfil de risco do investido consiste no
somatório do resultado de todas as 8 questões e no posterior enquadramento de acordo com os
intervalos presentes na Tabela 4. Exceto na Questão F, que é múltipla escolha e o resultado a
ser considerado será a pontuação da resposta de maior valor, para todas as questões, apenas
uma das respostas (a mais adequada para o cliente) poderá ser escolhida.
Tabela 4 – Perfis de Risco x Suitability
Perfil Somatório
Conservador Abaixo de 28
Moderado De 28 – 37
Arrojado De 38 – 47
Agressivo Acima de 47
a) Qual o seu principal o objetivo ao investir seu patrimônio? (Peso 3)
i. Preservação de patrimônio (1 ponto)
ii. Combinação entre preservação e valorização (2 pontos)
iii. Maximização de ganho (3 pontos)
b) Por quanto tempo os recursos ficarão investidos? (Peso 2)
i. Até 1 ano (1 ponto)
ii. 1 a 5 anos (2 pontos)
iii. Mais de 5 anos (3 pontos)
c) Qual é a necessidade dos recursos aplicados? (Peso 2)
i. Complemento de renda (1 ponto)
ii. Eventualmente, o uso de parte pode ser necessário (2 pontos)
iii. Não há necessidade imediata (3 pontos)
d) Qual percentual de sua renda é investido regularmente? (Peso 1)
i. Até 10% (1 ponto)
ii. De 10 a 20% (2 pontos)
iii. Acima de 20% (3 pontos)
42
e) No caso de uma perda de 10% do total investido, qual seria a sua atitude? (Peso 2)
i. Não sei o que faria (1 ponto)
ii. Venderia toda a posição (2 pontos)
iii. Manteria a posição (3 pontos)
iv. Aumentaria a posição (4 pontos)
f) Quais investimentos fizeram parte de sua carteira nos últimos 5 anos? (Peso 3)
i. Poupança, Fundos DI, CDB, Fundos RF (1 ponto)
ii. Fundos Multimercado, Títulos Públicos, LCI, LCA (2 pontos)
iii. Fundos de Ações, Ações, Fundos Imobiliários, Debêntures, Fundos Cambiais (3
pontos)
iv. Fundos de Investimento em Participações (FIP), Derivativos (4 pontos)
g) Como seria descrita a sua expectativa de renda para os próximos 5 anos? (Peso 2)
i. Minha renda deve diminuir devido à aposentadoria, mudança de emprego,
diminuição de faturamento (1 ponto)
ii. Minha renda deve se manter estável (2 pontos)
iii. Minha renda deve aumentar devido a uma promoção, novo emprego, aumento
de faturamento (3 pontos)
h) Há intenção na realização de operações com derivativos? (Peso 3)
i. Não (1 ponto)
ii. Sim (2 pontos)
4.2.2 Fase 2
É na Fase 2 que a adequação de um investimento 𝑖 ∈ 𝐼 para um perfil 𝑝 ∈ 𝑃 é definida,
baseando-se nos atributos definidos na Fase 1, que, por sua vez, será abordada na subseção que
trata dos diálogos entre os usuários e o SAD. Trata-se de um problema de Classificação
Multicritério Nominal (MCNC) (Chen, 2006), onde o objetivo é classificar as alternativas de
investimento dentro de grupos homogêneos predefinidos – os perfis dos investidores. Alguns
métodos de AMD foram desenvolvidos para problema de classificação, categorizados como
43
(Doumpos et al., 2009): (i) baseado em funções de valor (Greco, Mousseau, & Slowinski,
2010); (ii) métodos simbólicos baseados em regras de decisão (Greco, Matarazzo, & Slowinski,
2001); e (iii) métodos outranking (Bouyssou & Marchant, 2015). Contudo, em problemas de
ordenamento, uma alternativa pertence a um único grupo, enquanto, em problemas MCNC
algumas alternativas podem ser designadas a mais de um grupo e outras alternativas, inclusive,
podem não ser designadas a nenhum grupo. Como resultado, os métodos de classificação
baseados em ordenamento são de pouca relevância para os problemas de MCNC (Chen, 2006).
Pelo exposto acima, o método escolhido para a realização do ordenamento foi o proposto por
Ferreira et al. (2018): o FTOPSIS-Class, já elucidado em seções anteriores.
4.2.3 Fase 3
O objetivo da fase atual é a definição da proporção de cada alternativa de investimento
de acordo com o perfil do investido, objetivos e preferências. De acordo com o modelo proposto
por Zopoudinis et al. (2015), a estratégia de alocação de ativos é representada pelo modelo
multi-objetivo genérico a seguir:
max𝑍1 , 𝑍2, … , 𝑍𝑘
Equação 15
min𝑍𝑘+1 , 𝑍𝑘+2, … , 𝑍𝑙
Equação 16
𝑠. 𝑎
𝑥 ∈ 𝑋 Equação 17
O modelo de otimização ponderado max-min necessário para a resolução do problema
de seleção de portfólio será um problema de programação linear multiobjetivo e, para sua
formulação, a resolução do Algoritmo 3 (Algoritmo Gerador de Problemas Fuzzy MOLP), a
seguir, se faz necessária:
44
Algoritmo 3 Algoritmo Gerador de Problemas Fuzzy MOLP
Passo 1: Formular o problema de seleção de portfólio, usando os objetivos e as restrições
definidos de maneira interativa pelo analista de investimentos do banco e pelo investidor.
Passo 2: Resolver o problema de programação linear multiobjetivo (MOLP) como um problema
de objetivo único para cada objetivo 𝑖, 𝑖 = 1,… , 𝑘. Como trata-se do melhor valor para
cada objetivo, definir 𝑍𝑖+ como o limite superior do 𝑖-ésimo objetivo.
Passo 3: Resolver o problema MOLP como um problema de objetivo único, mudando a direção
de otimização para cada objetivo 𝑗, 𝑘 + 1,… , 𝑙. Como trata-se do pior valor para cada
objetivo, definir 𝑍𝑖− como o limite inferior do 𝑗-ésimo objetivo.
Passo 4: Para cada objetivo 𝑖 = 1,… 𝑘, encontrar a função objetivo correspondente.
Passo 5: Para cada objetivo 𝑗 = 1,… 𝑘, encontrar a função objetivo correspondente.
Passo 6: Definir os pesos (θi, 𝑖 = 1,… 𝑙) dos objetivos.
Passo 7: Formular o problema como um modelo max-min multiobjetivo ponderado.
Passo 8: Resolver o modelo definido no Passo 7 a fim de encontrar a solução ótima do problema
formulado no Passo 1.
As 3 funções objetivo para a construção do problema MOLP são definidas,
conceitualmente e matematicamente, abaixo (Equações 18, 19 e 20), sendo 𝐶 o total de capital
disponível para a alocação, 𝑚 o número de alternativas de investimento disponíveis no
problema, 𝑥i a variável de decisão que representa a proporção alocada em cada fundo 𝐹i e 𝑅i o
valor da rentabilidade de cada alternativa nos últimos 12 meses (Tabelas 5 e 6). O modelo de
MAD, introduzido por Konno & Yamazaki (1991) em otimização de portfólio e amplamente
testado em vários mercados acionários (Mansini, Ogryczak, & Speranza, 2014), foi selecionado
como medida de risco do portfólio.
45
1. Aderência (𝜃1): adequação do portfólio ao perfil do investidor;
max𝑍1 =∑∑𝐶𝐶𝑖𝑝
𝑝∈𝑃
𝑥𝑖𝑖∈𝐼
Equação 18
2. Retorno (𝜃2): maximizar o retorno do portfólio de investimentos através da
maximização da medida de retorno esperado médio do portfólio;
max𝑍2 =∑𝑅𝑖𝑖∈𝐼
𝑥𝑖 Equação 19
3. Risco (𝜃3): minimizar o risco do portfólio através da minimização do desvio
médio absoluto (MAD).
min𝑍3 =1
2𝑚∑|𝑅𝑖 − (∑𝑥𝑖𝑅𝑖
𝑚
𝑖=1
)|
𝑚
𝑖=1
Equação 20
Sendo 𝐼𝑖 a variável de decisão que representa a proporção alocada em cada