Otimização robusta de portfólios usando conjuntos de incerteza não paramétricos sobre dados financeiros

• Tatiane Cazarin da Silva Universidade Tecnológica Federal do Paraná (UTFPR)
• Gislaine Aparecida Periçaro Universidade Estadual do Paraná (UNESPAR)
• Eduardo H. M. Pena Universidade Tecnológica Federal do Paraná (UTFPR)
• Ademir Alves Ribeiro Universidade Federal do Paraná (UFPR)

DOI: https://doi.org/10.5753/sbbd.2026.249108

Resumo

A otimização de portfólios financeiros depende da qualidade dos dados históricos e da representação adequada da incerteza nos parâmetros estimados. O modelo de Markowitz é amplamente usado como referência, mas apresenta sensibilidade a erros de estimação dos retornos esperados, comprometendo sua robustez em cenários de alta volatilidade. Este trabalho propõe um modelo robusto cujo conjunto de incerteza é construído de forma não paramétrica usando Support Vector Clustering (SVC). O modelo elimina a necessidade de hipóteses restritivas de simetria ou normalidade, e um parâmetro de regularização controla o suporte desse conjunto, funcionando simultaneamente como mecanismo de tratamento de outliers e de calibração do perfil de risco do investidor. O modelo proposto foi avaliado em contratos futuros de commodities internacionais durante um período de alta volatilidade, superando consistentemente o modelo clássico de Markowitz e a estratégia de pesos iguais, com menor volatilidade, perdas extremas reduzidas e índices Sharpe e Sortino positivos em todas as estratégias consideradas.

Palavras-chave: Otimização de portfólios, incertezas, Support Vector Clustering, modelo de média variância

Referências

Ben-Hur, A., Horn, D., Siegelmann, H., and Vapnik, V. (2000). A support vector method for clustering. In Advances in Neural Information Processing Systems, pages 346–352.

Ben-Tal, A., Ghaoui, L., and Nemirovski, A. (2009). Robust Optimization. Princeton, NJ.

Ben-Tal, A. and Nemirovski, A. (1998). Robust convex optimization. Mathematics of Operations Research, 23:769–805.

Bertsimas, D., Gupta, V., and Kallus, N. (2018). Data-driven robust optimization. Mathematical Programming, 167(2):235–292.

Bertsimas, D. and Pachamanova, D. (2008). Robust multiperiod portfolio management in the presence of transaction costs. Computers & Operations Research, 35:3–17.

Bertsimas, D. and Sim, M. (2004). The price of robustness. Operations Research, 52:35–53.

Bertsimas, D. and Thiele, A. (2006). A robust optimization approach to inventory theory. Operations Research, 54:150–168.

Bomfim, U. and Nascimento, F. (2024). Monitoramento do mercado de ativos brasileiro: uma proposta de pipeline de dados para detecção de bolhas financeiras. In Anais Estendidos do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 58–64, Porto Alegre, RS, Brasil. SBC.

Borgards, O., Czudaj, R. L., and Hoang, T. H. V. (2021). Price overreactions in the commodity futures market: An intraday analysis of the covid-19 pandemic impact. Resources Policy, 71:101966.

Chenreddy, A. R., Bandi, N., and Delage, E. (2022). Data-driven conditional robust optimization. In Koyejo, S., Mohamed, S., Agarwal, A., Belgrave, D., Cho, K., and Oh, A., editors, Advances in Neural Information Processing Systems, volume 35, pages 9525–9537. Curran Associates, Inc.

Chopra, V. and Ziemba, W. (1993). The effect of errors in means, variances, and covariances on optimal portfolio choice. Journal of Portfolio Management - J PORTFOLIO MANAGE, 19:6–11.

Danesh, S., Mohammadi, E., Makui, A., and Jafari, M. (2024). Data-driven robust optimization based on position-regulated support vector clustering. Journal of Computational Science, 76:102210.

Delage, E. and Ye, Y. (2010). Distributionally robust optimization under moment uncertainty with application to data-driven problems. Operations Research, 58:595–612.

Fabozzi, F., Kolm, P., Pachamanova, D., and Focardi, S. (2007). Robust portfolio optimization - recent trends and future directions. The Journal of Portfolio Management, 33:40–48.

Gurobi Optimization, LLC (2026). Gurobi optimizer reference manual. [link]. Acesso em: 23 fev. 2026.

Ledoit, O. and Wolf, M. (2008). Robust performance hypothesis testing with the sharpe ratio. Journal of Empirical Finance, 15.

Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1):77–91.

Sehgal, R. and Jagadesh, P. (2023). Data-driven robust portfolio optimization with semi mean absolute deviation via support vector clustering. Expert Systems with Applications, 224:120000.

Shang, C., Huang, X., and You, F. (2017). Data-driven robust optimization based on kernel learning. Computers & Chemical Engineering, 106:464–479.

Soares, I. R. and Canuto, S. (2025). Criando portfólios de alto desempenho: Otimização de portfólios de ativos de alta volatilidade através da previsão de retorno baseada em Proceedings of the cnn+bilstm. In Anais do XL Simpósio Brasileiro de Bancos de Dados, pages 685–698, Porto Alegre, RS, Brasil. SBC.

Umar, Z., Gubareva, M., and Teplova, T. (2021). The impact of covid-19 on commodity markets volatility: Analyzing time-frequency relations between commodity prices and coronavirus panic levels. Resources Policy, 73:102164.

Zhang, C., Wang, Z., and Wang, X. (2022). Machine learning-based data-driven robust optimization approach under uncertainty. Journal of Process Control, 115:1–11.