Carta 03/2018

A ROTINA DE UM GESTOR QUANTITATIVO

A rotina de um gestor que utiliza uma abordagem discricionária macroeconômica inicia-se por uma análise do cenário que engloba uma leitura de situações políticas e dados econômicos (como inflação, câmbio, taxas de desemprego, atividade industrial, dentre outros). Baseando-se na sua interpretação, o gestor tenta traçar cenários e determinar a direção dos movimentos dos diversos ativos para realizar suas alocações e apostas.

Um gestor que utiliza uma abordagem discricionária microeconômica utiliza grande parte do seu tempo estudando empresas. Ele tenta conhecer profundamente o management das companhias, procurando entender suas vantagens competitivas. É muito comum a prática de visitas técnicas, não somente à empresa alvo, mas também a concorrentes, fornecedores e clientes. Tudo isso no final das contas traduz-se em projeções de fluxos de caixa e valuation.

Ambas as abordagens citadas acima podem ser ganhadoras no longo prazo. Contudo, são bastante diferentes do que praticamos. Como gestores quantitativos, nosso trabalho acaba concentrando-se em três principais tarefas:

  1. Acompanhamento das estratégias já implementadas no fundo. Nesta tarefa, verificam-se as hipóteses feitas durante o desenvolvimento. Adicionalmente, verifica-se a aderência dos resultados reais com aqueles esperados. Poderíamos observar, por exemplo, divergências em hipóteses de custo ou de impacto no mercado.
  2. Pesquisas para melhorias das estratégias já implementadas. Por exemplo, baseando-se em observações de mercado, é possível perceber as condições nas quais um modelo perde a aderência e onde, portanto, não faria sentido operar baseando-se no mesmo. Outra melhoria bastante comum é o ajuste fino de parâmetros, para que o modelo se adapte às sutis evoluções do mercado.
  3. Pesquisa de novas estratégias.

As ideias de novos modelos podem vir da leitura de livros ou artigos acadêmicos, além de observações de mercado e experiências vividas por nós. As explicações a respeito destas ideias podem ser as mais diversas possíveis: alguém pode ler, por exemplo, artigos defendendo que invistam-se em empresas que estão muito descontadas em relação a seu valor patrimônio; outros falarão sobre estratégias que apostam na continuidade de tendências e como detectá-las. Essa busca por novidades está bastante interligada com um acompanhamento do que há na vanguarda da pesquisa acadêmica e na indústria de hedge funds. Tentamos estar a par do que está sendo pesquisado no mundo, sem preconceitos com ideias antes de efetivamente testá-las.

Uma vez que temos uma ideia, tentamos sistematizar a mesma. Isso quer dizer que tentamos criar um conjunto de regras para medir de maneira objetiva se é possível ou não ganhar dinheiro com aquilo. O modelo deve ser completo. Definidos os inputs daquela estratégia, a mesma deve contemplar as condições de entrada nas posições (long ou short) e as condições de saída (seja por stop loss, ou porque atingiu um profit target ou mesmo porque já está posicionado há muito tempo). O tamanho das apostas e as situações em que o algoritmo não deve operar também devem ser previstas. Em síntese, as regras não podem deixar espaços para dúvidas. Cada cenário deve estar previsto no modelo sem que haja necessidade de qualquer intervenção humana.

Em adição à definição do modelo, também é necessário obter uma base de dados histórica dos ativos em questão. Muitas vezes obter dados confiáveis é mais complicado do que pode parecer à primeira vista. Apesar de existirem diversas plataformas de venda que disponibilizam informações, não é raro encontrar falhas nos dados muitas vezes simples como um preço com uma vírgula no lugar errado. Ao longo de nossa história construímos diversas bases de dados proprietárias nas quais temos bastante confiança, pois passaram por extensos processos de verificação. A construção dessas bases pode ser trabalhosa e, toda vez que decidimos testar modelos em novos mercados, esse processo acaba consumindo esforços. Contudo, é um esforço necessário que acaba remunerando os fundos.

Essas bases são utilizadas para fazer os chamados backtests do modelo. Isso significa testar aquele conjunto de regras no passado e saber como o mesmo teria se comportado nos mais diversos cenários. Definem-se métricas, normalmente associadas às medidas de retorno e risco, para mensurar se a estratégia realmente é ganhadora e se existe evidência estatística de que aquela ideia é válida.

Por fim, parâmetros e filtros extras podem ser adicionados ao conjunto de regras para melhorar a sua performance. Essa fase é chamada de otimização. Note, contudo, que há um trade-off neste processo, pois à medida em que se adicionam graus de liberdade ao modelo (e mais variações são testadas), aumentam-se as chances de estarmos simplesmente ajustando o modelo a um cenário específico do passado (curve-fitting). Existem ferramentas estatísticas que auxiliam a prevenir essa armadilha, mas sem dúvida a experiência é o maior aliado para evitar alguns erros. De fato, uma das vantagens de termos quase onze anos de histórico (além de experiências prévias à Kadima) é já termos aprendido com nossos erros passados.

Algumas boas práticas incluem (mas não se limitam a) deixar um pedaço dos dados sem serem utilizados nessa otimização e, olharmos para eles apenas no final, como última chancela. É o chamado out-of-sample. Testes estatísticos podem indicar se o acréscimo de um parâmetro efetivamente altera o resultado da estratégia. Procedimentos de cross-validation (dentre outras técnicas utilizadas em machine learning) também aumentam o a confiabilidade no modelo. A implementação da mesma estratégia por mais de uma pessoa, de maneira independente, mitiga bastante o risco de algum erro na programação.

Caso o gestor opte por colocar a estratégia em execução, a etapa seguinte consiste em automatizar a execução da mesma. Parte deste processo é garantir que o código desenvolvido seja logicamente equivalente ao utilizado no backtest. Ademais, devem ser analisados com cuidado os tempos de cálculos e latência da rede. Frequentemente iniciamos novas estratégias com alocações pequenas até termos certeza de que a execução está em linha com o esperado.

Esse processo de pesquisa não é infalível, mas sendo criteriosos, podemos elaborar estratégias robustas, que conseguem produzir bons resultados em diversos cenários. O rigor estatístico empregado no processo de pesquisa fornece ao gestor a confiança necessária para seguir a estratégia.

Esperamos que, com esse texto, tenha ficado mais claro ao leitor o nosso processo de pesquisa. Acreditamos que nossos investidores podem se sentir mais confortáveis no longo prazo, a partir de um conhecimento melhor de nossa abordagem.

ESTUDO DE CASO: ESTRATÉGIA DE MERGER ARBITRAGE

Conforme explicitamos anteriormente, em nosso processo de pesquisa estamos sempre buscando novas ideias de estratégias. Entendemos ser contraproducente ter preconceitos antes de efetivamente testar uma hipótese. Naturalmente, muitas vezes durante a pesquisa acabamos encontrando evidências para rejeitar uma estratégia.

Nesta seção, ilustraremos esse processo com um tipo de estratégia que é bastante conhecida pelos investidores internacionais: a chamada merger arbitrage.

Não é raro empresas anunciarem fusões ou então serem adquiridas. Quando as empresas envolvidas possuem suas ações negociadas em bolsa, surgem algumas oportunidades de realizar operações que teoricamente possuem pouco risco de mercado, ficando exposto apenas aos riscos do evento se confirmar ou não. Um exemplo típico é quando alguém faz uma oferta para comprar uma ação XYZ por R$10.00 a ação. Para simplificar este exemplo, digamos que essa oferta será realizada num leilão, dentro de 1 mês e que a taxa de juros (CDI) esperada para esse primeiro mês seja de 1%. Comprando a ação abaixo de R$9.90 com dinheiro emprestado, o arbitrador poderia ter um lucro, uma vez que os juros seriam menos de R$0.10. Dessa forma, ao vender a R$10.00 ela pagaria o empréstimo com os juros (que somam menos de R$10.00) e, teria algum lucro.

Claro que há o risco do evento não se concretizar. Guy P. Wyser-Pratte1 cita diversos motivos para isso acontecer. O ofertante poderia eventualmente desistir no caso de uma deterioração expressiva do cenário macroeconômico; algum órgão de proteção (como o CADE aqui no Brasil) poderia vetar a compra; ou mesmo o management da companhia pode utilizar-se de manobras que evitariam a venda da empresa na qual trabalham.

Desta forma, alguém que queira apostar nesse evento poderia estimar esses riscos e chegar a uma probabilidade do evento não se concretizar. Como nesse cenário a pessoa provavelmente perderia dinheiro, a operação só faz sentido caso a ação esteja descontada por uma taxa significativamente maior (crescente com o risco) que o CDI.

Observa-se que após o anúncio da oferta o preço da ação dá um salto para um preço que, teoricamente, embute o desconto considerando o risco estimado em média pelos arbitradores. Após esse salto o papel passa a comportar-se quase sem volatilidade, até a conclusão do deal.

A Figura 1 mostra um exemplo real. Em 22/01/2018 a Sanofi (uma fabricante de medicamentos francesa) anunciou que pretendia comprar a Bioverati Inc (uma empresa de biotecnologia focada em terapias para doenças ligadas ao sangue como hemofilia), pagando o equivalente a US$105.00 por ação, em dinheiro. A ação desta última era negociada em bolsas norte-americanas sob o código BIVV e, no dia 19/01/2018, havia terminado o dia sendo negociada por US$64.11. Após o anuncio, ela deu um salto e encerrou o dia 22/01 negociada a US$103.79. Uma alta de mais de 60% num único dia útil!

Após o anúncio, o deal levou 33 dias úteis para ser concluído. O arbitrador que não exigiu muito prêmio de risco comprou a operação no primeiro dia com o desconto de 1.17% (105/103.79-1). No entanto, aquele que foi mais paciente pôde, entre o dia 22/01 e 21/02, comprar com descontos ligeiramente maiores, chegando ao máximo de 2.04% no dia 29/01. Lembramos aqui ao leitor que, apesar destes prêmios parecerem baixos, a taxa de juros nos EUA (medida pelo Fed Funds) é próxima de 0% (neste período em específico foi de 1.42% ao ano). Isso torna um desconto de aproximadamente 1.5% relevante, principalmente se levarmos em conta que foi num prazo de 33 dias úteis (1.5% em 33 dias, anualizando equivale a mais de 11% ao ano). Finalmente, em 23/02 a operação recebeu a aprovação e o desconto diminui para 0.25%. Em 08/03/18, o deal foi completado e o arbitrador conseguiu lucrar com a operação.

Considerando as tender offers (que são as ofertas similares a essas) com pagamento em dinheiro, cujo anuncio foi feito de 01/abril/2003 a 01/abril/2018, na qual a empresa alvo era de capital aberto com ações negociadas em alguma bolsa nos Estados Unidos, conseguimos catalogar um total de 3795 eventos. Destes, 3205 foram concluídos com sucesso2 (uma taxa de sucesso de 84%), 80 ainda estão pendentes e 510 foram concluídos sem sucesso. Aparentemente, os odds são bastante favoráveis nessa estratégia. Além disso, o universo de eventos parece ser grande o suficiente para permitir uma diversificação (isto é, não parece ser necessário concentrar muitas fichas numa mesma aposta). Ao observarmos os eventos similares, mas com outras modalidades de pagamento (muitas vezes são oferecidas ações e/ou dívidas), a conclusão não muda muito, conforme ilustrado na Figura 2.

Da mesma forma que nos exemplos onde o pagamento era feito apenas em dinheiro, quando há ações envolvidas no pagamento também pode-se realizar uma conta de arbitragem. Nesse caso, deve-se levar em conta quantas ações da empresa compradora você receberá para as ações da empresa comprada, além do dinheiro (se for o caso). No caso de ambas serem negociadas a mercado, você terá uma estimativa do financeiro equivalente àquela oferta e, se a ação comprada estiver negociando significativamente abaixo do valor do ofertado, a condição para a arbitragem está posta.

Vamos agora formular um conjunto de regras para tentar capturar de maneira sistemática os prêmios dessas ofertas. Para simplificar, iremos considerar apenas os eventos com pagamento apenas em dinheiro.

  1. Como não sabemos o horário exato que cada negócio foi anunciado, consideraremos que a entrada nas posições será feita enviando uma ordem de compra (limitada a um preço múltiplo do preço ofertado) no dia seguinte ao anúncio. Esse múltiplo é um parâmetro a ser otimizado, que chamaremos de EntryMult;
  2. O tamanho da ordem de entrada será sempre de US$100,000.00;
  3. Apenas será permitido entrar em ações que no fechamento do dia do anúncio tenham preçossuperiores a US$5.00 por ação. Essa medida visa filtrar penny stocks, pois as mesmas tipicamente têm um custo maior para serem operadas (dado que, mesmo que o bid-ask spread seja de US$ 0.01, percentualmente vai significar mais);
  4. A ordem de compra é válida até o evento ser completado. Isso significa que, dependendo do desconto que exijamos, a ordem eventualmente pode não ser executada no primeiro dia, mas em algum dos dias subsequentes;
  5. Uma vez posicionado, colocaremos uma ordem stop de venda, com trigger em um certo percentual abaixo do preço que entramos na posição. Esse percentual será um parâmetro a ser otimizado, que chamaremos de StopMult;
  6. Caso uma posição seja stopada, não poderemos entrar novamente naquele evento;
  7. Faz sentido eventualmente zerarmos a posição caso ela se aproxime muito do cash-term. Assim, colocaremos uma ordem de venda limitada (profit-target), a um certo percentual do cash-term.Esse percentual será um parâmetro a ser otimizado, que chamaremos de profitMult;
  8. Caso uma posição seja profitada, não poderemos entrar novamente naquele evento;
  9. No caso de um deal se completar e ainda estivermos posicionados, iremos zerar a posição nocash-term no caso de ter sido bem sucedido. No caso de ter sido mal sucedido, iremos zerar a posição no fechamento do dia seguinte a esse anúncio de término.
  10. Consideramos um custo total (corretagem + emolumentos + slippage) de 0.10% no caso de ordens enviadas MOC (Market on Close), 0.05% no caso de ordens limitadas, 0.15% no caso de ordens do tipo Stop e, 0.15% no caso de ordens à mercado. Esse custo é cobrado cada vez que operamos, comprando ou vendendo uma ação.

Conseguimos levantar os eventos desde 1998. Decidimos utilizar o período de abril/2006 a abril/2017 como in-sample. Esse período engloba a crise de 2008 e, deixaria a crise de 2002 como out-of-sample.

O modelo possui até esse momento 3 parâmetros: (EntryMult,StopMult,ProfitMult). Uma configuração que parece razoável (à priori, antes de qualquer otimização) seria algo como (0.96,0.03,0). Isso significa que tentaremos entrar 4% abaixo do cash-term, com um stop-loss de 3% e, um profit-target no próprio preço do cash-term. A equity-curve (curva de resultados acumulados da estratégia) está representada na Figura 3. Pode-se visualmente perceber que apesar da estratégia ter acumulado ganhos no período, ela sofreu significativamente em 2008. Adicionalmente, observam-se as estatísticas3 dessa configuração na Tabela 1. Um yROA de 0.09 significa que se déssemos azar e começássemos a estratégia no pior momento possível, levaríamos 11 anos em média (1/0.09) para recuperar aquela perda. Não nos parece razoável querer incluir no portfólio com essas características.

Alguém pode argumentar que provavelmente o StopMult de 3% deve estar nos forçando a zerar posições com prejuízo, as quais caso carregassemos até a conclusão do deal ganhariam dinheiro. Seria portanto razoável trabalhar com valores mais largos de stop. Outros poderiam argumentar que ao entrarmos com um EntryMult de 0.96, estamos exigindo pouco premio nas operações. Finalmente, será que não faria sentido testar valores do ProfitMult positivos ou negativos (às vezes durante as negociações a oferta é alterada, aumentando o preço da oferta em relação ao que havia sido inicialmente oferecido). Para não deixar dúvidas, testamos todas as combinações do seguinte conjunto de possibilidades:

A Tabela 2 ilustra uma das regiões desse conjunto que obteve melhor resultado. Nesta tabela, foi escrita o yROA. Como já falamos, essa é a estatística que costumamos dar uma maior importância. Tipicamente só aceitamos estratégias que possuam essa estatística acima ou muito próximo de 1. Raramente aceitamos yROA abaixo de 1, exceto em casos onde a estratégia tenha uma regularidade muito grande nos ganhos e for descorrelacionada das demais estratégias do portfolio.

Ainda sobre a Tabela 2, a região foi traçada com o EntryMult de 1.1. Na prática esse 1.1 significa que entraremos em todos os deals anunciados logo na abertura do dia seguinte ao anúncio. Ou seja: aparentemente é melhor entrarmos em mais deals do que tentar aguardar algum momento em que a ação possua um certo prêmio, pois muitas vezes este prêmio simplesmente não acontece em nenhum momento. E, de fato, alguém poderia inclusive relacionar um prêmio maior com uma seleção adversa: as oportunidades em que conseguiríamos mais prêmio seriam aquelas com alta probabilidade de os deals não serem completados. Adicionalmente, parece-nos que o StopMult mais curto foi mais eficiente. E, por fim, ProfitMult ligeiramente negativos parecem melhores que valores postivos ou 0. Valores positivos de ProfitMult significariam zerar as posições antes de ganharmos tudo que temos para ganhar (já que ele está referenciado no cash-term).

Infelizmente, como é possível observar na tabela, nem a melhor configuração que encontramos chegou num yROA satisfatório para nossos critérios. A Figura 4 mostra a Equity Curve desta configuração. Como podemos observar, o pior momento da estratégia nesse período de in-sample foi durante a crise de 2008. Esse yROA de 0.74 significa que, no caso de darmos azar, levariamos em media pouco mais de 1.3 anos para recuperar a perda. Observando a região em torno desse ponto, parece ainda ser um outlier: mudando o ProfitMult de -0.01 para -0.02 e o StopMult de 0.01 para 0.02, o yROA cai para 0.48. Esse comportamento indica que mesmo esse ponto ótimo num out-of-sample, provavelmente terá um yROA mais próximo de 0.5.

A falta de robustez da região em torno desse ponto ótimo (deterioração da estratégia com pequenas mudanças de parâmetros) é um indicativo de que este yROA de 0.74 é apenas um curve fitting, isto é, não esperamos que no futuro a estatística relacionada a este ponto se repita de forma tão boa como no backtest. Para tentar minimizar esse problema chegamos a testar algumas outras variações:

  • Testamos ligar filtros, que impediriam a estratégia de entrar em novas posições caso o SP500 estivesse abaixo da sua média móvel de 200 dias. O racional deste filtro seria tentar evitar montar posições em bear markets;
  • Testamos não permitir entrar em posições quando a oferta fosse hostil (ou apenas quando fosse hostil). Teoricamente ofertas hostis podem acabar levando mais tempo para serem concluídas, o que reduz a atratividade da arbitragem;
  • Testamos limitar a exposição máxima em cada momento. Para isso, caso o número de posições superasse um determinado valor (parâmetro), o financeiro de cada posição seria reduzido proporcionalmente, de forma que a exposição total ficaria com um máximo, Teoricamente isso evitaria estarmos excessivamente posicionados quando alguma crise estourasse;
  • Testamos abrir posições vendidas no futuro de SP500 para fazer um hedge, tendo inclusive testado diferentes proporções. Fazendo isso, poderíamos conseguir reduzir as perdas nos cenários de bear market. Contudo, isso não se mostrou vantajoso, uma vez que no merger arbitrage seus ganhos são de renda fixa, mas as perdas são de renda variável.
  • Também testamos incluir eventos com outros tipos de pagamento, fazendo as adaptações necessários no algoritmo. Talvez, por eles serem mais complexos, poderiam ter melhores resultados.

Nenhuma destas variações produziu melhorias significativas e, desta forma, optamos por ficar com o modelo mais simples. O passo seguinte seria selecionar algumas configurações elegíveis a serem utilizadas e, ver como as mesmas se comportaram no out-of-sample. Para fins de simplificação, olhemos apenas o ponto ótimo (1.1 , 0.01 , -0.01). Sua equity curve e suas estatísticas estão respectivamente na Figura 5 e na Tabela 3.

Observando estes resultados, a conclusão parece ser a de que realmente a estratégia de merger arbitrage é ganhadora no longo prazo. No entanto, parece ter uma exposição grande a risco sistêmico e, nas grandes crises globais, observamos perdas significativas para a estratégia. Claro que, eventualmente, pode existir algum filtro ou seleção de eventos que um gestor com muito conhecimento no assunto poderia fazer para melhorar os resultados. De fato, existem no mundo alguns fundos discricionários dedicados parcial ou integralmente a esta estratégia e cujos resultados são bastante bons. Isto provavelmente se deve à capacidade de gestores destes fundos de conseguirem selecionar melhor as oportunidades do que um conjunto de regras como o descrito acima.

Contudo, como já mostramos, parece-nos que as formas sistemáticas que utilizamos acima para explorar esta estratégia não foram satisfatórias segundo nossos padrões e, portanto, não passaram no nosso crivo a ponto de serem implementadas nos nossos fundos.

Corroborando com os resultados que encontramos, a Figura 6 é um índice do Deutsche Bank4, chamado DB US Systematic Merger Arbitrage USD – Total Return Index. Como podemos ver, esse índice tem um yROA de 0.2. Apesar disto, é um índice ganhador no longo prazo, tendo conseguido retornos desde o início de quase 3% ao ano em dólares (o que é um retorno não desprezível).


MULTIMERCADO

Kadima FIC FIM é um fundo multimercado multiestratégia, sendo o mais antigo gerido pela Kadima. Seu fundo Master tem como característica predominante possuir um portfólio diversificado de modelos matemáticos operando em um variado universo de ativos financeiros. No primeiro trimestre de 2018, o Kadima FIC FIM apresentou retorno de +2.05%, equivalente a 129% do CDIDesde o início (11/05/2007), o Kadima FIC FIM acumula resultado de +270.92%, equivalente a 133% do CDI deste período.

O modelo que mais contribuiu para o resultado foi o seguidor de tendências aplicado nos juros locais. O maior detrator de performance foi o modelo de arbitragem estatística, que opera no mercado de ações brasileiro.

Em janeiro, os mercados locais apresentaram uma volatilidade relativamente alta e, desta forma, naquele momento nosso fundo conseguiu um bom resultado. Isso é em linha com nosso histórico. A partir de fevereiro, os mercados offshore iniciaram uma reversão do cenário dos últimos anos de pouca volatilidade. Contudo, naquele momento, os mercados brasileiros, em especial os juros médios e longos, além da bolsa, pouco oscilaram. Isso levou o resultado do fundo neste segundo momento a ficar aquém do desejado.

Estamos bastante otimistas pois acreditamos que a tendência é que o mundo (tanto Brasil como exterior) venha a observar grandes movimentos nos próximos meses. Esses movimentos caracterizam- se por volatilidade alta nos mercados. Historicamente, nosso fundo tem bons resultados nesse tipo de ambiente, independentemente da direção do movimento. Numa concretização desse cenário, estamos preparados para capturar os ganhos.


Kadima High Vol FIM é um fundo de gestão predominantemente sistemática, podendo também se valer de operações discricionárias, quando pertinente. Seu portfólio é composto majoritariamente por parte de modelos também presentes no fundo Kadima Master FIM, porém com uma maior alavancagem. No primeiro trimestre de 2018, o Kadima High Vol FIM apresentou retorno de +2.72%, equivalente a 171% do CDIDesde o início (23/03/2012), o Kadima High Vol FIM acumula resultado de +178.53%, equivalente a 215% do CDI deste período.

Os comentários referentes a este fundo são análogos (na proporção de sua alocação de risco) aos do Kadima FIC FIM, descritos acima.


PREVIDÊNCIA

Icatu SEG Kadima CP FIM Previdência é um fundo de previdência multimercado que se destina a acolher recursos referentes aos planos PGBL e VGBL oriundos da Icatu Seguros, tendo como objetivo superar o CDI no longo prazo. Para tal, vale-se de uma gestão ativa quantitativa, com um portfólio diversificado de modelos matemático-estatísticos semelhante ao do Kadima Master FIM, porém, com algumas restrições e adaptações a fim de se respeitar o enquadramento exigido pela legislação vigente. Este fundo também pode realizar, de maneira oportunista, alocações e operações discricionárias em adição à gestão sistemática.

No primeiro trimestre de 2018, o Icatu SEG Kadima CP FIM Previdência apresentou retorno de +2.03%, equivalente a 128% do CDIDesde o início (24/07/2013), o Icatu SEG Kadima CP FIM Previdência acumula resultado de +78.80%, equivalente a 119% do CDI deste período.

Iniciamos um processo de masterização desse produto. Essa nova estrutura permitirá que essa estratégia também receba recursos dos chamados fundos de previdência exclusivos.


AÇÕES

Kadima Equities FIC FIA é um fundo de ações cujo fundo Master tem como característica principal ser um conjunto de estratégias quantitativas que atuam precipuamente no mercado de ações, levando-se em consideração o objetivo de gerar uma exposição comprada. No primeiro trimestre de 2018, o Kadima Equities FIC FIA apresentou retorno de 7.66%, enquanto o Ibovespa rendeu 11.12%Desde o início (17/12/2010), o Kadima Equities FIC FIA apresentou retorno acumulado de 33.27%, frente a 25.57% do Ibovespa para o mesmo período.


* O histórico completo de rentabilidades mensais de todos os fundos geridos pela Kadima podem ser consultados em nosso site.

Kadima FIC FIM: Início do Fundo: 11/ 05/ 2007. PL Médio em 12 meses: R$ 20,251,125. Taxa de administração: 2%a.a. (máx. de 2.5%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidor em Geral. Cota de Aplicação: D+0. Cota de Resgate: D+0. Liquidação de Resgates: D+1.
Até o dia 6-dez-2013 a taxa de performance era de 25%.

Kadima II FIC FIM: Início do Fundo: 30/ 04/ 2008. PL Médio em 12 meses: R$ 106,099,425. Taxa de administração: 2%a.a. (máx. de 2.5%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidor em Geral. Cota de Aplicação: D+0. Cota de Resgate sem Taxa de Saída: D+10. Cota de Resgate com Taxa de Saída: D+3. Liquidação de Resgates: D+1 da Cotização.
Até o dia 6-dez-2013 a taxa de performance era de 25%.

Kadima High Vol FIC FIM: Início do Fundo: 23/ 03/ 2012. PL Médio desde o início: R$ 58,628,095. Taxa de administração: 2%a.a. (máx. de 2.5%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidores qualificados. Cota de Aplicação: D+0. Cota de Resgate sem Taxa de Saída: D+10. Cota de Resgate com Taxa de Saída: D+3. Liquidação de Resgates: D+1 da Cotização.
Até o dia 26-mar-2013 a taxa de adm. era de 0.75% e não havia taxa de performance.

Icatu SEG Kadima FIM CP Previdência: Início do Fundo: 24/ 07/ 2013. PL Médio desde o início: R$ 25,891,689. Taxa de administração: 2%a.a. (máx. de 2.5%a.a.). Público Alvo: Aplicações de recursos através de Planos PGBL e VGBL instituídos pela ICATU SEGUROS S/ A.

Kadima Equities FIC FIA: Início do Fundo: 17/ 12/ 2010. PL Médio em 12 meses: R$ 9,797,091. Taxa de administração: 1.35%a.a. (máx. de 1.85%a.a.). Taxa de Performance: 20% do que exceder o IBOVESPA. Público Alvo: Investidor em Geral. Cota de Aplicação: D+0. Cota de Resgate: D+1. Liquidação de Resgates: D+3 da cotização.


NOTAS


1 – Wyser-Pratte, Guy. Risk arbitrage. Vol. 41. John Wiley and Sons, 2009.

2 – Todos os dados de deals utilizados aqui foram levantados pela equipe de pesquisa da Kadima, tomando-se inclusive o cuidado de levantar as modificações eventuais que cada oferta sofreu.

3 – Para essa carta decidimos apresentar as seguintes estatísticas: NetProfit é o quanto a estratégia teria ganho no período do estudo; yProfit é ganho anualizado da estratégia; maximum drawdown é a perda máxima que a estratégia chegou a ter no período da análise, considerando às distâncias de um pico até um vale da equity curve; o yROA é o ganho medido pelo yProfit dividido pelo Maximum Drawdown, sendo essa a estatística que damos uma maior importância; volatilidade é o desvio padrão dos resultados diários, multiplicado por raiz quadrada de 252 para anualizar e; Sharpe é a razão do yProfit e a volatilidade.

4 – A metodologia desse índice pode ser lida em https://www.solactive.com/wp-content/uploads/2015/03/DB-US-Systematic- Merger-Arbitrage-Index.pdf . Tal índice basicamente reproduz o resultado de tentar investir em todos os eventos de M&A nos EUA, sem considerar os custos operacionais.


Esta carta é uma publicação cujo propósito é divulgar informações e dar transparência à gestão executada pela Kadima Asset Management. As informações contidas neste material são de caráter exclusivamente informativo, não devem ser consideradas uma oferta para aquisição de cotas de fundos de investimento e não constitui prospecto previsto na instrução CVM 555 ou no Código de Auto-Regulação da ANBIMA. Este Material Técnico contém resultados baseados em simulações históricas e os resultados reais poderiam ser significativamente diferentes. Fundos de Investimento não contam com garantia do Administrador, do Gestor, de qualquer mecanismo de seguro ou Fundo Garantidor de Crédito – FGC. Rentabilidade passada não representa garantia de rentabilidade futura. A rentabilidade divulgada não é líquida de impostos e de eventual taxa de saída. Para avaliação de um fundo de investimento, é recomendável a análise de, no mínimo, 12 (doze) meses. Leia o prospecto e o regulamento antes de investir. Os termos “Master” e “Feeder” são comumente utilizados no meio financeiro para designar veículos de investimento que fazem parte de uma estrutura na qual vários fundos de cotas possam compartilhar de uma mesma estratégia. Os fundos de cotas são chamados “Feeders”, pois aplicam recursos financeiros no fundo receptor, este chamado fundo “Master”, no qual a estratégia é implementada. Administrador/ Distribuidor: BNY Mellon Serviços Financeiros DTVM S.A., CNPJ: 02.201.501/0001-61, situada à Av. Presidente Wilson, 231, 11o andar, Rio de Janeiro, RJ, CEP 20030-905. Telefone: (21) 3219-2998 Fax (21) 3974-4501 www.bnymellon.com.br/sf – SAC: sac@bnymellon.com.br ou (21) 3974-4600, (11) 3050- 8010, 0800 725 3219 – Ouvidoria: ouvidoria@bnymellon.com.br ou 0800 7253219.