Otimização convexa de portfólios focados em criptoativos

Abstract

Este trabalho investiga a aplicabilidade e eficácia da otimização convexa na construção e gestão de portfólios de criptoativos. O estudo analisa diferentes estratégias de otimização, incluindo minimização de risco e maximização do índice de Sharpe, utilizando diversas medidas de risco como Média-Variância, Desvio Absoluto Médio, Value at Risk Condicional, entre outras. A metodologia emprega a biblioteca Riskfolio-Lib para implementação das estratégias de otimização e o framework Backtrader para backtesting, considerando dados históricos de oito criptoativos principais no período de dezembro de 2017 a outubro de 2024. São exploradas duas abordagens principais: otimização com janela fixa e com janela crescente, testando diferentes períodos de lookback e intervalos de rebalanceamento. Os resultados demonstram a superioridade da abordagem com janela fixa, que em suas melhores configurações conseguiu quase dobrar o índice de Sharpe em relação ao benchmark de Buy and Hold do Bitcoin. As estratégias otimizadas não apenas geraram retornos superiores, chegando a quintuplicar o CAGR do benchmark, como também reduziram significativamente o risco, com drawdowns até 40% menores que a estratégia passiva. O estudo revela que métricas de risco mais sofisticadas, como ADD e EVaR, superam consistentemente medidas tradicionais no contexto de otimização de portfólio de criptoativos. As descobertas indicam que a otimização convexa pode efetivamente melhorar o desempenho de portfólios de criptoativos, oferecendo melhor equilíbrio entre retorno e risco, diminuindo o drawdown e aumentando o lucro quando comparada a estratégias passivas.

This work investigates the applicability and effectiveness of convex optimization in the construction and management of crypto-asset portfolios. The study analyzes different optimization strategies, including risk minimization, and Sharpe ratio maximization, using various risk measures such as Mean-Variance, Mean Absolute Deviation, Conditional Value at Risk, among others. The methodology employs the Riskfolio-Lib library for implementing optimization strategies and the Backtrader framework for backtesting, considering historical data of eight major crypto-assets from December 2017 to October 2024. Two main approaches are explored: optimization with fixed window and growing window, testing different lookback periods and rebalancing intervals. The results demonstrate the superiority of the fixed window approach, which in its best configurations nearly doubled the Sharpe ratio compared to the Bitcoin Buy and Hold benchmark. The optimized strategies not only generated superior returns, reaching up to five times the benchmark's CAGR, but also significantly reduced risk, with drawdowns up to 40% lower than the passive strategy. The study reveals that more sophisticated risk metrics, such as ADD and EVaR, consistently outperform traditional measures in the context of crypto portfolios. The findings indicate that convex optimization can effectively improve the performance of crypto-asset portfolios, offering better balance between return and risk, reducing drawdown and increasing profit when compared to passive strategies.