Investir é administrar incerteza.
Retorno é consequência; risco é a profissão.

Todo o edifício das finanças — de um CDB a um derivativo exótico — repousa sobre três ideias: o dinheiro tem valor no tempo, o retorno compõe, e o que importa é o poder de compra, não o número na tela.

1.1 Juros compostos: a função exponencial do patrimônio

O valor futuro VF de um capital VP aplicado à taxa i por n períodos é:

A intuição decisiva: o crescimento é exponencial no tempo e apenas linear no aporte. R$ 1.000/mês a 0,8% a.m. viram cerca de R$ 196 mil em 10 anos, R$ 631 mil em 20 e R$ 1,60 milhão em 30 — os últimos 10 anos criam mais patrimônio do que os primeiros 20 somados. Em carreira, isso explica por que fundos de pensão, seguradoras e endowments pensam em décadas: o horizonte é um ativo.

Uma régua mental útil é a regra do 72: o tempo para dobrar o capital é aproximadamente 72 dividido pela taxa anual em pontos percentuais. A 10% a.a., ~7,2 anos; a 6% a.a., ~12 anos.

1.2 Valor presente e taxa de desconto

Inverter a fórmula dá o conceito mais usado em qualquer mesa: o valor presente. Todo ativo financeiro é, em essência, um conjunto de fluxos de caixa futuros descontados a uma taxa que remunera tempo e risco:

Grave a relação inversa preço × taxa: quando os juros sobem, o valor presente de fluxos futuros cai. É por isso que alta de juros derruba títulos prefixados longos e comprime múltiplos de ações de crescimento — o mesmo mecanismo, em mercados diferentes.

1.3 Taxa nominal, taxa real e inflação

O retorno que compra coisas é o real. A relação exata (equação de Fisher):

Exemplo brasileiro: CDI de 12% a.a. com IPCA de 4,5% a.a. dá real de (1,12/1,045) − 1 = 7,18% a.a. — não 7,5%. Em países de inflação alta, a diferença entre a aproximação e a conta exata é material, e cometê-la em prova (CPA-20/CEA) ou em relatório custa pontos e credibilidade.

1.4 Regimes de capitalização e convenções de mercado

Profissionalmente, você converterá taxas o tempo todo. Convenções que caem em prova e em trabalho:

• Brasil: taxas expressas ao ano com base em 252 dias úteis (CDI, DI futuro, Tesouro). Conversão: i_dia = (1+i_aa)**(1/252) - 1.
• EUA: títulos do Tesouro usam base actual/actual e cupons semestrais; money market usa actual/360.
• Europa: convenções variam por instrumento (30/360 em muitos bonds corporativos, actual/360 no mercado monetário da zona do euro).

# O trio que define o patrimônio final: taxa, tempo, aporte
def valor_futuro(aporte_mensal, taxa_aa, anos):
    i = (1 + taxa_aa) ** (1/12) - 1          # taxa mensal equivalente
    n = anos * 12
    return aporte_mensal * (((1 + i)**n - 1) / i)

for anos in (10, 20, 30):
    print(anos, f"R$ {valor_futuro(1000, 0.10, anos):,.0f}")
# 10 -> R$ 202.760 | 20 -> R$ 726.087 | 30 -> R$ 2.078.399 (a 10% a.a.)

Antes de escolher um ativo, entenda o cardápio e a cozinha: o que cada classe entrega, que risco cobra em troca, e como o mercado que a negocia funciona por dentro.

2.1 O cardápio de classes

Duas leis organizam a tabela: (i) retorno esperado maior exige carregar um risco que alguém precisa ser pago para carregar (prêmio de risco); (ii) liquidez é uma opção embutida — abrir mão dela deve ser remunerado (prêmio de iliquidez, tipicamente estimado em 1–3% a.a. em private equity vs. bolsa, embora com enorme dispersão entre gestores).

2.2 Como uma ordem vira um negócio

Todo mercado organizado tem três camadas: negociação (matching de ordens no livro — order book — por prioridade preço/tempo), compensação (a contraparte central, CCP, que assume o risco entre as pontas) e liquidação (a troca final título-contra-pagamento). No Brasil as três funções vivem dentro da B3; nos EUA dividem-se entre bolsas (NYSE, Nasdaq, CBOE), a DTCC e a OCC; na Europa, entre bolsas (Euronext, Deutsche Börse, LSEG), CCPs (LCH, Eurex Clearing) e centrais depositárias (Euroclear, Clearstream).

• Spread bid-ask é o preço da imediatez: custo implícito de comprar agora em vez de esperar. Em blue chips é de poucos pontos-base; em small caps e crédito privado pode superar 1–2%.
• Impacto de mercado: ordens grandes movem o preço contra você — cresce aproximadamente com a raiz quadrada do tamanho relativo ao volume (regra "square-root" usada em execução institucional).
• Ciclo de liquidação: ações liquidam em T+2 no Brasil e T+1 nos EUA (desde 2024); Europa migra para T+1 em outubro de 2027 (verifique o status atual, pois o cronograma pós-2026 pode mudar).

2.3 Veículos: ativo direto, fundo, ETF

• Ativo direto: controle total, custo de monitoramento alto, diversificação cara para carteiras pequenas.
• Fundos abertos (no Brasil sob a Resolução CVM 175; na Europa, o padrão UCITS; nos EUA, mutual funds sob o Investment Company Act de 1940): gestão profissional, cota diária, taxa de administração e, às vezes, performance.
• ETFs: fundos listados em bolsa com criação/resgate via authorized participants, o que mantém o preço colado no valor patrimonial. Custos baixos (grandes ETFs de índice nos EUA cobram 0,03–0,10% a.a.) e eficiência tributária (nos EUA). São hoje o principal veículo de alocação global — mais de US$ 10 trilhões nos EUA.

Cada mercado tem sua taxa de referência, seus índices, seu regulador e seus vícios. Quem trabalha com investimentos precisa transitar entre eles como quem troca de idioma.

3.1 Estados Unidos: o núcleo do sistema

Os EUA concentram cerca de 60% da capitalização acionária global (índices MSCI, meados da década de 2020) e emitem o ativo de referência do planeta: o Treasury. A curva de juros americana é o "preço do tempo" mundial — praticamente todo ativo de risco é, direta ou indiretamente, descontado contra ela.

• Bolsas: NYSE e Nasdaq (ações); CBOE (opções, VIX); CME (futuros de índice, juros, câmbio, commodities).
• Índices: S&P 500 (500 grandes empresas, ponderado por valor de mercado free float), Nasdaq-100 (tecnologia), Dow Jones (30 empresas, ponderado por preço — peculiaridade histórica), Russell 2000 (small caps).
• Política monetária: Federal Reserve; meta da fed funds rate definida pelo FOMC em 8 reuniões/ano. O mercado precifica as decisões via futuros de fed funds — acompanhar essa precificação é tarefa diária de qualquer mesa.
• Reguladores: SEC (valores mobiliários), CFTC (derivativos), FINRA (autorregulação de brokers).
• Pregão: 9h30–16h00 ET, com sessões estendidas pre/after market de baixa liquidez.

3.2 Brasil: juro alto, ciclo forte, mercado concentrado

• Bolsa: B3 (fusão BM&F, Bovespa e Cetip) — ações, futuros (DI, dólar, Ibovespa, boi, milho), balcão registrado. Pregão de ações: 10h–17h (horário de Brasília, com ajustes sazonais ao horário de NY).
• Índices: Ibovespa (ponderado por valor de mercado do free float, rebalanceado a cada quadrimestre; concentração relevante em bancos, commodities e energia), IBrX-100, SMLL (small caps), IMA-B (títulos indexados ao IPCA), IRF-M (prefixados).
• Taxas de referência: Selic (meta definida pelo Copom a cada 45 dias) e CDI, o depósito interfinanceiro de 1 dia que segue a Selic de perto e serve de benchmark para quase toda a renda fixa local. A curva futura vive nos contratos de DI1 — o mercado de juros mais líquido da América Latina.
• Títulos públicos: Tesouro Selic (LFT, pós-fixado), Tesouro Prefixado (LTN/NTN-F) e Tesouro IPCA+ (NTN-B, o instrumento clássico de juro real).
• Reguladores: CVM (valores mobiliários), Banco Central (bancos, câmbio, PIX), ANBIMA (autorregulação — e certificações do capítulo 14).
• Tributação (visão geral, sujeita a mudanças — confirme a legislação vigente): renda fixa com tabela regressiva de 22,5% a 15%; ações com 15% sobre ganho líquido (20% em day trade) e isenção histórica para vendas até R$ 20 mil/mês em ações à vista; fundos com come-cotas semestral. Regras tributárias mudam com frequência no Brasil — parte do trabalho é acompanhá-las.

3.3 Europa: muitos mercados, uma moeda (quase)

• Bolsas: Euronext (Paris, Amsterdã, Lisboa, Milão, Bruxelas, Dublin, Oslo), Deutsche Börse/Xetra (Frankfurt), LSE (Londres), SIX (Zurique), BME (Madri), Nasdaq Nordic.
• Índices: STOXX Europe 600 (o "S&P da Europa"), Euro Stoxx 50 (blue chips da zona do euro), DAX 40 (Alemanha — índice de retorno total, reinveste dividendos, cuidado ao comparar), CAC 40 (França), FTSE 100 (Reino Unido, forte peso de exportadoras — reage inversamente à libra), FTSE MIB (Itália), IBEX 35 (Espanha), SMI (Suíça).
• Política monetária: BCE para a zona do euro (taxa de depósito como referência; €STR como taxa livre de risco overnight); Bank of England (SONIA) e SNB fora dela.
• Renda fixa: o Bund alemão é o ativo livre de risco da região; os spreads soberanos (BTP italiano − Bund, OAT francês − Bund) são o termômetro de risco político-fiscal europeu — na crise de 2011–12, o spread italiano passou de 500 bps.
• Regulação: ESMA + reguladores nacionais (AMF, BaFin, CONSOB, FCA no Reino Unido); MiFID II rege transparência e adequação (suitability); UCITS padroniza fundos com passaporte europeu — conceitos cobrados em provas e entrevistas.

3.4 Comparativo operacional

3.5 Acesso internacional e o risco cambial

O investidor brasileiro acessa o exterior via BDRs (recibos de ações estrangeiras na B3), ETFs internacionais listados localmente, fundos com sufixo "Investimento no Exterior", ou conta direta em corretora estrangeira. O americano e o europeu acessam mercados emergentes por ADRs (recibos em NY) e ETFs UCITS.

Toda posição internacional embute duas apostas: o ativo e a moeda. Para o brasileiro, o dólar historicamente sobe nos momentos em que a bolsa local cai (correlação negativa entre USD/BRL e Ibovespa), o que faz de ativos dolarizados um hedge natural da carteira doméstica — um dos argumentos estatísticos mais fortes para diversificação internacional a partir do Brasil. Já para um europeu comprando S&P 500, o EUR/USD adiciona ~8–10% de volatilidade cambial sobre a posição, e a decisão de fazer hedge cambial (via futuros ou classes de cotas hedged) é uma decisão de risco em si (cap. 10).

"Renda fixa" é o nome mais enganoso das finanças: o cupom é fixo, o preço não. Dominar a sensibilidade de preço a juros — duration e convexidade — é requisito para qualquer função séria em mercado.

4.1 Precificação de um título

Um título é a soma dos seus fluxos descontados pela taxa de mercado y (yield to maturity):

Se a taxa de mercado sobe para 12%, o preço cai para R$ 711,78 — uma perda de 2,7% sem nenhum calote. Esse é o risco de mercado da renda fixa, que só desaparece se você carrega o título até o vencimento (e mesmo assim persiste como custo de oportunidade).

4.2 A curva de juros: o eletrocardiograma da economia

A curva (yield por vencimento) resume expectativa de juros futuros + prêmio de prazo. Formatos e leituras:

• Positivamente inclinada (normal): expectativa de crescimento/inflação, prêmio de prazo positivo.
• Invertida: política monetária apertada; historicamente o preditor de recessão mais citado dos EUA — a inversão do trecho 10 anos − 3 meses antecedeu as recessões americanas desde os anos 1960 (com antecedência irregular de 6 a 24 meses e um número não trivial de "quase-falsos" — preditor útil, não infalível).
• No Brasil, a curva do DI é o palco da maior parte do risco tomado por multimercados: apostas de "aplicada" (juro cai) ou "tomada" (juro sobe) em vértices específicos.

4.3 Duration: a derivada que paga salário

A duration de Macaulay é o prazo médio ponderado dos fluxos; a duration modificada é a sensibilidade percentual do preço à taxa:

Exemplo numérico: uma NTN-B com duration modificada 8 sofre queda aproximada de 8 × 1% = 8% se o juro real subir 1 ponto percentual. Uma carteira de R$ 100 milhões com D_mod = 8 tem DV01 (variação por 1 bp) de 100mi × 8 × 0,0001 = R$ 80 mil por ponto-base. Mesas de renda fixa pensam, literalmente, em DV01.

A convexidade é a curvatura: títulos longos ganham mais quando o juro cai do que perdem quando sobe (convexidade positiva — desejável). Títulos com opção de resgate antecipado (callables, MBS americanos) têm convexidade negativa na região do exercício: o pior dos mundos, e um clássico de prova CFA.

4.4 Crédito: o spread e suas armadilhas

Título privado paga a taxa soberana + spread de crédito, que compensa a perda esperada e a incerteza sobre ela:

• Ratings: AAA→BBB− é investment grade; BB+ para baixo é high yield. Taxas de default históricas em 1 ano (S&P/Moody's, médias longas): IG ~0,1%; high yield ~4% na média, com picos acima de 10% em recessões.
• Retorno de crédito é assimétrico: ganho limitado ao carrego, perda potencial de 40–80% no default. Distribuições assimétricas exigem diversificação ampla — uma carteira de crédito com 10 nomes não é diversificada, é uma loteria com prêmio pequeno.
• No Brasil, o boom de debêntures isentas (12.431) comprimiu spreads; em 2023, os eventos Americanas e Light lembraram que o spread também paga o risco de governança.

import numpy as np

def bond(face, cupom_aa, y, anos, freq=2):
    n  = int(anos * freq)
    c  = face * cupom_aa / freq
    t  = np.arange(1, n + 1) / freq              # em anos
    fc = np.full(n, c); fc[-1] += face
    d  = (1 + y) ** (-t)                          # fatores de desconto
    P  = (fc * d).sum()
    dur_mac = (t * fc * d).sum() / P
    dur_mod = dur_mac / (1 + y)
    conv    = (t * (t + 1) * fc * d).sum() / (P * (1 + y) ** 2)
    return P, dur_mod, conv

P, D, C = bond(1000, 0.10, 0.11, 10)
dP = -D * 0.01 + 0.5 * C * 0.01 ** 2       # choque de +100 bps
print(f"P={P:.2f}  Dmod={D:.2f}  Conv={C:.1f}  ΔP≈{dP:.2%}")

Uma ação é uma fração de uma empresa, e o seu valor é o valor presente dos fluxos que ela vai gerar. Todo o resto — múltiplos, gráficos, narrativas — são atalhos ou distrações em torno dessa frase.

5.1 De onde vem o retorno de uma ação

Decomposição clássica (usada de Bogle a relatórios de estratégia):

Historicamente, nos EUA, ~10% a.a. nominais se decompõem em ~4% de yield médio do século XX (bem menor hoje, compensado por recompras), ~4–5% de crescimento nominal de lucros e um resíduo de reprecificação. A implicação prática: o múltiplo pago na entrada é o melhor preditor de longo prazo disponível — o CAPE (P/L ajustado ao ciclo, de Shiller) explica algo como 40% da variância dos retornos reais de 10 anos nos EUA. Poder preditivo real, mas inútil para timing de curto prazo: mercados caros podem ficar caros por anos.

5.2 Múltiplos: rápidos, úteis, perigosos

Regra profissional: múltiplo é abreviação de um DCF com premissas escondidas. P/L 30 embute crescimento alto e/ou risco baixo; se você não sabe dizer quais premissas o múltiplo esconde, você não sabe o que está comprando.

5.3 O modelo de crescimento de Gordon e o DCF

Exemplo: D₁ = R$ 5, r = 12%, g = 4% → P = 5 / 0,08 = R$ 62,50. Se o mercado reprecificar r para 13% (juros subiram ou o risco aumentou), P cai para R$ 55,56: −11% sem nenhuma mudança nos lucros. É a matemática que liga o capítulo 4 (juros) ao mercado de ações — e explica por que ações de "duration longa" (crescimento distante) sofrem mais com juros altos.

O DCF completo projeta fluxos de caixa livres por 5–10 anos, adiciona um valor terminal (Gordon ou múltiplo de saída) e desconta pelo WACC. Três disciplinas separam o DCF profissional do amador: (i) consistência entre crescimento, reinvestimento e retorno sobre capital (g = taxa de reinvestimento × ROIC — crescimento não é grátis); (ii) análise de sensibilidade em vez de preço-alvo pontual; (iii) valor terminal raramente acima de ~75% do valor total sem justificativa forte.

5.4 Qualidade de lucros: onde o risco se esconde no balanço

• Accruals: lucro que não vira caixa. A "anomalia dos accruals" (Sloan, 1996): empresas com lucro alto e caixa baixo tendem a retornos futuros piores. Cheque sempre lucro líquido × fluxo de caixa operacional.
• Alavancagem: dívida líquida/EBITDA acima de ~3× exige atenção; acima de 4–5×, o acionista é quase um vendedor de put para o credor.
• Diluição: emissões e planos de opções corroem o lucro por ação — o que importa para você.
• Red flags contábeis: receita crescendo com recebíveis crescendo mais rápido; mudanças de política contábil; "EBITDA ajustado" com ajustes recorrentes; auditor trocado. Casos-escola: Enron, Wirecard (Europa, 2020 — €1,9 bi de caixa inexistente), Americanas (Brasil, 2023 — R$ 20 bi de "risco sacado" fora do balanço).

Este é o capítulo que separa o profissional do entusiasta. Os retornos financeiros têm regularidades empíricas — os "fatos estilizados" — e ignorá-las é a causa raiz da maioria dos desastres de risco.

6.1 Retorno simples × retorno logarítmico

Corolário fundamental — a assimetria das perdas: uma queda de 50% exige alta de 100% para recuperar. Em log, −0,693 e +0,693 são simétricos, mas sua conta bancária vive no mundo aritmético. Isso é a base matemática do controle de drawdown (cap. 8) e do volatility drag:

6.2 Os quatro momentos

6.3 Fatos estilizados que você precisa saber de cor

1. Autocorrelação de retornos ≈ zero (diária): o passado imediato do preço quase não prevê o futuro — a base fraca da hipótese de mercados eficientes e a razão pela qual regras simples de trading raramente sobrevivem a custos.
2. Autocorrelação de retornos² >> zero: volatilidade agrupa em cachos (volatility clustering, Mandelbrot 1963). Dias turbulentos preveem dias turbulentos. É o fato que os modelos GARCH (cap. 11) exploram — volatilidade é previsível; direção, quase não.
3. Efeito alavancagem: quedas de preço elevam a volatilidade futura mais do que altas equivalentes (correlação negativa retorno × vol — o VIX dispara quando o S&P cai).
4. Correlações sobem em crises: a correlação média entre mercados desenvolvidos, ~0,5–0,7 em tempos calmos, aproxima-se de 0,9 em pânicos (2008, 2020). A diversificação encolhe exatamente quando você mais precisa dela — dimensione o risco pela correlação de crise, não pela média.
5. Agregação gaussiana: retornos mensais/anuais são bem menos "gordos" que os diários (Teorema Central do Limite agindo aos poucos) — modelos normais erram menos em horizontes longos.

6.4 Testes e estimação na prática

• Jarque-Bera testa normalidade combinando skew e curtose — em séries diárias de índices, rejeita a normal com folga astronômica.
• Erro-padrão da média: σ/√n. Com vol de 19% a.a., estimar o prêmio de risco com precisão de ±2 p.p. (IC 95%) exige ~350 anos de dados. Ninguém sabe o retorno esperado com precisão — humildade estatística é requisito técnico, e é por isso que otimizadores ingênuos (cap. 7) falham.
• Anualização: μ_anual ≈ 252·μ_diário; σ_anual ≈ √252·σ_diário ≈ 15,87·σ_diário. A raiz do tempo assume independência — subestima risco quando há clusters de volatilidade.

import numpy as np, pandas as pd
from scipy import stats

# precos: pd.Series de preços de fechamento ajustados
ret = np.log(precos / precos.shift(1)).dropna()

resumo = {
    "média a.a."     : ret.mean() * 252,
    "vol a.a."       : ret.std(ddof=1) * np.sqrt(252),
    "skew"           : stats.skew(ret),
    "curtose excesso": stats.kurtosis(ret),          # normal = 0
    "pior dia"       : ret.min(),
    "JB p-valor"     : stats.jarque_bera(ret).pvalue,
    "AC(1) ret"      : ret.autocorr(1),
    "AC(1) ret²"     : (ret**2).autocorr(1),        # clustering
}
print(pd.Series(resumo).round(4))

A ideia que rendeu um Nobel a Markowitz (1952) cabe numa frase: o risco de um ativo não é o que ele faz sozinho, é o que ele faz à carteira. Diversificação é o único almoço grátis das finanças — e mesmo ele tem limites.

7.1 Retorno e risco de uma carteira

Exemplo com dois ativos (50/50), ambos com σ = 20%:

• ρ = 1,0 → σ_p = 20% (nenhum benefício)
• ρ = 0,5 → σ_p = 17,3%
• ρ = 0,0 → σ_p = 14,1% (risco cai 30% sem sacrificar retorno esperado)
• ρ = −0,5 → σ_p = 10,0%

Para uma carteira igualmente ponderada de n ativos com correlação média ρ̄, a variância tende a ρ̄·σ² quando n cresce: o risco sistemático (comum) não diversifica. Com ~20–30 ações de setores distintos, o risco idiossincrático já está quase todo eliminado; o que sobra é o mercado. Adicionar a ação nº 200 quase não reduz risco — adicionar uma classe descorrelacionada (juro real, moeda forte, ouro) sim.

7.2 CAPM e beta

Beta 1,3 significa: quando o mercado move 1%, o ativo tende a mover 1,3%. O alfa é o retorno acima do que o beta justifica — a métrica pela qual gestores são (ou deveriam ser) julgados. Empiricamente o CAPM é imperfeito (a relação beta-retorno é mais "achatada" que a teoria prevê — a anomalia low beta), mas segue sendo a linguagem universal de custo de capital e atribuição de performance, e presença garantida em provas CFA/CNPI.

7.3 Modelos de fatores: o vocabulário do buy-side moderno

Fama e French (1992) mostraram que tamanho e valor explicam retornos além do beta; a indústria consolidou um conjunto de prêmios de fator:

Leitura crítica obrigatória: parte dos prêmios publicados encolhe após a publicação (McLean & Pontiff, 2016, estimam decaimento médio de ~30–50% out-of-sample) — mistura de arbitragem e data mining. Fatores são ferramentas de construção de carteira e de atribuição de risco ("quanto do meu retorno é beta barato disfarçado de alfa caro?"), não máquinas de dinheiro.

7.4 Métricas de performance ajustada ao risco

Risco não é um número; é uma família de perguntas. "Quanto oscilo?" (volatilidade), "quanto perco num dia ruim típico?" (VaR), "e quando o VaR estoura?" (ES), "quanto do pico já devolvi?" (drawdown), "e se 2008 se repetir?" (stress). O profissional responde todas.

8.1 Value at Risk (VaR)

O VaR de confiança α e horizonte h é a perda que só é excedida com probabilidade 1−α:

Três métodos, três filosofias:

1. Paramétrico (variância-covariância): assume normalidade. VaR_95% = 1,645·σ·V; VaR_99% = 2,326·σ·V. Exemplo: carteira de R$ 10 mi com σ diário 1,2% → VaR 99% 1d ≈ R$ 279 mil. Rápido, elegante, e subestima a cauda (cap. 6).
2. Histórico: usa os últimos 250–500 dias reais. Sem hipótese de distribuição, mas refém da janela — se ela não contém crise, o VaR "não sabe" que crises existem.
3. Monte Carlo: simula milhares de cenários de um modelo escolhido (pode incluir caudas gordas, GARCH, correlações estressadas). Flexível, caro, e tão bom quanto o modelo.

Escala temporal: VaR(h dias) ≈ VaR(1 dia)·√h — com as mesmas ressalvas da raiz do tempo. Backtesting regulatório: conta-se quantas vezes a perda real excedeu o VaR (exceções). Um VaR 99% saudável sofre ~2–3 exceções por ano; o quadro de Basileia classifica os modelos em zonas verde/amarela/vermelha conforme as exceções em 250 dias.

8.2 Expected Shortfall: o que o VaR não conta

O VaR é um portão; o ES mede o abismo depois do portão. Duas carteiras podem ter o mesmo VaR 99% e caudas completamente diferentes — vendida em opções fora do dinheiro, uma carteira pode exibir VaR baixinho e ES catastrófico. Por isso o ES virou o padrão regulatório de mercado, e por isso estratégias de "renda extra" vendendo puts devem ser julgadas pelo ES, nunca pelo Sharpe (que fica ótimo... até deixar de ficar).

8.3 Drawdown: o risco como o investidor o sente

Regra de bolso amarga: com retornos i.i.d., o máximo drawdown esperado cresce com o tempo de observação — quem fica mais tempo no jogo verá quedas maiores. Planejar a carteira para o drawdown que o cliente (ou você) suporta é mais importante que otimizar o Sharpe: a melhor carteira é a que você consegue manter no fundo do poço.

8.4 Stress testing e cenários

• Cenários históricos: reprecificar a carteira em 2008 (Lehman), 2020 (Covid), 2013 (taper tantrum), 2002 (eleição brasileira: dólar +50%, curva DI estourando), 2022 (choque de juros global: ações E bonds caindo juntos — o pior ano da carteira 60/40 americana em quase um século).
• Cenários hipotéticos: choques definidos ("juros +300 bps, bolsa −30%, BRL −25%") — obrigatórios porque o futuro não é obrigado a repetir o passado.
• Stress reverso: a pergunta mais poderosa do arsenal — "que cenário me quebra?" — e então: qual a plausibilidade dele e o que faço a respeito.
• Risco de liquidez: em crise, o custo de sair multiplica. Meça dias-para-liquidar por posição (posição / % do volume diário que você aceita ser).

import numpy as np, pandas as pd
from scipy.stats import norm

def risco(ret: pd.Series, alpha=0.99, valor=1_000_000):
    # --- VaR e ES históricos ---
    var_h = -np.quantile(ret, 1 - alpha)
    es_h  = -ret[ret <= -var_h].mean()
    # --- VaR paramétrico (normal) ---
    var_p = -(ret.mean() + norm.ppf(1 - alpha) * ret.std())
    # --- drawdown ---
    riqueza = (1 + ret).cumprod()
    dd      = riqueza / riqueza.cummax() - 1
    return pd.Series({
        f"VaR {alpha:.0%} hist" : var_h * valor,
        f"ES  {alpha:.0%} hist" : es_h  * valor,
        f"VaR {alpha:.0%} param": var_p * valor,
        "máx drawdown"          : dd.min(),
        "dias abaixo do pico"   : (dd < 0).mean(),
    })
# tipicamente: ES hist > VaR param — a cauda real é mais gorda que a normal

Estratégia decide o que comprar; sizing decide quanto — e é o sizing que determina se você sobrevive aos próprios erros. A maioria das quebras não vem de teses erradas, vem de posições grandes demais para teses possivelmente erradas.

9.1 O critério de Kelly

Para uma aposta que paga b:1 com probabilidade de ganho p (e perda q = 1−p), a fração da banca que maximiza o crescimento geométrico é:

Kelly maximiza crescimento de longo prazo, mas com uma trajetória violenta: o Kelly cheio tem ~1/3 de chance de ver a banca cair pela metade em algum momento. Como μ e σ são estimados (com erro enorme — cap. 6), superestimar μ leva a apostar acima de Kelly, região onde mais risco = menos crescimento e a ruína vira questão de tempo. Prática institucional: Kelly fracionário (¼ a ½ de f*), que sacrifica pouco crescimento e corta drasticamente a variância e o drawdown.

9.2 Métodos práticos de sizing

• Risco fixo por operação: arrisque 0,5–1% do capital por ideia. Tamanho = (capital × risco%) / distância ao stop. Exemplo: capital R$ 500 mil, risco 1% (R$ 5 mil), stop 8% abaixo → posição de R$ 62,5 mil.
• Orçamento de volatilidade: defina a vol alvo da carteira (ex.: 10% a.a.) e dimensione cada posição pelo inverso da sua vol (base do risk parity, cap. 12). Posições ficam menores quando o mercado fica turbulento — anticíclico por construção.
• Limites de concentração: máximo por emissor, setor, fator e país. A Resolução CVM 175 e as regras UCITS impõem limites do tipo 5/10/40 justamente porque concentração é o erro mais recorrente.
• Correlação importa: dez posições com ρ̄ = 0,8 são, em risco, ~2 posições. Meça a exposição por fator (dólar, juro, beta), não por número de linhas na carteira.

9.3 Stops, saídas e o problema de sempre

Stop-loss não melhora retorno esperado por mágica (em mercados sem tendência, só realiza perdas); ele trunca a cauda esquerda e controla o drawdown — é uma ferramenta de risco, não de alfa. Evidência: regras de saída por tendência (ex.: sair abaixo da média de 200 dias / momentum de 10 meses) historicamente reduziram o máximo drawdown de carteiras de ações em 30–50% com retorno semelhante (Faber, 2007), ao custo de vários sinais falsos e de underperformance em mercados laterais e em recuperações em "V" — 2020 puniu duramente quem saiu e não voltou. Trade-off honesto: menos cauda, mais atrito. Escolha-o conscientemente e por escrito, antes da crise.

9.4 Vieses comportamentais, medidos

• Efeito disposição: investidores realizam ganhos cedo e seguram perdas (Odean, 1998: a probabilidade de vender uma vencedora era ~50% maior que a de vender uma perdedora — e as vencedoras vendidas seguiam subindo).
• Excesso de negociação: Barber & Odean (2000): os 20% que mais giravam a carteira tiveram retorno líquido ~6 p.p. a.a. pior que o mercado. Na B3, estudo com day traders de futuros (Chague & Giovannetti, FGV) encontrou que ~97% dos que persistiram por mais de 300 pregões perderam dinheiro, e menos de 1% obteve mais que um salário de banco.
• Timing do fluxo: estudos "Mind the Gap" (Morningstar) estimam que o investidor médio de fundos captura ~1–2 p.p. a.a. menos que os próprios fundos em que investe, por entrar após altas e sair após quedas.
• Antídoto profissional: política de investimento por escrito (IPS), regras de rebalanceamento, checklist pré-operação, diário de decisões com tese, gatilho de invalidação e tamanho definidos antes. Disciplina não é traço de personalidade; é processo.

Derivativos são seguros e alavancas ao mesmo tempo — transferem risco de quem não quer para quem cobra para carregar. Usados para hedge, reduzem a cauda; usados para especular sem sizing, são a via expressa da ruína.

10.1 Futuros e o hedge linear

Um futuro fixa hoje o preço de uma compra/venda futura; o preço justo é o à vista capitalizado pelo custo de carrego: F = S·(1+r−y)^T (juros menos rendimentos do ativo). Marcação a mercado diária com ajuste em margem — o risco de crédito vira risco de liquidez de margem (tenha caixa para as chamadas; muitos hedges "certos" morreram antes do vencimento por falta de caixa).

Razão de hedge de variância mínima: h* = ρ·(σ_S/σ_F) — na prática, o beta da exposição contra o futuro. Exemplo brasileiro clássico: importador com US$ 10 mi a pagar em 90 dias compra futuros de dólar na B3 (ou faz NDF com o banco) e trava o custo em reais; o risco cambial vira custo de carrego conhecido (o diferencial de juros BRL−USD, o forward premium).

10.2 Opções: o vocabulário da assimetria

• Call = direito de comprar; put = direito de vender; prêmio = preço do direito. Comprador tem perda limitada ao prêmio; vendedor tem ganho limitado e perda potencialmente enorme.
• Paridade put-call (europeias, sem dividendos): C − P = S − K·e^(−rT) — a lei de conservação das opções; violações são arbitragem.
• Valor = intrínseco + tempo. O valor do tempo decai (theta) e cresce com a volatilidade (vega).

10.3 Black–Scholes–Merton e as gregas

Depois de 1987, o mercado nunca mais precificou opções com vol única: puts fora do dinheiro em índices carregam vol implícita maior (skew) — o preço do seguro contra crash embutindo as caudas gordas do capítulo 6. A vol implícita agregada do S&P 500 é o VIX: média ~19–20, fechamento recorde ~82 (mar/2020). Como vol implícita costuma exceder a realizada (prêmio de risco de variância), vender vol lucra na média — e concentra as perdas exatamente nos piores dias de tudo o mais que você tem (ver o colapso dos produtos "short vol" em fev/2018).

10.4 Estratégias de proteção comparadas

Verdade estatística incômoda: proteção sistemática com puts, mantida ininterruptamente, tende a custar mais do que rende no longo prazo (o prêmio de vol trabalha contra o comprador) — estudos de longo prazo de estratégias de tail hedging passivo mostram arrasto de 1–4 p.p. a.a. Proteção comprada vale por conforto comportamental (permite manter a posição grande) ou por visão tática, não como estado permanente. A proteção estrutural barata continua sendo tamanho certo + diversificação + caixa.

import numpy as np
from scipy.stats import norm

def bsm(S, K, T, r, sigma, tipo="call"):
    d1 = (np.log(S/K) + (r + sigma**2/2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    if tipo == "call":
        preco = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
        delta = norm.cdf(d1)
    else:
        preco = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
        delta = norm.cdf(d1) - 1
    gama = norm.pdf(d1) / (S*sigma*np.sqrt(T))
    vega = S*norm.pdf(d1)*np.sqrt(T) / 100          # por 1 p.p. de vol
    return {"preço": preco, "delta": delta, "gama": gama, "vega": vega}

print(bsm(S=100, K=95, T=0.5, r=0.10, sigma=0.25, tipo="put"))

Aqui a estatística vira ferramenta de produção: prever volatilidade (o que é possível), simular futuros (com honestidade sobre o modelo) e testar estratégias sem se enganar (a parte mais difícil).

11.1 EWMA e GARCH: volatilidade que respira

Como a volatilidade agrupa em cachos (cap. 6), estimá-la com janela fixa é dirigir olhando 2 anos para trás. Dois modelos dominam a prática:

Leituras práticas: (i) o GARCH diz que choques elevam a vol e ela decai lentamente — após um dia de −5%, o risco dos próximos dias é objetivamente maior, o que justifica reduzir posição após choques (vol targeting); (ii) estratégias com alvo de volatilidade (manter a carteira em σ constante, escalando exposição por σ_alvo/σ̂_t) historicamente melhoraram Sharpe e cortaram drawdowns em ações — porque os piores retornos ocorrem em regimes de vol alta, exatamente quando o método manda estar pequeno; (iii) variantes assimétricas (EGARCH, GJR) capturam o efeito alavancagem.

from arch import arch_model
# ret em % (a lib converge melhor): ret_pct = ret * 100
modelo = arch_model(ret_pct, vol="GARCH", p=1, q=1, dist="t")  # t-Student p/ caudas
res = modelo.fit(disp="off")
print(res.summary())
prev = res.forecast(horizon=10)                    # vol prevista 10 dias
vol_aa = (prev.variance.iloc[-1] ** 0.5) * (252 ** 0.5) / 100
# use vol_aa para VaR condicional e para dimensionar posição (vol targeting)

11.2 Simulação de Monte Carlo

Monte Carlo responde perguntas sem fórmula fechada: "qual a probabilidade de a aposentadoria durar 30 anos com saques de 4%?", "qual a distribuição do drawdown de uma carteira 60/40 em 10 anos?". O modelo mínimo é o movimento geométrico browniano; o honesto adiciona caudas gordas (t-Student), correlações e regimes:

import numpy as np
rng = np.random.default_rng(42)

mu    = np.array([0.07, 0.04]) / 252          # ações, renda fixa (reais)
vol   = np.array([0.18, 0.06]) / np.sqrt(252)
rho   = -0.2
cov   = np.array([[1, rho], [rho, 1]]) * np.outer(vol, vol)
L     = np.linalg.cholesky(cov)
w     = np.array([0.6, 0.4])
gl    = 5                                     # graus de liberdade da t (cauda gorda)

n_sim, n_dias = 10_000, 252 * 10
z  = rng.standard_t(gl, (n_sim, n_dias, 2)) * np.sqrt((gl - 2) / gl)
r  = mu + z @ L.T                              # retornos correlacionados
rp = (r * w).sum(axis=2)
riqueza = (1 + rp).cumprod(axis=1)

dd_max = (riqueza / np.maximum.accumulate(riqueza, axis=1) - 1).min(axis=1)
print(f"mediana em 10a: {np.median(riqueza[:, -1]):.2f}x")
print(f"P(perder dinheiro em 10a): {(riqueza[:, -1] < 1).mean():.1%}")
print(f"drawdown mediano: {np.median(dd_max):.1%} | pior 5%: {np.quantile(dd_max, 0.05):.1%}")

Disciplina de uso: Monte Carlo não descobre riscos que não estão no modelo. Ele transforma premissas em distribuições — se as premissas ignoram caudas e correlações de crise, a simulação apenas produz otimismo com casas decimais. Reporte sempre a sensibilidade às premissas.

11.3 Backtesting: a arte de não se enganar

Um backtest é um experimento sem grupo de controle, rodado por alguém com interesse no resultado. Os vieses canônicos:

• Sobrevivência: testar só nos ativos que existem hoje superestima retornos (as falidas sumiram da amostra). Use bases com empresas deslistadas.
• Look-ahead: usar informação que não estava disponível na data (balanços são publicados com atraso de semanas; índices são revisados). Alinhe timestamps com rigor de auditor.
• Data snooping / p-hacking: testar 100 estratégias e publicar a melhor garante um falso positivo. Harvey, Liu & Zhu (2016) estimam que boa parte dos "fatores" publicados não sobrevive a correções para testes múltiplos; a barra de t-stat sugerida sobe de 2 para ~3.
• Overfitting: quanto mais parâmetros, melhor o passado e pior o futuro. Antídotos: separação treino/validação/teste por tempo (nunca embaralhe séries temporais), walk-forward, e o teste final intocado — usado uma única vez.
• Custos e capacidade: inclua corretagem, spread, impacto e aluguel de ações (para shorts). Estratégias de alta rotatividade morrem no atrito: 2 p.p. a.a. de custo destroem a maioria dos alfas publicados.

Se o otimizador de Markowitz é frágil demais para produção (cap. 7), o que os profissionais usam? Três famílias de respostas: alocar por risco, disciplinar as estimativas, e rebalancear com regra.

12.1 Risk parity: alocar risco, não capital

Numa carteira 60/40 tradicional, as ações respondem por ~90% da variância total (vol 3× maior que a dos títulos): o capital é diversificado, o risco não. Risk parity iguala a contribuição de risco de cada classe:

É a filosofia de fundos como o All Weather (Bridgewater). Mérito estatístico: não usa retornos esperados (a estimativa mais frágil). Fragilidades: (i) depende de alavancagem — e do seu custo e disponibilidade em crise; (ii) carrega muito juro longo, e sofre quando ações e bonds caem juntos, como em 2022 (inflação alta inverteu a correlação ações-juros que sustentou a estratégia por 30 anos). Lição maior: toda alocação embute uma aposta macro implícita; conheça a sua.

12.2 Black-Litterman: opiniões com disciplina bayesiana

O modelo (Goldman Sachs, 1992) resolve o problema do otimizador com uma inversão elegante: em vez de estimar retornos do zero, parte dos retornos de equilíbrio implícitos na carteira de mercado (π = λΣw_mkt — os retornos que fariam o mercado global ser ótimo) e os combina, via teorema de Bayes, com as visões do gestor, cada uma com seu grau de convicção:

O resultado prático: carteiras estáveis, diversificadas e que se movem na direção das visões proporcionalmente à convicção — em vez dos cantos extremos do Markowitz cru. É o padrão em wealth management institucional e multi-asset. A mensagem transferível mesmo sem a álgebra: o ponto de partida de toda alocação deveria ser a carteira de mercado; desvios são apostas e devem ser dimensionados pela confiança que merecem.

12.3 Estimando a matriz de covariância como gente grande

• Shrinkage (Ledoit–Wolf): mistura a covariância amostral com um alvo estruturado, encolhendo o erro de estimação — essencial quando o nº de ativos se aproxima do nº de observações.
• Modelos de fatores: reduzir N×N correlações a exposições a poucos fatores (mercado, juros, dólar, commodities) — é como Barra/Axioma e as áreas de risco reais trabalham.
• Correlações condicionais (DCC-GARCH): correlações variam no tempo e sobem em crise; modelá-las evita o falso conforto da média histórica.

12.4 Rebalanceamento: o alfa da disciplina

Rebalancear é vender o que subiu e comprar o que caiu para restaurar os pesos-alvo — um mecanismo automático de "comprar barato, vender caro" que também controla o risco (sem ele, a carteira deriva para a classe que mais subiu, concentrando justamente no topo). Evidência: entre ativos voláteis e pouco correlacionados, o retorno geométrico da carteira rebalanceada excede a média dos ativos (o "bônus de diversificação", tipicamente estimado em 0,2–0,5 p.p. a.a. para carteiras multiativos — modesto, mas de graça). Regras práticas equivalentes em resultado: calendário (semestral/anual) ou bandas (rebalancear quando o peso desvia ±20% do alvo relativo); bandas tendem a gerar menos giro e menos impostos. O que não funciona: rebalancear "quando der na telha" — vira market timing disfarçado.

Este capítulo reúne, num só lugar, as regularidades empíricas com maior poder de mudar comportamento — as que você deveria conseguir citar de cabeça numa entrevista ou num comitê.

13.1 O placar da gestão ativa

Leitura equilibrada: os relatórios SPIVA medem médias após custos, e há evidência de habilidade genuína antes de custos (Berk & Green: o gestor captura o próprio alfa via taxas e crescimento do fundo). No Brasil, o quadro é mais matizado — parte dos multimercados históricos bateu o CDI por longos períodos, embora com forte viés de sobrevivência nas amostras divulgadas. Implicação profissional: o ônus da prova está sempre com a gestão ativa; a alocação núcleo-satélite (núcleo indexado barato + satélites ativos onde há evidência de vantagem) é a resposta padrão da indústria a esses números.

13.2 O custo estatístico do market timing

Estudos recorrentes (J.P. Morgan Guide to Retirement, entre outros) mostram que perder os 10 melhores dias de uma janela de 20 anos do S&P 500 corta o retorno anualizado aproximadamente pela metade; perder os 30 melhores leva o retorno a perto de zero. O detalhe estatístico que mata a esperança do timing: os melhores dias se concentram nos períodos de maior volatilidade — colados aos piores dias (6 dos 10 melhores dias ocorreram a até duas semanas dos 10 piores). Quem sai depois da queda tende, mecanicamente, a perder o repique. Isso não prova que reduzir risco seja errado (vol targeting tem mérito, cap. 11); prova que sair e entrar por emoção tem custo mensurável e alto.

13.3 Diversificação internacional em números

• Mercados acionários desenvolvidos: correlação média histórica ~0,5–0,7 entre si (maior hoje do que nos anos 1990 — globalização integrou os ciclos), subindo a ~0,9 em crises.
• Para o investidor brasileiro, a correlação negativa entre USD/BRL e Ibovespa faz de ativos em dólar um dos raros hedges que pagam prêmio positivo esperado no longo prazo.
• Concentração doméstica é risco de cauda nacional: Japão pós-1989 (Nikkei levou ~34 anos para rever o pico nominal), Grécia (−90%+), Rússia 2022 (mercado fechado — perda de liquidez total para estrangeiros). O home bias médio dos investidores de quase todos os países é muito maior do que qualquer modelo justifica.
• Um único mercado dominou o século — os EUA (~60% do índice global). Cuidado com a conclusão circular: os dados que "provam" que basta comprar EUA foram gerados pelo vencedor. Em 1989, o mesmo raciocínio mandava comprar Japão (então ~40% do índice mundial).

13.4 Tabela-síntese: grandezas para carregar de cor

O conteúdo desta apostila mapeia diretamente para o que as certificações cobram e para o que as mesas fazem. Este capítulo organiza a trilha: qual prova para qual cargo, e como o conhecimento se converte em empregabilidade.

14.1 O mapa das certificações

Sequência típica no Brasil para carreira ampla: CPA-20 → CEA (se atendimento) ou CNPI (se análise) → CGA (se gestão) → CFA/FRM para projeção internacional. O CFA exige também 4.000 horas de experiência relevante para a carta; planeje 250–300h de estudo por nível.

14.2 Funções e o que cada uma exige desta apostila

14.3 Ética e conduta: o capítulo que reprova gente boa

Em todas as provas (e em todas as demissões por justa causa), os temas são os mesmos: suitability (adequação do produto ao perfil — MiFID II na Europa, CVM 30 no Brasil, Reg BI nos EUA), informação privilegiada, churning (girar carteira para gerar corretagem), prevenção à lavagem de dinheiro, segregação entre gestão e distribuição (chinese wall) e dever fiduciário. O padrão CFA resume: interesses do cliente > interesses do empregador > interesses próprios — nessa ordem, sempre, inclusive quando ninguém está olhando.

Fechamos com um pipeline de análise de carteira de ponta a ponta — o tipo de script que serve de portfólio pessoal em processo seletivo. Instale: pip install yfinance pandas numpy scipy matplotlib arch.

import numpy as np, pandas as pd, yfinance as yf
from scipy.stats import norm, jarque_bera

# ---------- 1. DADOS: ETFs representando os blocos da apostila ----------
tickers = {
    "SPY"  : "S&P 500 (EUA)",
    "EWZ"  : "Brasil (MSCI Brazil, em USD)",
    "VGK"  : "Europa (FTSE Europe)",
    "IEF"  : "Treasuries 7-10a",
    "GLD"  : "Ouro",
}
px  = yf.download(list(tickers), start="2010-01-01", auto_adjust=True)["Close"]
ret = np.log(px / px.shift(1)).dropna()

# ---------- 2. ESTATÍSTICA DESCRITIVA (cap. 6) ----------
desc = pd.DataFrame({
    "ret a.a." : ret.mean() * 252,
    "vol a.a." : ret.std() * np.sqrt(252),
    "sharpe"   : (ret.mean() * 252 - 0.02) / (ret.std() * np.sqrt(252)),
    "curtose"  : ret.kurtosis(),
    "pior dia" : ret.min(),
    "JB p"     : [jarque_bera(ret[c]).pvalue for c in ret],
}).round(3)
print(desc, "\n")
print("Correlações:\n", ret.corr().round(2), "\n")

# ---------- 3. CARTEIRA E RISCO (caps. 7-8) ----------
w   = pd.Series({"SPY": 0.35, "VGK": 0.15, "EWZ": 0.10,
                 "IEF": 0.30, "GLD": 0.10})[ret.columns]
rp  = ret @ w
var99  = -np.quantile(rp, 0.01)
es99   = -rp[rp <= -var99].mean()
riq    = (1 + rp).cumprod()
ddmax  = (riq / riq.cummax() - 1).min()

# contribuição de risco por ativo (cap. 12)
cov  = ret.cov() * 252
volp = np.sqrt(w @ cov @ w)
cr   = (w * (cov @ w)) / volp          # soma = vol da carteira
print(f"Vol carteira: {volp:.1%} | VaR99 1d: {var99:.2%} | ES99: {es99:.2%} | MaxDD: {ddmax:.1%}")
print("Contribuição de risco (%):\n", (cr / volp).round(3) * 100, "\n")

# ---------- 4. FRONTEIRA EFICIENTE por Monte Carlo (cap. 7) ----------
rng, n = np.random.default_rng(7), 20_000
W   = rng.dirichlet(np.ones(len(w)), n)          # pesos aleatórios, soma 1
mus = ret.mean().values * 252
R   = W @ mus
V   = np.sqrt(np.einsum("ij,jk,ik->i", W, cov.values, W))
S   = (R - 0.02) / V
best = W[S.argmax()].round(3)
print("Carteira máx. Sharpe (histórico — leia o alerta do cap. 7!):")
print(pd.Series(best, index=ret.columns))

# ---------- 5. BACKTEST de rebalanceamento anual vs. buy-and-hold (cap. 12) ----------
anos = ret.index.year
bh   = (1 + ret).cumprod() @ w                     # sem rebalancear
reb  = []
v    = 1.0
for ano, bloco in ret.groupby(anos):
    v = v * float((1 + (bloco @ w)).prod())      # volta ao peso-alvo todo ano
    reb.append((ano, v))
print(f"\nBuy&hold: {float(bh.iloc[-1]):.2f}x | Rebalanceada: {reb[-1][1]:.2f}x")

Extensões sugeridas para o seu portfólio no GitHub: adicionar GARCH para VaR condicional (cap. 11), stress histórico de 2008/2020/2022 (cap. 8), versão em BRL com BRL=X para medir o efeito hedge do dólar (cap. 3.5), e um relatório PDF automatizado. Um repositório assim, com README explicando as decisões de risco, vale mais em entrevista do que qualquer frase no currículo.

Bibliografia essencial (em ordem de leitura)

1. Bernstein, P. — Desafio aos Deuses (história do risco; leitura de formação).
2. Bodie, Kane & Marcus — Investments (o manual da base CFA).
3. Fabozzi, F. — Bond Markets, Analysis and Strategies (renda fixa).
4. Hull, J. — Options, Futures and Other Derivatives (derivativos, o clássico).
5. Jorion, P. — Value at Risk (o livro que definiu o campo).
6. Taleb, N. — A Lógica do Cisne Negro e Dynamic Hedging (caudas, na teoria e na mesa).
7. Ilmanen, A. — Expected Returns (a enciclopédia dos prêmios de risco).
8. López de Prado, M. — Advances in Financial Machine Learning (backtesting sério).
9. Dimson, Marsh & Staunton — Triumph of the Optimists + Global Investment Returns Yearbook (os dados de 100+ anos citados aqui).