Cartas de gestão

É natural do ser humano tentar encontrar narrativas que expliquem fenômenos observados. No entanto, o que distingue o conhecimento científico da especulação é justamente o rigor empregado para validar ou rejeitar hipóteses. No mercado financeiro, mesmo os especialistas muitas vezes criam hipóteses sobre por que os ativos se comportaram de determinada maneira, frequentemente para justificar os próprios resultados sem, no entanto, possuírem qualquer evidência de que estas hipóteses sejam verdadeiras. Definem-se, então, “bodes expiatórios” que, de acordo com a narrativa, seriam os culpados pelo que está acontecendo. Nos últimos anos, um dos principais alvos foram os fundos quantitativos. A nosso ver, tais alegações são amplamente infundadas e, nesta seção, tentaremos apresentar os principais argumentos para justificar esta visão.

Primeiramente, entendemos que é importante definir o que consideramos como abordagem quant (e, consequentemente, que os fundos quantitativos são aqueles que utilizam esta abordagem). Em nossa experiência, observamos que grande parte das alegações surge justamente de confusões, pois poucos entendem o que exatamente ela significa. Assim, antes de entrarmos propriamente nas alegações que ouvimos, é fundamental construir este conceito. São três os aspectos que caracterizam a gestão quantitativa:

1. Sistematização da tomada de decisões: há regras e algoritmos que definem o que comprar, o que vender em cada momento e o tamanho das posições. A sistematização faz com que as decisões não dependam de uma pessoa interpretando os mercados em tempo real.
2. Automatização dos processos: justamente porque a tomada de decisões é sistematizada, é natural para alguém que utiliza a abordagem quant automatizar os processos, inclusive recorrendo a robôs para o trading.
3. Emprego da metodologia científica: as regras e algoritmos que um quant utiliza não surgem do nada. Elas são fruto de pesquisas extensivas, nas quais o pesquisador realiza experimentos para aceitar ou rejeitar[1] aquela ideia que supostamente o fará ganhar dinheiro no longo prazo. Talvez o principal experimento à disposição do quant seja o backtest, no qual a ideia é programada e testada em uma base de dados histórica. Por mais que este experimento não permita ter certeza de que a estratégia será vencedora no futuro, ele possibilita descartar muitas ideias ruins[2]. Por isso, este talvez seja o aspecto mais importante que define a abordagem quant.

Cada um destes três aspectos não define de forma isolada a abordagem quantitativa, mas sim quando empregados em conjunto. Exemplificando este ponto:

1. Quando falamos em sistematização, os fundos indexados (inclusive os ETFs) têm suas carteiras definidas por regras muito bem estabelecidas. Contudo, não seria correto afirmar, por exemplo, que o BOVA11 é um fundo quantitativo.
2. Hoje em dia, praticamente todas as corretoras oferecem robôs ou estratégias automatizadas para que seus clientes executem ordens. Isso, porém, não faz deles quants.
3. Há gestores discricionários que possuem áreas de pesquisa bastante robustas, buscando reunir evidências que sustentem determinada ideia de investimento. Contudo, o foco destes gestores está em uma posição específica e não em um processo a ser repetido ao longo do tempo. Em muitos casos, essas pesquisas discricionárias não envolvem testes objetivos para validar ou rejeitar uma hipótese, mas sim uma coleta de informações que são interpretadas pelo gestor. Naturalmente, estes também não são gestores quants.

Com estes conceitos em mente, vamos discutir agora algumas das falácias que circulam a respeito dos quants.

I. A maior parte do volume negociado atualmente nas bolsas é realizada por fundos quantitativos.

Não há nenhum tipo de evidência que sustente este tipo de inferência. Apenas o investidor, a corretora pela qual a ordem foi executada e a bolsa sabem que uma determinada ordem foi executada por ele. E, mesmo assim, a bolsa e a corretora não têm como saber o que originou aquela ordem. O único que sabe o que levou à execução daquela ordem é o próprio investidor. Corretora e bolsa no máximo sabem, por exemplo, se a ordem foi executada via DMA[3]. Os demais participantes, no máximo, conhecem as corretoras que participaram de cada negócio. Como vimos, isso não é suficiente para sabermos se foi um quant ou não que executou a ordem. Há, por exemplo, grandes gestores discricionários que têm à sua disposição traders que operam via DMA, inclusive utilizando alguns algoritmos, a fim de executar aquelas ordens discricionárias de forma eficiente.

Algumas possibilidades que justificariam parcialmente o surgimento deste tipo de falácia:

• Ao observar os livros de ofertas, os investidores observam que há algoritmos ou robôs atuando com padrões visíveis. Contudo, repare que este tipo de atuação não é obrigatoriamente realizada por quants. Há, por exemplo, algoritmos como “best bid/ask”, “VWAP” ou “TWAP” que estão disponíveis até mesmo para investidores de varejo nos home brokers.
• Ao observar, considerando os dados de volume e de open interest[4], que grande parte do volume de um determinado derivativo é proveniente de day-trade. Considere, contudo, que neste caso a pessoa está confundindo day-trade com quant. Um exemplo claro disso é o futuro de Bitcoin, negociado na B3. Pelos dados públicos, podemos verificar que praticamente todo o volume negociado hoje em dia é de day-trade. E se olharmos os dados de carteiras de fundos disponíveis na CVM, também se observa que praticamente nenhum deste volume é negociado por fundos. Por outro lado, não é difícil encontrar propagandas de corretoras estimulando investidores de varejo a operarem este futuro.

Em resumo: ninguém sabe ao certo quantos % do volume negociado é executado ou não por quants.

II. A atuação dos fundos quantitativos aumenta a volatilidade dos ativos.

Esta também é uma falácia, que muitas vezes é difundida sem qualquer verificação. Definindo a volatilidade como o desvio padrão dos log-retornos diários, a Figura 1 mostra a volatilidade do Ibovespa calculada em janelas móveis de seis meses desde 1994. Conforme observamos, não há evidência alguma de que a volatilidade tenha aumentado nos últimos anos, em conjunto com um suposto aumento da atuação dos fundos quantitativos. No exterior, também encontramos situações semelhantes.

Figura 1– Volatilidade do Ibovespa em janelas móveis de 6 meses

III. A atuação dos quants torna os mercados mais imediatistas.

Para desconstruir esta falácia, repare que, ao definirmos a abordagem quantitativa, em nenhum momento mencionamos o horizonte de investimento das estratégias. Muitas vezes há uma certa confusão, imaginando-se que os quants focam em operações de alta frequência (os chamados HFT [5]). No entanto, isto não é verdade. Os modelos utilizados podem focar em diferentes horizontes de investimento e, inclusive, como dados de alta frequência são mais escassos, normalmente é mais simples realizar backtests de estratégias de baixa frequência. Alguns exemplos concretos:

• Conforme escrevemos em nossa última carta trimestral, uma das principais posições que geraram ganhos em 2024 foi uma operação tomada em juros brasileiros, iniciada em março de 2024 e mantida até fevereiro de 2025. A nosso ver, posições como esta (advindas de modelos de trend-following de médio ou longo prazo) estão longe de serem imediatistas.
• Alguns dos maiores gestores de equities do mundo são abertamente focados em factor investing, um tipo de modelo que busca identificar quais características, no longo prazo, tendem a performar melhor ou pior do que outras. Este tipo de modelo tipicamente utiliza dados de balanços e DREs (que são divulgados com baixa frequência), e os fatores são construídos a partir de testes que, por vezes, analisam décadas de dados. Assim, também não se sustenta a argumentação de que seriam de curto prazo.

IV. A atuação dos quants cria distorções de múltiplos nas ações.

Conforme já mencionamos, um dos principais tipos de modelos utilizados pelos quants são os modelos de fatores. Entre os diversos fatores, há, por exemplo, ampla documentação acadêmica sobre fatores ligados a valor, que basicamente comparam o preço da ação com algum dado fundamentalista (os chamados múltiplos). Assim, sob a ótica dos fatores de valor, uma ação mais barata tende a ser mais atraente. É esperado, portanto, que a atuação deste tipo de modelo, em vez de criar distorções, na realidade as reduza. Por outro lado, eventualmente outros tipos de fatores, como os ligados a momentum poderiam criar fluxos que retroalimentariam distorções de múltiplos. Assim, para ter certeza do resultado final, seria importante entender o agregado de diferentes fatores. A Figura 2 traz como exemplo o histórico da dispersão do E/P das ações brasileiras desde 2000[6], exibida como a diferença entre o P90 e o P10. Neste exemplo, por simplicidade, utilizamos o E/P calculado com dados do Capital IQ, considerando o lucro líquido dos últimos 12 meses. Resultados semelhantes podem ser encontrados utilizando outras formas de cálculo dos múltiplos. Se fosse verdade que os quants criam distorções nos múltiplos das ações, observaríamos um aumento da dispersão nos últimos anos (considerando como verdadeiro o suposto aumento da atuação dos quants), o que visivelmente não ocorreu. De forma geral, o nível deste spread está em linha com o observado no passado. E, especificamente em momentos de crise, quando esse spread costuma se ampliar, percebe-se que em crises mais antigas ele aumentava significativamente mais. Neste caso, o que este gráfico aponta, na realidade, é que o mercado acionário parece ser mais eficiente hoje do que no início dos anos 2000 (essa afirmação não implica que os quants tenham sido os responsáveis por isso).

Figura 2 – Evolução do spread do E/P entre as empresas mais baratas e as mais caras

V. Os quants são focados em HFT

Conforme já mencionamos, isso não é verdade. A facilidade para realizar um backtest robusto para estratégias de baixa frequência é significativamente maior do que para estratégias de alta frequência. Muitos dos modelos mais utilizados por fundos quantitativos são de baixa frequência. Na realidade, o horizonte de investimento não depende de ser quant ou não, mas sim do próprio investidor. Inclusive, em diversos casos, estratégias de curto prazo que normalmente são associadas aos quants são utilizadas por investidores discricionários com o apoio de robôs.

Por exemplo, as estratégias de pair trading[7] são bastante populares, sendo empregadas tanto por quants quanto por investidores discricionários. Especificamente para este tipo de estratégia, é muito difícil realizar um backtest que capture as suas peculiaridades. Para citar algumas: a própria ação do investidor pode eventualmente evitar que a distorção ocorra; é necessário que as séries de ambos os ativos estejam sincronizadas, refletindo condições de mercado simultâneas; eventualmente o volume em uma das pontas do par pode ser significativamente diferente do volume negociado na outra ponta, o que impede a montagem da posição. Contudo, se o investidor não estiver preocupado em realizar um backtest rigoroso deste tipo de estratégia, praticamente qualquer corretora oferece algoritmos para executar negociações de pares, e este investidor poderia tomar a decisão com base em suas próprias interpretações. Assim, a utilização de uma estratégia de alta frequência poderia ser feita por investidores discricionários.

Outro exemplo são as estratégias de market making, nas quais um agente (chamado de market maker ou formador de mercado) provê liquidez a um determinado ativo. Para isso, ele apregoa ordens de compra e venda ao redor de um preço que considera justo para o ativo (por “ao redor”, entenda-se um spread que o formador de mercado adiciona para obter ganho na operação). Este tipo de estratégia muitas vezes envolve a utilização de robôs para automatizar a apregoação de ordens em altíssima velocidade e, em outras ocasiões, envolve operações e monitoramento de diferentes ativos para proteger a posição quando as ordens são executadas (por exemplo, o delta hedge ao prover liquidez em opções). Contudo, na grande maioria das vezes, esses algoritmos não passam por backtests formais, e sua parametrização é feita de forma discricionária.

VI. Os quants têm piores resultados que os fundos discricionários em eventos de cisnes negros.

Algumas pessoas argumentam que, uma vez que os modelos quantitativos são estudados e parametrizados em bases históricas, eventos imprevisíveis com grande impacto nos preços dos ativos (chamados de cisnes negros) poderiam “quebrar” os modelos e, nestes cenários, os fundos quantitativos tenderiam a ter desempenho pior do que os fundos tradicionais. Contudo, este raciocínio simplista não se sustenta, pois os algoritmos podem ser bastante distintos entre si. Muitos tipos de modelos, inclusive, apresentam comportamentos que se beneficiam de grandes movimentos de mercado. Por exemplo, estratégias de trend-following tipicamente apresentam convexidade em relação à intensidade dos movimentos do mercado e, especificamente, um trend-following calibrado para horizontes curtos, de poucos dias, em média tem melhores resultados em momentos de maior volatilidade. Pegando um dos fundos da Kadima como exemplo, nos 18 anos do Kadima FIC FIM (nosso fundo mais antigo), seus melhores resultados ocorreram justamente em momentos de maior volatilidade dos mercados. Inclusive, em uma carta anterior, mostramos que historicamente, nos eventos de cisnes negros, ele em média apresentou resultados acima da média da indústria de fundos multimercados (formada majoritariamente por fundos discricionários).

VII. O investidor que usa abordagem quantitativa é grafista.

Este equívoco também é comum. Embora ambas as abordagens possam utilizar dados de preços e volumes dos ativos, a semelhança normalmente para por aí. O grafista costuma basear-se em padrões visuais e interpretações subjetivas de formações gráficas, muitas vezes sem testes estatísticos objetivos que validem tais padrões. Já a abordagem quantitativa, conforme já expressamos, é ancorada na aplicação da metodologia científica, com hipóteses claras e regras testadas exaustivamente por meio de backtests. Adicionalmente, o quant muitas vezes utiliza nos modelos dados que vão além de preço e volume (nesta carta, por exemplo, mencionamos modelos de fatores que utilizam informações de balanço das empresas, mas os exemplos vão muito além). Finalmente, mesmo que o grafista utilize robôs para tentar automatizar seus processos, por vezes essa utilização ainda é feita de forma discricionária. Assim, caracterizar o quant como grafista é um erro.

VIII. Os fundos quantitativos são parecidos entre si

A esta altura, já deve ter ficado claro que o leque de estratégias possíveis de se utilizar em um fundo quantitativo é bastante amplo. Para citar alguns exemplos: trend-following, modelos de fatores, arbitragem estatística, event-driven, entre outros. Mesmo quando mencionamos um tipo de estratégia específico, ainda que a ideia central seja semelhante, há muitas formas de sistematizar aquela ideia. Por exemplo, podem ser utilizadas diferentes fórmulas matemáticas para identificar se um ativo está em tendência, além de diferentes possibilidades de parametrização. Um modelo pode considerar um horizonte de 10 dias enquanto outro de 30, por exemplo.

Cada uma dessas variações faz com que os fundos quantitativos se diferenciem entre si. Não podemos generalizá-los tratando-os como a mesma coisa. Afinal, o fato de ser quantitativo diz respeito, principalmente, à forma como as decisões são tomadas na gestão do fundo, e não necessariamente aos riscos do fundo em si. Inclusive, em muitos casos, pode fazer mais sentido comparar um fundo quantitativo com um fundo tradicional do que comparar dois fundos quantitativos entre si.

Um exemplo nesta linha: nosso fundo Kadima Equities é um fundo de ações long-only quantitativo, que, a nosso ver, se assemelha mais a fundos de ações long-only tradicionais do que ao Kadima FIC FIM, nosso multimercado mais antigo.

IX. Não é possível entender quais cenários são bons ou ruins para um fundo quantitativo

De forma geral, se o pesquisador é diligente em seu processo de pesquisa, ele consegue, no mínimo, compreender quais são os principais drivers de cada modelo, sendo assim possível identificar os cenários mais ou menos favoráveis para cada tipo de estratégia. Um exemplo são os modelos seguidores de tendência de curto prazo, que, em média, apresentam melhores resultados quando o ativo operado exibe maior volatilidade. Além disso, para modelos de mais longo prazo (frequência mais baixa), como o turnover de posições é pequeno, é possível compreender o resultado do modelo observando o comportamento dos ativos que compõem a carteira.

X. Fundos quantitativos só fazem sentido para portfólios de multimercados

O Kadima FIC FIM provavelmente é o fundo quantitativo mais longevo do Brasil, tendo sido iniciado em 2007. Durante muitos anos, todos os produtos geridos pela Kadima eram multimercados. Muitos dos fundos quants que surgiram desde então também seguiam esta categoria. Contudo, se analisarmos os aspectos que definem um fundo quantitativo, não há referência ao tipo de ativo operado, aos benchmarks possíveis, entre outros fatores.

Assim, na realidade, praticamente qualquer tipo de fundo pode empregar a abordagem quantitativa, desde que existam dados robustos para realizar os backtests. Considerando o portfólio de produtos geridos pela Kadima, hoje, além dos multimercados, temos fundos de ações (long-only, long-short e long-bias), fundos de renda fixa (IMAB, renda fixa ativa CDI e crédito high grade) e fundos internacionais (com ativos exclusivamente no exterior), além de versões previdenciárias de vários desses produtos. Dessa forma, o investidor que deseja montar uma carteira de fundos pode considerar a abordagem quantitativa para diversas das categorias que pretende incluir.

Diante de todas estas reflexões, é importante que o leitor tenha cautela ao se deparar com alegações genéricas sobre os quants. Muitas vezes, quem faz tais comentários nem mesmo compreende plenamente o que caracteriza um fundo quantitativo, o que pode levar a interpretações equivocadas. Por ser um tema naturalmente mais técnico, é comum que haja menos questionamentos. Por este motivo, acreditamos ser fundamental continuar investindo na educação de nossos investidores sobre essa abordagem e nos colocamos inteiramente à disposição para esclarecer quaisquer dúvidas que possam surgir.

Nesta seção da carta, trouxemos uma análise sobre o desafio de replicar o risco de um benchmark — no caso, o IMAB. Replicar este índice de forma exata é bastante complexo, uma vez que atualmente há 13 vértices diferentes em sua composição e nem todos possuem liquidez razoável no mercado secundário. Diante disso, surge um problema prático para o investidor: qual a melhor forma de replicar o risco e os retornos deste benchmark? Qualquer composição alternativa adotada resultará em algum tracking error, e a decisão final sobre como realizá-la dependerá dos objetivos e da tolerância ao risco de cada investidor.

Em seu famoso artigo de 1994, Svensson[8] demonstrou que a estrutura a termo dos juros pode ser explicada quase que inteiramente por três componentes, os quais representam nível, inclinação e curvatura. Embora este problema seja ligeiramente diferente daquele que desejamos resolver, ele nos oferece uma perspectiva útil para analisar quais características do portfólio de títulos públicos devemos priorizar ao replicar. Na análise do risco de um título de renda fixa (ou de um portfólio), costuma-se observar a sensibilidade do preço em relação ao yield, sendo que há nomes específicos para as três primeiras derivadas do preço em relação ao yield: a primeira derivada é a duration, a segunda derivada é a convexidade e a terceira derivada é o tilt. No caso do portfólio, estas derivadas correspondem às médias ponderadas das derivadas de cada título, considerando seu peso na carteira.

Para a análise que apresentaremos, consideramos os dados das NTN-Bs e do IMA-B desde janeiro de 2004. Nosso objetivo é compreender, do ponto de vista estatístico, como a adição de restrições ao portfólio — para que ele se aproxime mais do benchmark — impacta o tracking error esperado.

Para esta análise, construímos o framework representado de forma simplificada no Pseudo-código 1. Nele, para encontrar a distribuição de probabilidade dos tracking errors, sorteamos, a cada dia, 10.000 portfólios que obedeçam às restrições desejadas (estas restrições representam características do IMAB). Com isso, construímos 10.000 realizações, para cada uma das quais calculamos o respectivo tracking error em relação ao IMAB.

Framework (pseudo-código simplificado)

• Inputs:
  • n_vértices: número de vértices que cada carteira deverá ter. Também corresponde à quantidade de restrições a serem consideradas. A primeira restrição sempre é igualar a soma dos pesos do portfólio a 1. As demais restrições, sequencialmente, igualam as derivadas do portfólio às derivadas do IMAB (duration, convexidade, tilt).
  • Dados diários das NTN-Bs: incluindo a diferença de retorno em relação ao IMAB e as derivadas necessárias para avaliar as restrições.
  • Dados diários do IMAB: incluindo as derivadas do IMAB.
  • n_simulações: quantidade de simulações a serem realizadas para estimar as distribuições.
• Outputs:
  • Distribuição do retorno
  • Distribuição do tracking error
• Passos:
  • Determinar o número de dias da base (n_dias) e o número de vértices existentes a cada dia (vértices_por_dia)
  • Para cada dia em n_dias (paralelizado):
    • Definir simulações_restantes=n_simulações
    • Inicializar um array vazio para armazenar as simulações do dia
    • Enquanto simulações_restantes>0:
      • Sortear uma matriz de inteiros cujas entradas sejam entre 0 e (vértices_por_dia[dia]-1), com dimensões (n_vértices, simulações_restantes).
      • Descartar (e registrar a quantidade) as colunas que:
        • tenham elementos repetidos ou;
        • Não possuam solução com pesos entre 0 e 1 que respeitem todas as restrições simultaneamente
      • Salvar as simulações válidas no array de simulações do dia
      • Atualizar simulações_restantes com a quantidade de colunas descartadas
    • A partir das simulações, calcular as distribuições da diferença de retorno (alpha) e tracking error.

Pseudo-código 1– Framework para análise do tracking error

Primeiramente, rodamos a análise para apenas um ativo. Neste caso, a única restrição é que o peso seja igual a 1. A Figura 3 mostra a distribuição do alpha e do tracking error para este cenário. É interessante notar que, apesar do alpha, em média, ser próximo de zero, ele apresenta grande variabilidade (no gráfico vemos casos que chegam a aproximadamente ±3% ao ano, no período desde 2004). Isso se reflete no tracking error elevado: não apenas a média foi de aproximadamente 4.57% ao ano, como praticamente não se observaram casos abaixo de 4%.

Figura 3 – Distribuições para 1 Vértice

Em seguida (Figura 4), adicionamos a restrição de que a duration do portfólio deveria ser igual à do próprio IMAB, utilizando dois vértices em vez de apenas um. Chama a atenção que o tracking error médio caiu para 1.31%, menos de 30% do primeiro valor que havíamos encontrado. Além disso, mais de 95% da distribuição concentrou-se entre 1.25% e 1.4%, demonstrando que essa estimativa de tracking error já se mostra bastante estável.

Figura 4 – Distribuição para 2 vértices

Nas Figura 5 e Figura 6, adicionamos mais um vértice e, respectivamente, as restrições de convexidade e tilt. Com isso, o tracking error médio caiu para 0.78% (0.78% equivale a 59.5% de 1.31%) e 0.56% (0.56% equivale a 71.8% de 0.78%). É interessante notar que a velocidade de redução do tracking error vai se tornando cada vez menor, assemelhando-se a um decaimento logarítmico. Observando o boxplot da Figura 7, percebe-se claramente este comportamento. Neste caso, se simulássemos com um número ainda maior de vértices e restrições, o tracking error continuaria decaindo até chegar a 0% caso utilizássemos todos os vértices possíveis em todos os momentos. Contudo, justamente por conta de o tracking error decair cada vez mais lentamente, a utilidade marginal da redução adicional de risco se torna decrescente em relação ao número de vértices utilizados. Além disso, incluir mais vértices acarretaria custos operacionais adicionais (não contemplados nestes gráficos), pois implica operar vértices menos líquidos. Portanto, desde que o investidor tolere certo nível de tracking error, fará sentido utilizar o menor número de vértices que seja suficiente para atender ao seu nível de aversão ao risco.

Figura 5 – Distribuição para 3 vértices

Figura 6 – Distribuição para 4 vértices

Certamente, o investidor pode utilizar outras estratégias para selecionar os vértices, em vez de simplesmente escolher aleatoriamente quais serão utilizados na replicação. Contudo, esta análise se mostra útil para entendermos o que podemos esperar em termos de tracking error à medida que sofisticamos a estratégia. Um exemplo na Kadima são os nossos fundos IMAB, em que um “modelo de beta” realiza uma otimização para tentar replicar (parcialmente) o risco do benchmark, sendo utilizado em paralelo aos modelos responsáveis por gerar alpha. Dado que o fundo se propõe a realizar uma gestão ativa, é tolerável que este bloco de beta apresente algum nível de tracking error, uma vez que isso contribui para a redução de custos. A questão, neste caso, é calibrar qual nível de tracking error pode ser aceito. Finalmente, este tipo de raciocínio empregado no framework pode ser expandido para outros benchmarks, inclusive em outras classes de ativos, utilizando-se diferentes fatores para analisar a replicação.

Figura 7 – Boxplot do alpha e tracking error em função do número de vértices

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. O investimento em Fundo não é garantido pelo Fundo Garantidor de Crédito”. 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 formulário de informações complementares, a lâmina de informações essenciais, se houver, 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: [email protected] ou (21) 3974-4600, (11) 3050-8010, 0800 725 3219 – Ouvidoria: [email protected] ou 0800 7253219. | BTG Pactual Serviços Financeiros S.A. DTVM, CNPJ/MF: 59.281.253/0001-23, com sede na Cidade e Estado do Rio de Janeiro, localizada à Praia de Botafogo, n.º 501, 5º andar (parte), Torre Corcovado, Botafogo, CEP 22250-040, Brasil. Telefone: +55 21 3262 9600. SAC: 0800 772 2827. Ouvidoria: 0800 722 0048. btgpactual.com