Cartas de Gestão

Nesta seção tentaremos definir o que consideramos como abordagem quantitativa no contexto de gestão de investimentos. Ressaltamos que esta é a nossa definição e, provavelmente, nem todos concordarão com ela.

Primeiramente, quando falamos que um fundo é quantitativo, isso se refere à abordagem utilizada na sua gestão. Notem que não se refere à classificação do mesmo (exemplo: FIA, FIM, FIRF, etc), nível de risco (exemplo: nível de volatilidade, beta, VaR, etc) ou mesmo drivers de retornos. Não é possível generalizar, como por exemplo dizer que “fundos quantitativos vão bem em cenários de volatilidade alta”.

Este ponto é importante, pois em diversas situações pode fazer sentido analisar um fundo quantitativo em um universo de peers não quantitativos. Em casos como o de fundos long-only de ações, que só operam ações brasileiras, faz sentido analisar um fundo quant “multifatorial” versus peers com uma abordagem tradicional, porque o principal risco ao qual está exposto é o risco de mercado (independentemente da abordagem utilizada para o stock picking) .

No passado, fomos procurados algumas vezes por outros gestores que estavam interessados em pleitear a criação de classificações (na Anbima ou CVM) de fundos quantitativos. Sempre nos posicionamos de forma contrária a isso. Uma vez que isto diz respeito a abordagem utilizada na gestão, não faria sentido classificar o fundo de acordo com tal critério, ignorando outras características mais importantes para o entendimento do fundo, como os riscos que ele está incorrendo.

Mesmo esta abordagem, como mostraremos, não pode ser entendida como uma chave “liga-desliga”. A abordagem quantitativa pode ser adotada em diferentes graus e dimensões. Olhando para a indústria global de hedge funds, observamos diferentes graus de adoção, tais como:

• Gestoras totalmente especializados em uma abordagem quantitativa (ou, na ponta contrária, totalmente discricionário).
• Gestoras onde dentro de um mesmo produto existem mesas especialistas com orçamentos próprios de riscos, sendo algumas quantitativas/sistemáticas e outras discricionárias.
• Gestoras onde há um processo de decisão discricionário, baseado na opinião de especialistas, mas suportado por modelos matemáticos que inclusive podem ajudar a definir o tamanho das posições.
• Gestoras onde há produtos apartados com abordagem quantitativa em alguns e discricionária em outros.
• Gestoras onde há diversos modelos matemáticos sendo utilizados, mas antes das operações serem propriamente feitas, há possibilidade do gestor vedar as operações.

Assim, olhando para tantos modelos de gestão diferentes, percebemos que é difícil definir uma linha de corte precisa para dizer se um fundo é quantitativo ou não. Mas, de forma geral, observamos três características majoritárias naqueles que utilizam em algum grau a abordagem quantitativa. Estas características formam dimensões que são independentes entre si e cada uma pode ser adotada em maior ou menor escala. A Figura 1 ilustra estas dimensões.

Figura 1 – Dimensões da abordagem quantitativa

1. Sistematização da tomada de decisões. Esta característica diz respeito à decisão de investir ou desinvestir em um ativo ser dada por regras que foram estabelecidas previamente. Estas regras são chamadas de algoritmos. Uma sistematização completa se daria quando, definidos os inputs, o algoritmo vai decidir não somente quando comprar ou vender a descoberto cada ativo, mas também o tamanho de cada posição, regras de stop-loss, critérios para zerar as posições, condições em que não se deve operar, etc.
   • Diferentes graus de sistematização. É possível adotar diferentes graus de sistematização. Seria possível, por exemplo, que um gestor tenha um algoritmo, mas o tamanho da posição seja definido discricionariamente por ele.
   • Apenas a sistematização não é suficiente para definir que está sendo utilizada uma abordagem quantitativa. Um exemplo clássico disso é que todos os ETFs, por definição são sistematizados. Eles precisam seguir um determinado índice de referência. Mas nem por isso acreditamos que faz sentido chamá-los de quantitativos, pois trata-se de investimentos passivos.
   • Vantagens de sistematizar a tomada de decisões. Na nossa visão algumas das principais vantagens de sistematizar a tomada de decisões são reduzir as emoções no momento de investir e ganhar agilidade na tomada de decisões. Por exemplo, em um momento de stress de mercado, se as regras já foram definidas, já haverá um processo que define o que deve ser feito.
2. Automatização dos processos. Esta dimensão diz respeito a utilizar a tecnologia a seu favor para automatizar os processos, inclusive a coleta de dados e o processo de trading, para aumentar a eficiência.
   • Diferentes graus de automatização. É possível automatizar diversas etapas do processo de investimento. A utilização de ferramentas para visualizar preços dos ativos em tempo real seria um exemplo de automatização mais simples, se comparada ao passado quando o pregão ocorria nas rodas de negociação e observavam-se os preços de forma mais rudimentar. A coleta de dados automatizada para estudos sobre os investimentos que hoje em dia está englobado nas áreas de data science, também seria um exemplo de um grau um pouco maior de automatização. Finalmente, há ferramentas para automatizar até a execução das ordens, por exemplo, algoritmos de TWAP ou VWAP. Percebe-se novamente que esta dimensão não é binária.
   • Automatização não é suficiente para definir a abordagem quantitativa. Essa automatização do processo de trading tornou-se bastante popular, com inclusive diversas corretoras oferecendo “robôs” para seus clientes operarem ações. Mas, entendemos que apenas a utilização destes “robôs” não torna a abordagem quantitativa. Inclusive, um investidor cujo processo inteiro para tomar a decisão de investir tenha sido discricionária, poderia eventualmente automatizar a execução a fim de ganhar eficiência na execução.
   • Vantagens de automatizar processos. De forma geral a automatização de processos gera um ganho de escala, permitindo fazer aquele processo muito mais vezes. Por exemplo: ao coletar dados, você conseguiria coletar uma quantidade muito maior de dados. Também pode significar um ganho de eficiência no caso da automatização das execuções.
3. Emprego da metodologia científica no processo de investimentos. De forma geral, o conhecimento científico é construído através de um processo estruturado. As principais etapas são: observação de um fenômeno ou problema sobre a qual o cientista formula uma pergunta específica; construção de uma hipótese para responder aquela pergunta; experimentos cujos resultados servirão para o cientista aceitar ou rejeitar a hipótese.
   Quando falamos em empregar a metodologia científica para os investimentos referimo-nos justamente a passar por esse processo: ao invés de simplesmente fazer um investimento ou adotar um modelo sem evidências, fazer experimentos rigorosos que irão validar ou rejeitar a hipótese. O experimento mais comum, neste caso, é o chamado backtest, onde você programa sua hipótese e testa-a numa base histórica, a fim de entender se de fato os dados corroboram ou não tal hipótese. Em particular, quando combinamos isso com as duas outras dimensões, estamos falando não de ver a performance histórica de um investimento específico, mas sim de realizar o backtest de uma estratégia sistemática (com regras bem definidas). Isso permite ao investidor entender em quais cenários aquele tipo de atuação funcionou melhor ou pior, entender os riscos que estaria incorrendo ao replicar aquela estratégia e, é claro, saber se, em média, aquela estratégia foi¹ vencedora.
   • Diferentes graus de adoção da metodologia científica. Conforme falaremos na segunda parte desta carta, é bastante complicado realizar backtests rigorosos. Há inclusive debates no meio acadêmico², onde se argumenta que os backtests não possuem o mesmo nível de rigor usado em outras ciências (por exemplo, na física), por conta de, em muitos casos, não se estudarem propriamente as relações de causalidade. Ainda assim, mesmo aqueles que o criticam, consideram-no mais rigoroso que simplesmente investir com base em feeling. No meio do caminho podemos, por exemplo, citar estudos que investidores discricionários muitas vezes fazem (sejam estudos de dados macroeconômicos ou microeconômicos) para embasar suas decisões. Assim, esta característica também poderia ser adotada em diferentes níveis.
   • Apenas esta característica também não é suficiente para definir a abordagem quantitativa. Como já falamos, por exemplo, muitas vezes gestores discricionários tentam realizar estudos para embasar suas decisões. Nem por isso eles seriam quants.
   • Vantagens de empregar a metodologia científica nos investimentos. Ao nosso ver, este é o mais importante dos três aspectos citados. Por mais que seja difícil ter certezas nos investimentos, ao realizar backtests bem-feitos, no mínimo o investidor consegue descartar algumas ideias que não seriam ganhadoras no longo prazo. Muitas vezes há narrativas bastante convincentes sobre uma determinada estratégia e entendemos que aplicar uma metodologia para verificar a tese é essencial pra não se iludir.

Em suma: entendemos que cada uma dessas características (sistematização, automatização e emprego da metodologia científica) pode ser adotada em diferentes graus, sendo que a adoção das 3 simultaneamente é que define a abordagem quantitativa.

Nesta segunda parte da carta tentaremos exemplificar alguns dos erros que podem ocorrer ao realizarmos um backtest e como eles podem influenciar os resultados observados. Note que estes erros podem ser legítimos, sem que tenha havido qualquer má fé. Por mais competente que seja o pesquisador, erros em backtests são frequentes.

Neste sentido, há uma curva de aprendizado quando o pesquisador começa a realizar backtests e, sem dúvida, a experiência é o que mais ajuda neste processo (além de procedimentos de dupla ou tripla verificações³). Os erros que mostraremos não são exaustivos e pretendemos apenas ilustrar alguns deles.

1. Não verificar a qualidade dos dados. As bases de dados utilizadas nos backtests são essenciais para se ter alguma confiança. É comum assumir integridade de uma base de dados apenas por ter sido adquirida de um provedor renomado. Infelizmente isto não é sempre verdade. Entendemos ser importante fazer algum tipo de validação dos dados, independentemente da origem deles, antes de começar a utilizá-los.
   São exemplos de alguns erros que já encontramos em bases de dados:
   1. Buracos na base que acabam gerando saltos no tempo (timeskip) que vão de dias até meses. A Figura 1 mostra o gráfico com os dados de fechamento do dia do futuro ativo de trigo (negociado na CME), obtido de um dos mais renomados provedores de dados do mundo. Olhando para este gráfico, não percebemos nenhuma descontinuidade aparente. Contudo, se fizermos uma análise minuciosa, verifica-se que houve um salto temporal de 18/fevereiro/2003 para 21/março/2003. Este salto pode inserir algum resultado significativamente errado no backtest.
      

      Figura 2 – Contrato futuro ativo de trigo

   2. High ou low incompatíveis com o open e close. Algumas vezes encontramos o preço de abertura ou fechamento do dia acima da máxima ou abaixo da mínima do dia. Normalmente este “rompimento” tem magnitude pequena e ocorreu pois o provedor considerou horários diferentes para a construção dos dados (por exemplo: o high e o low consideraram informações até 17h00, mas o fechamento considerou informações até 19h00). Apesar da magnitude pequena, este erro pode inserir erros de lógica na programação do backtest. Na Figura 3 mostramos uma série de dados do Euro, cujas colunas são respectivamente a data, abertura, máxima, mínima e fechamento. A linha destacada mostra uma situação em que o fechamento foi abaixo da mínima do dia. Estes dados também foram obtidos em uma das principais plataformas de dados do mundo.
      

      Figura 3 – Dados de negociação do euro

   3. Separador de decimais no local errado. Não raramente encontramos séries de preços (principalmente em dados mais antigos) nas quais o separador de decimais está claramente na posição errada. Por exemplo: um preço que deveria ser 1020,00 vem 102,00. Isso causa um salto gigantesco no preço e, caso o sistema esteja posicionado neste salto no backtest, acabaria distorcendo completamente o resultado.
2. Usar bases de dados que não possuem frequência suficiente para testar a estratégia. A maioria dos dados que existem disponíveis são dados com frequência diária. Contudo, para muitas estratégias esta frequência é insuficiente para replicar com precisão uma estratégia. Um exemplo clássico são estratégias de pair trading (arbitragem estatística), onde tenta-se capturar distorções entre alguns pares de ações (normalmente os pares são classes diferentes da mesma empresa ou empresas do mesmo setor).
   Há inclusive artigos acadêmicos publicados onde os cálculos foram feitos considerando os preços de fechamento do dia. Contudo, na prática, os preços de fechamento ocorrem em leilões, que podem terminar em horários significativamente diferentes entre si. Isso torna impossível saber de antemão quando as distorções ocorreriam ou não. Na prática, para operar este tipo de estratégia no fechamento do dia, seria necessário verificar se houve ou não distorção antes do fechamento e enviar as ordens para serem executadas no fechamento (independentemente de a distorção ocorrer de fato). Este erro infla significativamente as estatísticas do backtest neste tipo de estratégia.
3. Usar bases de dados que não estão sincronizadas. Muitas estratégias precisam fazer cálculos que envolvem ativos diferentes. E nem sempre as bases de dados destes ativos estão considerando horários sincronizados. Isto pode gerar distorções significativas nos cálculos. Por exemplo, se tentarmos calcular o carry implícito entre o Ibovespa e o primeiro vencimento disponível do seu futuro (usando os valores de fechamento), os resultados ficarão bastante distorcidos. A Figura 4 ilustra esta conta feita ao longo de uma semana chegando a valores extremamente altos que não fazem sentido algum, que só apareceram por conta desta dessincronização entre os dados.
   

   Figura 4 – Cálculo do carry do Ibovespa com bases dessincronizadas

4. Realizar backtests com dados que não são point-in-time. Não é incomum dados divulgados serem revisados posteriormente. Por exemplo: empresas corriqueiramente republicam seus resultados. Dados macroeconômicos (como o payroll nos EUA) são revisados rotineiramente.
   Por mais que essas revisões sejam corretas do ponto de vista da informação que aquele dado pretende refletir, do ponto de vista de um backtest, não teria sido este o dado divulgado originalmente e, portanto, não teria sido a informação utilizada para a operação.Outro exemplo é quando um dado é divulgado com atraso. Não seria correto utilizar este dado no backtest se ele não estaria disponível na data indicada.  Assim, é essencial usar informações point-in-time  ao realizar backtests. Um exemplo disto ocorreu em 2012 no setor de incorporadoras na bolsa brasileira. Em 27/03/2012, às 22:40, a Rossi (RSID3) divulgou⁴ um press-release referente ao ano de 2011. Neste documento ela divulgou um lucro líquido de R$92 milhões no trimestre e R$355 milhões no ano. Naquele momento, a empresa tinha aproximadamente 266 milhões de ações negociadas no mercado (excluindo as ações em tesouraria), o que nos levava a um múltiplo de P/E (price-to-earnings) de aproximadamente 7,7. Naquele contexto era um P/E relativamente atrativo e provavelmente um processo de tomada de decisão baseado neste múltiplo teria comprado esta ação. Não só isso: a partir desta data até o dia 16/07/2012, a ação caiu mais de 60%, ficando ainda mais atrativa sob esta ótica de P/E.  Contudo, ao olharmos a foto deste resultado de 2011 hoje, vemos um prejuízo no último trimestre de 2011 de pouco mais de R$7 milhões (e lucro de apenas R$78 milhões ao invés dos R$355 milhões). Isto ocorreu pois o resultado foi republicado e, os principais vendors simplesmente passam a mostrar apenas a informação mais atualizada.    Assim, um backtest com esses dados corrigidos dificilmente mostrariam a compra daquela ação, ocultando um possível prejuízo que teria ocorrido de fato.
5. Não aplicar corretamente fatores de rolagem nas bases de dados de futuros. Sabemos que os contratos futuros têm a característica de expirar em determinado dia. Normalmente, a liquidez se concentra em alguns poucos vencimentos a cada momento do tempo e, aquele investidor que deseja uma exposição direcional àquele ativo, vai posicionar-se no vencimento mais líquido. Conforme a liquidez migra de um vencimento para o outro, o investidor realiza uma “rolagem”, mudando o vértice operado. A base de dados utilizada no backtest deverá considerar corretamente esta rolagem, simulando a metodologia adotada pelo investidor ao mudar a posição de um contrato para o outro.
   Consideremos por exemplo um investidor que opere o dólar futuro, estando sempre comprado em US$1 milhão de dólares através de contratos futuros. Consideramos que ele sempre opera o contrato mais líquido, rolando 20 contratos na véspera do seu último dia de negociação. Neste caso, uma das formas de ajustar a base corretamente seria a cada rolagem calcular a diferença entre o contrato longo e o curto e somar este fator a todos os dados daquela data para trás.
   A Figura 5 mostra o resultado acumulado que ele teria nesta estratégia, sendo que, na linha azul não consideramos o fator de ajuste necessário para simular a rolagem (enquanto a linha verde mostra o resultado correto). Os resultados nesta figura estão em Reais.
   

   Figura 5 – Investimento em US$ 1 milhão

6. Considerar os custos de forma incorreta. Dependendo de como os dados foram ajustados para contemplar particularidades de cada ativo, os custos devem ser considerados de forma diferente. No exemplo anterior, onde consideramos o futuro de dólar sendo ajustado somando-se fatores aos preços para replicar o efeito da rolagem, o preço enxergado no dólar numa data passada acaba ficando significativamente maior do que o preço real naquela data. Para o dia 03/01/2000, por exemplo⁵, o preço que vemos é cerca de 3,7 vezes maior. Caso aplicássemos um custo de transação expresso em percentual do financeiro operado (e calculando-se o financeiro como o número de contratos vezes este preço vezes o valor do ponto do contrato), estariamos superestimando o custo em 3,7 vezes. Neste caso, para os 20 contratos fixos, o correto seria calcular-se o custo como um valor fixo por contrato operado. Ou então calcular-se o financeiro usando a série de preços sem aplicar o ajuste.
7. Realizar um backtest em uma base curta. Um backtest testará a estratégia em um conjunto de cenários específicos. Dificilmente aquele cenário será exatamente o cenário que enfrentaremos no futuro. Por outro lado, por mais que não seja exatamente igual, possivelmente no passado aconteceram cenários minimamente parecidos com o que veremos no futuro. Assim, pode ser um erro grave testar uma estratégia em uma base de dados curta.
   Ao fazer isso, na verdade o que será feito é uma aposta de que aquele cenário irá se repetir. Por outro lado, ampliando-se o horizonte conseguimos contemplar cenários de mais otimismo ou pessimismo, maior ou menor volatilidade, além de diversas peculiaridades de eventos. Provavelmente nenhuma estratégia funcionará em todos os cenários. Mas, ao verificarmos seus resultados em uma gama ampla de cenários, podemos ao menos selecionar aquelas que têm riscos racionais e em média são ganhadoras.
   Na Figura 6, temos o resultado do backtest da mesma estratégia da Figura 5, mas no período de 1 ano entre 14/05/2019 e 14/05/2020. Um investidor que tivesse analisado essa estratégia de ficar comprado sempre em US$1MM neste período específico, teria se iludido e provavelmente decidido implementar esta estratégia (afinal, ela apresentou um índice de sharpe de 2,57). Contudo, logo em seguida, ele teria apenas perdido dinheiro, como vemos na Figura 7. Isso poderia ter sido evitado se o backtest tivesse olhado para todo o histórico disponível (como na Figura 5).
   

   Figura 6 – Backtest realizado num período curto

   

   Figura 7 – Trade real

8. Considerar conjuntamente ativos com volatilidades muito distintas, sem ajustar o tamanho. Algumas estratégias podem operar diversos ativos, por exemplo, fazendo um long-short. Contudo, se estes ativos tiverem níveis de volatilidade muito distintos entre si, o resultado será dominado por aquele mais volátil.
   Por exemplo, supondo uma estratégia que combine dois ativos dando mesmo peso para ambos, mas a volatilidade de um deles é 5x a volatilidade do outro (por exemplo, 20% contra 4%) e a correlação entre eles é de 0,50. Neste caso, 88,7% da variância do portfólio será por conta do ativo mais volátil.
9. Não ajustar o tamanho das posições de acordo com os riscos de mercado. Este não é propriamente um erro, mas é algo que pode levar a conclusões equivocadas. Quando não há o ajuste de posições ao longo do tempo por alguma métrica de risco (como volatilidade ou ATR), os resultados serão dominados por períodos de mais risco no mercado, tipicamente crises. Eventualmente pode-se desejar este tipo de comportamento, mas não é o tipo de análise mais usual.
10. Não considerar corretamente os retornos de um derivativo. Algumas vezes calcular o retorno histórico que você obteria ao investir em um determinado ativo pode ser mais complicado do que parece. Um caso típico é ao considerar um swap “pré-cdi” de duration Um investidor pode pensar em utilizar este swap ao invés de simular uma estratégia que opera o DI Futuro, rolando de tempos em tempos, para manter o risco constante ao longo do tempo (medido pela duration). Para exemplificar este problema vamos considerar que se deseja simular o resultado de diariamente ficar aplicado no pré de 1 ano (contra o CDI), diariamente num financeiro de R$1 milhão. Uma abordagem mais naive seria aplicar a variação da taxa de 1 ano sobre o financeiro. Alguém que já operou o futuro do DI sabe que isso está errado pois não leva em conta o carregamento que há por conta da diferença do CDI para a taxa pré-fixada. Mas mesmo essa abordagem não estaria correta, pois não leva em conta que de um dia pro outro a duration reduz em 1 dia e, seria necessário “rolar” para a duration retornar para 1 ano. A Figura 8 ilustra os resultados obtidos das 3 formas diferentes (e sem considerar os custos de transação, para ilustrar apenas esse efeito).
    

    Figura 8 – Simulação aplicado pré 1Y

11. Avaliar uma estratégia considerando apenas uma estatística. Há diversas formas de avaliar uma estratégia. Não há um único aspecto que deve ser analisado. No limite, o objetivo de qualquer estratégia é maximizar os lucros, mas também é importante analisar a consistência dos ganhos e o nível de risco tomado para atingir o objetivo.
    Suponha por exemplo que uma estratégia long-short, em um backtest, tenha ganhado aproximadamente 5% ao ano. Este ganho anualizado estaria olhando apenas para os retornos. Poderíamos então pensar em olhar para o índice de Sharpe, o qual compara o retorno anualizado à volatilidade da estratégia. Neste caso, supondo uma volatilidade também de 5%, chegaríamos a um Sharpe de 1,00. Mas essa métrica não leva em conta, o nível de alavancagem que foi necessário para este resultado.Digamos que para atingir tal resultado, foi necessária uma alavancagem tal que a exposição atingiu 10x o patrimônio na ponta long e 10x na ponta short (long-short neutro). Neste caso, o retorno sobre o gross-exposure foi de apenas 5%/20=0.25% ao ano. É um retorno baixo e pode indicar que, mesmo com um bom resultado no backtest, o investidor estaria correndo um risco excessivamente alto que poderia levá-lo à ruína em um cenário que não foi contemplado no backtest.

Estes são alguns dos exemplos de como é difícil fazer um backtest confiável. São muitos detalhes que podem gerar erros. Grande parte do dia a dia da nossa equipe de pesquisa é realizar backtests e, por isso, tentamos sempre nos cercar de mecanismos que reduzam as chances de errarmos nos backtests e, quando errarmos, que este erro tenha um efeito pequeno.

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

Kadima FIC FIM: Início do Fundo: 11 / 05 / 2007. PL Médio em 12 meses: R$ 18.861.808. Taxa de administração: 2%a.a. (máx. de 2%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidores 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$ 270.704.296. Taxa de administração: 2%a.a. (máx. de 2%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidores em Geral. Cota de Aplicação: D+0. cota de Resgate: D+10. Liquidação de Resgates: D+1 da Cotização.
Até o dia 6-dez-2013 a taxa de performance era de 25%.

Kadima High Vol FIM: Início do Fundo: 23 / 03 / 2012. PL Médio em 12 meses: R$ 558.603.848. Taxa de administração: 2%a.a. (máx. de 2%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidores qualificados. Cota de Aplicação: D+0. cota de Resgate: D+10. Liquidação de Resgates: D+1 da Cotização.
Até o dia 6-mar-2013 a taxa de amd era de 0.75% e não havia taxa de performance.

Kadima Long Short Plus FIA: Início do Fundo: 06 / 11 / 2018. PL Médio em 12 meses: R$ 238.801.662. Taxa de administração: 2%a.a. (máx. de 2%a.a.). Taxa de Performance: 20% do que exceder o CDI. Público Alvo: Investidores qualificados. Cota de Aplicação: D+0. cota de Resgate: D+10. Liquidação de Resgates: D+1 da Cotização.

Kadima FIFE Previdência FIM: Início do Fundo: 28 / 09 / 2018. PL Médio em 12 meses: R$ 314.697.011. Taxa de administração: 1,20%a.a. (máx. de 1,20%a.a.). Taxa de Performance: não há. Público Alvo: Aplicações de recursos através de Planos PGBL e VGBL.

Kadima Long Short Previdência FIM: Início do Fundo: 15 / 05 / 2020. PL Médio em 12 meses: R$ 66.261.393. Taxa de administração: 1,00%a.a. (máx. de 1,00%a.a.). Taxa de Performance: 20% do que exceder o CDI+0,9%. Público Alvo: Aplicações de recursos através de Planos PGBL e VGBL.

Kadima LT FIM: Início do Fundo: 02 / 01 / 2019. PL Médio em 12 meses: R$ 29.019.286. Taxa de administração: 2%a.a. (máx. de 2%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+10. Liquidação de Resgates: D+1 da Cotização.

Kadima Long Bias FIM: Início do Fundo: 26 / 08 / 2019. PL Médio em 12 meses: R$ 24.718.115. Taxa de administração: 1.75%a.a. (máx. de 1.75%a.a.). Taxa de Performance: 20% sobre o que exceder o IPCA+X vide regulamento. Público Alvo: Investidor em Geral. Cota de Aplicação: D+0. Cota de Resgate: D+10. Liquidação de Resgates: D+1 da Cotização. Fundo com menos de 12 meses de histórico.

Kadima Equities FIC FIA: Início do Fundo: 17 / 12 / 2010. PL Médio em 12 meses: R$ 59.103.974. Taxa de administração: 1.35%a.a. (máx. de 1.35%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+2 da cotização.

Kadima Long Bias FIFE Previdência FIM: Início do Fundo: 20/07/2021. PL Médio em 12 meses: R$ 7.842.464. Taxa de administração: 1,05% (máx. de 1,05% a.a.). Taxa de performance: 20% do que exceder o IPCA+X+0,7%. Público Alvo: Aplicações de recursos através de planos PGBL e VGBL.

Kad IMAB FIC FIRF LP: Início do Fundo: 13/12/2021. PL Médio em 12 meses: R$ 52.798.538. Taxa de administração: 0,75% (máx. de 0,80%). Taxa de performance: 20% do que exceder o IMA-B. Público Alvo: Investidores em Geral.

Kad IMAB FIFE FIM: Início do Fundo: 13/12/2021. PL Médio em 12 meses: R$ 56.298.008 . Taxa de administração: 0,48% (máx. de 0,48%). Taxa de performance: 20% do que exceder o IMA-B + 0,32%. Público Alvo: Aplicações de recursos através de planos PGBL e VGBL.

Kadima RF Ativa FIC FIRF LP: Início do Fundo: 29/06/2022. PL Médio em 12 meses: R$ 44.704.491. Taxa de administração: 0,65% a.a. (máx. 0.70% aa). Taxa de performance: 20% do que exceder o CDI. Público Alvo: Investiores em Geral.

Kadima DI Ativo FIFE FIM. Início do Fundo: 29/06/2022. PL Médio em 12 meses: R$ 3.493.682. Taxa de administração: 0,20% a.a. (máx. 0.42% a.a.). Taxa de performance: 20% do que exceder o CDI+0,28%. Público Alvo: Aplicações de recursos através de planos PGBL e VGBL.

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