Cartas de gestão

Uma das abordagens mais utilizadas por investidores institucionais é a definição de alocações-alvo em diferentes classes de ativos por meio de políticas de investimento (asset allocation). Um estudo clássico, publicado em 1986^[1], ao analisar o desempenho dos maiores fundos de pensão dos EUA entre 1974 e 1983, concluiu que cerca de 94% da variância dos retornos destes fundos de pensão era explicada por sua política de alocação de ativos.

Apesar da evidente relevância do asset allocation, a forma como essa alocação é implementada pode ter impacto significativo no resultado. A maioria dos processos de asset allocation implica a estimação de parâmetros dos ativos — de retorno e/ou de risco.

Nesta seção, estudaremos o impacto de erros de estimação nos parâmetros necessários para algumas metodologias de asset allocation. É importante entendermos que provavelmente nunca saberemos os reais valores desses parâmetros, seja a esperança, a variância ou a correlação. Por exemplo, o retorno esperado é uma quantidade não observável, que representa uma média teórica sob a distribuição verdadeira dos retornos futuros — a qual também é desconhecida.

Na prática, tentamos estimar esses parâmetros assumindo alguma dinâmica para os retornos e trabalhamos com essa estimativa. O erro dessa estimativa é diferente do erro de previsão inerente ao processo. Por exemplo, o erro de estimação do valor esperado não deve ser confundido com a diferença entre o retorno estimado e o retorno efetivamente realizado pela carteira. Este último inclui, além do erro de estimação, um componente de ruído associado à realização específica de um processo aleatório.

Em outras palavras, uma estimativa perfeitamente precisa pode divergir substancialmente do retorno ex-post, simplesmente porque retornos financeiros são inerentemente voláteis.

Consideremos, para simplificar a análise, uma política de investimentos que defina a alocação entre duas classes de ativos, cujos pesos serão representados por w₁≥ 0 e w₂≥ 0, com w₂=1-w₁. Também consideramos nesta análise (para simplificação) que não há ativo risk-free. Vamos comparar o efeito dos erros de estimação dos parâmetros em quatro diferentes metodologias de alocação: equal-weighted, vol-inverse, min-vol e max-sharpe.

A metodologia equal-weighted é a mais simples, consistindo em alocar quantidades iguais de capital em cada uma das classes de ativos:

Nesse caso, erros na estimação do retorno esperado, da volatilidade ou das correlações não afetam os pesos atribuídos aos ativos, mas impactam apenas as estimativas de retorno esperado e de risco do portfólio como um todo.

A metodologia vol-inverse consiste em fazer as alocações de forma inversamente proporcional à volatilidade de cada ativo, buscando igualar o risco entre eles^[2]. Os pesos são dados por:

Nesta metodologia, erros na estimação das volatilidades impactam diretamente os pesos das alocações. Por outro lado, erros na estimação dos retornos esperados e da correlação entre os ativos afetam exclusivamente as estimativas de retorno e risco do portfólio como um todo, sem alterar os pesos alocados.

A metodologia min-vol busca minimizar a volatilidade total do portfólio, considerando as volatilidades individuais dos ativos e a correlação entre eles. Neste caso, os pesos que minimizam a variância da carteira são dados por:

em que σ₁ e σ₂ são as volatilidades dos ativos e ρ é a correlação entre eles.

Diferentemente das abordagens anteriores, esta metodologia é sensível a erros nas estimativas de volatilidade e correlação, já que ambos os parâmetros influenciam diretamente os pesos alocados. Já o retorno esperado não entra na definição da alocação, afetando apenas as estimativas de retorno do portfólio resultante.

A metodologia max-sharpe busca maximizar a razão entre o retorno esperado e o risco (volatilidade) do portfólio (neste caso considerando apenas os dois ativos de risco disponíveis). Os pesos que maximizam essa razão são obtidos pela maximização da seguinte expressão:

Esta metodologia é sensível a erros de estimação em todos os parâmetros: retornos esperados, volatilidades e correlação. Qualquer erro nessas estimativas impactará diretamente os pesos da carteira, além de afetar as estimativas de retorno e risco do portfólio como um todo.

Podemos calcular o que seriam erros razoáveis de estimação dos parâmetros. Por exemplo, se considerarmos que as séries de retornos dos dois ativos seguem uma distribuição normal bivariada i.i.d. com médias μ₁ e μ₁​, volatilidades σ₁ e σ₂ , e correlação ρ, conforme:

então temos distribuições bem definidas para os estimadores dos parâmetros com base em uma amostra de tamanho N^[3].

As médias amostrais seguem^[4]:

Os estimadores da variância amostral são definidos por:

E neste caso, temos:

Finalmente, o estimador amostral de correlação é:

A distribuição amostral deste estimador pode ser aproximada pela expressão abaixo:

Agora de posse destas definições vamos estudar um caso numérico concreto. Suponha que temos dois ativos com as seguintes características:

μ₁ = 10% ; σ₂ = 4%

μ₂ = 5% ; σ₁ = 10%

ρ = -0.25

Neste caso, considerando as distribuições já apresentadas para os estimadores da média, da volatilidade e da correlação, apresentamos na Tabela 1 os percentis 25% e 75% de suas distribuições amostrais (ou seja: em 50% das amostras, espera-se que o estimador fique fora deste intervalo). Os valores foram calculados assumindo uma amostra com 5 observações (por exemplo, 5 anos de dados anuais) e considerando cada estimador isoladamente, sem levar em conta eventuais interações ou dependência entre eles.

Tabela 1 – Erros nas estimativas dos parâmetros

Ainda considerando os parâmetros definidos no exemplo anterior, e as quatro metodologias de alocação descritas, a Tabela 2 resume os pesos atribuídos a cada ativo, bem como as estimativas de retorno esperado e volatilidade do portfólio que seriam obtidas caso os parâmetros populacionais fossem conhecidos com precisão. Este cenário serve como referência para avaliar o impacto de erros de estimação.

Tabela 2 – Pesos e estatísticas com parâmetros reais

Em seguida, testamos 10 cenários diferentes (utilizando o P25% e o P75% de cada estimador, com os demais parâmetros perfeitamente estimados), para avaliar os impactos em cada uma das 4 metodologias de alocação. As tabelas abaixo mostram em cada um dos 10 cenários, quais seriam os pesos calculados pela metodologia e quais seriam os retornos e volatilidades esperados para o portfólio. Note que esta análise está inserindo erros em apenas 1 dos parâmetros de cada vez e que cada um destes cenários é igualmente provável sob as distribuições detalhadas anteriormente.

Observando a Tabela 3, percebemos que na metodologia equal-weighted erros nos parâmetros do ativo mais volátil impactam mais (proporcionalmente) as expectativas de retorno e volatilidade do portfólio. Por exemplo, comparando o erro do cenário 1 (P 25% de μ₁) com o erro do cenário 3 (P 25% de μ₂), vemos que teríamos estimado o retorno do portfólio respectivamente em 5.99% e 6.90% (enquanto o verdadeiro retorno esperado seria 7.50%). Analogamente ao comparar o cenário 2 e o cenário 4, encontramos estimativas do retorno do portfólio respectivamente de 9.01% e 8.10%. O mesmo tipo de observação pode ser feito comparando os erros nas volatilidades: para os cenários 5 e 7, temos volatilidades estimadas em 3.54% e 4.84% e para os cenários 6 e 8 temos volatilidades estimadas em 5.64% e 4.96% (a volatilidade real seria 4.90%). De qualquer forma, nesta metodologia, os erros de estimação dos parâmetros não levam a uma alocação diferente daquela que de fato deveria ter, mas apenas a estimativas erradas de retorno e volatilidade do portfólio.

Tabela 3 – Erro de estimação no equal-weighted

Analisando agora esses mesmos cenários sob a ótica da metodologia vol-inverse, conforme mostrado na Tabela 4, observamos que erros na estimação das volatilidades afetam diretamente a alocação entre os ativos, gerando pesos diferentes daqueles que seriam considerados “corretos” com base nos parâmetros reais. Chama especialmente a atenção, neste exemplo, o fato de que erros de subestimação da volatilidade (cenários 5 e 7, que utilizam o percentil 25% dos estimadores) resultam em desvios mais acentuados nos pesos em comparação aos erros de superestimação (cenários 6 e 8, baseados no percentil 75%).

Por exemplo, considerando que o peso correto desta metodologia seria w₁=28.6% , mas nos cenários 5 (subestimação de σ₁) e 6 (superestimação de σ₁) temos respectivamente w₁=36.6%(8% acima da alocação correta) e w₁=25.6% (3% abaixo da alocação correta). Analogamente, comparando os cenários 7 (subestimação de σ₂) e 8 (superestimação de σ₂), encontramos respectivamente w₁=21.7% (6.9% abaixo da alocação correta) e w₁=31.7% (3.1% acima da alocação correta).

Além disso, é importante destacar que, nesta metodologia, mesmo que os retornos esperados fossem estimados perfeitamente, os erros nas volatilidades ainda causariam desvios nos pesos — e, com isso, a estimativa de retorno do portfólio resultante também será diferente daquela que seria obtida com os parâmetros corretos, isto é, da carteira benchmark da metodologia vol-inverse.

Tabela 4 – Erro de estimação no vol-inverse

A análise seguinte refere-se à metodologia min-vol, na qual tanto erros nas estimativas das volatilidades quanto na estimativa da correlação entre os ativos afetam diretamente os pesos da carteira. Entre os cenários analisados na Tabela 5, o maior desvio ocorreu no cenário 10, que corresponde à superestimação da correlação. Nesse caso, o peso alocado ao ativo 1 foi de apenas 7.4%, enquanto o peso correto seria 19.1% — uma subalocação de 11.7 pontos percentuais no ativo mais volátil.

Além disso, observa-se nesta metodologia um comportamento semelhante ao verificado na vol-inverse: erros de subestimação da volatilidade de um ativo levam a uma alocação desproporcionalmente maior nele, em comparação à subalocação causada pela superestimação da mesma volatilidade.

Tabela 5 – Erro de estimação no min-vol

Finalmente, analisando a metodologia max-sharpe, cujos resultados estão na Tabela 6, observamos que erros em qualquer um dos parâmetros levam a distorções na alocação. No entanto, os maiores desvios ocorreram quando houve subestimação das volatilidades. No cenário 5, por exemplo, a subestimação da volatilidade σ₁ resultou em uma superalocação de 12.7% no ativo 1 (w₁ = 38.6%, em vez de w₁ = 25.9%). Já no cenário 7, a subestimação da volatilidade σ_₂ levou a uma subalocação de 9.5% no ativo 1 (w₁ = 16.4%, em vez de w₁ = 25.9%).

Tabela 6 – Erro de estimação no max-sharpe

Para comparar as metodologias entre si, calculamos, para cada um dos 10 cenários analisados, a média dos valores absolutos das distâncias em relação aos respectivos portfólios de referência — isto é, aqueles que seriam obtidos caso todos os parâmetros fossem estimados com exatidão. A Tabela 7 resume esses resultados. Observa-se que o portfólio construído pela metodologia max-sharpe apresenta, em média, os maiores desvios em relação ao benchmark, indicando uma maior sensibilidade a erros de estimação. Em seguida, aparecem as metodologias min-vol, vol-inverse e, por fim, equal-weighted.

Tabela 7 – Sensibilidade das metodologias aos erros de estimação

Uma crítica importante à análise realizada até este ponto é que os erros de estimação foram considerados de forma isolada, avaliando o impacto de variações em apenas um parâmetro por vez. No entanto, na prática, ao utilizar dados históricos para estimar os parâmetros de retorno e risco, os erros de estimação ocorrem de forma conjunta — e, frequentemente, de maneira correlacionada.

Para capturar essa realidade, decidimos conduzir uma última análise. Utilizando um procedimento de Monte Carlo, realizamos 1,000,000 de simulações dos retornos dos dois ativos, assumindo a estrutura de normal bivariada com os parâmetros “reais” já definidos anteriormente. Em cada simulação, foi extraída uma amostra de tamanho 5 (coerente com as análises anteriores), a partir da qual estimamos os cinco parâmetros necessários: os dois retornos esperados, as duas volatilidades e a correlação entre os ativos. Calculamos então em cada uma das simulações os portfólios das 4 metodologias já descritas e, as respectivas diferenças em relação ao portfólio que teríamos se usássemos os parâmetros reais.

A Figura 1 apresenta o histograma normalizado das diferenças nos pesos alocados ao ativo 1 (w₁), calculadas com base nos parâmetros estimados em relação ao w₁ obtido com os parâmetros reais. Como algumas simulações resultaram em densidades muito elevadas — especialmente em situações em que a metodologia acaba zerando a alocação em um dos ativos — optamos por apresentar a figura principal com um “zoom” no eixo y (frequência), e incluir uma versão sem o zoom como um box dentro da própria figura, para visualização completa da distribuição.

O primeiro aspecto que salta aos olhos é a diferença na forma das distribuições entre as metodologias. A metodologia max-sharpe apresenta curtose significativamente maior, seguida pela min-vol, e por fim, pela vol-inverse, cuja distribuição é mais concentrada. Esse comportamento evidencia que a metodologia max-sharpe é a mais sensível a erros de estimação, estando sujeita a desvios mais acentuados nos pesos alocados.

Outro ponto importante é que tanto a max-sharpe quanto a min-vol, em uma fração não desprezível das simulações, acabam indevidamente zerando um dos ativos, o que indica fragilidade das soluções ótimas dessas metodologias sob incerteza estatística — especialmente em amostras pequenas. Esse fenômeno pode ser observado na Figura 1, pelas barras localizadas nas extremidades esquerda e direita do histograma, que aparecem desproporcionalmente elevadas. Elas representam os casos em que o peso de um dos ativos foi levado a zero — algo que não ocorreria na alocação baseada nos parâmetros reais.

Outra forma de visualizar a incidência desses erros extremos é calcular a frequência com que a diferença no peso alocado ao ativo 1 (w₁) excede um determinado limiar. Por exemplo, ao analisarmos o percentual de simulações em que o módulo da diferença em w₁ ultrapassou 15 pontos percentuais, encontramos os seguintes resultados: vol-inverse: 15.4%; min-vol: 35.1%; max-sharpe: 41.7%.

Esses números reforçam que, embora todas as metodologias estejam sujeitas a erros de estimação, as que dependem de mais parâmetros — especialmente os retornos esperados e correlações — apresentam maior propensão a desvios relevantes nas alocações.

Figura 1 – Histograma das diferenças no w₁

A Figura 2 apresenta o histograma normalizado das diferenças nos retornos esperados do portfólio, calculadas com os parâmetros estimados, em comparação com os valores obtidos com os parâmetros reais. Essa figura permite avaliar o viés e a dispersão das estimativas de retorno introduzidas por erros simultâneos na estimação dos parâmetros.

Conforme pode ser observado, a curva correspondente à metodologia max-sharpe se estende de forma mais acentuada à direita, indicando que essa abordagem é a mais suscetível a superestimações do retorno esperado — e, em particular, a superestimações de grande magnitude.

Ou seja, ao utilizar a metodologia max-sharpe com base em parâmetros estimados a partir de amostras pequenas, é relativamente comum que o investidor seja levado a crer que o retorno da carteira será maior do que de fato é, reforçando o risco de decisões excessivamente otimistas.

Figura 2 – Histograma das diferenças nos retornos esperados

Concluímos esta seção com uma reflexão central: na nossa opinião, fundamentada nos argumentos e evidências apresentados até aqui, pode ser perigoso que um processo de alocação dependa fortemente de estimativas de retorno esperado. Isso porque, além da incerteza inerente aos próprios retornos dos ativos, existe também uma camada adicional de incerteza relacionada à estimação do parâmetro de retorno esperado a partir de dados históricos — especialmente quando a amostra é limitada.

Assim, metodologias que exigem estimativas precisas de retorno — como a max-sharpe — tendem a ser mais vulneráveis a erros de alocação, potencialmente induzindo decisões excessivamente otimistas ou distorcidas frente à realidade estatística.

Na seção anterior desta carta investigamos o impacto dos erros de estimação dos parâmetros — retornos esperados, volatilidades e correlações — sobre diferentes metodologias de alocação de ativos. Constatamos que metodologias como max-sharpe e min-vol são particularmente sensíveis a tais incertezas, o que pode comprometer a robustez das alocações.

Nesta segunda parte, abordamos outro aspecto crucial de processos reais de asset allocation: a prática de se trabalhar com um nível de tracking error pré-estabelecido e um information ratio estimado, que juntos determinam o risco ativo e o retorno esperado em relação a um benchmark.

Neste estudo, adotamos uma abordagem em que a gestão ativa é implementada no nível da classe de ativos individualmente — por exemplo, dentro de um fundo com gestão ativa em uma classe específica. Nesse caso, se representarmos por X_i o benchmark da classe de ativos e por Y_i  a carteira gerida ativamente dentro dessa classe, temos:

Y_i =X_i+α_i

onde α_i representa a posição ativa em relação ao benchmark.

O tracking error é então definido como:

Ou seja, o tracking error mede o desvio padrão da posição ativa, sendo uma medida direta do risco adicional assumido em relação ao benchmark daquela classe.

Já o information ratio é definido como:

Ou seja, ele mede quanto de retorno ativo esperamos gerar por unidade de risco ativo (tracking error). Trata-se de uma métrica central em processos de gestão ativa, pois permite comparar diferentes estratégias não apenas em termos de retorno esperado, mas também em relação ao risco adicional que elas implicam frente ao benchmark. Quanto maior o IR, maior é a eficiência da alocação ativa em converter risco em retorno — e, portanto, mais justificável é o desvio em relação à alocação neutra da classe.

Pensando agora na posição ativa, uma abordagem comum entre fundos é a utilização de um processo de “alavancagem” ou “desalavancagem” em relação ao benchmark. Isso ocorre quando α_i , a posição ativa, apresenta correlação significativa com X_i, o benchmark da classe. Nesse caso, é comum modelar α_i como:

Onde  é a correlação entre a posição ativa e o benchmark.

O problema dessa estrutura é que, na prática, devido ao β_i​, a gestão ativa altera o risco efetivo alocado à classe de ativos ​X_i, distanciando-se da alocação originalmente definida no asset allocation. Se β_i for positivo, a alocação ativa resulta, de fato, em uma superalocação no risco da classe ​X_i​; se β_i for negativo, em uma subalocação.

Essa distorção pode comprometer o equilíbrio de risco pretendido na política de alocação, especialmente quando múltiplas classes são geridas ativamente de forma simultânea, cada uma potencialmente desviando do seu peso alvo. Isso pode ser problemático inclusive em metodologias mais simples, como a equal-weighted.

Outro caso comum em processos de gestão ativa é a utilização de portable alpha. Nessa abordagem, uma estratégia com retorno esperado positivo — independentemente da classe de ativos à qual pertence — é acoplada ao benchmark da classe, compondo a posição total.

A principal característica desse tipo de estratégia é que ela deve apresentar correlação próxima de zero com o benchmark da classe (​​​X_i) e, idealmente, com as demais classes do portfólio. Em outras palavras, a estratégia de alpha é “portável”: pode ser aplicada sobre qualquer base de benchmark, sem interferir diretamente na exposição direcional daquela classe.

Além disso, essa componente de alpha pode operar em ativos fora do universo de alocação original, como futuros de índices, pares de ações, estratégias sistemáticas de arbitragem, entre outras. Dessa forma, o gestor busca retorno adicional sem comprometer a estrutura de risco almejada pelo asset allocation, mantendo a separação entre decisões de beta (alocação estratégica) e alpha (gestão ativa pura).

Para formalizar as ideias discutidas até aqui, adotamos um modelo no qual os ativos ​X₁,​X₂ ​ e a posição ativa ​α_i​ seguem uma distribuição normal multivariada^[5]. Mais precisamente:

Essa estrutura nos permite incorporar, de forma explícita, não apenas os parâmetros tradicionais de média, volatilidade e correlação dos ativos, mas também o tracking error e o information ratio da posição ativa. O valor esperado de ​​α₁ é dado por ​TE₁​IR₁, e sua variância é TE₁​², conforme definido anteriormente. A correlação entre ​α₁ e ​X₁, capturada por ​​, determina o grau de alinhamento direcional entre a posição ativa e o benchmark da classe — o que, como vimos, pode gerar alavancagens ou desalavancagens não intencionais.

Considerando agora que a política de investimentos tenha determinado os pesos w₁ e w₂​ nos ativos X₁ e X₂​, um portfólio puramente passivo, isto é, que replica exatamente a alocação estratégica definida, apresentará retornos que seguem:

Dado que os ativos são normalmente distribuídos, o retorno do portfólio passivo também será normalmente distribuído, com média e variância dadas por:

Já uma alocação ativa em Y₁ substituindo parte da alocação passiva de X₁, com peso 0≤w₃≤w₁ implica em:

Este também seguirá uma distribuição normal, com média e variância dadas por:

Neste caso, observamos que a introdução da gestão ativa não apenas adiciona um componente de retorno adicional esperado, mas também modifica o risco total do portfólio — tanto pelo incremento direto da variância w₃²TE₁²​, quanto pela covariância adicional entre ​α₁ e X₁​. Esta última depende do grau de correlação entre a estratégia ativa e o benchmark, podendo representar uma alavancagem implícita no risco da classe.

Vamos agora refletir quando faz sentido ou não trocar o investimento passivo pelo ativo. Olhando as expressões acima, é imediato que desde que o IR₁​>0, o retorno ativo será superior ao retorno passivo. Já a análise em relação ao risco é um pouco mais complicada e dividiremos em alguns casos:

• Caso 1 – Redução de risco com alpha:

Se a condição:

for satisfeita, então o portfólio ativo terá risco total estritamente menor que o portfólio passivo. No entanto, essa desigualdade implica que

ou seja, a posição ativa estaria negativamente correlacionada com o benchmark, o que em termos práticos corresponderia a uma desalavancagem em ​ X₁— um ativo com μ₁>0. Isso sugere que tal configuração implicaria em um alpha “short” no ativo 1 e, isso seria incompatível a IR₁>0 ao mesmo tempo que μ₁>0. Em outras palavras, embora teoricamente possível, essa situação (simultaneamente )  na prática é difícil de ocorrer^[6].

• Caso 2 – Trade-off entre o retorno e risco aumentados:

Nas demais situações, o risco do portfólio ativo será maior que o do passivo, e o investidor precisará avaliar se o incremento no retorno compensa o aumento de risco. Para isso, assumimos que o investidor possui uma função utilidade quadrática da forma:

onde λ representa seu grau de aversão ao risco do investidor. Ao comparar o portfólio ativo com o passivo, obtemos a seguinte condição para que a substituição parcial faça sentido:

Ou de forma equivalente:

A expressão acima indica que, desde que IR₁>0, sempre existirá um valor de ​w₃ suficientemente pequeno para que faça sentido ao investidor substituir essa parcela da estratégia passiva por uma estratégia ativa — independentemente do seu grau de aversão ao risco λ. Em outras palavras, mesmo investidores altamente conservadores tolerariam uma alocação ativa marginal, desde que a eficiência da estratégia (medida pelo IR) seja positiva.

Trazendo essa discussão para termos práticos, destacamos o fundo Kad IMAB FIC FIF RF LP RL, um produto concebido justamente com base nesse raciocínio. Ele combina um portfólio de NTNBs que replica o risco do seu benchmark — o índice IMA-B — com estratégias de alpha portável, implementadas por meio de modelos quantitativos que operam outros ativos de renda fixa, descorrelacionadas do benchmark.

O fundo foi construído para operar com um tracking error em torno de 4% ao ano, buscando gerar retorno adicional de forma disciplinada e mensurável. E, desde seu início, vem cumprindo esse objetivo: até 31/03/2025, o fundo entregou um retorno acumulado de +26,95%, frente aos +23,44% do IMAB no mesmo período.

Na nossa visão — e com base em todos os argumentos apresentados ao longo deste relatório — trata-se de um produto que, na proporção adequada, pode fazer sentido para qualquer investidor que possua parte do portfólio alocado em ativos ligados à inflação. Ao aliar disciplina de risco, diversificação e geração consistente de alfa, ele ilustra de forma concreta como aplicar com rigor os conceitos de gestão ativa em um contexto real.

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