Risco vs Retorno, Explicado: Simulações Simples que Qualquer Pessoa Pode Executar

A maioria dos debates sobre investimento acaba da mesma forma: alguém diz “retorno mais alto significa risco mais alto” e todos acenam sem concordar sobre o que cada uma dessas palavras realmente significa.

Por que as simulações batem slogans

Risco e retorno vivem na probabilidade. Pode ler definições o dia todo, mas algumas simulações rápidas tornam a relação palpável — porque vai ver com que frequência as coisas correm bem, o quão mal podem correr e o que a “média” esconde.

Uma simulação é apenas amostragem repetida a partir de um modelo. Em finanças, isso normalmente significa gerar muitos caminhos possíveis para um investimento e estudar a distribuição de resultados. Isso é o decision_models em ação: escolhe pressupostos, executa cenários e decide sob incerteza.

Antes dos experimentos, um vocabulário partilhado:

• Retorno: a variação de valor, normalmente medida como percentagem ao longo de um período.
• Retorno esperado: a média ponderada pela probabilidade dos resultados (o “centro de gravidade”).
• Risco: não é uma única coisa. Substitutos comuns incluem volatilidade, probabilidade de perda, dimensão das quebras (drawdowns) e a hipótese de falhar um objetivo.
• Distribuição: a dispersão dos resultados possíveis; as caudas importam.
• Dependência do caminho: a rota tomada importa, não apenas o início e o fim (especialmente com levantamentos).

O objetivo não é “prever” os mercados. É clarificar os trade-offs.

Simulação 1: O portfólio cara-ou-coroa (valor esperado vs experiência vivida)

Comece com o gerador de retornos mais simples possível:

• Cada ano, o investimento ou ganha +20% ou perde -15%.
• Probabilidade 50/50.
• Investimento por 20 anos.

O que a matemática diz

A média aritmética de retorno por ano é:

• (20% + (-15%)) / 2 = 2,5%

Por isso pode supor que, após 20 anos, deverá estar confortavelmente à frente.

Mas o juro composto não se baseia em médias aritméticas. Se alternar subidas e descidas, multiplica:

• Ano de alta: ×1,20
• Ano de baixa: ×0,85

Um ciclo de dois anos torna-se ×(1.20 × 0.85) = ×1.02, ou cerca de 2% em dois anos, o que equivale a aproximadamente 1% ao ano de crescimento geométrico nesse caso de alternância.

E torna-se mais subtil: mesmo com os mesmos resultados anuais, a ordem altera a profundidade das perdas intermédias, o que afeta o comportamento real (venda por pânico) e quaisquer fluxos de caixa (contribuições/levantamentos).

O que a simulação revela

Se executar, por exemplo, 10 000 sequências aleatórias de 20 anos, tipicamente observará:

• Uma grande variedade de riqueza final apesar de a distribuição anual ser idêntica todos os anos.
• Muitos caminhos concentram-se em torno de um ganho de longo prazo modesto, mas uma parcela não trivial fica estagnada ou em queda.
• O valor final mediano pode ficar significativamente abaixo do que a média aritmética “sugere”.

Lição do modelo de decisão: o retorno esperado não é uma promessa; é uma média ponderada através de futuros que não irá viver. Você vai experienciar um caminho.

Se quiser implementar isto rapidamente numa folha de cálculo:

1. Numa coluna, gere 20 números aleatórios (RAND()).
2. Converta cada um num retorno: se RAND() < 0.5 então 0.20 senão -0.15.
3. Calcule a riqueza acumulada com um produto em cadeia.
4. Copie todo o bloco para baixo 10 000 linhas.

Terá uma distribuição, não uma estimativa pontual.

Simulação 2: Mesmo retorno médio, volatilidade diferente (o imposto da volatilidade)

Agora compare dois ativos com o mesmo retorno médio anual mas variabilidade diferente:

• Ativo A (suave): +6% todos os anos (obviamente irrealista, mas limpo).
• Ativo B (irregular): alterna entre +18% e -6% em ordem aleatória.

Ambos têm uma média aritmética de cerca de 6%. Muitos iniciantes esperam resultados de longo prazo semelhantes.

Por que divergem

O juro composto penaliza a volatilidade porque perdas exigem ganhos subsequentes maiores para recuperar. Um ano de -20% precisa de +25% só para empatar.

Se simular resultados a 30 anos:

• O Ativo A produz um único valor final: capitalização previsível.
• O Ativo B produz uma dispersão de finais, e o resultado típico (mediana) é frequentemente inferior ao do Ativo A — apesar de a média dos retornos anuais coincidir.

Este é o efeito do arrasto da volatilidade. Em termos formais, para pequenos retornos, a média geométrica é aproximadamente:

• geométrica ≈ aritmética − (variância / 2)

A intuição é mais importante que a fórmula: a variância drena retorno quando se capitaliza.

Lição do modelo de decisão: quando escolhe “risco”, pode estar a pagar pela possibilidade de um resultado maior, mas também está a aceitar uma headwind estrutural no crescimento composto típico.

Simulação 3: Dois ativos arriscados: diversificação molda a distribuição

O risco não é só sobre cada ativo; é também sobre como eles se movem em conjunto.

Configure dois ativos:

• Ativo 1: retorno esperado 8%, volatilidade 18%
• Ativo 2: retorno esperado 6%, volatilidade 10%

Agora varie a correlação entre eles:

• Caso X: correlação +0,9 (movem-se juntos)
• Caso Y: correlação 0,0 (independentes-ish)
• Caso Z: correlação -0,3 (alguma compensação)

Se simular retornos de carteira com distintos pesos (por exemplo, 60/40, 50/50), normalmente irá encontrar:

• Com alta correlação (+0,9), a diversificação pouco ajuda. Anos ruins tendem a ser ruins em conjunto.
• Com correlação baixa ou negativa, a volatilidade da carteira cai mais do que poderia supor, e a cauda esquerda (grandes perdas) frequentemente encolhe.
• O retorno esperado é mais ou menos uma média ponderada; o risco não é.

Aqui a construção de carteira deixa de ser um slogan e torna-se um exercício quantitativo de decision_models: não está apenas a escolher “bons ativos”, está a engenhar a distribuição de resultados.

Uma forma prática de visualizar isto sem matemática pesada:

• Simule retornos anuais para cada ativo (a Normal é uma suposição toy comum).
• Para retornos correlacionados, gere duas variáveis aleatórias com componentes partilhados (por exemplo, r2 = corr*r1 + sqrt(1-corr^2)*noise após padronizar).
• Combine por pesos e capitaliza ao longo do tempo.

Depois compare:

• Mediana da riqueza final
• Percentil 10 da riqueza final (um futuro “mau mas plausível”)
• Distribuição de máximo drawdown

A melhor carteira não é necessariamente aquela com maior média; é a que cujos casos maus consegue sobreviver.

_{Photo by Sajad Nori on Unsplash}

Simulação 4: Risco de ruína (quando o “retorno médio” se torna irrelevante)

Muitos objetivos de finanças pessoais não são sobre maximizar riqueza; são sobre não falhar.

Imagine um reformado com:

• Portfolio inicial de $1 000 000
• Levanta $45 000 por ano (ajustados pela inflação)
• Investido numa carteira com retorno esperado de 6% e volatilidade de 12%
• Horizonte: 30 anos

Agora simule 10 000 caminhos de retornos. Acompanhe se o portfólio alguma vez chega a zero.

O que aprende rapidamente:

• Duas carteiras com o mesmo retorno esperado de longo prazo podem ter probabilidades de ruína dramaticamente diferentes dependendo da volatilidade e dos retornos iniciais.
• O risco da sequência de retornos é real: retornos maus nos primeiros 5–10 anos podem ser fatais, mesmo que os retornos posteriores sejam fortes.
• Resultados medianos podem parecer aceitáveis enquanto a cauda esquerda inclui catástrofes genuínas.

Isto é uma das lições mais claras sobre “risco vs retorno” porque altera a função objetivo. O modelo de decisão não é “maximizar a riqueza final esperada”. É “maximizar a probabilidade de financiar os gastos” ou “manter a probabilidade de ruína abaixo de 5%”.

Nesse enquadramento:

• Uma mistura de menor retorno e menor volatilidade pode ser melhor se reduzir perdas iniciais graves.
• Reservas de caixa e regras de gasto dinâmicas podem dominar pequenas mudanças no retorno esperado.

Simulação 5: Contribuições invertem a intuição usual

A maioria das pessoas investe enquanto aporta dinheiro (retiradas do ordenado, depósitos mensais). Isso muda o que “risco” significa.

Considere dois investidores a poupar $500 por mês durante 25 anos:

• Investidor Calmo: investe num fundo de baixa volatilidade com menor retorno esperado.
• Investidor Ousado: investe num fundo de maior volatilidade com retorno esperado mais alto.

Execute uma simulação com volatilidade mensal realista. Frequentemente verá algo contraintuitivo:

• Quando está a contribuir, a volatilidade pode por vezes ajudar porque compra mais unidades quando os preços estão baixos (dollar-cost averaging).
• Mas esse benefício não é mágico. Se a volatilidade vier com quebras profundas e prolongadas, ainda pode acabar com menos — especialmente se o retorno esperado não for significativamente superior.

Este é um bom local para focar na distribuição de resultados, não num único número:

• Qual é o balanço final no percentil 25?
• Com que frequência o Ousado supera o Calmo?
• Qual é a pior quebra ao longo do caminho (o teste de “continuar investido”)?

Lição do modelo de decisão: a tolerância ao risco não é apenas emocional; está ligada à estrutura de fluxos de caixa. Contribuintes podem às vezes “permitir” mais volatilidade do que retiradores — mas apenas se realmente permanecerem investidos.

A variável oculta: aquilo que chama “risco” muda a resposta

Os investidores falam uns com os outros porque usam métricas de risco diferentes. As simulações permitem calcular várias em simultâneo:

• Volatilidade (desvio padrão): comum, mas trata igualmente subida e descida.
• Max drawdown: capta o soco psicológico e o problema da venda forçada.
• Probabilidade de perda ao longo do horizonte: “Qual a hipótese de estar em perda após 10 anos?”
• Risco de insuficiência (shortfall): “Qual a probabilidade de falhar atingir $X até ao ano Y?”
• Value at Risk (VaR): uma medida de perda por percentil; fácil de usar mal.
• Condicional VaR / Expected Shortfall: perda média na pior cauda.

Uma carteira pode parecer “baixo risco” pela volatilidade mas ainda assim ter riscos de cauda feios. Outra pode parecer assustadora pela volatilidade mas raramente produzir drawdowns catastróficos se mean-reverter e for diversificada.

Por isso, quando alguém diz “isto é mais arriscado”, a próxima pergunta deve ser: mais arriscado por qual definição?

Construir um modelo de decisão simples: escolha primeiro o objetivo

Um modelo de decisão limpo em investimento tem três partes:

1. Objetivo: maximizar riqueza esperada, minimizar probabilidade de ruína, atingir um objetivo com elevada confiança, etc.
2. Restrições: drawdown máximo tolerado, necessidades de liquidez, horizonte temporal, regras de alavancagem.
3. Método de avaliação: simulação que produz distribuições de resultados, mais métricas que correspondam ao objetivo.

Aqui está um fluxo de trabalho prático que pode usar com ferramentas básicas:

• Escolha 2–4 carteiras candidatas (por exemplo, 80/20, 60/40, 40/60, ou uma mistura ações/obrigações/cash).
• Para cada carteira, simule 10 000 caminhos com retornos mensais para realismo.
• Meça:
  • Valor final mediano
  • Valor final no percentil 10
  • Percentil do máximo drawdown (por exemplo, drawdown no percentil 90)
  • Probabilidade de atingir o seu objetivo
• Escolha a carteira que se encaixa nas suas restrições e tem a melhor taxa de sucesso para o objetivo — não aquela com a média mais bonita.

Isto não é exagero. É a diferença entre “espero que isto funcione” e “escolhi um plano cujos casos maus consigo suportar”.

Escolhas comuns em simulações — e o que silenciosamente assumem

Nenhuma simulação é neutra. Cada uma incorpora pressupostos que podem subestimar ou exagerar o risco.

Retornos normais (o modelo toy clássico)

Prós:

• Simples
• Fácil de codificar
• Frequentemente “suficiente” para intuição

Contras:

• Subestima crashes (caudas gordas)
• Pode gerar resultados impossíveis (retornos muito negativos)

Bootstrap de retornos históricos

Prós:

• Preserva enviesamento real e caudas gordas (até certo ponto)
• Intuitivo: “re-amostrar o que aconteceu”

Contras:

• Assume que o futuro se parece com o passado
• Perde mudanças de regime a menos que a sua história as inclua

Modelos de regimes (calmo vs crise)

Prós:

• Captura clustering de volatilidade (tempos maus vêm em série)
• Produz comportamento de drawdown mais realista

Contras:

• Mais parâmetros, mais espaço para enganar-se a si próprio

O truque pedagógico é executar os três e ver quão sensível é a sua conclusão. Se o seu plano só funciona sob os pressupostos mais favoráveis, não tem um plano — tem uma esperança.

Um mini laboratório prático que pode executar este fim de semana

Abaixo está um conjunto de “produtos” no sentido de pequenos experimentos executáveis. Não são produtos financeiros; são módulos de simulação que pode construir numa folha de cálculo, Python ou R.

1. Laboratório geométrico vs aritmético

   • Simule um investimento de dois resultados (+a% / -b%) e compare a média aritmética com o resultado composto mediano.

2. Laboratório do arrasto da volatilidade

   • Crie dois ativos com o mesmo retorno médio e volatilidades diferentes; capitalize caminhos de 30 anos e compare medianas e caudas.

3. Laboratório de correlação & diversificação

   • Gere duas séries de retornos correlacionadas; teste 100 ponderações diferentes; plote métricas de risco vs retorno esperado.

4. Laboratório de reforma: sequência de retornos

   • Adicione levantamentos; calcule probabilidade de ruína e distribuição de saldos finais.

5. Laboratório de investimento baseado em objetivo

   • Defina uma meta (por exemplo, $800k em 15 anos). Compare carteiras pela probabilidade de atingir o objetivo em vez da média de retorno.

Execute estes e irá notar algo que os gráficos raramente mostram: o risco não é um único botão. É um conjunto de trade-offs que surgem de forma diferente conforme o objetivo.

Como os profissionais leem a mesma simulação de forma diferente dos amadores

Duas pessoas podem olhar para o mesmo gráfico de Monte Carlo e sair com conclusões diferentes.

Um iniciante vê: “O resultado médio é ótimo.”

Um alocador experiente olha para:

• Espessura da cauda esquerda: quão feios são os piores 5–10% dos resultados?
• Duração do drawdown: não apenas o quão profundo cai, mas quanto tempo fica submerso.
• Agrupamento: os anos maus vêm em séries?
• Sensibilidade: se os retornos esperados forem 1–2% mais baixos do que o suposto, o plano colapsa?
• Viabilidade comportamental: um humano consegue manter isto quando está -35%?

Esse último ponto é desconfortável mas central. O melhor modelo de decisão inclui o decisor. Se a sua estratégia exige disciplina monástica que você não tem, a carteira “ótima” é um tigre de papel.

Risco vs retorno, dito de forma direta após as simulações

O retorno é o que quer. O risco é o conjunto de formas pelas quais pode não o obter — ou pode não conseguir aguentar tempo suficiente para o realizar.

As simulações transformam isso em algo concreto:

• Maior retorno esperado normalmente exige aceitar uma distribuição mais ampla de resultados.
• A volatilidade reduz o crescimento composto típico a menos que seja compensada por maior retorno esperado.
• A diversificação pode melhorar a distribuição sem sacrificar muito o retorno esperado, mas apenas quando as correlações ajudam.
• Fluxos de caixa (poupança vs levantamento) mudam que riscos são mais relevantes.
• A “melhor” escolha depende do objetivo: maximizar riqueza, evitar ruína ou atingir um objetivo com alta confiança.

Se estiver disposto a executar mesmo uma simulação básica numa folha de cálculo, deixa de perguntar “Qual é o melhor investimento?” e começa a fazer a pergunta que realmente paga: Que distribuição de resultados consigo viver, e qual me dá a maior probabilidade de atingir o meu objetivo?

External Links

Risk vs. Return Explained Like You’re 5 (But Smarter) - YouTube Risk and Return Explained - Financial Edge #KB Risk Analysis — Part 2- Simulation Models | by Prof. Frenzel Investing: Risk and return (article) | Khan Academy Risk-Return Tradeoff: How the Investment Principle Works

External References

• arithmetic return lab
• Volatility drag lab
• diversification lab
• Sequence of returns retirement lab
• Target based investing lab