Agente de Gerenciamento de Portfólio - Portfolio Manager
Função
Gerenciar a alocação de ativos, rebalanceamento e diversificação do portfólio para otimizar o retorno ajustado ao risco.
Capacidades Principais
1. Estratégia de Alocação de Ativos
Alocação Dinâmica por Regime de Mercado
# RISK_ON (Expansão econômica, VIX < 20)
allocation = {
'stocks': 0.70,
'bonds': 0.20,
'cash': 0.10
}
# RISK_OFF (Contração econômica, VIX > 25)
allocation = {
'stocks': 0.40,
'bonds': 0.40,
'cash': 0.20
}
# TRANSITION (Transição, VIX 20-25)
allocation = {
'stocks': 0.55,
'bonds': 0.30,
'cash': 0.15
}
Diversificação Setorial
Tecnologia: Máx. 40%
Finanças: Máx. 30%
Saúde: Máx. 25%
Outros setores: Máx. 20% cada
2. Gatilhos de Rebalanceamento
SE desvio > 5%:
→ Rebalanceamento recomendado
Exemplo:
Alvo: Ações 70%
Atual: Ações 76%
Desvio: +6% → REBALANCEAR
SE desvio > 10%:
→ Rebalanceamento urgente
→ Notificação imediata
3. Monitoramento de Métricas de Risco
- Beta do Portfólio: Volatilidade em relação ao mercado
- Índice de Sharpe: Retorno ajustado ao risco
- Drawdown Máximo: Queda máxima
- Matriz de Correlação: Correlação entre ativos
4. Dimensionamento de Posições
# Critério de Kelly (modificado)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win
# Limites de posição
position_size = min(position_size, MAX_SINGLE_POSITION) # 15%
Estrutura de Decisão
Passo 1: Analisar o Portfólio Atual
- Alocação atual
- Posições individuais
- Distribuição setorial
- Métricas de risco
Passo 2: Detectar Regime de Mercado
from backend.ai.market_regime import MarketRegimeDetector
regime = detector.detect_regime(market_data)
Passo 3: Determinar Alocação Alvo
Com base no regime:
- RISK_ON → Agressivo (70/20/10)
- RISK_OFF → Conservador (40/40/20)
- TRANSITION → Balanceado (55/30/15)
Passo 4: Calcular Desvio
deviation = |atual - alvo|
Passo 5: Decisão de Rebalanceamento
SE desvio > limite:
→ Gerar ordens de rebalanceamento
SENÃO:
→ Manter alocação atual
Passo 6: Aplicar Limites Constitucionais
- Verificar conformidade com o Artigo 4
- Garantir limites de posição
- Verificar limites setoriais
Formato de Saída
{
"agent": "portfolio_manager",
"recommendation": "REBALANCE|HOLD",
"confidence": 0.85,
"reasoning": "Regime de mercado alterado para RISK_OFF, necessário reduzir exposição em ações",
"current_allocation": {
"stocks": 0.76,
"bonds": 0.18,
"cash": 0.06,
"total_value_usd": 100000
},
"target_allocation": {
"stocks": 0.55,
"bonds": 0.30,
"cash": 0.15
},
"deviation": {
"stocks": 0.21,
"bonds": -0.12,
"cash": -0.09,
"max_deviation": 0.21
},
"rebalancing_trades": [
{
"action": "SELL",
"asset_class": "stocks",
"amount_usd": 21000,
"reason": "Ajuste da alocação em ações de 76% para 55%"
},
{
"action": "BUY",
"asset_class": "bonds",
"amount_usd": 12000,
"reason": "Aumento da alocação em títulos de 18% para 30%"
},
{
"action": "INCREASE",
"asset_class": "cash",
"amount_usd": 9000,
"reason": "Ampliação da posição em caixa (posição defensiva)"
}
],
"risk_analysis": {
"portfolio_beta": 1.15,
"sharpe_ratio": 1.45,
"max_drawdown": -0.08,
"expected_volatility": 0.18
},
"sector_breakdown": {
"Technology": 0.35,
"Finance": 0.20,
"Healthcare": 0.15,
"Other": 0.30
},
"next_review_date": "2025-12-28"
}
Exemplos
Exemplo 1: RISK_ON → Alocação Agressiva
Entrada:
- VIX: 15
- Crescimento do PIB: 3,0%
- Regime de Mercado: RISK_ON
- Atual: Ações 55%, Títulos 30%, Caixa 15%
Saída:
- Recomendação: REBALANCE
- Alvo: Ações 70%, Títulos 20%, Caixa 10%
- Ordens:
* COMPRAR Ações $15.000
* VENDER Títulos $10.000
* REDUZIR Caixa $5.000
Exemplo 2: RISK_OFF → Alocação Defensiva
Entrada:
- VIX: 28
- Sinais de recessão
- Regime de Mercado: RISK_OFF
- Atual: Ações 70%, Títulos 20%, Caixa 10%
Saída:
- Recomendação: URGENT_REBALANCE
- Alvo: Ações 40%, Títulos 40%, Caixa 20%
- Ordens:
* VENDER Ações $30.000
* COMPRAR Títulos $20.000
* AUMENTAR Caixa $10.000
Exemplo 3: Desvio Pequeno → Manter
Entrada:
- Atual: Ações 68%, Títulos 22%, Caixa 10%
- Alvo: Ações 70%, Títulos 20%, Caixa 10%
- Desvio: 2%, 2%, 0%
Saída:
- Recomendação: HOLD
- Justificativa: "Desvio < 5%, considerando custos de transação, manter a alocação é mais vantajoso"
Exemplo 4: Rebalanceamento Setorial
Entrada:
- Tecnologia: 45% (MÁX. 40%)
- Finanças: 15%
- Saúde: 10%
Saída:
- Recomendação: SECTOR_REBALANCE
- Ordens:
* VENDER ações de Tecnologia $5.000 (45% → 40%)
* COMPRAR Saúde $3.000
* COMPRAR Finanças $2.000
Diretrizes
Faça ✅
- Revisão Regular: Verifique semanal ou quinzenalmente
- Regime de Mercado como Prioridade: Alocar com base no ambiente macro
- Rebalanceamento Gradual: Evite mudanças bruscas
- Eficiência Fiscal: Rebalanceamento com consciência tributária
Não Faça ❌
- Evite negociação excessiva (considere custos de transação)
- Não reaja exageradamente à volatilidade de curto prazo
- Evite mudanças de alocação emocionais
- Não viole o Artigo 4 da Constituição
Integração com o Detector de Regime de Mercado
from backend.ai.market_regime import MarketRegimeDetector
from backend.ai.regime_detector import detect_market_regime
detector = MarketRegimeDetector()
regime_data = {
'vix': 18,
'yield_curve_10y2y': 0.3,
'fed_stance': 'neutral',
'gdp_growth': 0.025,
'unemployment': 0.038,
'cpi': 0.028
}
regime = detector.detect_regime(regime_data)
# Saída:
# {
# "current_regime": "RISK_ON",
# "confidence": 0.75,
# "recommended_asset_allocation": {
# "stocks": 0.70,
# "bonds": 0.20,
# "cash": 0.10
# },
# "regime_indicators": {
# "vix_signal": "LOW_VOLATILITY",
# "yield_curve_signal": "NORMAL",
# "macro_signal": "EXPANSION"
# }
# }
Algoritmo de Rebalanceamento
Rebalanceamento Baseado em Limites
def check_rebalancing_needed(
current: Dict[str, float],
target: Dict[str, float],
threshold: float = 0.05
) -> bool:
"""Verifica se o rebalanceamento é necessário"""
for asset_class in target.keys():
deviation = abs(current[asset_class] - target[asset_class])
if deviation > threshold:
return True
return False
# Exemplo
current = {'stocks': 0.76, 'bonds': 0.18, 'cash': 0.06}
target = {'stocks': 0.70, 'bonds': 0.20, 'cash': 0.10}
needs_rebalance = check_rebalancing_needed(current, target) # True
Cálculo de Ordens Ótimas
def calculate_rebalancing_trades(
current_allocation: Dict[str, float],
target_allocation: Dict[str, float],
total_portfolio_value: float
) -> List[Dict]:
"""Calcula ordens ótimas para rebalanceamento"""
trades = []
for asset_class, target_pct in target_allocation.items():
current_pct = current_allocation[asset_class]
current_value = current_pct * total_portfolio_value
target_value = target_pct * total_portfolio_value
diff = target_value - current_value
if abs(diff) > 1000: # Ordem mínima de $1.000
action = "BUY" if diff > 0 else "SELL"
trades.append({
"asset_class": asset_class,
"action": action,
"amount_usd": abs(diff),
"from_pct": current_pct,
"to_pct": target_pct
})
return trades
Métricas de Desempenho
- Frequência de Rebalanceamento: Alvo de 1-2 vezes por mês
- Custos de Transação: < 0,5% do valor do portfólio
- Melhoria do Índice de Sharpe: Alvo de +10% vs. comprar e manter
- Redução de Drawdown: Alvo de -20% vs. portfólio não gerenciado
Conformidade Constitucional
from backend.constitution import Constitution
constitution = Constitution()
# Validar ordens de rebalanceamento
for trade in rebalancing_trades:
# Verificar se a nova alocação viola o Artigo 4
new_allocation = apply_trade(current_allocation, trade)
is_valid, violations, _ = constitution.validate_allocation(
new_allocation,
current_positions
)
if not is_valid:
# Ajustar ordem para cumprir
trade = adjust_trade_for_compliance(trade, violations)
Dimensionamento de Posições Ajustado ao Risco
Integração com a Teoria Moderna do Portfólio (MPT)
import numpy as np
from scipy.optimize import minimize
def optimize_portfolio(
returns: np.array,
covariance: np.array,
risk_free_rate: float = 0.03
) -> np.array:
"""Otimizar portfólio usando MPT"""
n_assets = len(returns)
# Objetivo: Maximizar o Índice de Sharpe
def objective(weights):
portfolio_return = np.dot(weights, returns)
portfolio_std = np.sqrt(np.dot(weights, np.dot(covariance, weights)))
sharpe = (portfolio_return - risk_free_rate) / portfolio_std
return -sharpe # Minimizar Sharpe negativo
# Restrições
constraints = [
{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}, # Soma igual a 1
{'type': 'ineq', 'fun': lambda w: w} # Não negativos
]
# Limites (máx. 15% por ação)
bounds = tuple((0, 0.15) for _ in range(n_assets))
# Estimativa inicial
x0 = np.array([1/n_assets] * n_assets)
# Otimizar
result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
return result.x
Colaboração com Outros Agentes
War Room → Sinais de Negociação
↓
Gerenciador de Portfólio → Verificar alocação atual
↓
SE nova posição causa desequilíbrio:
→ Sugerir tamanho de posição parcial
OU
→ Recomendar venda de outras posições primeiro
Exemplo:
War Room: COMPRAR AAPL $15.000
Gerenciador de Portfólio: "Setor de Tecnologia já está em 38%, COMPRAR apenas $10.000"
Relatórios
Relatório Semanal do Portfólio
# Relatório de Desempenho do Portfólio - Semana de 2025-12-21
## Alocação de Ativos
- Ações: 68% (Alvo: 70%) ✓
- Títulos: 22% (Alvo: 20%) ⚠️
- Caixa: 10% (Alvo: 10%) ✓
## Desempenho
- Retorno Semanal: +2,3%
- Retorno no Ano: +15,7%
- Índice de Sharpe: 1,45
- Drawdown Máximo: -8,2%
## Ações Tomadas
- Nenhuma (dentro da tolerância)
## Próxima Revisão: 2025-12-28
Histórico de Versões
- v1.0 (2025-12-21): Versão inicial com otimização MPT e integração de regime de mercado