Como personalizar um índice? Dois casos práticos

indices etf
Créditos: Markus Spiske (Unsplash)

Os índices existem há muito tempo. O primeiro foi criado por volta de 1884, quando o Dow Jones Transportation Average foi calculado pela primeira vez e ainda hoje é utilizado. Em 1896, Charles Dow lançou o famoso índice de referência norte-americano, o Dow Jones Industrial Average (DJIA). Na altura, era formado por um conjunto controlável de 12 empresas. Entre elas estava a Generic Electric, que fez parte do índice até 2018.

Atualmente, existe uma oferta consideravelmente maior no mundo dos ETF. Existe uma ampla gama de fornecedores de índices de mercados. Os três maiores fornecedores de índices do mundo são a S&P Dow Jones Indices, a MSCI e a FTSE Russell. A sua quota de mercado mundial ultrapassava os 70% em 2020. Também existem outros fornecedores como a Bloomberg, a Morningstar, a CRSP e a Solactive.

Os índices tornaram-se mais inovadores, especialmente nos últimos tempos. Em particular, alguns dos novos players deste mercado fornecem índices cada vez mais exclusivos e diferenciados. Embora há 30 anos os índices gerais ponderados por capitalização fossem a norma, deu-se um crescimento e uma maior procura por estratégias mais específicas, por exemplo, índices setoriais, índices fatoriais (smart beta) e, agora, índices temáticos.

Escolher o índice adequado pode ajudar a determinar o sucesso de um ETF. Durante o desenvolvimento do índice são tomadas numerosas decisões que podem influenciar consideravelmente o resultado de investimento de um fundo cotado. Por isso, é essencial escolher o índice adequado, ou personalizar o que já existe. Neste sentido, os emitentes de ETF podem trabalhar com fornecedores de índices para personalizar os indicadores com o objetivo de conseguir a exposição exata necessária. Como fazê-lo?

Caso prático n.º 1: família de índices Quality Income

Em 2017, a Fidelity International entrou no mercado dos ETF domiciliados na Europa com o lançamento de dois Quality Income ETF que reproduzem índices da gestora. Esta gama é formada por quatro exposições regionais. Os índices foram desenvolvidos pelas equipas quantitativas da Fidelity e foram concebidos para oferecer aos investidores exposição a empresas de elevada qualidade que pagam dividendos. Estes índices utilizam definições de fatores personalizadas. Incorporam um filtro de qualidade para garantir que empresas não sejam incluídas devido à queda das suas cotações.

Estas estratégias têm restrições setoriais e de países para impedir grandes apostas involuntárias face ao conjunto do mercado. Do ponto de vista da alocação de ativos, é muito semelhante aos respetivos índices gerais de mercado. Entre outras coisas, com isto conseguem impedir que as exposições defensivas com um crescimento escasso tenham demasiado peso. Estes índices também contam com várias exclusões, cujo alcance é definido pela análise de sustentabilidade da Fidelity.

Caso prático n.º 2: família de índices Thematic ESG Tilted

Em 2022 a gestora lançou um segundo conjunto de ETF de gestão passiva com cinco carteiras temáticas que reproduzem índices da entidade. Os índices da Fidelity para estes temas já estavam disponíveis, uma vez que já tinham lançado ETF domiciliados nos EUA que os reproduziam. No entanto, atendendo ao clima atual, consideraram ser necessário mais personalização para garantir que os índices abordam suficientemente os requisitos ESG do mercado europeu.

Na hora de desenvolver os índices, a gestora detetou e definiu, através da análise fundamental, subtemas e componentes das cadeias de valor relacionados com cada tema. A análise de sustentabilidade da empresa anglo-saxónica definiu o alcance das regras ESG necessárias para a sua integração na metodologia dos índices e os recursos quantitativos da gestora criaram processos sistemáticos para identificar valores pertinentes para os temas.  

As metodologias incluíam um filtro de qualidade temática. Estes filtros são de qualidade própria e específicos para cada tema que fornecem camadas adicionais de mitigação do risco e ajudam a excluir valores que possam ter um risco especialmente elevado. Além disso, calcularam uma pontuação de relevância temática utilizando uma combinação de dados de rendimento e processamento da linguagem natural para ajudar a filtrar e a fundamentar uma pontuação de relevância temática própria.