1. Introdução

A gestão do fluxo de caixa constitui um elemento central na tomada de decisão financeira, pois envolve a coordenação temporal de entradas e saídas de recursos para assegurar liquidez, solvência e retorno econômico. Problemas de planejamento de caixa são intrinsicamente dinâmicos e demandam decisões de alocação ao longo de múltiplos períodos, levando em conta restrições operacionais e características específicas dos instrumentos financeiros, como prazos (maturidades) e taxas de retorno.

Este trabalho apresenta um modelo matemático para otimização do fluxo de caixa em horizonte multi-período, desenvolvido de modo evolutivo: parte-se de uma formulação básica que capta a dinâmica essencial do caixa e, successivamente, acrescentam-se componentes que aumentam o realismo do modelo (retornos defasados por maturidade, limites condicionais e decisões binárias de ativação de investimentos), até chegar a uma formulação final em Programação Linear Mista Inteira (PLMI).

O objetivo principal é determinar políticas de investimento que maximizem o caixa disponível ao final do horizonte de planejamento, respeitando as restrições impostas. Além da exposição formal do modelo, discute-se a interpretação econômica das variáveis e restrições, bem como aspectos computacionais relevantes para a sua resolução — em particular, as implicações da presença de variáveis inteiras sobre a técnica de solução adotada.

2. Fundamentação Teórica

2.1 Otimização Matemática

A otimização matemática trata do problema de escolher valores para um conjunto de variáveis de decisão de forma a maximizar ou minimizar uma determinada função objetivo, respeitando um conjunto de restrições que representam limitações físicas, financeiras, operacionais ou institucionais. Além das variáveis, o modelo é caracterizado por parâmetros, que são valores conhecidos a priori e definem a instância específica do problema, como caixa inicial, taxas de retorno ou limites contratuais.

De maneira geral, um problema de otimização pode ser representado como:

\[ \max_{x} \; f(x;\theta) \quad \text{sujeito a} \quad g_i(x;\theta) \le b_i(\theta), \quad i=1,\dots,m, \]

em que \(x \in \mathbb{R}^n\) representa o vetor de variáveis de decisão e \(\theta\) denota o vetor de parâmetros do modelo. A função objetivo \(f\) quantifica o critério de desempenho a ser otimizado, enquanto as funções \(g_i\) descrevem as restrições impostas ao sistema.

No contexto financeiro, essa estrutura permite formalizar decisões de alocação de recursos, nas quais se busca maximizar retorno ou utilidade, respeitando restrições de orçamento, liquidez e risco.

2.2 Programação Linear (PL)

A Programação Linear (PL) é uma classe particular de problemas de otimização em que tanto a função objetivo quanto as restrições são lineares em relação às variáveis de decisão. Sua forma padrão pode ser escrita como:

\[ \max_{x}\; c^\top x \quad \text{sujeito a} \quad Ax \le b, \quad x \ge 0, \]

onde \(c \in \mathbb{R}^n\), \(A \in \mathbb{R}^{m \times n}\) e \(b \in \mathbb{R}^m\) podem depender de parâmetros exógenos. A região viável definida por essas restrições é um conjunto convexo (um politopo), o que garante que qualquer ótimo local é também ótimo global.

Essa propriedade geométrica é fundamental: em problemas lineares, se uma solução ótima existe, ela ocorre em um dos vértices da região viável. Tal fato justifica o uso de algoritmos eficientes como o método Simplex e os métodos de pontos interiores, que exploram essa estrutura para resolver problemas de grande escala.

Em aplicações financeiras, a PL é frequentemente utilizada para modelar problemas de alocação de capital com retornos proporcionais, planejamento de caixa e balanceamento de portfólios sob hipóteses de linearidade.

2.3 Programação Linear Mista Inteira (PLMI)

Em muitos problemas reais, nem todas as decisões podem ser representadas por variáveis contínuas. Algumas escolhas são inerentemente discretas, como ativar ou não um projeto, abrir ou fechar uma posição financeira, ou respeitar lotes mínimos de investimento. Nesses casos, introduzem-se variáveis inteiras — frequentemente binárias — e o problema passa a ser uma Programação Linear Mista Inteira (PLMI), também conhecida como Mixed-Integer Linear Programming (MILP).

É importante destacar que, em um PLMI, a função objetivo e as restrições permanecem lineares; a dificuldade adicional decorre exclusivamente do domínio das variáveis, que combina valores contínuos e inteiros. Essa característica rompe a convexidade do problema, tornando-o computacionalmente mais desafiador.

Como ilustração, considere o modelo didático de investimento em um único ativo:

\[ \begin{aligned} &\text{Parâmetros:} \quad Y_0,\; r,\; X_{\min},\; X_{\max} \\[4pt] &\text{Variáveis de decisão:} \quad X \ge 0,\; W \in \{0,1\} \end{aligned} \]

\[ \max\; Y_1 = Y_0 + X(1+r) \]

\[ \begin{aligned} &X \ge 0 \\[4pt] &X \le X_{\max} W \\[4pt] &X \ge X_{\min} W \\[4pt] &W \in \{0,1\} \end{aligned} \]

Nessa formulação, os parâmetros \(Y_0\), \(r\), \(X_{\min}\) e \(X_{\max}\) são valores conhecidos que caracterizam o ambiente financeiro. A variável contínua \(X\) representa o montante investido, enquanto a variável binária \(W\) modela a decisão discreta de ativação do investimento. As restrições que ligam \(X\) e \(W\) permitem representar, de forma linear, a lógica “se investir, então respeitar limites”, técnica amplamente usada em modelagem de PLMI.

Essa formulação simples serve como base conceitual para as extensões desenvolvidas nas seções seguintes, nas quais são incorporados múltiplos ativos, múltiplos períodos e retornos defasados por maturidade. Ao longo dessas extensões, preserva-se sempre que possível a linearidade estrutural das equações, introduzindo complexidade adicional por meio de variáveis discretas e acoplamentos temporais.

3. Desenvolvimento do Modelo

3.1 Reapresentação do modelo didático (um único ativo, um período)

Iniciamos com um modelo propositalmente simples, cujo objetivo é isolar os principais elementos da decisão de investimento. Considera-se um caixa inicial \(Y_0\), um único ativo com taxa de retorno conhecida \(r\), uma variável contínua de decisão \(X\), que representa o valor investido, e uma variável binária \(W\), responsável por ativar ou não o investimento.

\[ \begin{aligned} &\text{Parâmetros:} \quad Y_0,\; r,\; X_{\min},\; X_{\max} \\[4pt] &\text{Variáveis:} \quad X \ge 0,\; W \in \{0,1\} \end{aligned} \]

\[ \max\; Y_1 = Y_0 + X(1+r) \]

\[ \begin{aligned} &X \ge 0 \\[4pt] &X \le X_{\max} W \\[4pt] &X \ge X_{\min} W \\[4pt] &W \in \{0,1\} \end{aligned} \]

Interpretação financeira e justificativa matemática:

• Variável contínua \(X\): representa o capital alocado no ativo. Financeiramente, corresponde ao montante efetivamente investido. Matematicamente, assumi-la contínua permite modelar decisões proporcionais, típicas de alocação de capital, mantendo a linearidade do problema.
• Variável binária \(W\): modela a decisão discreta de ativar ou não o investimento. Em termos financeiros, captura barreiras de entrada, custos fixos, lotes mínimos ou exigências contratuais. Do ponto de vista matemático, essa variável permite representar lógica condicional (“se investir, então respeitar limites”) dentro de um modelo linear.
• Restrições \(X_{\min} W\) e \(X_{\max} W\): garantem que, caso o ativo seja ativado (\(W=1\)), o investimento respeite limites operacionais; se \(W=0\), forçam \(X=0\). Essa técnica é um exemplo clássico de linearização de lógica, que substitui condições não-lineares por restrições lineares equivalentes.
• Função objetivo linear: o retorno proporcional \(X(1+r)\) assume rendimentos constantes e ausência de efeitos de escala. Essa hipótese é deliberada: ela permite que o problema seja resolvido por Programação Linear, facilitando análise geométrica e computacional.

3.2 Extensão para múltiplos ativos

Para aproximar o modelo de um cenário financeiro realista, introduzimos múltiplos ativos \(i = 1,\dots,N\). Cada ativo possui retorno próprio \(r_i\), limites de investimento e uma variável binária de ativação. Além disso, impõe-se uma restrição orçamentária que reflete a limitação de caixa.

\[ \begin{aligned} &\text{Parâmetros:} \quad Y_0,\; r_i,\; X_{i,\min},\; X_{i,\max} \\[4pt] &\text{Variáveis:} \quad X_i \ge 0,\; W_i \in \{0,1\} \end{aligned} \]

\[ \max\; Y_1 = Y_0 + \sum_{i=1}^{N} X_i(1+r_i) \]

\[ \begin{aligned} &X_i \ge 0 \quad \forall i \\[4pt] &X_i \le X_{i,\max} W_i \quad \forall i \\[4pt] &X_i \ge X_{i,\min} W_i \quad \forall i \\[4pt] &\sum_{i=1}^{N} X_i \le Y_0 \\[4pt] &W_i \in \{0,1\} \quad \forall i \end{aligned} \]

Por que essa formulação funciona:

• Restrição orçamentária: garante conservação de recursos. Financeiramente, impede alavancagem implícita; matematicamente, define um politopo compacto, condição essencial para existência de solução ótima.
• Heterogeneidade dos ativos: retornos e limites distintos permitem que o modelo capture escolhas de portfólio. O solver automaticamente aloca capital onde a relação retorno–restrição é mais favorável.
• PLMI (MILP): a estrutura permanece linear nas expressões, mas o domínio misto (contínuo + binário) permite representar decisões reais sem perder a capacidade de otimização global.

3.3 Generalização para múltiplos períodos

A extensão temporal é essencial para capturar decisões dinâmicas. Introduz-se o índice de tempo \(t=1,\dots,T\), uma variável de caixa \(Y_t\) e a maturidade \(M_i\) de cada ativo, que determina quando o capital investido retorna.

\[ \begin{aligned} &\text{Parâmetros:} \quad T,\; r_i,\; M_i,\; X_{i,\min},\; X_{i,\max},\; Y_0 \\ &\text{Variáveis:} \quad X_{i,t} \ge 0,\; W_{i,t}\in\{0,1\},\; Y_t \ge 0 \end{aligned} \]

A dinâmica do caixa (equilíbrio multi-período) é central: o caixa disponível em \(t\) é igual ao caixa do período anterior, acrescido dos retornos dos investimentos que venceram em \(t\), menos os novos investimentos aplicados em \(t\). Uma formulação concisa é:

\[ \boxed{\,Y_t \;=\; Y_{t-1} \;-\; \sum_{i=1}^{N} X_{i,t} \;+\; \sum_{i=1}^{N} \mathbf{1}_{t-M_i \ge 0}\,X_{i,t-M_i}\,(1+r_i)\,} \]

\[ \begin{aligned} &Y_t = Y_{t-1} - \sum_{i=1}^{N} X_{i,t} + \sum_{i=1}^{N} X_{i,t-M_i}(1+r_i) \\[4pt] &X_{i,t} \ge 0 \quad\forall i,t \\[4pt] &X_{i,t} \le X_{i,\max}\,W_{i,t} \quad\forall i,t \\[4pt] &X_{i,t} \ge X_{i,\min}\,W_{i,t} \quad\forall i,t \\[4pt] &W_{i,t} \in \{0,1\} \quad\forall i,t \\[4pt] &Y_0 \text{ dado},\quad X_{i,t}=0 \text{ para } t\le 0 \end{aligned} \]

Interpretação financeira e lógica matemática:

• Equilíbrio de caixa: traduz a identidade fundamental da tesouraria: saldo anterior + entradas − saídas. Essa equação assegura viabilidade financeira em todos os períodos.
• Maturidade \(M_i\): impõe iliquidez temporária. Matematicamente, cria acoplamento intertemporal, pois decisões em \(t\) afetam restrições futuras.
• Indicador temporal: evita retornos antecipados, garantindo consistência cronológica sem recorrer a funções não-lineares.
• Acoplamento dinâmico: transforma o problema em um sistema interligado no tempo, aumentando realismo e complexidade computacional.

3.4 Considerações finais sobre a modelagem

A formulação desenvolvida combina simplicidade estrutural e capacidade explicativa. Todas as equações permanecem lineares, o que preserva propriedades de convexidade nas relaxações contínuas, enquanto as variáveis binárias permitem representar decisões financeiras discretas reais. Essa combinação justifica o uso de métodos MILP e garante que a solução encontrada seja globalmente ótima dentro das hipóteses do modelo.

4. Métodos de Solução

4.1 Método Simplex (visão geral)

Problemas de Programação Linear são, em geral, resolvidos por meio de algoritmos especializados que exploram a estrutura geométrica do conjunto de soluções viáveis. Entre esses métodos, destaca-se o método Simplex, amplamente utilizado devido à sua eficiência prática e robustez computacional.

O Simplex não avalia todo o espaço contínuo de soluções. Em vez disso, ele explora sistematicamente os vértices (ou pontos extremos) da região viável. Essa estratégia é justificada pelo fato de que, em problemas lineares, sempre que existe uma solução ótima, ela ocorre em pelo menos um desses vértices.

O algoritmo inicia em uma solução básica viável — correspondente a um vértice da região admissível — e, a cada iteração, desloca-se para um vértice adjacente que proporcione uma melhoria no valor da função objetivo. Esses deslocamentos são determinados a partir da estrutura algébrica das restrições (a base) e dos chamados custos reduzidos.

O processo é encerrado quando não existem mais vértices adjacentes capazes de melhorar a função objetivo, caracterizando a condição de otimalidade. Embora, em teoria, o número de vértices possa crescer exponencialmente, na prática o Simplex apresenta excelente desempenho, sendo capaz de resolver problemas de grande escala com eficiência.

4.2 Método Branch-and-Bound

Quando o modelo inclui variáveis inteiras ou binárias, como ocorre na formulação final deste trabalho, o Simplex isoladamente não é suficiente, pois ele opera apenas sobre domínios contínuos. Para lidar com decisões discretas, os solvers empregam métodos específicos, sendo o mais clássico o branch-and-bound.

O princípio fundamental do branch-and-bound consiste em explorar o espaço de soluções inteiras por meio da divisão do problema original em subproblemas menores, denominados ramos (branches). Em cada ramo, impõem-se restrições adicionais que fixam o valor de uma ou mais variáveis inteiras.

Para cada subproblema gerado, o solver resolve uma relaxação linear, na qual as variáveis inteiras são temporariamente tratadas como contínuas. Essa relaxação é resolvida por métodos como o Simplex ou Pontos Interiores e fornece um valor limite (bound) para o ramo considerado.

Se o melhor valor possível de um ramo não pode superar a melhor solução inteira já encontrada, esse ramo é descartado.

Esse mecanismo de “dividir e podar” reduz drasticamente o número de soluções que precisam ser exploradas explicitamente. O algoritmo aprofunda apenas ramos promissores, garantindo, ao final do processo, que a solução encontrada seja globalmente ótima, mesmo na presença de variáveis discretas.

4.3 Solução do Modelo Final e Implementação Computacional

A solução do modelo final foi obtida por meio de sua implementação computacional em Python utilizando o solver Gurobi. O algoritmo aplicado é o branch-and-bound, adequado para problemas de Programação Linear Mista Inteira (PLMI), como o formulado neste trabalho.

Nesta seção, descrevemos a solução obtida de forma estruturada, relacionando cada parte do código à modelagem matemática e à interpretação financeira do problema.

4.3.1 Definição das Variáveis de Decisão

O modelo utiliza três conjuntos principais de variáveis:

• \(X_{i,t} \ge 0\): valor investido no ativo \(i\) no período \(t\);
• \(W_{i,t} \in \{0,1\}\): variável binária que indica se o investimento \(i\) é ativado no período \(t\);
• \(Y_t \ge 0\): saldo de caixa disponível ao final do período \(t\).

            X = model.addVars(indices_inv, periodos, vtype=GRB.CONTINUOUS, lb=0.0, name="X")
            W = model.addVars(indices_inv, periodos, vtype=GRB.BINARY, name="W")
            Y = model.addVars(periodos, vtype=GRB.CONTINUOUS, lb=0.0, name="Y")
            

Do ponto de vista financeiro, essas variáveis permitem modelar simultaneamente decisões de quanto investir, em quais ativos e em quais períodos, mantendo controle explícito sobre a liquidez.

4.3.2 Função Objetivo

O objetivo do modelo é maximizar o saldo de caixa ao final do horizonte de planejamento, isto é:

\[ \max \; Y_T \]

            model.setObjective(Y[T], GRB.MAXIMIZE)
            

Essa escolha reflete diretamente o objetivo financeiro do problema: encontrar a estratégia de alocação que maximize o valor disponível ao final do período \(T\), considerando retornos, maturidades e restrições operacionais.

4.3.3 Restrição de Balanço de Caixa Multi-Período

A dinâmica do fluxo de caixa é garantida pela restrição de balanço, que assegura que o saldo de caixa em cada período seja igual ao saldo anterior, subtraído dos investimentos realizados e acrescido dos retornos que maturaram naquele período:

\[ Y_t = Y_{t-1} - \sum_i X_{i,t} + \sum_i X_{i,t-M_i}(1+r_i) \]

            y_ant = Y0 if t == 1 else Y[t-1]
            saidas = gp.quicksum(X[i, t] for i in indices_inv)
            entradas = 0
            for i in indices_inv:
                lag = t - investimentos[i]['M']
                if lag >= 1:
                    entradas += X[i, lag] * (1 + investimentos[i]['r'])

            model.addConstr(Y[t] == y_ant - saidas + entradas)
            

Essa equação é central para o modelo, pois traduz matematicamente a conservação do fluxo de caixa ao longo do tempo. Apesar de envolver retornos financeiros, o problema permanece linear, uma vez que as taxas de retorno \(r_i\) são parâmetros constantes e não há produtos entre variáveis de decisão.

4.3.4 Restrições de Ativação e Limites de Investimento

Para representar decisões do tipo “investir ou não investir”, são utilizadas variáveis binárias associadas a limites mínimos e máximos de aplicação:

\[ X_{i,\min} \, W_{i,t} \le X_{i,t} \le X_{i,\max} \, W_{i,t} \]

            model.addConstr(X[i, t] <= investimentos[i]['max'] * W[i, t])
            model.addConstr(X[i, t] >= investimentos[i]['min'] * W[i, t])
            

Do ponto de vista da modelagem matemática, essas restrições caracterizam o problema como um PLMI, mantendo linearidade e introduzindo decisões discretas. Financeiramente, elas impedem investimentos irrelevantes ou excessivos, tornando o modelo mais realista.

4.3.5 Solução Ótima e Interpretação dos Resultados

A resolução do modelo final por meio do algoritmo branch-and-bound fornece uma política ótima de decisão ao longo de todo o horizonte de planejamento. Em particular, o solver determina simultaneamente:

• quais ativos devem ser ativados em cada período, por meio das variáveis binárias \(W_{i,t}\);
• os montantes ótimos a serem investidos em cada ativo e período, representados por \(X_{i,t}\);
• a trajetória temporal do saldo de caixa disponível \(Y_t\);
• os efeitos das maturidades \(M_i\) sobre a liquidez e o reaproveitamento do capital investido.

A Figura 1 apresenta a evolução temporal do patrimônio total, comparando o caixa líquido com a riqueza agregada (caixa + investimentos ativos). Observa-se que, embora o caixa disponível possa se reduzir em determinados períodos, o patrimônio total cresce de forma consistente, refletindo a estratégia ótima de alocação ao longo do tempo.

A Figura 2 ilustra a composição do patrimônio ao longo do horizonte de planejamento, destacando onde o capital está alocado em cada período. Esse gráfico evidencia a relação entre liquidez imediata e recursos temporariamente imobilizados em investimentos com maturidade.

A solução encontrada respeita integralmente todas as restrições do modelo — incluindo limites mínimos e máximos de aplicação, restrições de ativação e o balanço de caixa multi-período — e maximiza o valor do caixa final \(Y_T\). Dessa forma, a política ótima obtida representa um equilíbrio entre retorno financeiro, liquidez e estrutura temporal dos investimentos, fornecendo uma interpretação econômica clara para o resultado do modelo.

5. Conclusão

O desenvolvimento deste trabalho permitiu estruturar um modelo matemático completo para o planejamento ótimo do fluxo de caixa em múltiplos períodos, incorporando retornos, maturidades, restrições operacionais e decisões discretas de ativação. A construção evolutiva do modelo mostrou como cada elemento — desde o balanço básico de caixa até a formulação final em Programação Linear Mista Inteira (PLMI) — contribui para representar de forma fiel as decisões financeiras que um gestor enfrenta ao longo do tempo.

A maior dificuldade conceitual e técnica esteve na transformação de um problema originalmente não linear, em razão da presença natural de juros compostos e retornos acumulados, em uma formulação estritamente linear. Esse desafio foi superado ao assumir taxas efetivas sobre períodos determinados e alinhar o modelo ao calendário de maturações, preservando a linearidade sem perder coerência financeira. Essa linearização é essencial para que os solvers modernos possam explorar toda a eficiência algorítmica de PL e PLMI.

A solução computacional obtida via métodos como Simplex e branch-and-bound fornece uma estratégia de investimento ótima, detalhando quanto aplicar em cada ativo e em qual período, além de como evolui o saldo de caixa ao longo do horizonte. O modelo mostrou-se flexível e expressivo, capturando simultaneamente liquidez, retorno e restrições operacionais.

Embora robusto, o modelo pode ser ampliado com elementos de risco. Uma extensão natural é a introdução de múltiplos cenários estocásticos, permitindo medir a qualidade da política de investimento sob incerteza. Para tratar risco de maneira linear e computacionalmente eficiente, destacam-se dois métodos:

• MAD (Mean Absolute Deviation) — que mede a variabilidade média do retorno e pode ser incorporado como um termo linear adicional no objetivo ou como restrição.
• CVaR linearizado — uma abordagem mais moderna e alinhada à teoria de risco, representando o valor esperado das piores perdas. Sua formulação linear o torna especialmente atraente para integração com modelos PLMI como o deste projeto.

A inclusão desses elementos permitiria não apenas maximizar o retorno final, mas também controlar a exposição ao risco, tornando o modelo mais adequado a ambientes financeiros reais, onde incerteza é uma componente inevitável. Assim, o presente trabalho serve como base sólida para futuras generalizações que combinem otimização determinística, risco e tomada de decisão multi-período.