Aggregating performance measures considerably reduces the complexity of a performance evaluation system. This dissertation analyzes the nature and characteristics of the aggregation of performance measures in institutional settings of multiple tasks and multiple periods. In multi-task settings, the number of tasks restricts the feasibility of a statistically sufficient aggregation and the nature of an economically sufficient aggregation. Statistical sufficiency of aggregation can be achieved only by multi-dimensional aggregate measures, whose minimum dimensionality is given by the number of tasks. If the number of aggregate measures is less than the number of tasks, an economically sufficient aggregation incurs loss of information even if there is no loss of information through the likelihood ratio. The results support the use of multi-dimensional aggregate measures to preserve the information content of performance measures in multi-task agencies. In a multi-period setting, the inter-temporal correlations among performance measures restrict the feasibility of a statistically sufficient aggregation and the nature of an economically sufficient aggregation. When performance measures are inter-temporally correlated, there is no statistically sufficient aggregation and an economically sufficient aggregation of the basic measures depends on the effort level to induce. The optimal aggregation is characterized by the agent's characteristics and the economic situation of the agency as well as the statistical properties of performance measures. In a long-term contract with multiple tasks, the inter-temporal covariance risk has a monotonic impact on the endogenous allocation of effort through the optimal relative incentive rate. The inter-temporal covariance risk, as well as the within-period risk premium, prevents the first best allocation of effort from being endogenously achieved even if the first best allocation is feasible. / Accounting

No description available.

Nos últimos anos, percebeu-se um avanço substancial das metodologias sistemáticas de seleção de ativos em portfólios financeiros, baseadas em técnicas de otimização. A maior pressão por desempenho sobre as gestoras de recursos e a evolução dos softwares e pacotes de otimização foram fatores que contribuíram para esse desenvolvimento. Dentre as técnicas mais reconhecidas utilizadas na gestão de portfólios está a de otimização robusta, cuja aplicação na solução de problemas com dados incertos iniciou-se na década de 1970 e, desde então, vem evoluindo em sofisticação. Partindo de uma extensão recente do método, propõe-se um novo modelo linear que resolve o problema de otimização de um portfólio para múltiplos estágios, com inovações no tratamento da incerteza das estimativas de dispersão dos retornos. Os resultados mostram que o método proposto desempenha muito bem em termos de rentabilidade e de métricas de risco-retorno em momentos de turbulência dos mercados. Por fim, demonstra-se empiricamente que o modelo alcança um desempenho ainda melhor em termos de rentabilidade com a adoção de um estimador eficiente para o valor esperado dos retornos e com a simultânea redução do nível de robustez do modelo. / It has been realized in the last years a remarkable development of the optimization techniques to solve the problem of financial portfolio selection. The pressure on asset management firms to maintain a more stable performance and the evolution of specialized software packages have enabled this positive trend. One of the most recognized approaches applied to the management of investments is the robust optimization, whose use on uncertain portfolio optimization problems has begun in the 1970s and has experienced a substantial growth since then. Building on a recent version of this framework, it is proposed a new linear model of the robust multistage portfolio optimization problem, thereby incorporating uncertainty about dispersion inputs in an innovative way. The results show that this method performs very well during high volatility periods in terms of the terminal wealth and the risk-return tradeoff. Finally, it can be demonstrated empirically that the proposed method outperforms when an efficient return estimator is incorporated to the optimization model and the robustness level is reduced simultaneously.

Nos últimos anos, percebeu-se um avanço substancial das metodologias sistemáticas de seleção de ativos em portfólios financeiros, baseadas em técnicas de otimização. A maior pressão por desempenho sobre as gestoras de recursos e a evolução dos softwares e pacotes de otimização foram fatores que contribuíram para esse desenvolvimento. Dentre as técnicas mais reconhecidas utilizadas na gestão de portfólios está a de otimização robusta, cuja aplicação na solução de problemas com dados incertos iniciou-se na década de 1970 e, desde então, vem evoluindo em sofisticação. Partindo de uma extensão recente do método, propõe-se um novo modelo linear que resolve o problema de otimização de um portfólio para múltiplos estágios, com inovações no tratamento da incerteza das estimativas de dispersão dos retornos. Os resultados mostram que o método proposto desempenha muito bem em termos de rentabilidade e de métricas de risco-retorno em momentos de turbulência dos mercados. Por fim, demonstra-se empiricamente que o modelo alcança um desempenho ainda melhor em termos de rentabilidade com a adoção de um estimador eficiente para o valor esperado dos retornos e com a simultânea redução do nível de robustez do modelo. / It has been realized in the last years a remarkable development of the optimization techniques to solve the problem of financial portfolio selection. The pressure on asset management firms to maintain a more stable performance and the evolution of specialized software packages have enabled this positive trend. One of the most recognized approaches applied to the management of investments is the robust optimization, whose use on uncertain portfolio optimization problems has begun in the 1970s and has experienced a substantial growth since then. Building on a recent version of this framework, it is proposed a new linear model of the robust multistage portfolio optimization problem, thereby incorporating uncertainty about dispersion inputs in an innovative way. The results show that this method performs very well during high volatility periods in terms of the terminal wealth and the risk-return tradeoff. Finally, it can be demonstrated empirically that the proposed method outperforms when an efficient return estimator is incorporated to the optimization model and the robustness level is reduced simultaneously.