ES

Medidas de Risco com a Teoria do Valor Extremo

Medidas de Risco com a Teoria do Valor Extremo

Teoria do valor extremo (EVT da sigla em inglês) é um ramo da estatística que lida diretamente com eventos raros, extremos. Seu objetivo é modelar eventos que se distanciam muito da mediana de uma distribuição. Justamente por esta característica, a EVT está sendo utilizada para modelar riscos que possuem distribuição com caudas longas, um dos fatos estilizados que apresentamos sobre retornos de ativos financeiros.

No primeiro artigo desta sequência foi apresentada uma vasta revisão de literatura sobre a EVT e suas aplicações em finanças, com enfoque especial ao gerenciamento de risco. Neste artigo formalizaremos a teoria e serão apresentadas as equações para o cálculo tanto do VaR quanto do ES para um ativo financeiro. Também será abordada a diferença entre medidas incondicionais e condicionais de risco.

Ao utilizarmos a EVT, e mais especificamente o método conhecido como peaks over treshold – POT, estamos interessados em modelar apenas a parte da cauda da distribuição das perdas de um ativo financeiro maiores que um determinado valor de limiar u. É da modelagem desta cauda, portanto, que faremos as estimativas de risco VaR e ES.

Distribuição de valores extremos generalizada

Consideremos uma amostra de uma variável aleatória cujas observações sejam independentes e igualmente distribuídas (va iid) \(L_i,i\in \mathbb{N}\) que represente as perdas financeiras de um determinado ativo.

A EVT está interessada em investigar o comportamento da distribuição dos máximos desta va iid dados por \(M_n = \max (L_1, \ldots , L_n)\) para vários valores de \(n\) e a medida que \(n\rightarrow \infty\). A sequência \(M_n\) é chamada de máximos em bloco e é possível demonstrar que a única distribuição para a qual \(M_n\) converge com \(n\rightarrow \infty\) é a distribuição de valores extremos generalizada (GEV, da sigla em inglês).

Para tanto, é necessário normalizarmos esta sequência de máximos de forma que sua distribuição seja convergente para uma distribuição \(H(x)\) não-degenerada1. Seja \(F(x)\) a distribuição original de uma variável aleatória iid, é possível normalizar seus máximos em bloco através da relação \(M_n^*=(M_n-d_n)/c_n\) de forma que:

\[\begin{equation}
\lim_{n \rightarrow \infty} P\left(\frac{M_n-d_n}{c_n} \leq x \right)
= \lim_{n \rightarrow \infty} F^n(c_nx + d_n)
= H(x)
\tag{1}
\end{equation}\]

Em outras palavras, para determinadas sequências \(c_n\) e \(d_n\) a serem escolhidas, existe uma distribuição de \(H(x)\) não-degenerada a qual representa a distribuição dos máximos em bloco de \(F(x)\).

A potenciação de \(F\) em \(n\) deriva diretamente da suposição que a variável aleatória é iid, enquanto que a transformação de \(x \rightarrow c_n x+d_n\) é a normalização dos máximos em bloco.

Definição 1 (Domínio de atração de máximos) Se a equação (1) é válida para uma \(H\) não-degenerada, então se diz que \(F \in MDA(H)\), \(F\) pertence ao domínio de atração de máximos de \(H\).
Teorema 1 (Fisher-Tippett) Se \(F \in MDA(H)\) para alguma \(H\) não-degenerada, então \(H\) deve ser uma distribuição do tipo de valores extremos generalizada – GEV.

O teorema 1 foi estabelecido através de três artigos, Fisher and Tippett (1928), Gnedenko (1941) e Gnedenko (1943).

Definição 2 (Distribuição de valores extremos generalizada) É definida por sua p.d.f (função densidade de probabilidades) a qual é dada por:

\[\begin{equation}
H_\xi(x) =
\begin{cases}
exp(-(1+\xi x)^{-\frac{1}{\xi}}), & \xi \neq 0,\\
exp(-e^{-x}), & \xi = 0,\\
\end{cases}
\tag{2}
\end{equation}\]

O parâmetro \(\xi\) (leia-se qsi) é conhecido como o parâmetro de forma da distribuição e dependendo deste valor teremos diferentes tipos de distribuição (casos particulares da GEV). Quando \(\xi=0\) a distribuição resultante é uma Gumbel, quando \(\xi>0\) uma Fréchet surge, e por fim quando \(\xi<0\) temos uma Weibull.

Tomemos como exemplo a distribuição exponencial e calcularemos seu MDA e verificaremos se este está entre umas das distribuições GEV. Uma distribuição exponencial é caracterizada pela seguinte função de distribuição (c.d.f):

\[\begin{equation*}
F(x)=1-e^{- \beta x}, \beta > 0 \text{ e } x \geq 0
\end{equation*}\]

Se escolhermos as sequências \(c_n=1/\beta\) e \(d_n=\ln n /\beta\) podemos substituir diretamente na equação e calcular \(H(x)\).

\[\begin{equation*}
F^n \left(c_nx+d_n \right)=\left(1-\frac{1}{n}e^{-x} \right)^n
\end{equation*}\]

\[\begin{equation*}
\lim_{n \rightarrow \infty} \left(1-\frac{1}{n}e^{-x} \right)^n = H(x)
\end{equation*}\]

Fazendo uma simples substituição de variáveis, \(i=-e^{-x}\), então:

\[\begin{equation*}
H(x)=\lim_{n \rightarrow \infty}\left(1+\frac{i}{n} \right)^n
\end{equation*}\]

Que é o limite fundamental \(e^i\), o qual substituindo novamente \(i\) temos:

\[\begin{equation*}
H(x)=exp\left(-e^{-x}\right)=H_0(x), \text{Distribuição Gumbel}
\end{equation*}\]

Ou seja, a distribuição exponencial pertence ao \(MDA\) da distribuição Gumbel, a qual por sua vez é um dos casos particulares da GEV quando \(\xi=0\).

Via de regra não necessitamos calcular a qual \(MDA\) pertencem nossas distribuições, bastando saber que basicamente todas as distribuições contínuas de utilidade prática estão contidas em \(MDA(H_\xi)\) para algum valor de \(\xi\).

Excessos acima de um limiar

O método conhecido como POT, para calcular a função de distribuição dos valores que excedem um determinado limiar de um conjunto de dados vem sendo empregado no mundo financeiro para ajustar as caudas das distribuições de retornos, ou perdas, dos ativos. Este método é preferido a teoria clássica de valores extremos (e.g. máximos em bloco), pois, desperdiça uma quantidade menor de dados da série original. Qualquer valor que exceda o limiar pré-determinado é considerado na distribuição dos excessos. Esta distribuição dos valores da série que estão acima de um determinado limiar u é definida como:

Definição 3 (Distribuição dos excessos) Seja X uma variável aleatória com função de distribuição c.d.f F. A distribuição dos excessos sobre um limiar u tem a seguinte função de distribuição:

\[\begin{equation}
F_u(x)=P(X-u \leq x | X > u)=\frac{F(x+u)-F(u)}{1-F(u)}
\tag{3}
\end{equation}\]

para \(0 \leq x < x_F-u\), onde \(x_F \leq \infty\) é o limite direito da distribuição F.

Ou seja, a função distribuição dos excessos sobre um limiar u é a probabilidade condicional que um valor X retirado dos dados subtraído de u (o excesso) seja menor que um dado quantil x, sabendo-se que X é maior que u. Uma importante distribuição que surge na modelagem dos excessos sobre um limiar é a distribuição de pareto gereralizada – GPD, que segue.

Definição 4 (Distribuição de Pareto Generalizada) É definida por sua função de distribuição:

\[\begin{equation}
G_{\xi,\beta(u)}(X) =
\begin{cases}
1- \left(1+ \frac{\xi x}{\beta(u)} \right)^{-\frac{1}{\xi}}, & \xi \neq 0,\\
1-exp\left(-\frac{x}{\beta(u)}\right), & \xi = 0,\\
\end{cases}
\tag{4}
\end{equation}\]

onde \(\beta > 0\), e \(x\geq 0\) quando \(\xi \geq 0\) ou \(0 \leq x \leq -\beta / \xi\) quando \(\xi < 0\).

Os parâmetros \(\xi\) e \(\beta\) são conhecidos respectivamente como parâmetros de forma e escala da distribuição. Na figura 1 abaixo, são mostradas três parametrizações para a função de distribuição acumulada (c.d.f) e para a densidade de probabilidades (p.d.f) de GPD com parâmetro \(\xi\) iguais a -0,5, 0 e 0,5 enquanto que o parâmetro de escala \(\beta\) é mantido constante e igual a 1. Perceba como para \(\xi <0\) a p.d.f tem um limite direito que é dado por \(-\beta / \xi\) a partir do qual os valores de \(g(x)\) são zero.


Três parametrizações para uma GPD. A linha sólida corresponde a \(\xi=0,5\), a linha pontilhada a \(\xi=-0,5\) e a linha tracejada a \(\xi=0\).

Figura 1: Três parametrizações para uma GPD. A linha sólida corresponde a \(\xi=0,5\), a linha pontilhada a \(\xi=-0,5\) e a linha tracejada a \(\xi=0\).

A distribuição de Pareto generalizada tem papel fundamental na teoria de valor extremo em função do teorema de Pickands-Balkema-de Haan (Pickands (1975) e Balkema and Haan (1974)) conforme abaixo:

Teorema 2 (Pickands-Balkema-de Haan) Pode ser encontrada uma função \(\beta(u)\) tal que:
\[\begin{equation*}
\lim\limits_{u \rightarrow x_F} \; \sup\limits_{0\leq x <x_F – u} |F_u(x)-G_{\xi, \beta(u)}(x)| = 0
\end{equation*}\]

se e somente se \(F\in MDA(H_\xi)\) para \(\xi \in \mathbb{R}\).

O que este teorema nos diz é que para distribuições as quais os máximos em bloco normalizados convergem para uma GEV (na forma da equação (2)), então a distribuição dos excessos acima de um limiar destas mesmas distribuições convergem para uma GPD, dado um valor de limiar u adequado. Podemos fazer então a seguinte suposição:

Suposição 1: Seja F a distribuição de perdas com limite direito \(x_F\), assuma que para um valor limiar alto o suficiente u nós temos que \(F_u (x)=G_{\xi,\beta} (x)\), onde \(F_u (x)\) denota a distribuição dos excessos de x em relação ao valor de limiar u, para \(0 \leq x < x_F-u\), \(\xi \in \mathbb{R}\) e \(\beta > 0\).

Esta é uma suposição, uma vez que a distribuição dos excessos não segue exatamente uma GPD, mas apenas tende a esta distribuição dado um limiar u alto e uma amostra de dados grande o suficiente.

Dada a parametrização de uma GPD, é interessante sabermos o valor esperado desta distribuição, uma vez que esta medida de valor central nos fornece importante informação sobre a quantidade de risco que estamos buscando medir, assim como a informação de que a própria distribuição foi ajustada aos dados de forma satisfatória, como será demonstrado adiante.

O valor esperado de uma variável aleatória não negativa pode ser computado através da integral de sua cauda, \(P(X>x) = 1-P(X \leq x)\). A cauda da GPD é, para \(\xi \neq 0\), \(\left(1+\xi x / \beta(u) \right)^{-1/ \xi}\)

Bastando, portanto, integrar em relação a \(x\) sobre o domínio deste, que é de \(0\) a \(\infty\).

\[\begin{equation*}
\displaystyle\int\limits_{0}^{\infty} \left(1+ \xi x /\beta(u) \right)^{-1/\xi} dx
\end{equation*}\]

Desta forma, o valor esperado de uma GPD \(G_{\xi,\beta(u)} (X)\), ou seja, sua média, converge para valores de \(\xi<1\) e é dado pela seguinte equação:

\[\begin{equation}
E\left[G_{\xi,\beta(u)} (X) \right]=\frac{\beta(u)}{1-\xi}
\tag{5}
\end{equation}\]

Definição 5 (Função média dos excessos) A função média dos execessos de uma variável aleatória X com média finita é dada por:

\[\begin{equation}
e(u)=E\left(X-u | X > u\right)
\tag{6}
\end{equation}\]

Ou seja, a equação (6) representa o valor esperado da função de distribuição dos excessos dada pela Definição 3. Ela representa a média de \(F_u\) como uma função do limiar u. Esta função por vezes também é conhecida como função média de vida residual (mean residual life function), sendo encontrada esta denominação em alguns pacotes de software estatísticos.

Para uma variável distribuída na forma de uma GPD, o parâmetro de escala é uma função linear em u dado por \(\beta(u)=\beta + \xi u\), Teorema 3.4.13(e) em Embrechts, Klüppelberg, and Mikosch (1997). Utilizando-se deste fato e da equação (5) chegamos ao cálculo da função média dos excessos para uma GPD, dada por:

\[\begin{equation}
e(u)=\frac{\beta+\xi u}{1-\xi}
\tag{7}
\end{equation}\]

onde \(0 \leq u < \infty\) se \(0 \leq \xi <1\) e \(0 \leq u \leq -\beta / \xi\) se \(\xi < 0\). É possível observar que de fato a função média dos excessos em uma GPD é linear em u. Esta é uma característica importante de uma GPD e que nos auxilia a escolher um valor adequado do limiar u de tal forma que a Suposição feita anteriormente faça sentido.

Assim, quando estamos analisando uma determinada distribuição de perdas F e desejamos ajustar a cauda desta distribuição, ou seja, as perdas acima de um dado valor limiar u a uma GPD \(G_{\xi, \beta}(x)\) precisamos primeiramente determinar um valor adequado de u de modo que a suposição \(F_u(x)\rightarrow G_{\xi, \beta}(x)\) seja válida. Um método frequentemente utilizado é o gráfico da função média dos excessos com relação a u. Analisando este gráfico, escolhemos o menor valor de u para o qual a partir deste ponto a relação \(e(u) \text{ vs } u\) torna-se linear.

Desejamos o menor valor de u para o qual a relação é linear pois, mesmo o método POT implica em grande perda de dados da série temporal, já que apenas os valores acima deste limiar são utilizados para fazer a estimação dos parâmetros \(\xi\) e \(\beta\) da GPD. Portanto, existe um trade-off na escolha do valor limiar u, escolhendo um valor muito baixo termos uma boa quantidade de dados para estimar os parâmetros da GPD, mas a própria distribuição resultante não será GPD, uma vez que não estaremos trabalhando na região onde a relação \(e(u) \text{ vs } u\) é linear. Por outro lado, um valor limiar muito alto nos impõe o custo de trabalhar com poucos dados para fazer a estimação dos parâmetros da distribuição e por conseguinte, os erros padrões dessas estimativas serão elevados.

Lema 1 Sob a Suposição 1 segue que \(F_v (x)=G_{\xi,\beta+\xi(v-u)} (x)\) para qualquer valor limiar \(v \geq u\).

Logo, a distribuição dos excessos sobre limiares mais altos que u, também segue uma GPD com o mesmo parâmetro de forma \(\xi\) e parâmetro de escala que cresce linearmente com este limiar mais alto v. Se \(\xi < 1\), a média desta nova GPD converge e é dada por:

\[\begin{equation}
e(v)=\frac{\beta+\xi(v-u)}{1-\xi}=\frac{\xi v}{1- \xi}+ \frac{\beta-\xi u}{1-\xi}
\tag{8}
\end{equation}\]

Esta é a função média dos excessos sobre limiares mais altos, e está definida para \(u \leq v < \infty\) se \(0 \leq \xi < 1\) e, \(u \leq v \leq u-\beta / \xi\) se \(\xi < 0\).

Esta função é muito útil para calcularmos o \(ES_\alpha\) (expected shortfall), considerando que \(VaR_\alpha\) nada mais é que um quantil superior ao limiar \(u\) escolhido.

Modelando caudas e medidas de risco associadas

Através da modelagem da cauda da distribuição F de perdas por uma GPD, como feito na seção anterior, é possível calcularmos as medidas de riscos \(VaR_\alpha \text{ e } ES_\alpha\) para esta distribuição de perdas em função dos parâmetros da GPD estimada e também fazendo uso da distribuição empírica de F.

Sob a Suposição 1 nós temos que a cauda da distribuição F, \(\bar{F}(x)\), para \(x \geq u\) é dada por:

\[\begin{align}
\bar{F}(x) & = P(X>u)P(X>x|X>u) \nonumber \\
& = \bar{F}(u) P(X-u>x-u|X>u) \nonumber \\
& = \bar{F}(u)\bar{F}_u(x-u) \nonumber \\
& = \bar{F}(u)\left(1+\xi \frac{x-u}{\beta}\right)^{-1/\xi}
\tag{9}
\end{align}\]

Da qual se soubéssemos exatamente a distribuição F teríamos um modelo analítico para as probabilidades de perdas na cauda da distribuição. Aqui \(x\) são os valores a serem observados das perdas, e portanto \(x-u\) são as perdas em excesso ao limiar.

O que fizemos através da equação (9) foi efetivamente separar a distribuição F, ou melhor, sua cauda, em duas partes. A primeira parte, para valores menores que u, não foi modelado analiticamente e portanto utilizamos a distribuição empírica das perdas, aqui representada por sua cauda \(\bar{F}(u)\), que nada mais é que o número observado de excessos de u sobre o número total de observações da amostra.

A segunda parte é justamente a modelagem através de uma GPD com parâmetros \(\xi \text{ e } \beta\) dado o limiar u. Por esta modelagem paramétrica podemos conhecer as probabilidades de cauda para valores de x maiores que u.

O quantil \(\alpha\) é a inversa da função distribuição e nos retorna o valor para o qual um percentual \(\alpha\) de observações da amostra é menor ou igual. Assim sendo, \(VaR_\alpha\) nada mais é que um quantil alto para o qual determinamos que \(\alpha \%\) das perdas devem ser menores ou iguais a este valor.

Como a equação (9) fornece a probabilidade de cauda, então esta é igual a \(1- \alpha\) para um valor de \(\alpha \geq F(u)\). Fazendo \(\bar{F}(x)=1-\alpha\) na equação (9) o valor de x representará \(VaR_\alpha\) e nos basta manipular esta equação até isolarmos \(VaR_\alpha\) como função de \(\bar{F}(u), \alpha \text{ e dos parâmetros da GPD } \xi \text{ e } \beta\). Que nos garante a equação abaixo:

\[\begin{equation}
VaR_\alpha = q_\alpha(F) = u+\frac{\beta}{\xi}\left[ \left( \frac{1-\alpha}{\bar{F}(u)}\right)^{-\xi}-1 \right]
\tag{10}
\end{equation}\]

A medida \(ES_\alpha\) pode ser entendida como a média das perdas que excedem o valor dado por \(VaR_\alpha\). Como o próprio \(VaR_\alpha\) é um quantil acima do valor de limiar u, \(ES_\alpha\) é dado pelo valor do \(VaR_\alpha\) somado a função média dos excessos dada pela equação (8) fazendo \(v = VaR_\alpha\). Esta média é convergente para valores de \(\xi < 1\) conforme já demonstrado. Ou seja, \(ES_\alpha=VaR_\alpha + e(VaR_\alpha)\). A qual nos rende de forma mais geral:

\[\begin{equation}
ES_\alpha = \frac{VaR_\alpha}{1-\xi}+\frac{\beta-\xi u}{1-\xi}
\tag{11}
\end{equation}\]

Portanto, ambas medidas de risco \(VaR_\alpha\) e \(ES_\alpha\), para distribuições de perdas que tiveram suas caudas modeladas através de uma GPD da forma \(G_{\xi, \beta(u)}\) com \(\xi <1 \text{ e } \beta > 0\), podem ser calculadas respectivamente através das equações dadas em (10) e (11). As estimativas destas medidas de risco serão encontradas através das estimativas dos parâmetros da GPD, assim como do limiar utilizado e de uma medida empírica de \(\bar{F}(u)\) que será o número de excessos verificados sobre o total de amostras. É claro que, ao adotarmos esta estimativa para \(\bar{F}(u)\) estamos implicitamente supondo que o número de amostras na série de perdas é significativa, assim como o número de excessos verificados. Daí a importância de se utilizar um valor u adequado, conforme explicitado na seção anterior.

As estimativas de medidas de risco desenvolvidas nesta seção se qualificam como medidas incondicionais, no sentido que elas não dependem do estado atual das coisas, mas sim de todo o histórico de eventos de forma uniforme. Em outras palavras, \(VaR_\alpha \text{ e } ES_\alpha\) derivados a partir das equações (10) e (11) são medidas históricas de risco associado ao ativo em análise e não levam em consideração se nos eventos mais recentes a volatilidade das perdas pode ser diferente do valor histórico.

De fato, uma das características marcantes das perdas (ou retornos, como o leitor preferir) dos ativos financeiros é o chamado clustering de volatilidade, onde grandes volatilidades (retornos positivos ou negativos) têm tendência a ficarem próximas ao longo da linha temporal. Em geral estas aglomerações de volatilidades surgem a partir da autocorrelação destas, ou seja, a volatilidade em um período t é dependente das volatilidades verificadas em períodos anteriores. Um modelo bastante encontrado na literatura que busca modelar estas dependências é o modelo GARCH e suas variantes.

Assim, ao passo que as estimativas de risco desenvolvidas nesta seção são valiosas para prazos mais longos, ainda é necessário desenvolver um modelo que lide com o fato das autocorrelações de volatilidades e portanto, que nossa variável aleatória não é independente e igualmente distribuída ao longo do tempo. O modelo proposto por McNeil and Frey (2000) pode ser utilizado para encontrar as medidas de risco \(VaR_\alpha\) e \(ES_\alpha\) condicionais que desejamos, ainda dentro da metodologia de peaks over treshold.

Medidas condicionais de risco

Ativos financeiros possuem características de autocorrelação, senão em seus retornos propriamente ditos, ao menos em suas volatilidades ou variações absolutas. Ou seja, dada uma grande variação no momento t é de se esperar novamente uma grande variação, não necessariamente na mesma direção daquela anterior, para o momento t+1 e posteriores. Desta forma, medidas de risco incondicionais, conforme aquelas derivadas na seção de medidas de risco podem ser adequadas somente para horizontes temporais mais longos, pois implicitamente tomam em consideração os fatos mais recentes com o mesmo valor de predição que fatos mais longínquos.

Também já foi bastante estudado e mostrado no artigo anterior que modelos que levem em conta riscos condicionais ao incorporarem as autocorrelações nas volatilidades, levam a resultados de testes melhores. Assim, nesta seção trabalharemos com o modelo proposto por McNeil and Frey (2000) os quais fazem uma adequação dos retornos dos ativos a um modelo GARCH e posteriormente tratam os erros desta modelagem como iid e portanto, a metodologia de POT e ajuste de uma GPD pode ser feito. Este modelo pode ser entendido como um modelo condicional para medidas de risco pois, efetivamente, é levado em conta o estado atual da previsão para a média e principalmente para a volatilidade ao se calcular o VaR. Desta forma a medida responde rapidamente às variações nos humores do mercado e pode sinalizar de forma ágil uma inadequação de capital reservado pela instituição financeira.

Além desta vantagem de cunho prático, a técnica possui uma atratividade teórica. O método POT deve ser aplicado a séries iid que sabidamente não é o caso de perdas de ativos financeiros. Ao se utilizar a técnica POT nos resíduos padronizados de um modelo GARCH o que se está realizando é uma pré-filtragem destas perdas, de forma a obter resíduos padronizados que sejam iid e portanto, aplicável a teoria de valor extremo.

Primeiramente vamos estabelecer um modelo GARCH para as perdas do ativo subjacente. Se denotarmos \(L_t\) como sendo a perda observada no período t, \(\mu_t\) e \(\sigma_t\) são respectivamente a média e o desvio padrão condicionais e mensuráveis através do conjunto de informações disponíveis em t-1 e seja \(Z_t\) inovações iid com média zero e desvio padrão unitário, então temos que:

\[\begin{equation}
L_t=\mu_t+\sigma_t Z_t
\tag{12}
\end{equation}\]

Seja \(F_L(l)\) a distribuição marginal de \(L_t\), então \(F_{L_{t+1}} | \mathcal{G}_t(l)\) é a distribuição preditiva da perda para o próximo período, onde \(\mathcal{G}_t\) é o conjunto de informações disponíveis no período t, incluindo-o. Portanto, para o cálculo das medidas condicionais de risco estamos interessados em um quantil \(\alpha\) na cauda de \(F_{L_{t+1} | \mathcal{G}_t}(l)\). Este quantil \(\alpha\), que será o nosso \(VaR_\alpha\), é o ínfimo l tal que o valor da distribuição preditiva seja maior ou igual a \(\alpha\). Ao passo que o valor condicional do ES será o valor esperado das perdas previstas que sejam maiores que VaR para o mesmo intervalo de confiança. Ou seja:

\[\begin{align}
VaR_\alpha^t=&\inf\{l \in \mathbb{R}: F_{L_{t+1} | \mathcal{G}_t}(l) \geq \alpha\}, \\
ES_\alpha^t=&E[L_{t+1} | L_{t+1} > VaR_\alpha^t]
\end{align}\]

Considerando que nossa distribuição de perdas é dada pela equação (12) e sabendo das propriedades de variáveis aleatórias e do operador de expectância, as equações dadas acima subsumem a:

\[\begin{align}
VaR_\alpha^t=&\mu_{t+1}+\sigma_{t+1}z_\alpha, \tag{13} \\
ES_\alpha^t=&\mu_{t+1}+\sigma_{t+1}E[Z | Z>z_\alpha] \tag{14}
\end{align}\]

onde \(z_\alpha\) é o quantil \(\alpha\) das inovações Z.

Agora nos falta escolher um processo que modele nossa série temporal dada em (12), ou seja, precisamos especificar o comportamento de \(\mu_t\) e \(\sigma_t\). Por suposição do modelo, especificamos que o comportamento destas variáveis é dependente de acontecimentos passados, contidos no conjunto de informações \(\mathcal{G}_{t-1}\) . Dentre os diversos modelos já propostos para estimar médias e volatilidades condicionais, está o simples porém efetivo modelo GARCH(1,1) para a volatilidade condicional e o modelo AR(1) para a média condicional. Uma extensão destes modelos básicos para outros mais complexos pode ser facilmente obtida e é vasta na literatura, como exemplo modelos GARCH-M, Treshold GARCH, EGARCH, etc. para volatilidades condicionais e um modelo do tipo ARMA para a média.

Como critérios para a escolha deste modelo de filtro no primeiro estágio, deseja-se que as inovações \(Z_t\), através de suas realizações na forma dos resíduos padronizados estimados no modelo possuam 2 características, ausência de autocorrelação serial em seus valores e nos seus quadrados.

Neste artigo, visando aplicar a teoria do valor extremo para o cálculo das medidas condicionais de risco, não faremos maiores assunções acerca da distribuição das inovações, como por exemplo assumir uma determinada distribuição (e.g. Normal ou t de Student), mas está implícito que esta pertence ao MDA de uma GEV e portanto a distribuição de seus excessos sobre um limiar segue aproximadamente uma GPD.

Dadas estas considerações, o modelo adotado segue um formato em dois estágios para ser implementado, como segue.

Referências

Balkema, A A, and L de Haan. 1974. “Residual Life Time at Great Age.” The Annals of Probability 2 (5): 792–804. doi:10.1214/aop/1176996548.

Embrechts, P, C Klüppelberg, and T Mikosch. 1997. Modelling Extremal Events for Insurance and Finance. Springer.

Fisher, R A, and L H C Tippett. 1928. “Limiting forms of the frequency distribution of the largest or smallest member of a sample.” Proceedings of the Cambridge Philosophical Society 24: 180–90.

Gnedenko, B V. 1941. “Limit theorems for the maximal term of a variational series.” Comptes Rendus (Doklady) de L’Académie Des Sciences de L’URSS 32: 7–9.

———. 1943. “Sur la distribution limite du terme maximum d’une série aléatoire.” Annals of Mathematics 44: 423–53.

McNeil, Alexander J, and Rüdiger Frey. 2000. “Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach.” Journal of Empirical Finance 7 (3-4): 271–300. doi:10.1016/s0927-5398(00)00012-8.

Pickands, James. 1975. “Statistical Inference Using Extreme Order Statistics.” Annals of Statistics 3: 119–31. doi:10.1214/aos/1176343003.


  1. Distribuição degenerada é aquela cuja densidade de probabilidade está totalmente concentrada em apenas um ponto de seu domínio.
Posted by Rafael F. Bressan in Derivativos & Riscos, 0 comments
Risco de mercado, princípios de Basileia e a teoria do valor extremo

Risco de mercado, princípios de Basileia e a teoria do valor extremo

Neste artigo iniciaremos uma discussão sobre a utilização da teoria do valor extremo – EVT para o cálculo de risco de mercado de ativos financeiros. Desta forma, a EVT pode ser utilizada tanto para o cálculo de VaR quanto ES, recaindo sobre a categoria de modelo semi-paramétrico.

Este será o primeiro artigo de uma série de três. Nesta introdução a EVT, faremos uma vasta revisão da literatura aplicada a finanças. O segundo artigo apresentará ao leitor já familiarizado a modelagem matemática das medias de risco utilizando a EVT e por fim, o último artigo apresentará um estudo de caso, comparando diversos modelos para o cálculo do VaR e inferindo qual modelo é mais adequado com base em critérios bem definidos na literatura. Os artigos foram adaptados de um trabalho de iniciação científica do autor e, portanto, apresentam um caráter mais acadêmico que o normalmente encontrado nos artigos do Clube de Finanças. Ainda assim, o assunto é relevante e atual dentro do gerenciamento de risco das instituições financeiras e desta forma acreditamos que nossos leitores se beneficiarão desta série.

Introdução

A medição do risco de mercado ao qual os portfólios dos investidores está sujeito é objeto de devoção de esforços tanto por parte das instituições e investidores em geral como por parte dos reguladores. Instituições financeiras – IF em todo o mundo, de acordo com suas regulações locais e com os princípios de Basileia ( Basel Comittee on Banking Supervision – BCBS do Banco de Compensações Internacionais – BIS) são obrigadas a reservar uma parcela de seu capital como provisionamento contra flutuações adversas do mercado, como forma de mitigar seu risco de insolvência.

Estas instituições devem manter seu risco de insolvência controlado, e a percepção externa deve ser tal que não haja desconfiança do público com sua habilidade em controlar este risco. Se a confiança na instituição se esvai e a percepção de risco é elevada, rapidamente uma crise de liquidez pode surgir, com depositantes sacando seus recursos ao mesmo tempo em que outras fontes de funding também se tornam escassas. Em tal situação, é natural o banco ou IF, ir ao mercado para vender seus ativos e levantar os recursos necessários. Neste momento uma crise de liquidez no mercado pode levar a uma possível insolvência da IF pois, não há garantias que no mercado aberto, os ativos do banco serão justamente avaliados e arrematados.

Uma importante característica das séries de retornos financeiros é sua alta volatilidade, não constante e tampouco seguindo uma distribuição Normal. Assim, eventos extremos, e neste caso estamos interessados em perdas de grande magnitude, acontecem com uma frequência alta demais para serem descartadas como apenas outliers, e portanto passaram a atrair a atenção dos participantes do mercado, entre eles os investidores e reguladores. Estas observações induziram uma gama de estudos, empíricos e teóricos, voltados a explicar o comportamento dos retornos de séries financeiras e modelar de forma adequada as caudas da distribuição destes retornos. Não somente estes estudos são de grande relevância para o gerenciamento de risco nas instituições financeiras, como também são obrigatórios segundo o acordo de Basileia, uma vez que este requer o cálculo do Valor em Risco – VaR, para então a instituição poder projetar o seu nível requerido de capital.

De acordo com os princípios de Basileia III, BCBS (2011), BCBS (2013a), BCBS (2014), as instituições financeiras supervisionadas pelos Bancos Centrais devem manter buffers de capital contra riscos de mercado, crédito, liquidez, entre outros. Dentro dos riscos de mercado, as duas formas mais usuais de fazer a quantificação destes são os métodos de Valor em Risco – VaR e o Expected Shortfall – ES. Este último relacionado ao primeiro, sendo definido como o valor esperado das perdas que excedem o VaR calculado para um determinado nível de confiança.

VaR é um quantil alto \(\alpha\) da distribuição de perdas de um ativo ou portfólio em um determinado período de tempo, ao passo que ES é o valor esperado das perdas que excedem VaR, para um mesmo período e nível de confiança \(\alpha\).

O método VaR para cálculo de risco de mercado ao qual um portfólio está sujeito foi primeiramente introduzido através de RiskMetrics (1995), uma metodologia adotada pelo banco J. P. Morgan. Vem desde então sendo amplamente adotado pela indústria financeira e largamente estudado pela academia. Inúmeras variantes do modelo foram propostas e continuam sendo utilizadas com o passar dos anos. Para o cálculo do VaR é necessária uma suposição acerca da distribuição dos retornos, e por conseguinte do comportamento da cauda desta.

As variações na metodologia original de estimação do VaR surgem principalmente em função de críticas a abordagem proposta, a qual inclui a suposição de retornos independentes e igualmente distribuídos, covariâncias constantes entre os ativos de um portfólio e a distribuição normal dos retornos.

Por meio de dois artigos Artzner et al. (1997) e Artzner et al. (1999), foi introduzido na literatura o conceito de medida coerente de risco. Para uma medida ser considerada coerente, primeiramente foram introduzidas quatro propriedades cunhadas através de axiomas, as quais estas medidas deveriam possuir, invariância translacional, sub-aditividade, homogeneidade positiva, e monotonicidade.

VaR especificamente não possui a propriedade da sub-aditividade para alguns casos, sendo esta uma das grandes críticas ao VaR. Desta forma, em casos específicos, é possível uma carteira diversificada em que sejam computados o VaR de cada um de seus ativos, ser agregada e possuir um VaR do portfólio maior que o maior VaR de seus componentes, algo que não condiz com uma medida coerente de risco. Para contornar este fato, Acerbi and Tasche (2002) propuseram o Expected Shortfall e comprovam que este é uma medida coerente de risco. Além de ser coerente, o ES possui uma segunda vantagem com relação ao VaR, considerando que o ES nos informa uma medida de tendência central do tamanho das perdas que excedem o valor do quantil VaR. Ou seja, o VaR nos informa apenas que uma proporção \(\alpha\) das perdas serão menores que a medida, mas nada nos informa se esta perda extraordinária de fato ocorrer. Mesmo sendo criticado como uma medida não coerente de risco, o VaR continua a ser amplamente utilizado, mesmo que agora em conjunto com o ES.

Mais recentemente o Comitê de Supervisão Bancária de Basileia tem se proposto a adotar o Expected Shortfall como medida de risco de mercado. BCBS (2013b). O Comitê cita a grande importância da escolha da medida de risco e sua calibração, e portanto estas são relevantes para as decisões de política do Banco. Entre as dificuldades encontradas pelo VaR estão mais notadamente sua inabilidade em estimar o “risco de cauda” da distribuição de perdas, uma vez que VaR não leva em conta a distribuição das perdas acima do valor de corte.

Desta forma, foi decidido que o ES seria a medida de risco favorita para a abordagem pelo banco chamada de modelos internos. Ou seja, os bancos supervisionados devem utilizar o ES para o cálculo do risco de mercado a que estão sujeitos em seus modelos internos. O comitê também se decidiu por um nível de confiança de 97,5% para o ES, em contraposição a 99% para o VaR. O comitê espera que esta abordagem para o cálculo da medida de risco de mercado trará benefícios se comparada a antiga abordagem pelo Var, entre elas um modelo com resultados mais estáveis e menor sensibilidade a observações extremas (outliers).

Revisão de Literatura

Teoria do valor extremo, é um ramo da estatística que lida diretamente com eventos raros, extremos. Seu objetivo é modelar o comportamento assintótico de eventos que se distanciam muito da mediana de uma distribuição. Justamente por esta característica, a EVT está sendo utilizada para modelar riscos que possuem distribuição com caudas longas, um dos fatos estilizados bem conhecidos sobre retornos de ativos financeiros.

Ao utilizar a EVT, e mais especificamente o método conhecido como peaks over treshold – POT, se está interessado em modelar apenas a parte da cauda da distribuição das perdas de um ativo financeiro maiores que um determinado valor de limiar u. É da modelagem desta cauda, portanto, que se calcula a estimativa de VaR.

A teoria do valor extremo vem sendo utilizada nas finanças a algum tempo. Devido as características das séries financeiras, por exemplo a leptocurtose, a distribuição normal para os retornos vem sendo rechaçada, enquanto outras distribuições mais adequadas assumem o posto para descrever o comportamento das perdas e retornos de séries financeiras. A EVT, ao modelar distribuições com caudas longas, pode ser utilizada para esta finalidade. A introdução da EVT em dois estágios para a estimação de medidas condicionais de risco pode ser atribuída a McNeil and Frey (2000). Neste artigo os autores propuseram um modelo para a estimação do VaR e ES de forma condicional, tanto para período de um dia como para dez dias a frente, de acordo com o normativo de Basileia vigente a época. Seu modelo, que leva em conta as longas caudas e a natureza estocástica da volatilidade, se ajustam de forma mais fidedigna aos dados. Daníelsson and Morimoto (2000) fizeram uma crítica aos modelos condicionais de cálculo do VaR para o mercado japonês e chegaram a conclusão que um modelo EVT incondicional, inclusive sem o estágio de filtragem inicial, era mais adequado para fins práticos.

Byström (2004) encontrou que ambas abordagens da EVT, máximos em bloco como POT, combinadas com análise de séries temporais tradicional (ARIMA e GARCH), no que se configura uma abordagem condicional para a estimação do VaR, têm os melhores resultados tanto em períodos ditos tranquilos como em épocas de alta volatilidade. Voltando a aplicação da EVT para mercados emergentes, Gencay and Selcuk (2004) utilizaram a teoria de valor extremo para o cálculo de VaR e teste de estresse. Seus resultados apontam que a EVT se torna melhor a medida que o quantil utilizado para o cálculo se eleva. Além disso, encontraram que as caudas da distribuição de retornos se comportam de maneira diferente entre ganhos e perdas. Uma comparação entre diversos modelos de previsão de VaR foi realizada por Kuester, Mittnik, and Paolella (2006). Encontraram que a grande maioria dos modelos subestima o risco, mesmo sendo aceitáveis do ponto de vista regulatório, sendo que o modelo condicional GARCH-EVT está entre as melhores estimações.

Karmakar and Shukla (2014) retomam o modelo em dois estágios e fizeram uma comparação entre o modelo EVT condicional e outros modelos já consagrados no cálculo de VaR em 3 mercados desenvolvidos (EUA, Reino Unido e Japão) e 3 mercados emergentes asiáticos (Índia, Hong Kong e Corea do Sul). O modelo GARCH adotado no primeiro estágio é diferente para cada mercado, porém com uma particularidade comum, todos são modelos assimétricos. Novamente encontram que o modelo EVT condicional é superior aos demais através de testes de cobertura incondicional e condicional.

Chavez-Demoulin, Davison, and McNeil (2005) e Herrera and Schipp (2013) tomam um caminho diferente para modelar a EVT. Enquanto o primeiro adota o método de processos pontuais de auto-excitação1, que dadas algumas condições, converge para o método POT, o segundo modela explicitamente as durações de tempo entre as observações de extremos, ou seja, as perdas em excesso ao limiar escolhido. A magnitude destas perdas continua a ser modelada através da distribuição generalizada de Pareto – GPD. Seu modelo é então chamado de autoregressive conditional duration peaks over threshold model – ACD-POT.

Rocco (2014) fez uma grande revisão sobre o uso da EVT em finanças. As principais aplicações encontradas foram o teste de suposições para diferentes distribuições dos dados, cálculo de medidas de risco como o VaR e ES, alocação de ativos sob restrições e otimização de portfólios, e no estudo de contágio e dependência entre mercados sob condições de alto estresse.

Mais recentemente a EVT encontrou outras formas de aplicação e cálculo. Chavez-Demoulin, Embrechts, and Hofert (2016) sugeriram um modelo onde a frequência e a severidade das perdas podem ser modeladas através da EVT com covariantes. Karmakar and Paul (2016) por sua vez, fizeram uma aplicação do modelo EVT condicional a retornos intra-diários de dezesseis mercados diferentes.

O cálculo de VaR em instituições financeiras e bancos comerciais vem sendo implementado e é requerimento do comitê de Basileia. A EVT entra como uma das metodologias utilizadas neste cálculo, Longin (2000) a utilizou e propôs um modelo para agregar o risco de uma posição de mercado, em contraste a modelos univariados apenas. Testes de estresse podem ser realizados através de sua técnica. Utilizando-se de dados reais de seis grandes bancos comerciais americanos, Berkowitz and O’Brien (2002) analisou a precisão de seus modelos VaR. Ele encontrou que os bancos são amplamente conservadores em suas estimativas de VaR, com níveis de cobertura muito acima dos valores nominais. Wong, Cheng, and Wong (2003) promoveu um estudo sobre as implicações da precisão do modelo VaR no gerenciamento do risco de mercado em bancos. Ele adotou os critérios de Basileia para realizar um estudo de backtest e verificou que modelos baseados em previsões de volatilidade através de GARCH não estão de acordo com estes critérios por muitas vezes. Já em um estudo recente, O’Brien and Szerszeń (2017) fez uma avaliação dos modelos de risco de mercado de bancos no pré, durante e pós crise financeira de 2008. Encontrou que tanto no pré quanto no pós crise, os bancos se comportaram de maneira excessivamente conservadora, entretanto, durante a crise financeira as violações ao VaR excederam muito seu valor esperado assim como aconteceram de forma agrupada, um sinal de má especificação nos modelos adotados. O autor comparou estes resultados com um modelo baseado em GARCH e verificou que esta alternativa é muito superior aos atuais modelos.

Conclusão

A avaliação da probabilidade de eventos raros e extremos é uma questão importante no gerenciamento de riscos das carteiras financeiras. A teoria dos valores extremos fornece os fundamentos sólidos necessários para a modelagem estatística de tais eventos e o cálculo de medidas de risco extremo. Não somente a teoria é adequada para este tipo de modelagem, como também é requerido das instituições financeiras que façam suas estimativas de risco de cauda de maneira conservadora mas realista com as atuais condições de mercado. Seja qual for a medida de risco de mercado desejada, VaR ou ES, a EVT através do método POT vem sendo utilizada com excelentes resultados e tem se tornado a prática de mercado.

Em um próximo artigo faremos uso da EVT e outras técnicas de modelagem de VaR para avaliar, através de testes estatísticos, a capacidade preditiva de sete modelos distintos de cálculo da métrica de valor em risco comumente encontrados na literatura, por meio da técnica de backtesting. Os testes aplicados abrangem características importantes do VaR como cobertura incondicional, independência entre violações e superioridade do modelo dada uma função de perda adequada.

Referências

Acerbi, Carlo, and Dirk Tasche. 2002. “On the coherence of expected shortfall.” Journal of Banking & Finance 26 (7). Elsevier: 1487–1503.

Artzner, Philippe, Freddy Delbaen, Jean-Marc Eber, and David Heath. 1997. “Thinking Coherently.” RISK 10 (11): 68–71.

———. 1999. “Coherent Measures of Risk.” Mathematical Finance 9 (3): 203–28. doi:10.1111/1467-9965.00068.

BCBS. 2011. “Basel III: A global regulatory framework for more resilient banks and banking systems.” Revised ve. Bank for International Settlements -Basel Committee on Banking Supervision. http://www.bis.org/publ/bcbs189.pdf.

———. 2013a. “Basel III: The liquidity coverage ratio and liquidity risk monitoring tools.” Bank for International Settlements – Basel Committee on Banking Supervision. http://www.bis.org/publ/bcbs238.pdf.

———. 2013b. “Fundamental review of the trading book: A revised market risk framework.” Bank for International Settlements – Basel Committee on Banking Supervision. http://www.bis.org/publ/bcbs265.pdf.

———. 2014. “Basel III: The net stable funding ratio.” Bank for International Settlements – Basel Committee on Banking Supervision. http://www.bis.org/bcbs/publ/d295.pdf.

Berkowitz, Jeremy, and James O’Brien. 2002. “How Accurate Are Value-at-Risk Models at Commercial Banks?” The Journal of Finance 57 (3). Blackwell Publishers, Inc.: 1093–1111. doi:10.1111/1540-6261.00455.

Byström, Hans NE. 2004. “Managing Extreme Risks in Tranquil and Volatile Markets Using Conditional Extreme Value Theory.” International Review of Financial Analysis 13 (2). Elsevier: 133–52.

Chavez-Demoulin, V, A C Davison, and A J McNeil. 2005. “Estimating value-at-risk: a point process approach.” Quantitative Finance 5 (2): 227–34. doi:10.1080/14697680500039613.

Chavez-Demoulin, Valérie, Paul Embrechts, and Marius Hofert. 2016. “An Extreme Value Approach for Modeling Operational Risk Losses Depending on Covariates.” Journal of Risk and Insurance 83 (3): 735–76. doi:10.1111/jori.12059.

Daníelsson, Jón, and Yuji Morimoto. 2000. “Forecasting Extreme Financial Risk: A Critical Analysis of Practical Methods for the Japanese Market.” Monetary and Economic Studies 2 (18). Institute for Monetary; Economic Studies, Bank of Japan: 25–48.

Gencay, Ramazan, and Faruk Selcuk. 2004. “Extreme Value Theory and Value-at-Risk: Relative Performance in Emerging Markets.” International Journal of Forecasting 20 (2). Elsevier: 287–303.

Hawkes, Alan G. 1971. “Spectra of Some Self-Exciting and Mutually Exciting Point Processes.” Biometrika 58 (1): 83–90. doi:10.2307/2334319.

Herrera, Rodrigo, and Bernhard Schipp. 2013. “Value at risk forecasts by extreme value models in a conditional duration framework.” Journal of Empirical Finance 23: 33–47. doi:10.1016/j.jempfin.2013.05.002.

Karmakar, Madhusudan, and Samit Paul. 2016. “Intraday Risk Management in International Stock Markets: A Conditional Evt Approach.” International Review of Financial Analysis 44. Elsevier: 34–55.

Karmakar, Madhusudan, and Girja K. Shukla. 2014. “Managing Extreme Risk in Some Major Stock Markets: An Extreme Value Approach.” International Review of Economics and Finance. doi:https://doi.org/10.1016/j.iref.2014.09.001.

Kuester, Keith, Stefan Mittnik, and Marc S. Paolella. 2006. “Value-at-Risk Prediction: A Comparison of Alternative Strategies.” Journal of Financial Econometrics 4 (1): 53–89. doi:10.1093/jjfinec/nbj002.

Longin, François M. 2000. “From Value at Risk to Stress Testing: The Extreme Value Approach.” Journal of Banking & Finance 24 (7): 1097–1130. doi:https://doi.org/10.1016/S0378-4266(99)00077-1.

McNeil, Alexander J, and Rüdiger Frey. 2000. “Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach.” Journal of Empirical Finance 7 (3-4): 271–300. doi:10.1016/s0927-5398(00)00012-8.

O’Brien, James, and Paweł J. Szerszeń. 2017. “An Evaluation of Bank Measures for Market Risk Before, During and After the Financial Crisis.” Journal of Banking & Finance 80 (Supplement C): 215–34. doi:https://doi.org/10.1016/j.jbankfin.2017.03.002.

RiskMetrics. 1995. “Technical Document – 3rd Edition.” J.P Morgan Guaranty Trust Company.

Rocco, Marco. 2014. “Extreme Value Theory in Finance: a survey.” Journal of Economic Surveys 28 (1). Wiley Online Library: 82–108. doi:10.1111/j.1467-6419.2012.00744.x.

Wong, Michael Chak Sham, Wai Yan Cheng, and Clement Yuk Pang Wong. 2003. “Market Risk Management of Banks: Implications from the Accuracy of Value-at-Risk Forecasts.” Journal of Forecasting 22 (1). Wiley Online Library: 23–33.


  1. Para maiores detalhes sobre processos pontuais de auto-excitação, Hawkes (1971) é a referência original.
Posted by Rafael F. Bressan in Derivativos & Riscos, 0 comments
Expected Shortfall

Expected Shortfall

Expected Shortfall como substituto ao VaR

No artigo anterior foi apresentada a medida de risco conhecida como Value-At-Risk (VaR), nele foram abordados origem, conceito, técnicas de estimação e suas deficiências.

Para lidar com as deficiências que o VaR apresenta, Artzner et al. (1999) introduziram uma nova medida de risco denominada como Expected Shortfall (ES). Durante o decorrer deste artigo, esta medida de risco será apresentada e contextualizada com o VaR além de explorado o porquê do ES ser uma medida que apresenta melhores propriedades.

Alguns pontos a serem levados em conta sobre problemas no mundo real que podem levar o uso do ES ser superior ao do VaR:

  1. Investidores racionais que maximizam seus portfólios podem ser enganados pelo uso do VaR. É provável que construam posições com fragilidades não intencionais e podem resultar em perdas superiores ao VaR.
  2. O VaR não é confiável sob estresse de mercado, sob flutuações extremas de preços de ativos ou sob estrutura de dependência extrema de ativos. Nesses casos, VaR pode subestimar o risco.

Além dos pontos citados acima o ES é uma alternativa ao VaR por ser mais sensível ao formato da cauda de distribuição das perdas e é considerado uma medida de risco coerente por respeitar os quatro axiomas propostos por Artzner.

No artigo sobre Value-at-Risk são abordadas as quatro propriedades que medidas de risco coerentes devem apresentar, sendo elas: Monotonicidade, Homogeneidade, Invariância por Translações e Subaditividade. O VaR satisfaz as três primeiras, contudo não é sempre que ele satisfaz a Subaditividade.

O conceito de subaditividade diz que a soma de dois elementos irá sempre retornar algo menor ou igual à soma dos valores da função de cada elemento e é satisfeita através da fórmula abaixo:

\[ ES(\alpha_1 + \alpha_2, α) = ES(\alpha_1, α) + ES(\alpha_2, α) \]

Esta fórmula demonstra que o ES incorpora os benefícios da diversificação uma vez que o risco total do portfólio é igual ou menor que a soma dos risco dos componentes.

O que é Expected Shortfall?

O Expected Shortfall (ES) é uma medida de risco que produz benefícios adicionais ao Value At Risk (VaR), podendo ser referida como Conditional Value At Risk (CVaR), Average Value At Risk (AVaR) ou Expected Tail Loss (ETL).

Como definição, o Expected Shortfall se conceitua como uma medida de risco quantitativa e responde a seguinte pergunta: qual é a perda média, sabendo que a perda está acima do VaR? E também: se as coisas ficarem ruins, qual é a perda esperada?

Assim como o VaR, o ES apresenta dois parâmetros de cálculo, o horizonte de tempo (T) e o nível de confiança (\(\alpha\)). Sendo representado pela perda esperada durante o período (T), sabendo que a perda está condicionada a ser maior que o \(\alpha\)-ésimo Percentil da distribuição de perdas.

Como exemplo, supondo que o VaR é de 1 milhão de reais e que o nível de confiança (\(\alpha\)) é de 99, horizonte de tempo (T) é 1 dia. Então, o ES é a quantia média perdida em um período de 1 dia, sabendo que a perda será superior a R$ 1 milhão.

A figura abaixo, exemplificada em Yamai and Yoshiba (2005), ilustra os conceitos do próprio ES e também do VaR:

Figura 1: VaR e Expected Shortfall

Técnicas de estimação

Os valores do ES são derivados do cálculo do próprio VaR, as premissas do VaR como a forma de distribuição dos retornos, a periodicidade dos dados, a volatilidade estocástica, o corte utilizado, todos afetarão o valor do ES.

Pode-se definir o ES com um nível de confiança \(\alpha\) para uma distribuição de perdas \(L\) como a esperança das perdas acima do VAR:

\[ ES (L) = E[L | L\geq Var_\alpha(L)] \]

Essa estimação, assim como o VaR, pode ser feita de forma paramétrica ou não-paramétrica.

Método não-paramétrico

A forma histórica, ou não-paramétrica (por não depender de parâmetros e sim de amostras), é calculada a partir do VaR histórico com \(N\) observações, atribuindo um peso \(1/n\) para cada uma das n observações acima do VaR:

\[ ES_\alpha(L) = (\sum_{i=N-n}^NLi)/(n) \]

Métodos Paramétricos

Para modelos paramétricos, supomos uma distribuição a que irá depender de certos parâmetros que serão estimados. Dessa forma podemos definir o ES em termos contínuos como uma integral no intervalo \([1 – α; 1]\):

\[ ES =\frac{1}{1-\alpha}\int_{\alpha}^{1}(\Phi^{-1}(1-u)\sigma + \mu)du \] \[ ES = \frac{1}{1-\alpha}\int_\alpha^1 VaR_u(L)du \] Alguns dos modelos mais comuns para se estimar o ES pelos métodos paramétricos são a distribuição Normal (Gaussiana) e a distribuição t-Student. Algumas variações um pouco mais sofisticados são as distribuições da família johnson e a distribuição t não-central.

Assumindo uma distribuição Normal, podemos resolver a integral substituindo a função quantil da Normal padrão \(\Phi^{-1}\) ajustada para os parâmetros da distribuição \(L\), conforme derivação feita por Smaga (2016) :

\[ ES_\alpha =\sigma \frac{\varphi(\Phi^{-1}(\alpha))}{1-\alpha}-\mu \]

Com \(\varphi\) sendo a função de densidade de probabilidade e \(\Phi^{-1}\) a função quantil da Normal padrão (\(N \sim (0;1)\)).

Como simplificação podemos assumir que: \[ ES_{\alpha} =ƛσ − μ \]

Onde \(ƛ\):

\[ ƛ(α) = \frac{\varphi(\Phi^{-1}(α))}{1 − α} \]

Qual método utilizar?

Questões podem ser levantadas sobre a efetividade de cada método. A primeira vista o histórico pode parecer uma boa escolha devido à disponibilidade de dados no mercado financeiro e o aparente melhor ajustamento aos fatos reais. Enquanto isso pode ser verdadeiro se comparado com a estimação por meio da Normal, a distribuição t (e suas variações) pode se mostrar útil para o caso de termos poucas observações ou se quisermos intuir sobre a cauda da distribuição utilizando todo o conjunto de observações. Outra possibilidade seria utilizar estimadores de máxima verossimilhança para estimar os parâmetros da distribuição utilizada, garantindo uma estimativa mais conservadora nos métodos paramétricos, assim como descrito em Martin and Zhang (2017).

Assim como no VaR, além desses dois métodos podemos usar a simulação de Monte Carlo para gerar as observações e proceder assim como no método histórico.

O que é o comitê de Basileia e como ele vem tratando as medidas de risco?

O Comitê de Supervisão Bancária de Basileia é uma organização constituída por representantes de autoridades de supervisão bancária que promove a discussão sobre o aperfeiçoamento das práticas de supervisão bancária, buscando melhorar as ferramentas de fiscalização internacionalmente, e visa o fortalecimento da solidez dos sistemas financeiros.

Em 1988, o comitê estabeleceu o acordo de Basileia I que teve como objetivo criar exigências mínimas de capital, a qual devem ser respeitadas por bancos comerciais, para precaução contra o risco de crédito.

O Basileia I determinou três regras principais para que houvesse o funcionamento:

– Índice Mínimo de Capital: Determina que o banco deve deixar, pelo menos, 8% de capital em caixa de seus empréstimos.

– Capital Regulatório: Determina que a instituição deva deixar um mínimo de capital próprio em caixa para mitigar riscos.

– Avaliação de Risco: Obriga a todas instituições a avaliarem os riscos de financiamento e empréstimo.

Mesmo com todas as exigências e regras impostas pelo comitê isso não impediu inúmeras falências de instituições financeiras. Em 2004, o comitê lançou um novo acordo denominado Basileia II que teve como objetivo reforçar as medidas propostas pelo primeiro acordo e também deu mais liberdade aos bancos centrais de cada país.

Os três pilares trazidos com o segundo acordo são os seguintes:

1. Critérios para o cálculo dos requerimentos mínimos de capital (riscos de crédito, mercado e operacional);

2. Princípios de supervisão para a revisão de processos internos de avaliação da adequação de capital, de forma a incentivar a aplicação, pelos próprios supervisionados, de melhores práticas de gerenciamento de riscos por meio do seu monitoramento e mitigação.

3. Incentivo à disciplina de mercado por meio de requerimentos de divulgação ampla de informações relacionadas aos riscos assumidos pelas instituições.

Após a crise dos subprimes, observou-se que o acordo anterior era insuficiente, por consequência, surgiu o acordo de Basileia III que é um conjunto de propostas de reforma da regulamentação bancária. O acordo aumentou a regulamentação sobre o sistema financeiro e elevou os limites exigidos para bancos e instituições financeiras.

As principais inovações provenientes deste terceiro acordo foram o aperfeiçoamento dos fatores para ponderação de ativos pelo risco, introdução dos colchões de capital para conservação e contracíclico e novos requerimentos para de liquidez e alavancagem.

Desvantagens do ES

Back-Testing

Realizar o Back-test de uma métrica significa calcular quão bem a medida calculada funcionaria no passado. Supondo uma métrica de cálculo de VaR diário com um nível de confiança \(\alpha\), o back-test consiste em analisar com qual frequência as perdas excedem o VaR diário, cada dia que excede o valor é chamado de exceção. Se as exceções acontecem em aproximadamente (100-\(\alpha\))% das vezes a metodologia usada é relativamente precisa, se ocorrem em mais do que (100-\(\alpha\))% das vezes o VaR está possivelmente subestimado, enquanto se ocorrerem em menos vezes está superestimado.

Essa checagem é uma das razões pelas quais os reguladores têm sido relutantes em trocar o VaR pelo ES na quantificação de risco de mercado, dado pelo fato de ser um procedimento muito mais difícil de realizar para o ES, o que é explicado pela maioria dos métodos de back-testing para ES necessitarem de informações da distribuição de retornos de cada dia, ou pelo menos da distribuição das caudas além do VaR.

Monte Carlo e erros de estimação

Estimativas de Value-at-Risk e Expected Shortfall são afetadas por erros de estimação, os quais representam a variabilidade natural causada por amostras de tamanho limitado. As Simulações de Monte Carlo, que são tipicamente utilizadas em processos os quais não podem ser previstos facilmente devido à intervenção de variáveis aleatórias, variam na estimativa do VaR de acordo com sua aleatoriedade.

Yamai, Yoshiba, and others (2002) observa que em distribuições de perda com caudas longas, o desvio padrão relativo ao ES fica muito maior que aquele relativo ao VaR, enquanto que ao analisar distribuições aproximadamente normais, os desvios padrões relativos são praticamente iguais.

Tal fato é explicado pela probabilidade de perdas grandes e não frequentes em distribuições de caudas longas ser alta, tendo em vista que o ES estimado é afetado por elas. Já o VaR é pouco afetado por essas perdas por negligenciar as perdas além do quantil selecionado.

Ademais, é possível analisar que o aumento no tamanho das amostras é capaz de reduzir o erro da estimação do ES, sendo necessário, para uma distribuição estável de coeficiente de estabilidade igual a 1,5 (quando o coeficiente é 2 a distribuição é normal, sendo que menores valores significam caudas maiores), amostras com centenas de milhares de observações para obter-se o mesmo nível de desvio padrão que aquele relativo ao VaR. Isso faz com que Simulações de Monte Carlo tomem proporções muito grandes, necessitando de poder computacional ainda maior.

Exemplo prático:

A rotina abaixo, elaborada no R, exemplifica a estimação do Expected Shortfall para um portfólio univariado.

library(readr)
library(tidyverse)
library(forcats)
library(ggthemes)
library(PerformanceAnalytics)

Como primeiro passo, instalamos os pacotes acima para importação (readr), manipulação dos dados (tidyverse, forcats), visualização (ggthemes) e para cálculo de indicadores de portfólios (PerformanceAnalytics).

X_GSPC <- read_csv("D:/Programacao/riscoderivativos/static/input/^GSPC.csv")
View(X_GSPC)

sp500 <- as_tibble(X_GSPC)

colnames(sp500) <- c("data", "abertura", "maximo", "minimo", "fechamento","fechamento_adj", "volume") 

Após instalação dos pacotes, deve-se importar os dados do portfólio, nesse caso, univariado. Na rotina referida, foi utilizada uma série do índice S&P500 entre agosto de 2009 e agosto de 2019, com cotação de abertura e fechamento diária.

fechamento <- sp500$fechamento

sp500$variacao2 <- Return.calculate(xts(fechamento,order.by = as.Date(sp500$data))
                                    ,method = "simple")

Returns <- sp500$variacao2

sp500 %>% ggplot(aes(x=variacao2))+ 
  geom_histogram()+ 
  theme_minimal()

Com os dados importados, calcula-se a variação diária do índice através da função “Return.calculate”. A variação também pode ser calculada através do índice em t (\(P_{t}\)) sobre o índice em t-1 (\(P_{t-1}\)), como segue:

\[ \Delta P = \frac{P_{t}}{P_{t-1}}-1 \]

VaR(R = Returns,p = .95,method = "historical")

VaR95 <- VaR(R = Returns,p = .95,method = "historical")

ES(R = Returns,p = .95,method = "historical",)

ES95 <- ES(R = Returns,p = .95,method = "historical",)

Com a variação diária já calculada, tanto o VaR quanto o Expected Shortfall podem ser calculados para intervalos de confiança diferentes. Na função VaR e ES do pacote “PerformanceAnalytics”, o p (nível de confiança) pode ser definido em ambas as funções, assim como o método de estimação, o qual pode ser histórico, gaussiano/normal e modificado (“historical”, “gaussian” e “modified”).

# ES e VaR através de diferentes métodos (paramétricos e não paramétricos)

dfretornos <- data.frame(Returns)

chart.VaRSensitivity(xts(dfretornos,order.by = as.Date(sp500$data)),
                     methods = c("GaussianVaR","HistoricalVaR", "GaussianES", "HistoricalES"), 
                     elementcolor = "darkgrey")

Para elucidar os diferentes métodos de estimação do VaR e ES, o pacote “PerformanceAnalytics” permite gerar o gráfico abaixo, onde no eixo “X” encontra-se o nível de confiança e no eixo “Y” os valores do VaR e ES.


Figura 2: Comparação entre medidas de risco

Referências

Artzner, Philippe, Freddy Delbaen, Jean-Marc Eber, and David Heath. 1999. “Coherent Measures of Risk.” Mathematical Finance 9 (3): 203–28.

Martin, R Douglas, and Shengyu Zhang. 2017. “Nonparametric Versus Parametric Expected Shortfall.” Available at SSRN 2747179.

Yamai, Yasuhiro, and Toshinao Yoshiba. 2005. “Value-at-Risk Versus Expected Shortfall: A Practical Perspective.” Journal of Banking & Finance 29 (4): 997–1015.

Yamai, Yasuhiro, Toshinao Yoshiba, and others. 2002. “Comparative Analyses of Expected Shortfall and Value-at-Risk: Their Estimation Error, Decomposition, and Optimization.” Monetary and Economic Studies 20 (1): 87–121.

Contribuíram como co-autores deste artigo os analistas do núcleo de derivativos e risco Vinícius Custódio, João Pedro Smielevski Gomes e Thiago Ranzolin Barreto.

Posted by Arthur Vier in Derivativos & Riscos, 0 comments
Valor em Risco

Valor em Risco

História do VaR

O termo “Valor em Risco” derivado do inglês Value at Risk (VaR), foi introduzido no vocabulário financeiro apenas no começo dos anos 1990, apesar de suas medidas terem sido originadas muito antes.

Seu início mais provável retrocede à Bolsa de Valores de Nova York (NYSE), por volta de 1922, na qual, inicialmente, uma regra exigia que as firmas mantivessem um capital de 10% de seus ativos composto por posições de capital próprio e contas a receber de clientes. Em 1975, a Comissão de Títulos e Câmbio dos Estados unidos (SEC) estabeleceu novas regras para o capital das firmas, cujo objetivo era proteção contra perdas que poderiam ocorrer durante o período existente na liquidação de posições. Esse sistema dividiu ativos financeiros em várias categorias e subcategorias, para evitar posições muito concentradas em um único ativo.

A volatilidade nos juros americanos levou a SEC a atualizar as regras em 1980, as quais passaram a ser baseadas em análise estatística de dados históricos do mercado. Sua intenção era refletir o .95-quantil da quantidade de dinheiro que uma firma poderia perder em um período de liquidação de um mês. Apesar de não ter sido nomeado na época, essa era uma medida de valor em risco.

Em meados de 1990, muitas firmas careciam de maneiras de gerenciar o risco, foi quando a J.P Morgan desenvolveu um sistema de valor em risco em toda a empresa, modelando inúmeros fatores-chave. Uma matriz de covariância era atualizada trimestralmente com dados históricos e todos os dias as unidades de negociação reportavam a variação de suas posições de acordo com cada fator-chave. Esses dados eram agregados e expressavam o valor do portfólio como um polinômio linear dos fatores de risco, utilizando várias métricas de VaR para analisá-lo.

De 1990 em diante, a pedido do CEO da J.P. Morgan, um dado único de valor em risco deveria ser colocado nos demonstrativos de resultado em um relatório diário para as reuniões de tesouraria às 16:15, representando o risco que seria enfrentado no dia seguinte.

A partir de 1994, a metodologia desenvolvida na J.P Morgan, denominada RiskMetrics foi distribuída sem custo na internet, aumentando o interesse das firmas e investidores no gerenciamento de risco e possibilitando o aprimoramento das métricas de valor em risco.

Como podemos definir o Valor em Risco?

Em sua definição formal, o VaR de um portfólio é uma função com dois parâmetros: o horizonte de tempo (T) e o nível de confiança (X). Ele representa o nível de perda que temos X% de confiança que não vai ser excedido em um período T, podendo ser calculado tanto pela distribuição de probabilidades dos ganhos quanto pela distribuição de probabilidades das perdas.

Como exemplo, ao utilizar T representando três dias e X=90, o Valor em Risco é a perda no décimo percentil da distribuição de ganhos esperados dos próximos três dias. Da mesma forma, é a perda no nonagésimo percentil da distribuição de perdas dos próximos três dias. Genericamente, quando utilizada a distribuição de ganhos, o VaR é igual ao negativo dos ganhos no (100-X)-ésimo percentil da distribuição, como demonstrado na ilustração:

Figura 1: Distribuição de ganhos

Analogamente, quando utilizada a distribuição de perdas, o VaR é igual às perdas no X-ésimo percentil da distribuição:

Figura 2: Distribuição de perdas

Técnicas de estimação do VaR

Definimos o VaR de uma carteira sobre o horizonte T, com nível de confiança X, \(0< X <1\), por meio de:

\[ X=P(\Delta P(T)\leq VaR)=F^{T}(VaR), \]

na qual \(\Delta P(T)\), representa o ganho da posição sobre o horizonte T, e \(F^{T}(\cdot)\) a função de distribuição de ganhos acumulada de \(\Delta P(T)\).

Neste caso, podemos fazer algumas considerações: utilizando a distribuição de ganhos, o (100-X)-quantil de uma posição comprada será tipicamente um número negativo, tendo em vista que há perda no caso de uma queda no preço do ativo, ou seja, \(\Delta P(T)<0\), portanto o VaR é definido como o negativo desse quantil, e será sempre um valor positivo. Este método utiliza a cauda esquerda da distribuição de ganhos para níveis de confiança maiores que 50%.

VaR utilizando o Método Paramétrico

A estimação do VaR utilizando métodos paramétricos, abordada em Morettin (2008), pressupõe que os retornos de um portfólio seguem distribuições de probabilidades, uma dessas técnicas é conhecida como RiskMetrics, a qual supõe que a distribuição condicional dos retornos, dadas as informações passadas, é normal com média zero e variância \(\sigma _{t}^{2}\), ou seja, \[ \mathit{r}_{t}|\mathit{F}_{t-1}\sim \mathit{N}(0,\sigma_{t}^{2}). \] Neste caso, estimamos a volatilidade \(\sigma_{t}^{2}\) por meio do modelo EWMA (Média Móvel Exponencialmente Ponderada), o qual demonstra \[ \sigma^{2}_t=\lambda\sigma^{2}_{t-1}+(1-\lambda)r^{2}_{t-1}, \] onde \(0< \lambda<1\), e utilizando os log-retornos de \(k\) períodos, dados por \[ r_{t}[k]=r_{t+1}+r_{t+2}+…+r_{t+k}. \] A partir disso, \(\sigma_{t}^{2}[k]\), a volatilidade desse retorno, pode ser calculada por meio da modelagem GARCH, que mostra que \[ \sigma _{t}^{2}[k]=k\sigma _{t}^{2}(1). \]

Isto é, podemos escrever que \[ r_{t}[k]|\mathit{F}_{t-1}\sim \mathit{N}(0,k\sigma _{t}^{2}(1)). \] Portanto, sob os modelos adotados, a variância condicional dos log-retornos de \(k\) períodos é proporcional ao horizonte \(k\) e o desvio padrão condicional de \(r_{t}(k)\) é dado por \(\sqrt{k}\sigma_{t+1}\).

Por exemplo, utilizando uma posição comprada e um nível de confiança X=95, o RiskMetrics usa \(-1,65\sigma_{t+1}\) como VaR, representando o 0,05-quantil da distribuição normal com média zero e variância \(\sigma_{t}^{2}\), obtemos

\[ \mathit{-VaR=} \text{(Valor da Posição)}\times(-1,65)\times (\sigma _{t+1}), \]

representando a medida de um período. O VaR de \(k\) períodos é dado por: \[ \mathit{-VaR=} (Valor da Posição)\times(-1,65)\times\sqrt{k}\times (\sigma _{t+1}). \]

VaR utilizando o método de Variância e Covariância

Da mesma forma que a estimação anterior, o método de variância e covariância assume que a distribuição de retornos do portfólio pode ser aproximada por uma normal. Esse método pode ser definido por \[ VaR(a_{1},a_{2},…,a_{n},X)=-\mu +z_{X}\sigma, \] no qual, \(a_{n}\) representa a participação do ativo \(n\) na carteira, \(\mu\) representa a média dos retornos ponderada pela alocação de cada ativo, ou seja, o retorno esperado, e \(z_{X}\) representa o \(X\) quantil da distribuição normal conjunta, dado que são vários ativos. As quais podem ser calculadas por \[ \mu =\sum_{i=1}^{n}a_{i}m_{i} \] e \[ \sigma ^{2}=\sum_{i=1}^{n}\sum _{j=1}^{n}a_{i}a_{j}\sigma _{i,j}, \] nas quais, \(m_{i}\) representa o retorno esperado de cada ativo e \(\sigma_{i,j}\) representa a covariância entre os ativos “i” e “j”.

VaR utilizando o Método Não-Paramétrico ou Simulação Histórica

O método dos quantis empíricos, consiste em reunir dados históricos do portfólio, montando uma distribuição com os retornos através do tempo e, de acordo com a distribuição obtida, selecionar a perda a qual é maior apenas que os (100-X)% retornos históricos. Este é um método não-paramétrico, ou seja, não requer que a distribuição seja caracterizada por parâmetros, sendo útil em casos de dados resistentes à transformações e não normais, além disso, sua vantagem é a adequação às distribuições assimétricas.

VaR utilizando a Simulação de Monte Carlo

Simulações de Monte Carlo são tipicamente utilizadas em processos os quais não podem ser previstos facilmente devido à intervenção de variáveis aleatórias. Uma maneira de utilizá-lo é modelando possíveis movimentos nos preços de um ativo em softwares como o Excel.

Para realizar tal simulação deve-se primeiro estipular um modelo para a evolução dos preços dos ativos. Um dos modelos conhecidos é o Movimento Browniano Geométrico, no qual primeiro observa-se que existem dois componentes no movimento dos preços de um ativo: deriva \((\mu)\), que é um movimento direcional constante, e um componente aleatório \((\alpha)\), representando a volatilidade do ativo. Além disso, obtemos a deriva e o desvio padrão baseando-se em seu histórico, por meio de um processo chamado de calibração do modelo.

Para tanto, projeta-se a trajetória de um ativo, utilizando os dados históricos de seu preço para gerar uma série de retornos diários, usando o logaritmo natural: \[ \text{Retorno Diário}=ln(\frac{\text{Preço do dia}}{ \text {Preço do dia anterior}}). \] Em seguida, calculamos a média de retornos diários \((\bar{r})\), a variância \((\sigma^{2})\), o desvio padrão \((\sigma)\) e obtemos a deriva e a componente aleatória por meio de: \[ \mu=\bar{r}-\frac{\sigma}{2} \] e \[ \alpha=\sigma\times(\text{Valor aleatório}). \] Sendo \((\text{Valor aleatório})\sim N^{-1}(0,1)\), podemos obter o preço do dia seguinte por meio de: \[ \text{Preço do Dia Seguinte}=(\text{Preço do dia})\times e^{(\mu+\alpha)} \] Ao repetir esse cálculo quantas vezes necessário (cada repetição representando um dia), obtemos uma simulação do movimento futuro do preço. Ao gerar um número grande de simulações, pode-se encontrar a probabilidade associada ao preço que o ativo pode atingir em determinado horizonte de tempo.

A frequência dos diferentes retornos gerados por essa simulação formarão uma distribuição normal, assim como o primeiro método apresentado.

Deficiências do VaR

Em sua essência o VaR consegue responder a uma única pergunta “o quanto as perdas podem ser ruins?”. Porém, apesar do VaR proporcionar ao investidor o potencial de perda de um portfólio, ele acaba tendo muitas críticas por conta de suas deficiências.

Inicialmente, pode-se observar que o VaR é inconclusivo para perdas maiores que as especificadas pelo determinado nível de confiança, ou seja, não possuímos informações suficientes para analisar um caso extremo que supere a probabilidade estipulada. Isso é dado pelo fato dessa métrica não utilizar uma relação entre as maiores perdas, e sim escolher o valor da perda no (100-X)-quantil. Tal problema é observado no caso abaixo:

Figura 3: Distribuição de retornos assimétrica

Assim como inúmeras métricas utilizadas nas finanças, o VaR depende das componentes utilizadas na estimação, estando exposto a deficiências nesse processo, por exemplo, no caso de um ativo cuja distribuição de retornos seja assimétrica ou com maior achatamento, ao utilizar o método da variância e covariância, assume-se que a distribuição de retornos segue a normal, ocasionando em uma análise errônea. Além disso, a existência de diferentes métodos para se calcular o VaR de um portfólio faz com que para cada cálculo haja um resultado diferente para o risco.

Por fim, analisando as quatro propriedades de medidas coerentes de risco, observadas em Hull (2012):

Monotonicidade: se um portfólio produz um resultado pior que outro portfólio por qualquer razão, sua medida de risco deve ser maior;

Invariância por translação: se uma quantidade K de capital é adicionada a um portfólio, sua medida de risco deve cair K;

Homogeneidade: mudar o tamanho do portfólio por um fator \(\lambda\) enquanto mantêm-se as quantidades relativas dos ativos, a medida de risco deve ser multiplicada por \(\lambda\);

Subaditividade: a medida de risco de dois portfólios quando é feita sua fusão não deve ser maior que a soma de suas medidas de risco antes da fusão.

Observa-se que, apesar de sempre satisfazer as três primeiras propriedades, há casos nos quais o VaR não satisfaz a quarta, tornando-o uma medida não coerente de risco.

Vantagens

Em meio a essa série de desvantagens o VaR se sustenta como uma das principais ferramentas na análise de riscos. Isso pode ser explicado dado sua capacidade de admitir a comparação de valores, que são expressos em unidade monetárias. Assim sendo, permite a comparação entre ativos de diferentes áreas do mercado. Além disso, sua larga utilização permite a comparação de riscos entre vários âmbitos tais como comparação de portfólios e entre diferentes setores.

Vantagens e Desvantagens de cada método

Método Paramétrico:

Por ser um método simples, requer pouca força computacional, mas sua simplicidade custa na confiabilidade da estimativa, que é limitada pelo uso da distribuição normal, não funciona bem para ativos que tenham retornos não lineares e pode subestimar o VaR em altos níveis de confiança e o sobrestimá-lo em baixos níveis.

Método Não-Paramétrico:

O método de simulação histórica é fácil de ser implementado. Os dados referentes ao cálculo geralmente apresentam-se em domínio público e não são necessários softwares complexos para se realizar o cálculo, de maneira que planilhas de cálculo simples são eficientes. A simulação histórica também não leva em conta suposições em relação a distribuição dos retornos e elimina a necessidade de se utilizar a matriz de covariância e outros parâmetros. Apesar disso, o método supõe que a distribuição de retornos do ativo se manterá a mesma, o que pode não ser razoável, e requer bases de dados sobre o preço do ativo, as quais nem sempre apresentam o tamanho suficiente.

Método de Monte Carlo:

O método de Monte Carlo é capaz de calcular de maneira eficiente o VaR devido ao uso de simulações não-lineares e de parâmetros, à possibilidade de adequá-la a diferentes distribuições estatísticas e ao fato de não ser tão afetada por eventos extremos. Apesar disso, é o mais complicado dentre os métodos apresentados, custando mais tempo para ser desenvolvido e necessitando grande capacidade de processamento de dados.

Referências

Hull, John. 2012. Risk Management and Financial Institutions,+ Web Site. Vol. 733. John Wiley & Sons.

Morettin, Pedro Alberto. 2008. “Econometria Financeira: Um Curso Em Séries Temporais Financeiras.”

Contribuiu como co-autor deste artigo o analista do núcleo de derivativos e risco Vinícius Custódio. LinkedIn

Posted by Arthur Vier in Derivativos & Riscos, 0 comments