VaR e Aplicação de 5 Metodologias

1200000458
/ / / / 1 " 1 / / 1 / / 1 / / 1 / / 1 / / 1 / / / 1 1 1 / 1 / / / / 1 / 1 / /
VALUE-AT-RISK
Aplicao de Cinco Metodologias a Carteiras Tericas Compostas
por Aes e Ttulos de Renda Fixa no Brasil
Banca examinadora
Prof. Orientador William Eid Jnior
Prof. Wladimir Antonio Puggina .
Prof. Jos Evaristo dos Santos
_....... I r.. __ .._
.J,.' t~ ' _.': !
t. .: 1 ':'~~ !
, .
r
.
FUNDAO GETLIO VARGAS
ESCOLA DE ADrvllNISTRAO 'DE EMPRESAS DE SO PAULO.
_.... __.... - - - - - ~- . ,- - . - ~.- .. -.... - - - - .- - ~- :..,- - _. - - - - o . - - ~- 1
,E a6iQo!,.,b0J9~1 0:,,.:0 eo rM RCi ' LOMSAR { " Si01SM .OQflA8MOJ:
.'18::'13 (A~ ~)o 14 sb:1 s? sb ;;.:>iu)i ie eev,?A 1 0q oU!~OCHnJesone'F eS" llsns:) I
0b~.n;aeM 5:: oSqstlB ?~l} .q!Jsr OIJOS ,V~:" i\9a3A3 rOiuB'1 OS?
sb Sffl VCJ-=t\CiB3A3 sb o;,>sf.Jb61 ~-2'" t -ab 0.21 u8, OS sbstn$el~q6
.(!:::lJe:)nf.mi:::~ildt!'lc<) OS~f31 t if1 i.;!bA .o e..~'~i!epno O
. .
seh'0H .(:1.r\ li) )\~\\-'\::;~e.)\.~~sb eoebom eob f).:~i" 'ef ~ a:V$l ::.s'1 :Q.ff1 l.?~8
; i') $1 (1 " )1 ' 1:Jhf- ~>:9c: e '1~~)t8 o n HA\I endOf. afrtt:;i',5t:- ;S 8C10L18b albqlanhq
stL():c,:)(J!').~ t:lsr,~'3 .R/':.1 VAL:.UE-AT!'RISK),j(\b eb or1 neqrri6 9b
~t 0Zl1 mo.) GOh1$tn~1E".c~ ,'1 ~h6;~iHensbHi:ts1 oV sh Of~U mO~J<:0ht~rnslsq :
'(t \Ap.!l~o ;.g~.:.!QC!q ~~tQ.lo .g!s.~r~~.rt~lr~s)t~rlcC!~&mQQstas i
1 H>UOOl:- JB ~c('! t\~0 es:~t-TrfufOS'd~rR \Ad 'i=ix~n~l sW?F..IU!1 la
, 1 0:j " ..Gt~cqm0JP::';;J'~J.. ~ (::1 .:.. !ftl['0V b ~" ;~~VIV\.!0~!:;IqI dI,:, ..:0i1\.l~ '\()~',) As te
; (:IJ~." J .~nl tt !l: Q sb xit d;"':'.i~1$0 eQII./ JI:e tfS .')f,90 .eB 1 evib f~.3 ~" ~0i~
eb ebsbnonque sb ~;Klnet.ivfJ m1 ntNr;sod!-:;d~.;O .o" iell.?s1 d OnS:.iflf3r1 !T
C?..J.~~!;;ir?.so 9 ~e.c eb ofre;'nlF..::Sl) $~ 1 0Jst rnoo 9br'ciH BIQotob-.:,i5 1 '.,." 1
, ea 'Ob::!hJi'Et: ''Jte:J ,o h&~'J e!:' !:.ilsf1 .l':nsrn a!:.nSG6 618!'- ) OonS2 scn~taf'~
~
--oS1 I ry{ J ();~Iit.:~me 'S!'1 ea t:F 1 esbannoone s J~n b ... 9 mo:::. msr.ubfiC'o
.os7e:91 IoooL.lG ~. sbE~joi!ei3te:.JC '~.?'-)rI ~i):.;bij3Imon
Dissertao apresentada ao Curso de Ps-
. r.~;r,r.s.,e{l EIQC!obot5 M ., 9Grduao':(jalFGV/ AESP.jfJ~~~Lf?:'..!.2!9
li :?(lj~AJ),~M - f:.,)hc1 8~HvBoshJrru rea" de :Con entraa:J dministra OV
, >.?.e:)lai\f~s!LQ~eiB-=-O:" H~'!tJ?i:aM-Coritbil'Finaheeira cmo~f qisitpafa4
~ ~~=~~~~:::::~':s';;'..~~ .;.~. - 1 obtenoide~Ht~l ~,de:fnestf " em)a~'9M-
~FGV de Empresas de SAo Paulo ~.. Admi . t - , .
Biblio teca <." , IJlIDI~J.?lO:....._. __._, __.. ._.... j
~~. I 111111
1
I' .
, Orientador: Prof. William Eid Jnior
~ 1200000458 I
SO PAULO
2000
ii
,
\ I
1.
,
SP-00016130-1
" 'l
,""~""- ""''''- ''''- '_ . ~.'- __ "'o ._ - - :- 1
~.f~:,la c :'.) I\L'; . l.I, Ju I
1 (" r" '~''''''''I'' " I t.:;J , ~' ... \o i... - ~ 'lo
.- - .. ........ ,... ,~~. ~r'''' _ ..-
l...' r. \ ; .'1 '::.: I
lo, o ~ . .;?'O, ~~~.1- '
L.s\.\'2-\1
'lY \ .
y 5 t 9 j 2 C O J e . 1-
r , i
LOMBARDO, Mrcia, Value-at-Risk: Aplicao de Cinco Metodologias a
Carteiras Tericas Compostas por Aes e Ttulos de Renda Fixa no Brasil.
So Paulo: EAESP/ FGV, 2000. 1 20p. (Dissertao de Mestrado
apresentada ao Curso de Ps-Graduao da EAESP/ FGV, rea de
Concentrao: Administrao Contbil-Financeira). "
Resumo: Faz reviso terica dos modelos de value-at-risk (VAR), Revisa
principais estudos anteriores sobre VAR no Brasil e no exterior. Testa o
desempenho de cinco metodologias de VAR, a saber: metodologia
Paramtrica com uso da Volatilidade Histrica, Paramtrica com uso da
Volatilidade EWMA, Paramtrica com uso da Volatilidade GARCH( 1 ,1 ),
Simulao Histrica e uma Metodologia Hbrida proposta por BOUDOUKH
et aI. (1 998).' Aplica as metodologias a carteiras tericas compostas por
propores diversas de aes e ttulos de renda fixa de 30 dias no mercado
financeiro brasileiro. O trabalho encontra evid ncias da superioridade da
Metodologia Hbrida com fator de decaimento de 0,99 e da Simulao
Histrica, sendo esta apenas marginalmente inferior, Estes resultados se
coadunam com evid ncias encontradas nas sries em estudo de no-
normalidade, heterocedasticidade e autocorrelao.
Palavras-Chaves: Value-at-Risk - VAR - Metodologia Paramtrica -
Volatilidade - EWMA ~GARCH(1 ; 1 ) - Simulao Histrica - Metodologia
Hbrida - Aes - Ttulos de.Renda Fixa - Mensurao - Risco de Mercado
- Mercado Financeiro Brasileiro.
,
(
ABSTRACT
This work analyses the performance of five value-at-risk methodologies,
namely the Parametrie Methodology making use of Historie Volatility, Parametrie
Methodology making use of Exponencial Weighting Moving Average (EWMA),
Parametrie Methodology making use of GARCH( 1 ,1 ), Historie Simulation and a
Hybrid Methodology proposed by BOUDOUKH et aI. (1 998). These models were
applyiedto the return time series of Ibovespa and 30-day fixed rate bonds,
seting up five theoretie portfolios with varying weights of these two assets.
Evidences in the studied period showed a superior performance of the
Hybrid Methodology using a deeay facto r of 0,99, followed closely by Historie
Simulation. These resUlts agree with the main time series eharaeteristics, that is,
non-normality, autoeorrelation and heteroskedastieity of returns .
" .
\)
Considering the remaining Parametrie Methodologies, the EWMA
volatility with decay faetor of 0,99 aehieved better results than GARCH(1 , 1 ) and
historie volatility. The worst results were provided by historie volatility.
The initial hypothesis of this work, refering to a possible relationship
between the performance of different VAR methodologies and the volatility levei
of the portfolio, that is, highllow volatility assets eould have a major/ minor
response to methodology ehange, was not sustained by empirical evidenees.
iii
SUMRI O
Pago
Captulo 1 - I ntro duo .............................................................................. 1
Captulo 2 - VAR: Co nceito s Bsico s....................................................... 9
2.1- O Co nceito de Value-at -Risk........................................................ 10
2.2 - Meto do lo gias de Clculo do Value-at -Risk................................. 15
2.2.1- Paramtrica........................................................................... 1 6
2.2.2 - Delta-Gama..... 24
2.2.3 - Simulao Histrica..... 27
2.2.4 - Simulao de Monte Carlo.................................................... 28
2.2.5 - Teste de Estresse...:.............................................................. 34
2.3 - Mto do s de Previso de Vo latilidade.......................................... 35
2.3.1- Histrica. 36
2.3.2 - Modelos ARCH/ GARCH............ 37
2.3.3 - Mdia Mvel Ponderada Exponenciamente (EWMA)........... 40
2.3.4 - Volatilidade Implcita..... 42
Captulo 3 - Estudo s Anterio res................................................................ 46
3.1 - Testes Emprico s so bre Mto do s de Previso de
Vo latilidade............................................ 46
3.2 - Testes Emprico s so bre Co mparao de Meto do lo gias de
VAR.. 48
3.3 - Outro s Testes Emprico s de VAR............................................... 53
3.4 - Quadro Co mparativo .................................................................... 55
I V
,
Captulo 4 - Teste Emprico no Mercado Brasileiro ................................ 58
4.1- Co leta e Preparao do s Dado s........................... 60
4.1.1 - Ibovespa................................................................................ 60
4.1.2 - Contratos 01 1 Futuros........................................................... 61
4.2 - Testes Preliminares..................................................................... 64
4.2.1 - Testes de Heterocedasticidade dos Retornos....................... 66
4.2.2 - Testes de Normalidade dos Retornos........... 70
4.2.3 - Testes de Autocorrelao dos Retornos............................... 72
4.2.4 - Testes de Estacionariedade dos Retornos............................ 74
4.3 - Aplicao do s Mo delo s de Value-at -Risk.................................. 76
4.3.1 - Metodologia Paramtrica...... 78
4.3.2 - Simulao Histrica................... 81
4.3.3 - Metodologia Hbrida........ 82
4.4 - Meto do lo gia de Avaliaco do s Resultado s............................... 85
4.5 - Resultado s Emprico s.................................................................. 87
4.6 - Co ncluso Geral........................................................................... 97
Anexo I - Co mparao de Fato res de Decaimento na Eficincia do
Mto do EWMA.......................................................................................... 100
Anexo 1 1 - Resultado s Obtido s no s Testes Emprico s........................... 101
Biblio grafia.................................................................................................. 117
v
Captulo 1- I ntro duo
CAPTULO 1 - INTRODUCO
A gesto de riscos, em especial dos riscos financeiros, est no cerne das
atividades das Instituies Financeiras (IF). Seus riscos prov m, em parte, do
descasamento de ativos e passivos em relao a prazos, moedas e taxas, e
tambm da tomada de posies no mercado.
Destaque-se que o objetivo da Instituio Financeira no eliminar
totalmente esses riscos (visto que da .provrn parte de seus lucros), mas sim
administr-los adequadamente a um nvel compatvel com o seu perfil (sua
averso em relao ao risco), tentando ao mesmo tempo maximizar sua
rentabilidade.
o desenvolvimento de tcnicas de gerenciamento de riscos (dentre elas
o VAR - Value-at-Risk) vem conquistando cada vez mais import ncia na atual
conjuntura mundial.Tal import ncia deve-se, de acordo com JORION (1 997),
crescente volatilidade dos mercados financeiros, no que diz respeito a variveis
como taxa de juros, c mbio, preos de aes e c ommodities. Poderamos
enumerar como algumas causas dessa maior volatilidade, segundo o mesmo
autor, a conjuntura econ mica mundial, o processo de globalizao dos
mercados financeiros e os avanos tecnolgicos da atualidade.
1
o Value-at-Risk (ou valor em risco) insere-se dentro deste conceito como
uma forma de se mensurar o risco de mercado, um dos riscos financeiros
enfrentados pelas IF. A fim de tornar este ponto mais claro, descreveremos
sucintamente os tipos de risco a que as organizaes esto sujeitas.
Tipos de Risc o
1
Os riscos enfrentados pelas organizaes esto esquematizados na
Figura 1 ,elaborada a partir de JORION (1 997).
FIGURA 1 - TIPOS DE RISCO
RISCO
ESTRATGICO
TIPOS DE
RISCO
RISCO DO
NEGCIO RISCO DE
MERCADO
RISCO
FINANCEIRO
RISCO DE
CRDITO
RISCO DE
LIQUIDEZ
RISCO
OPERACIONAL
RISCO
LEGAL
2
o risco estratgico est relacionado a mudanas inesperadas no
mercado financeiro devido a acontecimentos nos ambientes econ mico elou
poltico, como uma guerra, revoluo ou plano econ mico. O risco do negcio
diz respeito s operaes da empresa no contexto do mercado ao qual ela
pertence, incluindo tanto variveis como inovao tecnolgica quanto
peculiaridades da empresa, como por exemplo seu processo produtivo
diferenciado e a qualidade de sua administrao.
J o risco financeiro est ligado a possveis perdas no mercado
financeiro. As IF esto, geralmente, mais sujeitas a este risco. Podemos
classificar os riscos financeiros em cinco tipos: risco de mercado, de crdito, de
liquidez, operacional e legal.
Risco de mercado o risco de que o valor de um instrumento financeiro ou
carteira de instrumentos financeiros diminua como resultado de uma variao
na taxa de juros, c mbio, preos das aes ou c ommodities. o risco de
preos e taxas. Podemos analis-lo considerando as quatro variveis citadas
acima separadamente (FEDERAL RESERVE, 1 994).
O risco da taxa de juros provm da possibilidade de perdas decorrentes
de variaes nas taxas de juros. A IF se expe a esse risco a partir do momento
1Um maio r apro fundamento so bre co nceituao de risco s em I nstituies Financeiras e sua gesto po de
ser o btido em BESSI S e BESSI E (1998), KOCK (1995), e SAUNDERS (1997).
'.
:J
3
!
I
"
em que apresenta descasamento de prazos (maturidades) entre seus ativos e
passivos (SAUNDERS, 1 994). Ela incorrer em risco de refinanciamento, no
caso de seus ativos possurem prazos maiores do que seus passivos, e risco de
reinvestimento, caso ocorra o contrrio. Alm disso, h o risco do valor de
mercado, ou seja, caso a taxa de juros aumente, o preo unitrio (PU) do ttulo
diminuir e a Instituio incorrer em perdas no valor de seus ativos.
o risco cambial o risco de que movimentos adversos nas taxas de
c mbio resultem em perda nas posies da IF em moeda estrangeira.
o risco de preo das aes , do mesmo modo que os anteriores, o risco
de perdas devido a movimentos adversos nos preos das aes. Ele pode ser
dividido em risco sistemtico ou no-diversificvel (fatores que afetam todas as
aes ao mesmo tempo, mas no necessariamente na mesma magnitude) e
risco no-sistemtico ou diversificvel (risco especfico de cada ao).
Finalmente, o risco de preo das c ommodities o risco de perdas devido
a variaes dos preos das comanditeis.
Voltando aos demais riscos financeiros, podemos definir risco de crdito
como o risco de que a contraparte de uma transao no honre sua obrigao
nos termos e condies do contrato.
4
Quanto ao risco de liquidez, podemos separ-lo em dois tipos: o risco de
liquidez de financiamento, que se refere habilidade de equacionar
desequilbrios no fluxo de caixa atravs de novas captaes de recursos; e
risco de liquidez de mercado, que se refere ao risco de no se conseguir fechar
posies abertas em tempo hbil, na quantidade suficiente e a um preo justo.
Risco operacional o risco de erro ou fraude humana, ou de que o
sistema falhe no registro, monitoramento e contabilizao das transaes ou
posies.
Por fim, o risco legal o risco de que uma transao no possa ser
consumada devido a alguma barreira legal, como documentao inadequada,
proibio legal da contraparte, ou a no obrigatoriedade da liquidao devido
fal ncia da contraparte (FEDERAL RESERVE, 1 994).
Objetivos
Este trabalho tem por motivao o grande desenvolvimento terico
observado na gesto do risco de mercado no decorrer dos ltimos anos. Seu
foco ser o estudo do Value-at-Risk (VAR), um modelo que se utiliza de
conceitos estatsticos para a mensurao da perda mxima prevista do valor de
um instrumento financeiro ou carteira de instrumentos financeiros em dado
horizonte de tempo, sob condies normais de mercado, e a dado intervalo de
5
Captulo 1- - I ntro duo
confiana. Cabe ressaltar que o VAR vem se tornando, nos ltimos anos, um
" padro" nos mercados financeiros nacional e internacional para a mensurao
do risco de mercado.
A import ncia deste novo mtodo na conjuntura atual pode ainda ser
evidenciada pela sua incluso no Amendment to the Capital Ac c ord to
Inc orporate Market Risk (Emenda ao Acordo da Basilia para Incorporao do
Risco de Mercado), editado pelo Bank of International Settlements (BIS) em
janeiro de 1 996, segundo o qual modelos internos de VAR podem ser usados
para a determinao do capital mnimo exigido para o funcionamento de
Instituies Financeiras.
Os objetivos deste trabalho podem ser divididos basicamente em dois. O
primeiro o estudo do arcabouo terico que envolve o modelo de VAR,
abrangendo os conceitos embutidos nas suas diferentes metodologias de
clculo, bem como nos par metros necessrios para sua estimao, com
ateno especial para a volatilidade.
O segundo objetivo a realizao de um teste emprico no mercado
brasileiro, envolvendo a aplicao de cinco metodologias de VAR a carteiras
tericas com participaes percentuais distintas de aes (representadas pelo
ndice Bovespa) e ttulos de renda fixa de 30 dias (obtidos atravs da estrutura
temporal das taxas de juros - calculada a partir dos contratos DI Futuros
6
negociados na BM&F). Este teste objetiva, basicamente, procurar evid ncias
quanto ao desempenho de tais metodologias em relao s carteiras
estudadas, e verificar se nveis crescentes de volatilidade tornam as carteiras
mais sensveis a mudanas de metodologia. Os dados utilizados compreendem
o perodo de julho de 1 994 a junho de 1 998.
As metodologias utilizadas neste trabalho so:
1 . Paramtrica, com o uso da volatilidade histrica com mdia mvel;
2. Paramtrica, com o uso da volatilidade histrica com mdia mvel
ponderada exponencialmente (EWMA - Exponential Weigthed Moving
Average);
3. Paramtrica,com o uso da volatilidade estimada pelo modelo GARCH( 1 ,1 );
4. Simulao Histrica;
5 . Abordagem Hbrida, representada pela combinao da Simulao Histrica
com o mtodo EWMA de clculo da volatlldade, conforme proposto por
BOUDOUKHet aI. (1 998).
Estruturao do Trabalho
O segundo captulo (VAR: Conc eitos Bsic os) discorrer sobre as
diversas metodologias existentes para o clculo do Value-af-Risk: paramtrica,
delta-gama, simulao histrica, simulao de Monte Carlo e teste de estresse.
7
Alm disso, ele ir apresentar sucintamente as diversas tcnicas de previso ~
volatilidade, visto esta ser uma varivel chave para o clculo do VAR.
Os principais estudos empricos j realizados sobre o assunto,
englobando tanto o Brasil quanto o exterior, sero resenhados no captulo tr s
(Estudos Anteriores).
J o quarto captulo (Teste Empric o no Merc ado Brasileiro), foco central
deste trabalho, apresentar os testes realizados no mercado brasileiro em
relao s cinco metodologias de VAR selecionadas.
8
Captulo 2 - VAR: Co nceito s Bsico s
CAPTULO 2 - VAR: CONCEITOS BSICOS
o Value-af-Risk tem evoludo no sentido de se tornar um padro
internacional para a mensurao e o gerenciamento do risco de mercado. O
primeiro passo para isto pode ser atribudo publicao, pelo Morgan Guaranty
Trusf Company, do documento RiskMetric s (MORGAN GUARANTY TRUST
COMPANY, 1 998),livremente disponvel na Internet, o qual detalha o clculo do
VAR, enfocando a metodologia paramtrica, e tambm fornece diariamente
estimativas de volatilidades e correlaes para vrios instrumentos em diversos
pases.
Este captulo ir analisar o conceito do Value-af-Risk, comentar acerca
de suas origens, e descrever as diversas metodologias existentes para o seu
clculo. Na ltima parte, sero comentados alguns mtodos de previso de
volatilidade e correlaes, visto que estas. variveis so de fundamental
import ncia no clculo do VAR. Como poder ser constatado no captulo
seguinte, o valor em risco ir variar consideravelmente em decorr ncia da
utilizao de metodologias e mtodos de previso de volatilidade/ correlaes
distintos.
9
2.1 - O Conceito de Value-at-Risk
Definio
Uma definio formal do VAR feita por JORION (1 997). Primeiramente,
a definio feita para distribuies gerais e, em seguida, para distribuies
normais.
VAR para Distribuies Gerais
Dadas as seguintes variveis:
W
o
= investimento inicial
R = taxa de retorno do investimento, com retorno esperado J..l e volatilidade o
W = valor do investimento ao final do horizonte estudado; W = Wo(1 +R)
W* = menor valor da carteira ao nvel de confiana c; W* = Wo(1 +R*)
o VAR pode ser definido como a perda, em unidades monetrias, em
relao mdia:
VAR (reI. mdia) = E(W)- W *
VAR (rei. mdia) = -W
o
(R * - J .l )
10
o VAR tambm pode ser definido como a perda absoluta, em unidades
monetrias, sem a considerao do retorno mdio:
VAR (z ero ) = W
o
-W*
VAR (z ero ) = -Wo R *
Pode-se derivar o VAR da distribuio de probabilidade do valor futuro da
carteira f(w). Considerando um nvel de confiana c, queremos encontrar W* de
tal forma que a probabilidade de exceder este valor seja c, ou, alternativamente,
de que a probabilidade de um valor menor que W* seja (1 - c):
00
c= Jf(w')dw
w
w
1-c = Jf(w')dw
-00
VAR para Distribuies Normais
Aproximando a distribuio de retornos a uma normal, e denominando o
grau de confiana por a, temos que R* pode ser encontrado pela equao:
R* = -aa + j ..t
1 1
Generalizando, admitimos que )l e (J esto em base anual, e que o
intervalo em anos considerado i\t. OVAR, em relao mdia, ser:
12
E o VAR, definido em termos absolutos,
Deste modo, transformando a distribuio geral f(w) em uma 'distribuio
normal padronizada <1 >(8), com mdia zero e desvio-padro unitrio, teremos
que:
w' -IR'I -a
l- c= ff(w)dw= f f(r)dr= f< 1> (c)dc
-00 -00 -00
Origens do Value-af-Risk
necessrio ressaltar que o conceito de VAR no , absolutamente,
novo. DOWD (1 998) mostra que o VAR tem como base a teoria de carteiras
desenvolvida por Harry Markowitz na dcada de 5 0 (MARKOWITZ, 1 95 2).
Assim, dada uma carteira de dois ou mais ttulos, temos que seu retorno
esperado ser a mdia dos retornos dos ttulos ponderados pelo peso de cada
ttulo na carteira:
N
: = L:
1 =1
onde Wi,t o peso de cada ttulo i na carteira em t e R,t+1 o retorno esperado
de cada ttulo i em (t+1 ). A vari ncia da carteira, por sua vez, depender das
vari ncias individuais e das covari ncias entre os ttulos:
onde Lt+1 a matriz de covari nciae Wt o vetor de pesos. A incluso das
covari ncias permite que se reconhea no nosso clculo o efeito da
diversificao, que existir sempre que a correlao (calculada pela razo entre
a covari ncia de dois ttulos pela multiplicao de seus desvios-padro) for
menor que 1 .
o VAR far uso extenso dos conceitos desenvolvidos na teoria de
carteiras, considerando as correlaes entre todos os ativos e classes de ativos
(aes; ttulos de renda fixa, ativos sensveis taxa de c mbio, etc.), e obtendo
um valor nico para o risco de mercado. Deste modo, o VAR qualificado por
13
DOWD (1 998) como uma evoluo natural da teoria de Markowitz, podendo-se
observar ainda algumas vantagens do VAR.
DOWD (1 998) enumera essas vantagens: em primeiro lugar, a teoria de
carteiras interpreta o risco como o desvio-padro do retorno, enquanto o VAR o
considera em termos da perda mxima provvel; segundo, enquanto a teoria de
carteiras est limitada ao risco de preos de mercado, o VAR tambm pode ser
aplicado aos riscos de crdito e liquidez': terceiro, o VAR mais flexvel,
podendo-se utilizar diferentes metodologias a diferentes circunst ncias; quarto,
o VAR lida melhor com problemas como a no normalidade dos retornos;
quinto, o VAR fornece melhores orientaes que a teoria de carteiras para
decises de investimento, hedging e administrao de c arteiras; e, por fim, o
VAR prov uma filosofia de gesto de risco global, inclusive para sistemas de
remunerao.
Fatores Quantitativos
H variveis importantes a serem escolhidas no modelo, como o grau de
confiana (a) e o horizonte temporal, para as quais devem existir critrios
estabelecidos pela administrao.
IPara maio res detalhes, ver Do wd (1998).
14
o grau de confiana escolhido ser funo do uso que se far do VAR.
De acordo com JORION (1 997), se ele se destina determinao de uma
reserva de segurana de caixa, a sua escolha de grande import ncia e dever
refletir o grau de averso ao risco da corporao; quanto maior. a averso ao
risco, maior dever ser o grau de confiana, o que acarretar um VAR maior (e
portanto custos maiores). Se a inteno apenas a comparao do risco entre
diferentes mercados, a escolha do nvel de confiana no to importante.
A escolha do perodo de tempo, por sua vez, deveria corresponder ao
tempo necessrio para a liquidao total da c arteira, o que depende
essencialmente de sua liquidez (JORION, 1 997). Deste modo, podemos
identificar um relacionamento estreito entre o risco de mercado e o risco de
liquidez.
2.2 - Metodologias de C lculo do Value-at-Risk
Existem diversas metodologias para se obter o valor em risco de um
instrumento individual ou de uma c arteira. De acordo com JORION (1 997), elas
podem ser divididas em dois grupos:
15
Metod%gias de Ava/iao Loc a/:
Paramtrica ou Delta-Normal
Delta-Gama
Metod%gias de Avaliao Completa:
- Simulao Histrica
- Simulao de Monte Carlo
- Teste de Estresse
A diferena bsica entre estes dois grupos que o segundo lida melhor
com instrumentos no-lineares, como opes, que esto sujeitos a vrias fontes
de risco. Em contrapartida, as metodologias paramtrica e delta-gama so de
mais fcil implementao, sendo que a delta-gama uma variao da primeira,
considerando as derivadas de primeira e de segunda ordem.
2.2.1 - Metodologia Paramtrica ou Delta-Normal
Essa metodologia tem como principal hiptese a normalidade dos
retornos, o que torna a sua implementao relativamente fcil e proporciona
16
grande flexibilidade na converso do VAR para diferentes nveis de confiana e
horizontes temporais.
Ao considerar que os retornos seguem uma distribuio normal, estamos
admitindo determinadas caractersticas quanto evoluo dos retornos no
tempo. A evoluo dos retornos usualmente baseada na hiptese de que os
preos seguem um processo de random walk, que pode ser descrito da
seguinte forma:
P, = f.J +P,-I +aC
I
P, - P,- l = f.J +ae I Cf ~ IID N(O , l)
onde 1 1 0representa " id ntica e independentemente distribudos" e N(O,1) uma
distribuio normal com mdia Oe vari ncia 1.
A fim de evitar a ocorr ncia de preos negativos, o documento
RiskMetric s aconselha o uso de retornos calculados na forma:
R, =ln(~)
L\~_l
Isto equivale a considerar os retornos continuamente compostos,
tornando a distribuio lognormal.
17
A hiptese 1 1 0 implica que a mdia e a vari ncia dos retornos so
homocedsticas, ou seja, no variam no tempo (identicamente distribudos), e
que os retornos no esto relacionados no tempo (independentemente
. distribudos).
Evid ncias empricas, no entanto (BOLLERSLEV, 1 986 e RiskMetrics,
1 998), evidenciam o fato de a volatilidade se apresentar em " clusters" , o que
denota heterocedasticidade. Testes de autocorrelao, por sua vez, revelam
que a autocorrelao dos retornos baixa, mas a vari ncia dos retornos
altamente autocorrelacionada, assim como a covari ncia.
o RiskMetrics admite, diante destas evid ncias, um modelo de random
walk modificado, com retorno mdio zero (u = O). Os retornos so gerados por:
r
t
= (Ti,/Si,t Si,l - N(O,I )
e, ~ MVN(O , R
t
) e, = [SI/,S2P""SN/]
onde N o nmero de ttulos e Rt representa uma matriz de correlao f.jxN'
dependente do tempo, t. Este modelo implica que os retornos seguem uma
distribuio normal condicional (ao tempo), o que significa que os retornos no
seguem necessariamente uma distribuio normal, mas a distribuio
\
r ,~E/ :~f:,':(',-'
U{ / l'!~"~~ - , ; :" , )
1 . 'l_O'
\;
padronizada (rt I O't) sim.
18
I
i'l
A frmula geral para o clculo do VAR sob a metodologia paramtrica
(SAUNDERS, 1 997) pode ser escrita da seguinte maneira:
(
Valo r Mo net rio ) (SenSibilidade) ( Mo viment o Adverso )
VAR= x x
da Po sio ao Preo Po t encial no Ret o rno
(
Valo r Mo net ria)
VAR = . _ .x (Vo lat ilidade do Preo )
da Po sio
Citando DOWD (1 998), o clculo do VAR dos instrumentos de
determinada c arlera pode ser mais facilmente obtido se procedermos a uma
decomposio desses instrumentos em seus elementos bsicos (ou " building
blocks" ), a fim de obtermos uma c arlera equivalente. Esses elementos bsicos
poderiam ser aes, c ommodties, ttulos de renda fixa sem pagamento de
cupons (" zero-coupon bonds" ) e ativos sensveis taxa de c mbio. Por
exemplo, uma posio em um ttulo de renda fixa com pagamento de cupons
seria equivalente a diversas posies em " zero-coupon bonds" com
vencimentos coincidentes s datas de pagamento dos cupons. A compra de um
ttulo de um governo estrangeiro, por sua vez, geraria tanto risco de taxa d
juros quanto risco cambial.
19
o documento RiskMetrics prope o mapeamento dos fluxos de caixa
no tempo para instrumentos de renda fixa, posies em moeda estrangeira,
aes e c ommodities.
Os instrumentos de renda fixa poderiam ser mapeados atravs de tr s
mtodos: (i) " duration map" , que caracteriza todas as posies pela duration da
carteira (ou seja, pela vida mdia da posio considerando-se todos os
pagamentoslrecebimentos intermedirios de juros, bem como o principal, na
proporo do valor presente de cada componente); (ii) " principal map" , que
considera somente os prazos finais dos instrumentos; e (iii) " cash flow map" ,
que ir tratar cada fluxo de caixa separadamente, sendo o utilizado pelo
RiskMetric s.
Aps o mapeamento dos fluxos de caixa, devemos proceder ao clculo
do valor de mercado das posies, fazendo uso de uma estrutura temporal da
taxa de juros.
A seguir, os fluxos Gmarcados a mercado) so agrupados em-vrtices
r"
predeterminados (no caso, so usados 1 4 vrtices), para os quais ~xisttn
'- - ,
volatilidades e correlaes disponveis. Isso feito de forma a preservar o valor
. -
de mercado e o risco da posio.
20
I
,;
I
Digamos, por exemplo, que desejamos alocar um fluxo de 6 anos nos
vrtices de 5 e 7 anos. Interpolando linearmente a sua volatilidade, podemos
definir a proporo do fluxo de 6 anos que ser alocada no vrtice de 5 anos (a)
e no vrtice de 7 anos (1-a):
onde P5,7 representa a Correlao entre os vrtices de 5 e 7 anos. A equao
acima pode, ento, ser resolvida para a.
Aps este agrupamento em vrtices, o VAR pode ser facilmente
calculado. Por exemplo, para o clculo do VAR de aes, podemos utilizar o
modelo beta, que no considera o risco residual (para carteiras bem
diversificadas, este risco deveria tender a zero), mas somente o sistemtico,
ambos representados na expresso abaixo (SAUNDERS, 1 997):
Risco To t al = Risco Sist emt ico +Risco no Sist emt ico
2 p 2 2 2
(]" t t = It (]" mI +(]" eu
onde ri mt representa a volatilidade do ndice de mercado em t. Lembrando que
o beta de uma c arteira simplesmente a ponderao dos betas individuais pela
posio em cada ttulo, o VAR seria dado por:
21
(
Valo r Mo net rio ] (p ) ( )
Var = da Po sio x p o rt flt o X U{ndlce mercado X a
onde o { 3 a medida de sensibilidade da posio mantida em aes em relao
volatilidade do ndice de mercado, a retirado de uma tabela normal
padronizada de acordo com o grau de confiabilidade desejado, e o termo (O'rndice
mercado X a) O movimento potencial adverso no rendimento.
Um outro mtodo para o clculo do VAR de aes seria a utilizao da
volatilidade total da carteira, levando em considerao, assim, o risco residual.
Para ativos sensveis taxa de c mbio ou c ommodities, o VAR seria
simplesmente:
(
Valo r Mo net rio J ( )
Var = x a x a
da Po sio
No tocante aos ttulos de renda fixa, a volatilidade poderia ser calculada
tanto pelos retornos dos preos dos ttulos quanto atravs da taxa (yie/d). No
caso do clculo atravs do preo, devemos considerar o fato do preo de um
I
ttulo de renda fixa tender ao seu valor de face, o que afetaria o clculo da
volatilidade (MORGAN GUARANTY TRUST COMPANY, 1 998).
22
J no caso do clculo da volatilidade atravs da taxa de juros, podemos
utilizar o conceito de duration modificada como medida de sensibilidade do
preo do ativo a pequenas variaes na taxa de juros (SAUNDERS, 1 997):
(
Valo r Mo net riO ) (Durat o n ) ( )
Var = x X (J 't axa X a
da Po sio Mo dificada
o VAR da c arteira inteira pode ser ento agregado, considerando-se as
correlaes tanto entre vrtices quanto classes de ativos. Por exemplo, a
agregao de 3 instrumentos se daria do seguinte modo (SAUNDERS, 1 997):
A suposio de normalidade oferece grande flexibilidade metodologia
paramtrica, pois a converso do VAR para diferentes nveis de confiana
torna-se direta. Supondo que os retornos de diferentes perodos sejam
independentes (seguem um caminho aleatrio ou random walk) e que so
identicamente distribudos ao longo do tempo, podemos tambm converter o
VAR para diferentes horizontes de tempo, bastando para isso rnultipllcaro ( ..,.
1
desvio-padro do retorno da c arteira pela raiz quadrada do tempo (JORION,
1 997). Cabe notar, no entanto, que estas hipteses geralmente no ocorrem,
como comentado anteriormente.
i.
23
Ainda acerca da normalidade dos retornos, temos que considerar que,
mesmo se os retornos dos ativos individuais no forem normais; os retornos da
c arteira podero s -lo (DOWD, 1 998). Isto se deve ao teorema do limite central,
que implica que, se a c arteira for bem diversificada e os retornos individuais
suficientemente independentes entre si, a distribuio dos retornos da c arteira
poder assumir a forma normal.
2.2.2 - Metodologia Delta-Gama
A metodologia delta-gama representa um passo alm da anterior. A
metodologia paramtrica considerava somente o delta (8), ou seja, o efeito de
variaes nos preos dos ativos. Quando, porm, estamos lidando com ativos
no-lineares, como opes, a avaliao apenas da sensibilidade em relao ao
preo do ativo objeto no representa adequadamente a variao no preo do
derivativo.
Esta metodologia ir considerar o componente linear (~) e o no-linear
do risco, gama, que mede a taxa de variao do delta da c arteira em retao ao
preo do ativo objeto.
24
Pode-se encontrar o VAR assumindo que o fator de risco (L\8)2 tambm
uma varivel normalmente distribuda (DOWD, 1 998). Utilizando a expanso de
Taylor:
1 2
de = L\dS+-rdS +...
2
onde de representa a variao do preo da opo, d8 a variao no preo do
ativo objeto, e r o gama da opo. O VAR , ento, aproximado utilizando-se
estas medidas de sensibilidade:
80b a hiptese de que (L\8)2 uma varivel normalmente distribuda, o
VAR encontrado utilizando-se o par metro a de uma distribuio normal
padronizada. No entanto, esta hiptese claramente errada, pois se L\8
normalmente distribuda, (L\8)2 deve ser uma distribuio de qui-quadrado, e a
soma de uma distribuio normal com uma distribuio qui-quadrado tambm
qui-quadrado.
Zangari sugere dois mtodos para o clculo do VAR sob a metodologia
delta-gama. O primeiro (ZANGARI, 1 996a) utiliza a expanso de Cornish-
Fisher, que se baseia no princpio de que uma distribuio pode ser descrita
25
pelos par metros de outra. Desta forma, podemos ajustar o intervalo de
confiana (a) da distribuio normal pelas medidas de assimetria e curtose da
distribuio de qui-quadrado:
onde z, representa o par metro a da distribuio normal escolhido para o
clculo do VAR, P3 a medida de assimetria da distribuio, e P4 a medida de
curtose. O par metro utilizado para o clculo do VAR ser ento - (a - v).
O segundo mtodo sugerido por ZANGARI (1 996b) consiste na
estimao dos quatro primeiros momentos da distribuio de retornos (mdia,
vari ncia, assimetria e curtose), e ento na utilizao de uma das distribuies
de Johnson que tenha os mesmos quatro momentos.
HO, CHEN e ENG (1 996) propem o clculo do VAR atravs de uma
metodologia delta-gama, aplicvel a c arteiras globais e com grande quantidade
de opes. A carteira seria separada em " blocos" , sendo que o mais alto nvel
destes ocupado pelas diferentes moedas envolvidas. Abaixo de cada moeda,
os ttulos so distribudos, de acordo com sua maior fonte de risco, entre tr s
outros blocos: aes, taxa de juros e taxa de c mbio. Para ttulos de renda fixa,
so ento utilizadas medidas de duration e convexidade, e para opes
26
medidas de seus deltas e gamas para o clculo do VAR. O valor em risco
calculado para cada sub-bloco, de forma a se conhecer o risco de cada
subgrupo em particular e de cada moeda.
Porm, quando a presena de opes na carteira avaliada for
substancial, a abordagem delta-gama exigir grande esforo computacional, e,
de acordo com JORION (1 997), a utilizao de modelos de simulao torna-se
mais conveniente.
2.2.3 - Simulao Histrica
A simulao histrica um mtodo relativamente fcil de se capturar
no-linearidades e distribuies no-normais. Ela consiste, basicamente, e~
retornar no tempo e reconstruir uma srie de retornos para um portlio, mas
usando as ponderaes atuais dos ativos. OVAR ento obtido da distribuio
de retornos hipotticos.
Alm desta metodologia lidar bem com no-linearidades e no inserir no
modelo a suposio de normalidade dos retornos, ela descarta a necessidade
do clculo de volatilidades e correlaes, que j estariam implicitamente
embutidas na srie histrica dos retornos (DOWD, 1 998).
27
As principais crticas desta metodologia (JORION, 1 997) so: somente
uma sequ ncia de valores utilizada (a histrica), o que supe que o passado
representa adequadamente o futuro; o mesmo peso dado para todas as
observaes; os erros de estimao podem ser muito grandes em uma amostra
pequena; e exige grande base de dados no caso de c arteiras grandes e
complexas.
2.2.4 - Simulao de Monte Carlo ou Estocstica
Este , certamente, o mtodo de clculo mais poderoso do Value-at-Risk.
Ele considera completamente no-linearidades e correlaes, e o mais
adequado para c arteiras que contemplam grande volume de opes.
Enquanto a simulao histrica considerava apenas uma trajetria dos
fatores de risco (a que realmente ocorreu), a simulao de Monte Carlo levar
em considerao o fato de que cada varivel possui um comportamento
estocstico, e uma distribuio prpria de valores passveis de ocorr ncia.
Assim, podemos simular centenas ou milhares de possveis trajetrias que
poderiam ser seguidas pelos fatores de risco, e determinar o valor da c arteira
em cada situao. A partir destes dados, podemos ento construir a distribuio
de frequ ncia dos retornos possveis da c arteira e calcular o VAR (JORION,
1 997).
28
A simulao estocstica feita em basicamente dois passos:
1 . Especificao de um processo estocstico para as variveis financeiras e
tambm dos par metros desse processo (volatilidades e correlaes);
2. Simulao de trajetrias de preos para todas as variveis. Para cada
trajetria, a c arteira avaliada a mercado, e a distribuio resultante
utilizada para o clculo do VAR.
Proc essos Estoc stic os
Um processo estocstico muito utilizado o Movimento Browniano
Geomtrico (MBG), utilizado pelo modelo Blac k-Sc holes na precificao de
opes. De acordo este processo, teramos que (HULL, 1 997):
AS
- = f-lllt+u llz
S
onde S o preo da ao, AS uma variao no preo da ao ocorrida no
intervalo de tempo At, J.l o retorno esperado da ao (o retorno requerido de
mercado), e o a volatilidade do preo da ao. Az representa um processo de
Wiener, sendo igual a e$t , onde a variao de z (Az) um movimento
aleatrio de uma distribuio normal padronizada (ou seja, com mdia zero e
29
desvio-padro 1 ,0 $f) no perodo de tempo L\t. Assim, o primeiro termo
direita da equao acima o valor esperado do retorno da ao, e o segundo
termo o componente estocstico desse retorno. O Movimento Browniano
Geomtrico obtido quando 111 ~ O, onde encontraramos que:
dS
- == f.i dt +O" c..[ di
S
Quando, no entanto, estamos modelando o preo de ttulos de renda fixa,
podemos utilizar o modelo proposto por Cox, Ingersoll,e Ross (CIR):
Este modelo leva em considerao o fato destes ativos apresentarem
como caracterstica a reverso mdia (o valor de um ttulo de renda fixa no
vencimento o seu valor de face). K < 1 representa a velocidade de reverso
mdia a, e a vari ncia proporcional ao nvel das taxas de juros (JORION,
1997).
30
Gerao de Nmeros Aleatrios
PAIVA, C. e PAIVA, S. (1 997) ressaltam a import ncia da qualidade do
gerador de nmeros aleatrios utilizado no sucesso da implementao do
mtodo de Monte Carlo.
Os nmeros gerados por computador so obtidos por meio de algum
algoritmo numrico, e chamados de nmeros pseudo-aleatrios (pois no so,
verdadeiramente, aleatrios). Quando o algoritmo proporciona uma distribuio
mais uniforme no intervalo [0,1 ], temos nmeros quas-aleatrios, base para o
que chamamos de Mtodos de Quasi-Monte Carlo.
Uma outra caracterstica importante o perodo do gerador, que
representa o ciclo aps o qual inicia-se a mesma sequ ncia de nmeros
aleatrios. Quanto maior o ciclo, melhor a qualidade do gerador.
Ao invs da gerao de nmeros pseudo ou quasi aleatrios, podemos
tambm optar pela tcnica conhecida como bootstrap, que ir coletar retornos
de uma base de dados histrica, com reposio (JORION, 1 997). Esta tcnica
apresenta vantagens como a no imposio de qualquer forma de distribuio .
aos retornos e a considerao das correlaes entre as sries. Seus pontos
fracos recaem na disponibilidade de uma amostra pequena, e na suposio de
independ ncia entre os retornos.
31
Simulao de Trajetrias
Quando estamos simulando o comportamento de um nico ativo, o
processo a ser seguido relativamente simples e direto. Quando, no entanto,
estamos lidando com carteiras compostas por mais de um ativo, devemos
considerar, no processo de simulao, as correlaes envolvidas.
DOWD (1 998) mostra que os casos mais simples se apresentam quando
temos preos independentes ou perfeitamente correlacionados (positiva ou
negativamente). No primeiro caso, admitindo um processo estocstico simples
em que dPt= crdZ
t
, ou seja, a variao do preo dependendo da volatilidade e
de uma varivel normal padronizada Z (este processo uma simplificao do
Movimento Browniano Geomtrico, admitindo J l=O) , e dois ativos na carteira,
temos:
o u
32
No caso de ativos perfeitamente correlacionados:
PI,I = PI,t-l +0" 1 ZI"
P2,1 = P2,1-1 0"2
Z
I,1
ou
[
PI,' ] _ [Pl,t-l ] +[O" I 0] .[ZI,' ]
P2,1 P2,I-l . G"2 Z2,1
Quando os ativos so imperfeitamente correlacionados, pode-se usar a
decomposio de Choleski. A partir de:
[
PI,I] = [PI,t-l] +[ ;1,1 ;1,2] [ :1,']
P2,1 P2,I-l 2,1 2,2 2,1
onde os termos aij so funes das vari ncias e correlaes entre os ativos, e
denominando a matriz de elementos aucomo A, chegamos a:
onde p a correlao estimada entre os ativos 1 e 2. A decomposio de
Choleski pode ser utilizada tambm para uma carteira de n ativos. A partir dos
33
preos obtidos, pode-se obter o valor da c arteira e, procedendo-se a todas as
simulaes,obtemos o VAR da distribuio resultante.
Crtic as
As crticas a esta metodologia referem-se principalmente ao seu custo
computacional. Outra fraqueza potencial a suposio de determinado
processo estocstico e de modelos de precificao, como Blac k-Sc holes
(JORION, 1 997,e DOWD, 1 998).
2.2.5 - Teste de Estresse
O teste de estresse um mtodo subjetivo, algumas vezes chamado de
anlise de cenrios, que avalia o efeito de grandes variaes simuladas nas
variveis financeiras da c arteira, como por exemplo nas taxas de juros e aes.
JORION (1 997) sugere a simulao de vrios cenrios, com a atribuio
de uma probabilidade a cada um. A c arteira seria reavaliada em cada cenrio e,
da distribuio resultante, retirado o Value-at-Risk.
J DOWD (1 998) no atribui probabilidades aos cenrios estudados. Ao
invs disso, os cenrios seriam elaborados a partir da definio de grandes
alteraes nas variveis financeiras ou considerando-se cenrios j ocorridos .
34
em crises anteriores. O valor da c arteira em tal situao, subtrado de seu valor
atual, resultaria na perda sofrida pela Instituio.
O maior problema desta tcnica, de acordo com DOWD (1 998), a sua
total depend ncia dos cenrios escolhidos, que por sua vez sero funo do
discernimento e experi ncia das pessoas envolvidas. No entanto, o teste de
estresse colocado como um complemento natural do VAR, dado que ele nos
diz quanto perderamos em determinada situao, sem refer ncia
probabilidade de tal ocorr ncia, enquanto o VAR informa a probabilidade de
ocorr ncia de determinado resultado negativo, mas no o pior resultado
negativo possvel.
2.3 - Mtodos de Previso de Volatilidade
Esta seo ir rever alguns mtodos comumente utilizados na previso
de volatilidades e correlaes, a saber: histrico, com todas as observaes
ponderadas igualmente; modelos ARCH/ GARCH; mdia mvel ponderada
exponencialmente (exponenc ial weighted moving average ou EWMA) , utilizada
pelo documento RiskMetric s; e volatilidade implcita.
35
2.3.1 - Histrica
Este o mtodo mais simples para se estimar volatilidades e
correlaes. Dada uma amostra com N observaes, a volatilidade histrica
ser simplesmente a esperana da somatria do quadrado dos desvios em
relao mdia.
Podemos utilizar uma janela mvel de M observaes para o clculo,
tornando a vari ncia condicional ao tempo. tambm muito comum supor o
retorno mdio igual a zero, a fim de eliminar erros de estimao deste
par metro, e considerando que o vis incorrido ser pequeno quando
calculamos retornos sobre perodos curtos (JORION, 1 997). Sob estas
condies, a vari ncia ser dada por:
1 M
(12 - " r
2
t - (M -l)tt f-i
Esta metodologia duramente criticada por ponderar igualmente todas
as observaes, indiferentemente ao tempo em que ocorreram. Alm disso, a
sada de um retorno muito alto ou muito baixo da amostra, atravs do processo
de janela mvel, provoca uma variao brusca na volatilidade prevista.
36
o mtodo se aplica igualmente para a estimao das covari ncias entre
os ttulos:
onde r1 ,t-irepresenta o retorno do ativo 1em (t-i) e r2,t-i o retorno do ativo 2 em
(t-i).
2.3.2 - Modelos ARCH I GARCH
o modelo ARCH (" Autoregressive Conditional Heteroskedasticity" ) foi
originalmente proposto por ENGLE (1 982), e a sua generalizao, chamado de
GARCH(" Generalized ARCH" ) por BOLLERSLEV (1 986).
A grande vantagem destes modelos o reconhecimento, em sua
modelagem, do fen meno amplamente reconhecido de agrupamento (" cluster" )
na maioria das variveis financeiras. Este fen meno pode ser descrito do
seguinte modo: grandes (pequenas) variaes nos retornos so seguidas
tambm por grandes (pequenas) variaes, positivas ou negativas; ou seja,
podemos identificar perodos de alta e de baixa volatilidade nos retornos.
37
Os modelos ARCH/ GARCH conseguem modelar, de forma adequada,
esta heterocedasticidade da vari ncia. No modelo ARCH, a vari ncia
condicional (ao tempo) representada do seguinte modo:
o nde (j) > O e ai ~ O
A equao acima representa uma processo ARCH(q), onde q a ordem
do processo. Vemos que, neste caso, a vari ncia condicional funo de uma
constante (O) e dos erros passados (e) ao quadrado, ponderados por < X i.
Em muitos casos o modelo ARCH(q) necessita de um grande intervalo
de ordem q. O modelo GARCH(p,q) oferece, ento, uma alternativa:
No processo GARCHacima, de ordem (p,q), a vari ncia condicional ser
funo dos fatores previstos no modelo ARCH, acrescida das previses das
vari ncias passadas, ponderadas por f3i. Todos os par metros desconhecidos
38
(co , < li, ~i) so estimados simultaneamente por mxima verossimilhana. O
modelo mais simples e mais usado da famlia GARCH o GARCH(1 ,1 ):
o nde OJ > O, a > O,P > 0, e a +fJ < 1
A covari ncia entre dois ativos tambm pode ser facilmente calculada
pelo modelo GARCH. Como exemplo, considerando GARCH (1 ,1 ), temos
(JORION, 1 997):
o nde OJ > 0, a > 0, fJ > 0, e a +fJ < 1
Um grande nmero de variaes destes modelos foi desenvolvido
posteriormente, dentre as quais destacam-se os modelos ARCH-M, EGARCHe
TARCH. Uma reviso completa da teoria pode ser encontrada em
BOLLERSLEV, CHOU e KRONER (1 992).
39
2.3.3 - Mdia Mvel Ponderada Exponencialmente (EWMA)
A mdia mvel ponderada exponencialmente (EWMA) atribui maior peso
s observaes mais recentes, de acordo com o fator de decaimento .. A
vari ncia, sob esta metodologia, dada por (tambm consideramos aqui o
retorno mdio igual a zero):
T
0-t,1+~1 = (1 - )It -lr/
1=1
onde a\t-1 It a' previso da volatilidade do ativo 1 em t+1 , utilizando
informaes at o perodo t (RiskMetric s, 1 997). Ela tambm pode ser escrita
de forma recursiva, quando teramos que:
00
0-t,1+111 = (1 - )I
1
rl~_1
;=0
Quanto maior o par metro ., menor peso dado s ltimas observaes
e, portanto, menor a taxa de decaimento. O documento RiskMetric s utiliza
40
=0,94, O que faz com que a ltima observao tenha um peso de 6%, a
penltima 5 ,6% [(1 -0,94) x 0,94
1
1 , e assim por diante.
Esta metodologia possui muitas vantagens sobre a histrica: reage
rapidamente a variaes bruscas de mercado (por dar maior peso a
observaes mais recentes), enquanto na volatilidade histrica simples a
reao lenta; o peso dado a estas variaes bruscas declina ento
exponencialmente sob a EWMA, mas sofre uma variao brusca quando
utilizamos a volatilidade histrica simples.
Podemos aplicar facilmente este mtodo para a estimao de
covari ncias:
T
CO~2,1+1It = (1 - 2 )2 :
2 t
-
1
r
lt
r
21
1=1
e
Pode-se demonstrar facilmente que a EWMA um caso especial do
modelo GARCH (1 ,1 ), impondo ao = O e U1 +(31 =1 , sendo que esta ltima
41
condio torna o processo no estacionrio (BOUDOUKH, RICHARDSON e
WHITELAW, 1 997).
2.3.4 - Volatilidade Implcita
Este mtodo ir extrair a previso de volatilidade implcita no preo de
opes negociadas no mercado. Dado o modelo Black-Scholes, largamente
difundido para a precificao de opes (HULL, 1 997):
co m
di = ln(SIX)+~ +C T2 /2 XT-t )
C T-J T-{
onde:
c = preo da opo de compra Europia
S = preo do ativo objeto
T - t = tempo at o vencimento do contrato
x = preo de exerccio da opo
42
Capitulo 2 - VAR: Co nceito s Bsico s
N(x) = distribuio de probabilidade cumulativa para uma varivel normalmente
distribuda com mdia O e desvio-padro 1
r = taxa de juros livre de risco
(J = volatilidade do ativo objeto
Conhecendo as variveis c, S, T, X e r, podemos descobrir a estimativa
da volatilidade (no observvel diretamente) que os agentes financeiros esto
considerando para a precificao da opo.
Visto ser impossvel a inverso da equao acima de forma a exprimir (J
como funo de c, S, T, X e r, torna-se necessria a utilizao de mtodos
numricos de resoluo de equaes. Os dois mtodos geralmente utilizados
so o mtodo da bisseco e o mtodo de Newton-Raphson, e uma descrio
de ambos pode ser encontrada em SANTOS (1 997).
Embora com maior dificuldade, este mtodo tambm pode ser utilizado
na estimativa de correlaes. De acordo com ALEXANDER, C. (1 998), um meo
de se obter a correlao implcita atravs de um trio de volatilidade implcitas,
duas referentes a ativos especficos e a terceira representando o " spread" dos
dois primeiros. Por exemplo, poderia-se utilizar as volatilidades implcitas de
opes sobre a taxa do Dlar em relao ao Euro, sobre a taxa do Dlar em
relao ao len, e sobre o Euro em relao ao len. A frmula de clculo seria:
43
V(x- y)= V(x)+V(Y)-2 p .J V(x)V(y)
onde V(x) representa a volatilidade implcita do ativo x, V(y) a volatilidade
implcita do ativo y, V(x-y) a volatilidade implcita do " spread" entre os dois
primeiros, e p a correlao implcita entre x e 'I , varivel a ser calculada.
Com mercados de opes eficientes, a volatilidade implcita deveria
fornecer a melhor estimativa sobre a volatilidade futura. JORION (1 997)
aconselha seu uso, sempre que possvel, para o clculo do VAR.
Um grande problema desta metodologia que dificilmente estaro
disponveis no mercado opes suficientes para o clculo de todas as
volatilidades e correlaes necessrias para o clculo do risco da c arteira
avaliada, sendo seu uso portanto restrito.
CAMPBELL, LO e MACKINLAY (1 997) levantam, no entanto, problemas
mais srios referentes a esta metodologia. A grande questo que se coloca :
se o modelo de precificao de opes utilizado (geralmente Black-Scholes) for
vlido, a volatilidade encontrada ser totalmente correta; caso contrrio, seu
valor ser inconsistente. Considerando, por exemplo, o argumento de que a
volatilidade implcita seria a mais adequada estimativa da volatilidade futura,
44
dado que a volatilidade varia estocasticamente e a volatilidade calculada com
dados histricos no se ajustaria com a mesma rapidez, vemos que ele embute
uma contradio bsica. De acordo com os autores, o erro bsico desta
afirmao que a volatilidade estocstica contradiz as suposies do modelo
Black-Scholes e, se a volatilidade for realmente estocstica, ento este modelo
no .representarmais a correta precificao de uma opo.
45
Captulo 3 - Estudo s Anterio res
CAPTULO 3 - ESTUDOS ANTERIORES
Este captulo tem por objetivo resenhar os principais testes empricos
J
sobre VAR, bem como alguns testes acerca de mtodos de previso de
volatilidade, visto a sua import ncia na eficcia do clculo do valor em risco. Ao
final do captulo, apresentamos um quadro-resumo desses estudos.
3.1 . Testes Empricos sobre Mtodos de Previso de Volatilidade
ALEXANDER e LEIGH(1 997) avaliaram a performance de tr s mtodos
de previso de volatilidade, a saber: volatilidade histrica com igual ponderao
dos retornos;' mdia mvel ponderada exponencialmente (EWMA); e GARCH
(1 ,1 ). O objeto do estudo recaiu sobre cinco ndices de aes (S&P5 00,
FTSE1 00, CAC40, DAX e NIKKEI225 ) e quatro taxas de c mbio, no perodo de
janeiro de 1 993 a outubro de 1 996.
Procedendo avaliao dos mtodos de previso de volatilidade,
ALEXANDER e LEIGH (1 997) utilizaram primeiramente dois critrios
estatsticos: a comparao da distribuio de retornos em relao distribuio
normal e a raiz do erro mdio ao quadrado. Estes critrios levaram a resultados
imprecisos, geralmente favorecendo a EWMA exceto para perodos de
manuteno (" holding periods" ) pequenos. Em seguida, os autores utilizaram o
46
critrio sugerido pelo BIS, considerando o nmero de " outliers" com um grau de
confiana de 99% (comparando a previso do VAR com a perda ou ganho
efetivamente ocorrido). Os resultados, neste caso, so totalmente inversos ao
anterior: com exceo do ndice S&P5 00, os demais tiveram como melhores
mtodos de previso a volatilidade histrica e o GARCH.
BOUDOUKH et aI. (1 997) estudaram o mercado de taxas de juros de
curto prazo (ttulos do Tesouro americano de tr s meses), no perodo de 1 983 a
1 992. A esta srie, foram aplicados quatro mtodos de previso de volatilidade:
histrica com retornos igualmente ponderados, RiskMetrics (EWMA), GARCH
(1 ,1 ) e a Estimao de Densidade Multivariada (MDE), um mtodo no-
paramtrico cujos pesos dados s observaes dependem do estado da
economia (ou seja, estados similares ao atual tero maior import ncia). No
caso, foram utilizadas como variveis do MDE o nvel das taxas de juros e a
inclinao da estrutura a termo. A avaliao destes mtodos pelos critrios do
erro quadrado mdio e da regresso linear da volatilidade prevista versus real
mostraram o MDE e a EWMA como os mais acurados.
SANTOS (1 997) estudou o poder de previso da volatilidade de cinco
modelos, quais sejam: um modelo ing nuo (marlingale), o utilizado pelo
RiskMetric s (EWMA), GARCH (1 ,1 ), volatilidade implcita, e uma combinao
da volatilidade implcita com EWMA e GARCH. O objeto de estudo recaiu sobre
47
contratos futuros do lndce BOVESPA, negociados na BM&F, no perodo de
julho de 1 994 a janeiro de 1 997.
Testes preliminares realizados por SANTOS (1 997) mostram
caractersticas interessantes da srie temporal estudada. Por exemplo, a
hiptese de normalidade dos retornos s pode ser rejeitada no perodo de julho
de 1 994 a junho de 1 995 , o mesmo ocorrendo com a hiptese de no
autocorrelao.
Os resultados dos testes de previso de volatilidade efetuados por
SANTOS (1 997), utilizando critrios estatsticos de avaliao (equaes de
perdas e regresses da volatilidade realizada contra a volatilidade prevista)
indicam a superioridade do modelo GARCH em perodos de alta volatilidade.
Este resultados se alteram, no entanto, em situaes de menor volatilidade,
quando o GARCH no se mostra prefervel ao RiskMetric s e ao Modelo
Ing nuo. A volatilidade implcita, por sua vez, apresenta-se sempre como a pior
opo para a previso da volatilidade.
3.2. Testes Empricos sobre Comparaco de Metodologias de VAR
BEDER (1 995 ) obteve resultados pouco consistentes na aplicao de
metodologias e par metros distintos para o clculo do VAR. Seu teste envolveu
tr s carteiras hipotticas: (i) a primeira formada exclusivamente por ttulos do
48
Tesouro americano sem pagamento de cupons; (ii) a segunda formada pelas
aes componentes do ndice S&P 5 00, e por opes sobre o mesmo ndice;
(iii) a ltima composta por 5 0% da primeira carteira e 5 0% da segunda carteira.
Para cada carteira, foram aplicadas duas metodologias: a simulao histrica
(obtida pelos resultados dos ltimos 1 00 e 25 0 dias teis), e a simulao de
Monte Carlo (utilizando as correlaes fornecidas pelo RskMetric s e pelo
BIS/ Basle Committee).
A concluso a que chega Beder j era esperada: o VAR extremamente
dependente dos par metros, base de dados, suposies e metodologias
envolvidas, devendo ser complementado por stress tests e controles
qualitativos, como auditorias.
HENDRICKS (1 996) testou tr s metodologias do Value-at-Risk:
paramtrica com igual ponderao entre os retornos; paramtrica com
ponderao exponencial dos retornos (EWMA); e simulao histrica. A
primeira utilizou cinco janelas mveis: 5 0, 1 25 , 25 0, 5 00 e 1 .25 0 dias. A
segunda foi realizada com fatores de decaimento (.) de 0,94, 0,97 e 0,99, e a
terceira com dados histricos coletados por 1 25 , 25 0, 5 00 e 1 .25 0 dias. Foram
estudados 1 .000 portflios aleatrios simulados atravs da taxa de c mbio do
dlar em relao a outras oito moedas, no perodo de 1 983 a 1 994. Estes
portflios foram, ento, avaliados atravs de nove critrios.
49
Os resultados obtidos por HENDRICKS (1 996), que envolveu somente
ativos lineares, foi inconclusivo. Ou seja, nenhuma metodologia se mostrou
claramente superior. Outrossim, o estudo evidenciou duas caractersticas das
sries financeiras: a de que as distribuies empricas possuem caudas mais
largas que as da distribuio normal (" fat tails" ), e que a volatilidade no
constante no tempo (volatilidade condicionai).
VENKATARAMAN (1 996) prope a utilizao de uma distribuio de
retornos para o clculo do VAR que permite a ocorr ncia de " fat tails" (caudas
mais largas que as previstas pela distribuio normal), caracterstica
comumente observada nas sries financeiras. O mtodo proposto a mistura
de distribuies normais, onde o retorno de cada ativo seria gerado por uma de
duas distribuies (uma possuindo maior volatilidade) de acordo com certa
probabilidade, e os par metros seriam estimados atravs de um mtodo de
mxima verossimilhana, no caso o QB-MLE (" Quasi-Bayesian Maximum
Likehood Estimation" ).
O mtodo proposto aplicado por VENKATARAMAN (1 996) a taxas de
c mbio de .oto pases (Canad, Frana, Alemanha, Itlia, Japo, Sua,
Inglaterra e Holanda), de janeiro de 1 978 a agosto de 1 996. Os resultados
evidenciam um melhor desempenho em relao suposio de distribuies
normais, de acordo com o nmero de violaes previsto pelo nvel de
confiabilidade utilizado.
"
50
BOUOOUKH et aI. (1 998) propem uma abordagem hbrida para o
clculo do Value-at-Risk, mesclando a abordagem proposta pelo RiskMetric s
(paramtrica com volatilidade calculada atravs do mtodo EWMA) e a
simulao histrica. A primeira possui como ponto fraco a suposio de
normalidade condicional dos retornos, geralmente no verificada na prtica, e
como grande vantagem o fato de atribuir maior peso s observaes mais
recentes, capturando a heterocedasticidade da vari ncia dos retornos. A
simulao histrica, por sua vez, no faz qualquer suposio acerca da
distribuio dos retornos, mas apresenta dificuldades de estimao do VAR
quando utilizamos uma amostra de tamanho insuficiente, e pressupe que os
retornos so 1 1 0(id ntica e independentemente distribudos).
A abordagem proposta por BOUOOUKHet aI. (1 998) efetuou o clculo
dos retornos no perodo de observao conforme a simulao histrica, e
(
atribuiu pesos exponencialmente decrescentes a esses retornos. O VAR p de,
ento, ser facilmente calculado como o percentil x dessa distribuio. Os testes
empricos efetuados com quatro sries (taxa de c mbio do marco alemo por
dlar norte americano, preo spot de petrleo bruto, ndice S&P 5 00, e um
ndice genrico de Brady Bonds - J. P. Morgan Brady Bond Index), no perodo
de janeiro de 1 991 a dezembro de 1 997, mostram uma melhora significativa na
preciso do clculo do VAR. Os autores ainda apontam outra vantagem do
mtodo, qual seja, facilidade computacional a um baixo custo.
51
FARIAS FILHO (1 997) comparou a performance de tr s mtodos de
estimao de volatilidade (Mdia Mvel Ponderada Exponencialmente, GARCH
e TARCH
1
) na estimao do Value-af-Risk. Seu objeto de estudo foi a srie do
ndice da Bolsa de Valores de So Paulo (IBOVESPA), no perodo de janeiro de
1 995 a dezembro de 1 996.
Testes preliminares feitos por FARIAS FILHO (1 997) rejeitaram a
normalidade dos retornos do IBOVESPA, assim como indicaram a exist ncia de
autocorrelao e de estacionariedade dos retornos, no perodo analisado.
, .~.' .;rr- _ ~
Na avaliao dos modelos de VAR feita no estudo acima, nenhum
mtodo de estimao da volatilidade se mostrou superior de acordo com a
avaliao feita pelo nmero de vezes em que as perdas efetivas superaram as
estimadas
2
. O mtodo EWMA, por sua vez, apresentou um erro quadrtico
mdio pouco menor que as outras duas metodologias.
Um estudo similar foi efetuado por BARCINSKIet aI. (1 997), no perodo
de janeiro de 1 994 a novembro de 1 996. Os autores, primeiramente, estudaram
as sries de retornos dirios de seis aes negociadas na Bolsa de Valores de
lO mo delo TARCR tem a capacidade de captar o chamado "efeito assimetria", o u seja, o fato de cho ques
negativo s apresentarem um impacto maio r na vo latilidade do s reto rno s do que cho ques po sitivo s de
mesma magnitude. Ver BOLLERSLEV, CROU e KRONER (1992).
:zVer KUPI EC (1995).
52
So Paulo (Eletrobrs ON, Eletrobrs PN, Petrobrs PN, Telebrs ON, Telebrs
PN, e Vale do Rio Doce PN), procurando identificar a exist ncia do efeito
assimetria (ver nota 1 ), e chegando concluso da sua exist ncia com exceo
das aes da Petrobrs.
Na segunda parte do trabalho, BARCINSKI et aI. (1 997) simulam o
comportamento ao longo do tempo de uma carteira terica composta por aes
da Telebrs PN, Eletrobrs PN e Petrobrs PN (aes mais negociadas no
segundo semestre de 1 996) utilizando o conceito de VAR. Cinco mtodos de
estimao da volatilidade so utilizados: IGARCH sem constante (equivalente
ao mtodo EWMA proposto pelo RiskMetric s), IGARCH com constante,
GARCH, TARCH e EGARCH. As concluses apontam para a no superioridade
dos mtodos alternativos ao RiskMetric s, portanto argumentando pelo uso
deste ltimo, dada a sua facilidade computacional.
3.3. Outros Testes Empricos de VAR
Considerando que a utilizao das medidas de VAR no gerenciamento
de risco depende tanto de sua preciso quanto da sua disponibilidade em
tempo hbil, PRITSKER (1 996) estudou a relao entre a preciso obtida com
diversas metodologias de Value-at-Risk e o tempo necessrio para comput-
las. O autor trabalhou com portflios compostos exclusivamente por
instrumentos no lineares (opes de diversas moedas), utilizando seis
53
metodologias: delta normal; " delta-gama-delta" , onde assume que o segundo
termo da expanso de Taylor tambm possui distribuio normal; " delta-gama
Monte Carlo" , utilizando simulaes para computar o valor da carteira atravs
das medidas de delta e gama; " delta-gama minimization", onde trata o VAR
como um problema de minimizao; e duas outras metodologias Monte Carlo.
Os resultados obtidos nos estudos de PRITSKER (1 996) indicam que,
quanto mais complexa a metodologia, mais precisos so os resultados, porm
mais tempo faz-se necessrio para o seu clculo. Por exemplo, os mtodos de
Monte Carlo mostraram-se mais precisos, mas necessitaram de at 5 6,6 vezes
mais tempo do que a metodologia " delta-gama-delta" e 1 7,1 vezes mais do que
a " delta-gama Monte Carlo" para uma carteira com 1 0.000 opes. A melhor
relao preciso x tempo considerada pelo autor foi a " delta-gama Monte
Carlo" , que demonstrou resultados satisfatrios em um tempo de 1 2,9 minutos
no equipamento utilizado.
DIMSON (1 997) avaliou a performance de cinco mtodos de alocao de
capital em instituies financeiras, a partir de 5 8 carteiras de aes. A anlise
envolveu 61 perodos de stress de mercado entre os anos de 1 985 e 1 995 ,
durante os quais foi posssfvel verificar quais mtodos ofereciam maior
segurana no montante de capital alocado. Os dois mtodos que se mostraram
mais eficientes foram os baseados em metodoJogiasde Value-af-Risk, o que
levou o autor a apoiar a iniciativa do Bank of Intemational Settlements (BIS) de
54
incentivar o uso de modelos internos para alocao de capital e gerenciamento
de risc o.
MARSHALL e SIEGEL (1 997) adotam um foco diferente dos demais
estudos analisados. Ao invs de comparar o resultado obtido por diferentes
modelos de VAR, a anlise recai sobre o risc o de implementao de um mesmo
modelo, no caso o RiskMetric s. Aps a definio de uma carteira composta
por diversos instrumentos (como ttulos governamentais, swaps, termos e
opes, envolvendo c inc o moedas), o VAR foi calculado por onze fabricantes
de softwares voltados para o gerenciamento de risco. Os resultados apontam
que as diferenas obtidas nas implementaes do RiskMetric s so similares,
em magnitude, s diferenas obtidas pela utilizao de diferentes modelos (no
caso, foram utilizadas as simulaes Histrica e de Monte Carlo), e que o grau
de variao tambm depende diretamente da complexidade do instrumento. Tal
fato sugere que, apesar de toda a estrutura proposta pelo RiskMetric s, ainda
h decises importantes a serem tomadas na implementao, por exemplo
referentes avaliao e ao mapeamento.
3.4 - Quadro Comparativo
Apresentamos, a seguir, um quadro-resumo dos testes estudados.
55
Autor Objetivo Objeto de Estudo Metodologia Concluso
Previso de Volatilidade - Exterior
A1 exander e Avaliao da 5 ndices de aes Volatilidade histrica, Com critrios estatlsticos de
Leigh performance de 3 (S&P5 00, FTSE1 00, EWMA e GARCH. avaliao, favorece EWMA exceto
(1 997) mtodos de previso de CAC40, DAX e NIKKEI225 ) para holding periods p'equenos. De
volatilidade. e taxas de c mbio dlar acordo com critrio de no. de
versus 4 moedas. Perodo: outliers, favorece vo at, histrica e
jan/93 a out/ 96. GARCH (com exceo S&P5 00)
Boudoukh et Avaliao da Ttulos Tesouro americano Volatilidade histrica, MDE e EWMA mais acurados,
aI. (1 997) performance de 4 de 3 meses. Perlodo: 1 983 EWMA, GARCH e pelos critrios erro quadrado mdio
mtodos de previso de a 1 992, MDE, e regresso linear vo at. prevista x
volatilidade. real.
Previso de Volatilidade - Brasil
Santos Avaliao da Contratos Muros de Martingale, EWMA, Segundo critrios estatlsticos,
(1 997) performance de 5 IBOVESPA. Perlodo: jull94 GARCH (1 ,1 ), GARCH superior em perodos de
mtodos de previso de a jan/ 97. volatilidade impllcita, e alta volatilidade. Em perrodos de
volatilidade. combinao volat. menor volat., GARCH no
impllcita com EWMA e preferlvel EWMA e martinga/e.
GARCH.
Testes VAR - Exterior
Beder Verificar consist ncia do Tr s carteiras compostas Simulaes histrica e VAR extremamente dependente
(1 995 ) VAR em relao a por tltulos do Tesouro de Monte Carlo, com dos par metros e metodologias
diversas metodologias e americano, Indice S&P5 00 volat. do RiskMetric s e envolvidos.
suposies. e opes sobre este Indice. BIS.
Hendricks Comparao de Mil carteiras simuladas Paramtrica com volat, Nenhuma metodologia claramente
(1 996) metodologias distintas de atravs da taxa de c mbio histrica e EWMA, e superior.
VAR. do dlar em relao a oito simulao histrica.
moedas. Perodo: 1 983 a
1 994.
Venkataram Propor a utilizao de Taxas de c mbio de 8 Mistura de Evid ncias de melhor desempenho
an (1 996) distribuio de retornos pases. Perodo: jann8 a distribuies normais, do mtodo proposto, de acordo
que permita a ocorr ncia ago/ 96, e clculo dos com nmero de ocorr ncias alm
de fat tails para o clculo par metros atravs do do esperado.
doVAR. QB-MLE.
Boudoukh et Propor abordagem Aplica nova abordagem a 4 Hlbrida, mesclando Testes mostram melhora
aI. (1 998) hlbrida para o clculo do sries: taxa de c mbio dlar paramtrica com significativa na preciso do VAR.
VAR e test-Ia. x marco alemo, preo spot EWMA e simulao
petrleo, indice S&P5 00 e histrica.
Indice de Brady Bonds.
-,
Perlodo: jan/ 91 a dez197.
56
Autor Objetivo Objeto de Estudo Metodologia Concluso
Testes VAR - Brasil
Farias Filho Comparao de [ lndce BOVESPA. Perlodo: Paramtrica com Nenhuma metodologia claramente
(1 997) metodologias distintas de 1 995 a 1 996. EWMA, GARCH e superior, e EWMA com erro
VAR. TARCH. quadrtico mdio pouco menor.
Barcinski et Comparao de Carteira composta por Paramtrica com Recomenda EWMA (RiskMefric s)
aI. (1 997) metodologias distintas de aes da Telebrs PN, EWMA, GARCH, pela sua facilidade computacional,
VAR. Eletrobrs PN e Petrobrs IGARCH, TARCH e dada a no superioridade dos
PN. Perodo: 1 994 a 1 996. EGARCH. outros mtodos.
Outros Testes - VAR
Pritsker Estudar a relao Carteiras compostas por Seis metodologias, Quanto mais complexa a
(1 996) preciso versus tempo 1 0.000 opes de diversas incluindo delta normal, metodologia, mais precisos os
computacional de seis moedas. Perodo: delta-gama e sim uI. resultados, porm maior o tempo
metodologias de VAR. 1 7/ ago/ 1 995 . Monte Carlo. computacional. Melhor relao
encontrada: " delta-gama Monte
Carlo" .
Dimson Avaliao da 5 8 carteiras de aes. Anlise de 61 perlodos Mtodos baseados em
(1 997) performance de 5 Perlodo: 1 985 a 1 995 . de stress de mercado. metodologias de VAR mais
mtodos de alocao de eficientes.
capital.
Marshall e Avaliao do risco de Carteira diversificada 1 1 fabricantes de As diferenas nos resultados so
Siegel implementao de um (incluindo tltulos do software aplicaram a similares em magnitude utilizao
(1 997) mesmo modelo de VAR governo, swaps, opes, metodologia do de diferentes modelos, mostrando
(RiskMetric s). termos e c mbio). Periodo: RiskMetric s. que h decises importantes na
27/ seU1 995 . implementao do modelo.
57
Captulo 4 - Teste Emprico no Mercado Brasileiro
CAPTULO 4 - TESTE EMPRICO NO MERCADO BRASilEIRO
o objetivo desta parte do trabalho ser realizar uma avaliao, a partir de
carteiras tericas compostas pelo ndice Bovespa e por ttulos de renda fixa, de
algumas metodologias de Value-af-Risk.
o perodo de estudo compreender julho de 1 994 a junho de 1 998,
sendo o primeiro ano do perodo em questo utilizado exclusivamente para a
determinao de par metros de volatilidade necessrios ao clculo do VAR.
Os instrumentos utilizados para a simulao da carteira de ttulos de
renda fixa foram os contratos futuros de Depsitos Interfinanceiros de 1 Dia
(01 1 ), negociados na Bolsa de Mercadorias & Futuros. A durao desta carteira
foi definida em 30 dias, devido grande liquidez de mercado que esses
contratos constantemente apresentaram no perodo de anlise, e portanto
consist ncia e representatividade de suas taxas.
Cinco carteiras tericas sero ento estudadas, considerando um capital
inicial de R$1 .000.000, com a seguinte composio: 1 00% de Ibovespa; 75 % de
Ibovespa e 25 % de ttulos de renda fixa; 5 0% de Ibovespa e 5 0% de ttulos de
renda fixa; 25 % de Ibovespa e 75 % de ttulos de renda fixa; e 1 00% de ttulos
de renda fixa. Estas carteiras apresentam nveis decrescentes de risco
.......
58
I
(representado pela volatilidade dos ativos), o que permitir a observao do
desempenho das metodologias de VAR em relao ao nvel de volatilidade. Por
exemplo, ativos menos volteis (po caso ttulos de renda fixa) poderiam
responder menos a mudanas de metodologias, ao contrrio de ativos mais
volteis (aes).
As carteiras tericas sero aplicadas cinco metodologias de clculo do
VAR:
1 . Paramtrica,com o uso da volatilidade histrica com mdia mvel;
2. Paramtrica, com o uso da volatilidade histrica com mdia mvel
ponderada exponencialmente (EWMA - Exponential Weigthed Moving
Average);
3. Paramtrica, com o uso da volatilidade estimada pelo modelo GARCH( 1 ,1 );
4. Simulao Histrica;
5 . Abordagem Hbrida, representada pela combinao da Simulao Histrica
com o mtodo EWMA de clculo da volatilidade, conforme proposto por
BOUDOUKHet aI. (1 998).
Os resultados obtidos com estas cinco metodologias sero ento
/ 't '''\
' \. ,,1 1 "
.1 '.
',.,' \
U
comparados, a fim de se verificar qual obteve desempenho mais satisfatrio.
Este "bac ktesf' ter como par metro o nmero de erros, de acordo com teste t~
proposto por KUPIEC (1 995 ).
S9
I
As sees seguintes iro detalhar as diversas etapas do teste emprico: a
seo 4.1 descrever o processo de coleta e preparao dos dados
necessrios; a seo 4.2 apresentar testes preliminares geralmente aplicados
a sries econ mico-financeiras, a saber testes de heterocedasticidade, de
normalidade, de autocorrelao e de estacionariedade dos retornos; a seo
4.3 descrever a aplicao dos modelos de VAR em suas vrias metodologias;
a seo 4.4 ir tratar da metodologia utilizada para a avaliao dos resultados;
e a seo 4.5 apresentar os resultados empricos obtidos.
4.1 - Coleta e Preparao dos Dados
4.1 .1 -Ibovespa
Os procedimentos utilizados para a obteno de uma srie de retornos
do ndice Bovespa foram os seguintes:
1 ) Coleta da srie de pontos do ndice Bovespa na Bolsa de Valores de So
Paulo, para o perodo de 30.06.94 a 30.06.98, com um total de 996
..
. \
observaes.
2) A partir da srie de pontos do referido ndice, foram calculados os retornos
dirios atravs da frmula:
60
I
Onde:
Rt = retorno do dia t
P
t
= fechamento do ndice BOVESPA do dia t
Pt-1 = fechamento do ndice BOVESPA do dia t-1
3) No perodo analisado, oito observaes foram retiradas da amostra (dias
30.1 2.94, 01 .03.95 , 29.1 2.95 , 21 .02.96, 24.1 2.96, 31 .1 2.96, 24.1 2.97 e
31 .1 2.97), devido Bovespa operar em perodo parcial sem movimentao
financeira, e no abertura da BM&F. Deste modo, a srie resultante possui
988 observaes de " pontos" e 987 retornos do IBOVESPA.
4.1.2 - Contratos 011 Futuros
Os contratos de 01 1 Futuros, negociados na Bolsa de Mercadorias e
Futuros (BM&F), foram utilizados como base para a obteno de uma srie de
retornos de ttulos pr-fixados de 30 dias.
Para tanto, os seguintes passos foram seguidos:
61
1 ) Coleta dos PUs de ajuste dirios dos contratos futuros de 01 1 , envolvendo
todos os vencimentos, no prazo de 30.06.94 a 30.06.98.
2) Seleo dos contratos com vencimentos imediatamente inferior e superior a
30 dias corridos, e clculo das taxas de cada perodo envolvido pela
frmula:
Taxa = 100.000~1
PU
3) Interpolao por dias teis (considerando os feriados do perodo), de acordo
com a seguinte frmula:
{
1/ } DU2
1 +t x b IDUl
Taxa Int erp o lada = (I+lx a)x [~I +lx alJ -I
onde,
tx a = taxa do contrato com vencimento inferior a 30 dias
tx b = taxa do contrato com vencimento superior a 30 dias
OU1 = dias teis entre o vencimento do primeiro contrato e o vencimento do
segundo contrato
62
DU2 = dias teis entre o vencimento do primeiro contrato e o prazo de 30
dias a contar da data do prego
1
4) A fim de retirar o efeito do nmero de dias teis presente em cada taxa de
30 dias obtida na interpolao, a srie foi padronizada para 21 dias teis
(mdia de dias teis dentro de um m s).
5 ) Como estamos interessados na obteno dos retornos dos preos de ttulos
pr-fixados, calculamos o preo de mercado de um ttulo (PU de mercado),
a partir da srie de taxas obtida no item anterior.
Este procedimento visa reconhecer o ganho obtido pela posse de um ttulo
pr-fixado quando h diminuio das taxas de juros, e a perda quando h
aumento das taxas de juros. A frmula utilizada para a obteno da srie de
PUs foi a seguinte:
onde,
PU
t
= preo do ttulo em t
1Devemo s atentar para o fato de que um ttulo pr- fixado no po de ter seu vencimento em dia no til,
63
PU
t
-
1
= preo do ttulo em t-1
it = taxa de juros em t
it-1 = taxa de juros em t-1
A srie resultante possui 987 retornos estimados de ttulos pr-fixados de 30
dias no perodo em anlise.
4.2 - Testes Preliminares
Os testes preliminares visam a detectar caractersticas importantes das
sries temporais trabalhadas, que certamente iro influenciar os resultados
obtidos com as diferentes metodologias de VAR.
Quatro testes sero apresentados para as sries temporais de retornos
do IBOVESPA e de contratos pr-fixados de 30 dias: teste de
heterocedasticidade, de normalidade, de autocorrelao e de estacionariedade
dos retornos"
Aspectos importantes a considerar na anlise dos testes preliminares e
tambm na avaliao dos modelos de Value-at-Risk referem-se aos
fundamentos macroecon micos subjacentes ao perodo em anlise Oulho/ 94a
quando ento o prazo de 30 dias co rrido s estipulado deve ser estendido at o prximo dia til.
2 Os testes fo ram aplicado s co m o auxlio do so ftware Eviews.
64
junho/ 98). Podemos encontrar, ao longo destes quatro anos, situaes diversas
(ocasionando nveis de volatilidade tambm dversos} que justificam uma
anlise isolada. Deste modo, o perodo global ser dividido em cinco
subperodos:
I. Julho/ 94 a novembro/ 94: perodo inicial de implementao do Plano
Real;
li. Dezembro/ 94 a abrill95 : perodo marcado pela crise do Mxico e pela
mudana do regime cambial;
1 1 1 . Maio/ 95 a junho/ 97: perodo de consolidao da estabilizao e da
desindexao da economia;
IV. Julho/ 97 a dezembro/ 97: perodo marcado pelos efeitos mais agudos da
crise da sia;
V. Janeiro/ 98 a junho/ 98: perodo de recuperao e tambm de suspeio
dos mercados emergentes.
Em resumo, os testes sero feitos para os subperodos acima, bem
como para o perodo global, de acordo com a tabela abaixo:
65
Per. Incio Trmino N meses N Observaes
A Julho/ 94 Junho/ 98 48 987
B Julho/ 94 Nov/ 94 5 1 03
C Dez/ 94 Abril/ 95 5 99
O Maio/ 95 Junho/ 97 26 5 36
E Julho/ 97 Dez/ 97 6 1 28
F Jan/ 98 Junho/ 98 6 1 21
4.2.1 - Testes de Heterocedasticidade dos Retornos
Um bom procedimento inicial para detectar a heterocedasticidade nos
retornos observar visualmente as sries estudadas. Abaixo, apresentamos as
sries de retornos do IBOVESPA e de ttulos de renda fixa de 30 dias, no
perodo de 30.06.94 a 30.06.98:
66
Retornos do ndice Bovespa
0,25
0,2
0,15
0,1
0,05
o
E
.s
ai
a:
- 0,05
- 0,1
- 0,15
- 0,2
I
~
'OI "
j ~
~ ~ ~ ~ ~
I
~
<O
~ ~
... ...
~
r-, ... ...
eo
i
m
~
~
~
~
~ ~
~ s ~
l!l
~ ~ ~
o
~ ~
s
~ ~ ~ ~ ~ ~
g
C;
g g g g
i
g
'"
(')
'" '" '"
Data
Retornos dos Tltulos de Renda Fixa de 30 Dias
- 0,01
,It
- 0,015
L
~ ~
!1 !
~
~
~
m
~
~ ~
I
~
I
~
~ ~
r-, ... r-, ...
~
eo < X l
I
I
~ ~
m
~
~
o
'" ~ Q
C;
~
Q
~
Q

~ ~
o
~ ~
g
to
C;
g g g
C; i
g g
'"
(') (')
'" '" '" '"
Data
67
Podemos notar nas sries acima a caracterstica muito comum de
agrupamento (" cluster" ), onde grandes variaes nos retornos so seguidas
tambm por grandes variaes, de sinal positivo ou negativo, o mesmo
ocorrendo com pequenas variaes.
A heterocedasticidade pode ser testada formalmente atravs do Teste de
White
3
. Considerando o modelo de regresso:
E sendo a e b estimativas dos coeficientes a e f3 obtidas atravs do
mtodo de mnimos quadrados:
o teste de White computa uma regresso auxiliar a partir dos resduos
ao quadrado desta regresso (JOHNSTON E DINARDO, 1 997):
- '1;1,
I\;<;J
3 Halbert White, "A Hetero skedasticity - Co nsistent Co variance Estimato r and a Direct Test fo r
Hetero skedasticity ", Eco no met rica, vo l. 48, p. 817- 838, 1980.
68
A hiptese de que todos os resduos possuem a mesma vari ncia
depende ento da signific ncia dos coeficientes da regresso auxiliar. Rejeita-
se a hiptese caso nR
2
(sendo R o coeficiente de determinao) seja maior que
X2(q),onde q o nmero de variveis na regresso auxiliar menos um.
Os resultados do teste de White aplicado s sries em estudo esto
resumidos nos quadros a seguir:
Teste de Heterocedasticidade: Retornos do IBOVESPA
X
2
2;5'l6 = 5,991
A B C O E F
Perodo 07/94 a 06/98 07/94 a 11194 12194 a 04195 05/95 a 06/97 07197 a 12/97 01198 a 06198
N Observaes 987 103 99 536 128 121
nR'" 19967 1021 5524 26447 0,561 14827
Teste de Heterocedasticidade: Retornos dos Titulos de Renda Fixa
X
2
2;5'l6 = 5,991
A B C O E F
Perodo 07/94 a 06/98 07194 a 11/94 12194 a 04195 05195 a 06/97 07197 a 12197 01198 a 06/98
N Observaes 987 103 99 536 128 121
nR'"
33462 24418 1228 27942 4038 0888
Podemos observar que a hiptese de homocedasticidade rejeitada
para o perodo como um todo (perodo A) nas duas sries. Para os subperodos
B a F, a hiptese rejeitada em 2 dos 5 casos para os retornos do Ibovespa, e
tambm em 2 dos 5 casos para os retornos dos ttulos de renda fixa.
69
4.2.2 - Testes de Normalidade dos Retornos
A normalidade dos retornos pode ser verificada atravs do teste de
Jarque-Bera. Este teste leva em considerao o comportamento dos dados em
relao assimetria e curtose de uma distribuio normal.
A assimetria e a curtose podem ser estimadas pelas frmulas abaixo:
Assimet ria = ...:..i;~I_--::-__
S3
C urt o se = ...:..i;~l_-:-__
S4
onde,
X i = elementos da amostra
n = nmero de elementos da amostra
S = desvio-padro da amostra
Sendo que, em uma distribuio normal, temos uma assimetria igual a
zero e curtose igual a tr s. O teste de Jarque-Bera computado do seguinte
modo (NEWBOLD, 1 995 ):
70
J B = n[ (ASSimet ria)2 + (C urt o se-3
Y
]
6 24
Sob a hiptese de normalidade, e conforme o nmero de observaes
aumenta, esta estatstica possui uma distribuio de qui-quadrado com dois
graus de liberdade. Apresentamos abaixo os resultados do teste aplicado s
duas sries em estudo:
Teste de Normalidade: Retornos do IBOVESPA
A B C O E F
Perodo 07/94 a 06/98 07/94 a 11/94 12194 a 04/95 05/95 a 06/97 07/97 a 12197 01/98 a 06198
N Observaes 987 1 03 99 5 36 1 28 1 21
Mdia 00995 % 0,2435 % ~0,201 6% 0,2225 % ~0,1 633% - o 0431 %
Mediana 0,2032% 0,0000% -0,1 342% 0,2667% 0,381 5 % 0,1 773%
Mximo 22,81 26% 60278% 2281 26% 6,4268% 9,261 6% 6,7824%
Mnimo -1 6,2239% -1 1 ,0895 % -1 0,3836% -6,7494% -1 6,2239% -6,9472%
Desvio-Padro 2,7797% 2,7965 % 5 ,221 7% 1 ,705 9% 3,8392% 2,3968%
Assimetria 0,05 85 -0,4902 0,8491 -0,1 45 5 -0,7321 -0,3605
Curtose 1 0,5 370 4,221 5 5 ,765 6 3,995 8 5 ,3477 3,75 30
Jarque-Bera 2.336,75 1 0,5 3
43,45 24,04 40,83 5 ,48
Estat. 5 % signif. 5 ,99 4,29 4,29 4,82 4,34 4,34
Teste de Normalidade: Retornos dos TItulos de Renda Fixa
A B C O E F
Perodo 07/94 a 06/98 07/94 a 11/94 12194 a 04/95 05/95 a 06/97 07/97 a 12/97 01/98 a 06/98
N Observaes 987 1 03 99 5 36 1 28 1 21
Mdia 0005 8% 00336% - o 001 8% 00048% ~o 0095 % 00091 %
Mediana 0,0038% 0,001 3% 0,0224% 0,0037% 0,0030% 0,0093%
Mximo 0,81 60% 0,81 60% 0,3841 % 0,1 662% 0,1 5 68% 0,1 070%
Mnimo -1 ,05 40% -0,25 24% -1 ,05 40% -0,0861 % -0,5 45 3% -0,1 95 7%
Desvio-Padro 0,075 9% 0,1 448% 0,1 5 1 5 % 0,0204% 00807% 0,0325 %
Assimetria -1 ,2643 2,6964 -3,5 347
1 ,41 5 0 -3,9843 -1 ,645 3
Curtose 66,2742 1 2741 2 25 3024 1 4,1 1 78 244023 1 5 ,5 81 1
Jarque-Bera 1 64.91 2,5 0 5 32,06 2.25 7,93 2.939,40 2.781 ,67 85 2,62
Estat. 5 % signif. 5 ,99 4,29 4,29 482 434 4,34
71
Podemos observar que, para todos os perodos estudados, a hiptese de
normalidade dos retornos rejeitada.
4.2.3 - Testes de Autocorrelao dos Retornos
Utilizamos o teste de Ljung-Box para verificar a exist ncia de
autocorrelao na srie de retornos do Ibovespa e dos ttulos de renda fixa. A
estatstica de teste calculada do seguinte modo (JOHNSTON E DINARDO,
1997):
P
Q LB = n(n+2 ) LrJ /(n- j )
j=l
onde,
rj2= autocorrelao de ordem j
n = nmero de observaes
Caso todas as autocorrelaes sejam zero, a srie pode ser considerada
como " white noise" ou " rudo branco" . Sob a hiptese de autocorrelao zero,
QlB ter distribuio de qui-quadrado, com graus de liberdade igual ao nmero
'.
de autocorrelaes p.
72
Apresentamos a seguir os resultados encontrados:
Teste de Autocorrelao: Retornos do IBOVESPA
2
'J. 1 0;5 % = 18,307
A B C O E F
Perodo 07/ 94 a 06/ 98 07/ 94 a 1 1 / 94 1 2/ 94 a 04/ 95 05 1 95 a 06/ 97 07/ 97 a 1 2/ 97 01 / 98 a 06/ 98
N Observaes 987 103 99 536 128 121
alB i= 10 5861 9,07 21,52 2472 1629 1436
Teste de Autocorrelao: Retornos dos Ttulos de Renda Fixa
2
'J. 1 0;5 % = 18,307
A B C O E F
Perodo 07/ 94 a 061 98 07/ 94 a 1 1 / 94 1 2/ 94 a 04/ 95 05 1 95 a 06/ 97 07/ 97 a 1 2/ 97 01 / 98 a 06/ 98
N Observaes 987 103 99 536 128 121
alB i = 10 377,74 99,84 1689 13150 3660 1129
Notamos que a hiptese deautocorrelao zero rejeitada para o
perodo como um todo (perodo A) nas duas sries, indicando portanto a
presena de autocorrelao entre os retornos. Para os subperodos B a F, a
hiptese rejeitada em 2 dos 5 casos para os retornos do Ibovespa, e em 3 dos
5 casos para os retornos dos ttulos de renda fixa.
73
4.2.4 - Testes de Estacionariedade dos Retornos
A estacionariedade .dos retornos ser estudada atravs do teste de
Dickey-Fuller Ampliado (ADF), utilizado para verificar a exist ncia de uma raiz
unitria nas sries em estudo. Os testes de Dickey-Fuller (DF) e ADF so
descritos brevemente a seguir (JOHNSTON E DINARDO, 1 997).
Dadas as seguintes equaes (omitindo a possibilidade de incluso de
uma tend ncia linear, para simplificao da exposio):
onde Et uma srie rudo branco. Temos a hiptese de teste Ho:a.=1 ,sendo que
um processo estacionrio se caracteriza quando 0.<1. Combinando as duas
equaes e subtraindo Yt-1de ambos os lados, chegamos expresso: .
r=a-l
A hiptese agora torna-se Ho:y=O.Sob esta hiptese, o processo acima
se reduziria a ~Yt=Et,ou seja, um " passeio aleatrio" (random walk) no
estacionrio.
74
o teste de DF acima incorpora um processo AR(1 ), que pode ser
inadequado caso a srie possua uma autocorrelao de ordem maior. O teste
ADF estende a equao descrita, possibilitando a incluso de um processo
AR(n). Por exemplo, no caso AR(2):
onde Ho :y =O. Os resultados obtidos nas sries de retornos do Ibovespa e dos
ttulos de renda fixa esto resumidos nas tabelas a seguir:
Teste de Estacionaredade: Retornos do IBOVESPA
A B C O E F
Perodo 07/94 a 06/98 07/94 a 11/94 12/94 a 04/95 05195 a 06/97 07/97 a 12/97 01/98 a 06/98
N Observaes 987 1 03 99 5 36 1 28 1 21
Estatstica ADF (1 6,33) (5 ,1 7) (5 ,31 ) (1 1 ,02) (5 ,39) (5 ,42)
Valor Crtico 5 % (1 ,93) (1 ,94) (1 ,94) (1 ,94) (1 ,94) (1 ,94)
Teste de Estacionaredade: Retornos dos Ttulos de Renda Fixa
A B C O E F
Perodo 07/94 a 06/98 07/94 a 11/94 12/94 a 04/95 05/95 a 06/97 07/97 a 12/97 01/98 a 06/98
N Observaes 987 1 03 99 5 36 1 28 1 21
Estatstica ADF (1 0,5 7) (4,1 9) (3,05 ) (6,93) (2,95 ) (4,1 9)
Valor Crtico 5 % (1 ,93) (1 ,94) (1 ,94) (1 ,94) (1 ,94) (1 ,94)
Constatamos que os testes evidenciam a caracterstica de
estacionariedade, presente tanto no perodo como um todo quanto nos cinco
subperodos.
75
Abaixo encontra-se um resumo dos resultados obtidos nos testes
preliminares:
Testes acerca dos retornos das sries
Perodo Heterocedasticidade Normalidade Autocorrelao Estacionariedade
Ibovespa RF Ibovespa RF Ibovespa RF Ibovespa RF
A SI M SI M NAO NAO SI M SI M SI M SI M
8 NO SI M NO NO NO SI M SI M SI M
C NO NO NO NO SI M NO SI M SI M
O SI M SI M NO NO SI M SI M SI M SI M
E NO NO NO NO NO SI M SI M SI M
F SI M NO NO NO NO NO SI M SI M
A partir desses resultados, poderamos esperar que metodologias de
VAR que no assumem distribuies normais (simulao histrica e
metodologia hbrida) fossem privilegiadas. Do mesmo modo, metodologias que
atribuem maior import ncia s observaes mais recentes (paramtrica com
utilizao da volatilidade EWMA ou GARCH e metodologia hbrida)
apresentariam melhor desempenho devido s caractersticas de
heterocedasticidade e autocorrelao. Por outro lado, a caracterstica de
estacionariedade pesaria contra a utilizao do mtodo EWMA para o clculo
da volatilidade.
4.3 - Aplicao dos Modelos de Value-at-Risk
As metodologias de Value-af-Risk escolhidas para teste foram a
paramtrica (com a utilizao de tr s tcnicas de estimao da volatilidade), a
simulao histrica e uma metodologia hbrida (mesclando partes das duas
76
anteriores). A simulao de Monte Carlo no foi considerada devido ao fato de,
em se tratando da avaliao do risco de ativos lineares, seus resultados
convergiriam para os obtidos com a metodologia paramtrica (BEST, 1 998).
Com vistas a assegurar maior confiabilidade na anlise dos resultados,
os testes sero efetuados para o horizonte temporal (" holding period" ) de um
dia. Isto pode ser explicado do seguinte modo: dada a amostra de 742
observaes dirias (pois as primeiras 245 sero utilizadas exclusivamente
para o clculo de par metros necessrios ao VAR do primeiro dia de julho/ 95 ),
ser esperado que as perdas efetivas superem as previstas pelo modelo de
VAR, com horizonte temporal de um dia, cerca de 37 vezes a 95 % de confiana
e 7 vezes a 99%; se, no entanto, fosse adotado o horizonte temporal de dez
dias, o nmero esperado de perdas maiores que as previstas seria de apenas 3
vezes a 95 % de confiana e 1 vez a 99%, o que geraria insegurana na anlise
dos resultados.
Os nveis de confiana estudados sero de 95 % e 99% de confiana,
representando, em termos de uma distribuio normal, 1 ,64 e 2,32 desvios-
padro, respectivamente.
77
4.3.1 - Metodologia Paramtrica
A metodologia paramtrica, aplicao direta do instrumental
desenvolvido por Harry Markowitz para seleo de carteiras, foi utilizada
mediante a aplicao de tr s mtodos de clculo da volatilidade:
Volatilidade Histrica com Mdia Mvel
A volatilidade histrica foi calculada com base em uma janela mvel de 25
dias teis, conforme tambm elaborado por SANTOS (1 997), sendo a
primeira estimativa para o dia 03/ 07/ 95 . As frmulas utilizadas para o clculo
das vari nciase covari ncias das sries foram as seguintes:
onde M = 25 .
78
r
Captulo 4- Teste Emprico no Mercado Brasileiro
Mdia Mvel Ponderada Exponencialmente (EWMA)
A volatilidade estimada atravs do mtodo EWMA utilizou as seguintes
frmulas para o clculo das vari ncias e covari ncias:
No entanto, para garantir que a soma dos pesos atribudos aos retornos seja
de 1 00% utilizando a janela histrica disponvel (245 observaes),
dividimos os pesos atribudos aos retornos por (1 -,T), onde T=245
BOUDOUKH et aI. (1 998). Isto torna-se necessrio pois, quanto maior o
valor de , maior seria a quantidade de observaes passadas necessrias
para que a soma dos pesos alcanasse 1 00%.
A definio do fator de decaimento, lambda (), torna-se de especial
import ncia para os resultados a serem obtidos com o modelo. Sendo
assim, efetuamos anlises de sensibilidade do modelo frente a um intervalo
de valores de (0,80 a 0,99, com variaes decimais), cujos resultados
encontram-se no item 4.4 (Resultados Empricos).
79
GARCH(1 ,1 )
Para o clculo da volatilidade atravs do modelo GARCH (1 ,1 ), os
par metros o, ai e f3i foram estimados com base nas observaes
passadas de um ano'.
Devido no estabilidade dos par metros o i, ai e f3j, detectada
acentuadamente em relao srie do Ibovespa durante estudo inicial dos
dados, procedemos reestimao mensal dos par metros em questo.
As frmulas utilizadas no clculo das vari ncias e covari ncias foram as
seguintes:
o nde O J > O, a > O, fi > O, e a + fi < 1
e E = retorno do ativo
4 Fo i utilizado o so ftware Eviews para o s clculo s em questo .
80
A partir das sries de vari ncias e covari ncias obtidas pelos tr s
mtodos acima, os procedimentos seguintes foram:
Clculo do desvio-padro de cada uma das cinco carteiras analisadas, pela
frmula:
onde a = peso atribudo ao ativo 1
Aplicao do desvio-padro de cada carteira no dia t ao seu respectivo valor
de mercado e nvel de confiana, para a previso do VAR do dia t+1 , de
acordo com a frmula:
(
Valo r Mo net rio ] .
fur= xaxa
da Po sio
4.3.2 - Simulao Histrica
Esta metodologia, descrita no captulo 2, foi aplicada de acordo com os
seguintes procedimentos:
81
Os retornos do Ibovespa e dos ttulos de renda fixa correspondentes ao
primeiro ano do estudo (245 observaes) foram utilizados como " janela
histrica" , ou seja, como base para a distribuio de retornos, para o clculo
do VAR de 03.07.95 ;
A partir dos retornos calculados das cinco carteiras, foram encontradas as
taxas correspondentes aos graus de confiana de 95 % e 99%, considerando
que metade do peso de determinado retorno encontra-se direita e a outra
metade esquerda da observao. Os retornos correspondentes aos graus
de confiana estipulados foram ento encontrados por interpolao linear.
Estes retornos foram aplicados ao valor de mercado de cada ativo (em cada
uma das cinco carteiras estudadas) em 30.06.94, para a previso de perda
do dia 03.07.95 ;
Este procedimento foi repetido 742 vezes, deslocando-se a " janela histrica"
diariamente, at a obteno do VAR de 30.06.98.
4.3.3 - Metodologia Hbrida
A metodologia hbrida, proposta por BOUDOUKH et aI. (1 998), mescla,
conforme descrito no captulo 3, a metodologia paramtrica (com volatilidade
82
calculada atravs do mtodo EWMA) e a simulao histrica, aproveitando
aspectos de cada uma. Assim, a suposio de normalidade condicional dos
retornos presente na metodologia paramtrica descartada em favor da
distribuio histrica, enquanto pesos exponenciais so atribudos aos retornos,
favorecendo as informaes mais recentes e superando o .problema da
depend ncia do tamanho da " janela histrica" da simulao histrica.
Os procedimentos utilizados na aplicao desta metodologia foram o
seguintes:
Os retornos do Ibovespa e dos ttulos de renda fixa correspondentes ao
primeiro ano do estudo (245 observaes) foram utilizados como " janela
histrica" , para o clculo doVAR de 03.07.95 ;
Foram atribudos aos retornos das cinco carteiras em estudo, a comear
pelo mais recente, pesos exponenciais decrescentes, de acordo com a
frmula a seguir (onde o denominador tem como funo tornara soma dos
pesos igual a 1 ):
onde . = fator de decaimento e T = 245
I
83
Na escolha do fator de decaimento, foi considerada a anlise de
sensibilidade efetuada para a metodologia paramtrica com uso da
volatilidade EWMA, cuja anlise pode ser encontrada no item 4.4
(Resultados Empricos);
Os retornos foram classificados em ordem crescente, e, atravs dos pesos
acumulados, encontramos os retornos das duas sries correspondentes aos
graus de confiana de 95 % e 99%, considerando, assim como no modelo de
Simulao Histrica, que metade do peso de determinado retorno encontra-
se direita e a outra metade esquerda da observao, conforme sugerido
por BOUDOUKH et aI. (1 998). Os retornos correspondentes aos graus de
confiana estipulados so em seguida encontrados por interpolao linear;
Estes retornos foram aplicados ao valor de mercado de cada ativo (em cada
uma das cinco carteiras estudadas) em 30.06.94, para a previso de perda
do dia 03.07.95 ;
Este procedimento foi repetido 742 vezes, deslocando-se a " janela histrica"
diariamente, at a obteno do VAR de 30.06.98.
84
Captulo 4 ~Teste Emprico no Mercado Brasileiro
4.4 - Metodologia de Avaliao dos Resultados
o nmero previsto de perdas acima dos valores esperados pelo modelo
tem que se verificar na prtica. Podemos visualizar melhor esta noo por meio
de um exemplo: um VAR com grau de confiana de 95 % errar, em mdia, 5
vezes em cada 1 00. Se, na prtica, ele errar mais do que isso, o modelo no
estar controlando o risco adequadamente. Se, por outro lado, o modelo errar
menos do que essa proporo, ele estar muito conservador (prevendo uma
perda to alta de modo que o modelo nunca erre), e estar induzindo a
Instituio a alocar mais capital do que o necessrio, sendo assim igualmente
intil.
Para testar a hiptese de que o nmero de perdas acima do esperado
corresponde ao grau de confiana empregado, utilizaremos um teste estatstico
desenvolvido por KUPIEC (1 995 ), que criou intervalos de no-rejeio dessa
hiptese.
Considerando as seguintes variveis:
x = nmero de vezes em que a perda excedida
n = tamanho da amostra
p = probabilidade de falha (igual a [1 - nvel de confiana]),
85
a probabilidade de se observar x erros em uma amostra de tamanho n :
p (x; n) = hino miaZ[ n, x] (1 - P r: p x
o teste proposto por Kupiec, chamado de PF (Proportion of Failures)
encontra-se abaixo:
Onde Ho:p=p*. O teste PF possui distribuio de qui-quadrado com 1
grau de liberdade. Deste modo, quando a estatstica de teste PF for maior que o
valor crtico, a hiptese nula rejeitada.
A partir deste teste, o autor desenvolveu, para a varivel X, intervalos de
no rejeio da hiptese Ho:
Regies de No-Rejeio para o teste PF(O,05 **)
Probabilidade Regio de no- Regio de no- Regio de no-
p* rejeio para x, rejeio para x, rejeio para x,
n=25 5 dias n=5 1 0 dias n=1 .000 dias
0,01 0 x<7 1 <x<1 1 4 < x < 1 7
0,025 2 < x < 1 2 6 < x < 21 1 5 < x < 36
0,05 0 6 < x < 21 1 6<x<36 37 < x < 65
0,075 1 1 < x < 28 27 < x < 5 1 5 9 < x < 92
0,1 00 1 6 < x < 36 38 < x < 65 81 < x < 1 20
..
** Nvel de confiana para se rejeitar o modelo; no deve ser confundido com o nvel de
confiana escolhido para o VAR.
86
4.5 - Resultados Empricos
Apresentaremos nesta seo os resultados obtidos nos diversos testes
propostos, ressaltando que eles so evid ncias obtidas no perodo amostrai
estudado, e para as variveis consideradas. Os grficos demonstrativos dos
resultados dos modelos podem ser encontrados no Anexo 1 1 .
Para a anlise dos resultados, consideramos os subperodos definidos
na seo 4.2. Assim, subtraindo o primeiro ano da amostra (utilizados para
determinao de par metros de volatilidade), os subperodos restantes para
anlise dos modelos de VAR so:
Per. Incio Trmino
N
Intervalos PF (0,05 ) test
Observaes 95 % 99%
A Julho/ 95 Junho/ 98 742 26<x<5 0 2 < x < 1 4
O Julho/ 95 Junho/ 97 493 1 5 <x<35 1 < x < 1 0
E Julho/ 97 Dez/ 97 1 28 2 < x < 1 2 x<5
F Jan/ 98 Junho/ 98 1 21 1 < x < 1 2 x<4
As duas ltimas colunas mostram os intervalos do teste PF (0,05 ),
calculados de acordo com o modelo de KUPIEC (1 995 ) definido na seo
anterior.
A fim de auxiliar a anlise dos resultados, reproduzimos abaixo os -
i .-
v
grficos de retornos do ndice Bovespa e dos ttulos de renda fixa de 30 dias, _
(- - -
apresentados na seo 4.2.1 , evidenciando os subperodos considerados:
87
Retornos do fndlce Bovespa
0,25
0,2
O E F
0,15
0,1
0,05
o
j
o
- 0,05
- 0,1
- 0,15
- 0,2
~
i ~
~
i
!I
I
~
~ ~
I
!!l 3:
~ ~
r-, ... ... ... ... r-,
~
co
I
~
~
'" s s ~ ~
~ ~ ~ ~
Q
ii:l
~
15
~
s
~
~ ~ ~
~
~
c;
~ ~
c;
!1 .l
c;
:;;; :;;;
'"
N
'" '" '" '" '"
N N
Data
Retornos dos Ttulos de Renda Fixa de 30 Dias
0,01
!.,uJ...llIL.,
O E F
. lli. lo .A 1o A...L
....
LI.I.J...J ..A 1 L.
'F'" 1 " 'lr
Al
I'
,.......
l'
.,. ..,
111"
" T
0,005
o
- 0.005
- 0,01
- 0,015
II
;
N
co
I
88
Primeiramente, apresentamos abaixo os resultados obtidos com a
metodologia paramtrica. As reas sombreadas representam os testes cujos
nmeros de perdas esto fora dos intervalos de no-rejeio:
Metodologia
No.
Intervalo
Perodo
5 0%IBOV 25 %IBOV O%IBOV
Esperado
Paramtrica
de Perdas
Kuplec
Com uso da A 95% 37
volatllldade 99%
Histrica O
Com uso da
volatllldade
EWMA
F
99% 4
8 95%
99% 3
Por exemplo, a primeira linha da tabela mostra que apenas duas
carteiras do modelo de VAR paramtrico (com utilizao da volatilidade
histrica), com nvel de confiana de 95 %, no tiveram a hiptese nula
rejeitada. Considerando 99% de confiana no mesmo modelo, todas as
carteiras obtiveram resultados fora do intervalo de Kupiec.
89
Metodologia Paramtrica com uso da Volatilidade Histrica
Podemos observar que esta metodologia obteve melhor desempenho no
perodo " O" , nitidamente mais " tranquilo" que os demais: 4 carteiras esto
dentro do perodo de no-rejeio a 95 % de confiana, e 2 carteiras a 99% de
confiana.
o pior desempenho do modelo se deu no perodo " E" , que apresentou
grande turbul ncia. No perodo global " A" , a metodologia apresentou apenas
duas no-rejeies, a um VAR de 95 % de confiana.
Metodologia Paramtrica com uso da Volatilidade EWMA
Devido import ncia do fator de decaimento nos resultados deste

modelo, procedemos inicialmente uma anlise de sensibilidade, englobando o
perodo global de estudo. O desempenho do modelo foi comparado utilizando-
se o intervalo de 0,80 a 0,99 para lambda, com variaes decimais. Devido
necessidade de janelas histricas maiores para valores de mais altos, foi
utilizada a correo descrita no item 4.3.1 , de modo a se obter o somatrio de
1 00% na ponderao dos retornos.
90
Captulo - l - Teste Emprico no Mercado Brasileiro
A tabela demonstrativa da anlise de sensibilidade apresentada no
Anexo I. Observamos nessa tabela que, para lambdas entre 0,80 e 0,91 ,
apenas as carteiras de nmero 1 e 5 , com grau de confiana de 95 %,
encontram-se no intervalo de no-rejeio. Para lambdas entre 0,92 e 0,97, os
resultados variam entre 2 ou 3 carteiras no intervalo de no-rejeio. O
desempenho do modelo somente melhora para =O,98 e =O,99, com
respectivamente 4 e 5 carteiras contidas nos intervalos de no-rejeio.
Deste modo, optamos pela utilizao de =O,99 para a anlise do
modelo, em detrimento de X=O,94, utilizado pelo RiskMetric s. Assim, a ltima
observao ir receber peso de 1 %, quando pelo RiskMetric s seu peso seria
de 6%, diminuindo relativamente a import ncia das observaes mais recentes,
e ao mesmo tempo aumentando a janela histrica considerada no clculo.
Retornando ao quadro comparativo da metodologia paramtrica,
observamos que o melhor desempenho do modelo se deu no perodo " F" , com
seis carteiras contidas nos intervalos de no-rejeio (tr s a 95 % e tr s a 99%
de confiana), e o pior no perodo " E" , com apenas uma carteira no-rejeitada
pelo teste.
O perodo total, " A" , obteve 5 carteiras contidas nas regies de no-
rejeio, sendo 3 ao nvel de 95 % de confiana, e 2 a 99% de confiana,
91
mostrando-se, portanto, superior metodologia paramtrica com utilizao da
volatilidade histrica.
Metodologia Paramtrica com uso da Volatilidade GARCH( 1 .1 )
o desempenho do modelo com utilizao da volatilidade GARCH(1 ,1 )
mostrou-se um pouco melhor do que com a volatilidade histrica, mas inferior
ao mtodo EWMA, com um total, no perodo " Ali,de 3 carteiras nas regies de
no-rejeio.
o melhor desempenho do modelo se deu no perodo " D" , com 6 carteiras
nas regies de no-rejeio, e o pior no perodo " E" , com 2 carteiras nos
intervalos de no-rejeio.
Metodologia Simulao Histrica
A seguir, apresentamos os resultados da metodologia Simulao
Histrica:
92
Nmero de Perdas Maiores Queas Previstas
Carteiras
Nivelde 1 00%IBOV
No.
Intervalo
Metodologia Perodo
5 0%IBOV 25 %IBOV O%IBOV
Esperado
Confiana O%RF
75 %IBOV
5 0%RF 75 %RF 1 00%RF Kuplec
25 %RF 2 de Perdas
1 3 4 5
Simulao A 95 % 38 42 5 8
"~o
77
i
33 37 26<x<5 0
---'1 < ?:,,- ..,-
.~
Histrica 99% 1 1
'.
22:
..31
9 7 2 < x < 1 4
O 95 % J4. 1 6 21 29
:1 3 " ,; ..,
37 1 5 <x<35
.',
~3~:O:
!- ...- - .- ...._,'- '~~ .
99% .,1 4 7 2 7 1 < x < 1 0
E 95 % ,\20 21' 30 ,: .36 1 5
"
37 2 < x < 1 2
" .-,'
99%
;,';'- 10
, 12. 15.
"A9'
_ .1." .
-:
7 x<5
F 95 % 4 5 7 ::" .:::.~:.:,:... 5 37 1 < x < 1 2
99% O O O 2 O 7 x<4
A simulao histrica apresentou resultados similares metodologia
paramtrica com utilizao da volatilidade EWMA no perodo global " A" , com 3
carteiras posicionadas fora dos intervalos de no-rejeio a um VAR com 95 %
de confiana, e 2 a 99% de confiana.
o pior desempenho do modelo se deu no subperodo " E" . Tal fato pode
ser explicado como se segue: o perodo " E" , por ter sido precedido por um
ambiente menos voltil, apresentou valores em risco relativamente baixos,
devido s premissas da metodologia simulao histrica (que ir considerar os
piores retornos ocorridos dentro da janela histrica), o que levou o modelo a
apresentar um nmero de perdas maiores que as previstas maior que o definido
pelo intervalo de Kupiec.
No entanto, nos subperodos " D" e " F" , o modelo apresentou resultados
superiores metodologia paramtrica com uso da volatilidade EWMA, com 6e " ,)
9 carteiras posicionadas nos intervalos de no-rejeio, respectivamente.
93
Metodologia Hbrida
Em seguida, encontram-se os resultados da metodologia Hbrida. Foi
escolhido o mesmo fator de decaimento selecionado para a metodologia
paramtrica com uso da volatilidade EWMA. No entanto, apenas para efeito
comparativo, apresentamos tambm os resultados do modelo para " -=0,94,
valor utilizado pelo RiskMetric s:
Nmero de Perdas Maiores que as Previstas
Carteiras
Nlvelde 75 %IBOV
No.
Intervalo
Metodologia Perlodo
1 00%IBOV 5 0%IBOV 25 %IBOV O%IBOV
Esperado
Confiana O%RF 25 %RF 5 0%RF 75 %RF 1 00%RF
de Perdas
Kuplec
1 2 3 4 5
Hibrlda A 95 % ,5 0 61 73 92 40 37 26<x<5 0
l mblda=O,94 99%
"
20 'Zl 41 5 6
--24-~
7 2 < x < 1 4
O 95 % 32 39 44 5 0 23 37 1 5 <x<35
99%
'''-1 2-::'---
1 7 'Zl " 34
,_.~.- :"_._- - ~.
7 1 < x < 1 0 .' 1 3
E 95 % 1 0 1 0 1 3.-
2.1 1 3 37 2 < x < 1 2
99%
~- 5- - - ~
- ~- _.._- - .- ~~
7
1 3 '
8 7 x<5 " 6
F 95 % 8 1 2 1 6 21 4 37 1 < x < 1 2
99% 3 4 1
,9 '.
3 7 x<4
Hbrida A 95 % 36 48 59 71 31 37 26<x<5 0
l mblda=O,99 99% 6 1 2 20 34 9 7 2 < x < 1 4
O 95 % 1 8 23 29 34 1 7 37 1 5 <x<35
99%
~:f" :--'~
6
.---ff" --'- '~~17- - -
4 7 1 < x < 1 0
E 95 % 1 5 1 9 21 25 1 1 37 2 < x < 1 2
99% 5 6
.. r 1~
'-'''-5 " ~'
7 x<5
F 95 % 3 6 9 1 2 3 37 1 < x < 1 2
99% O O 2 5 ' O 7 x<4
Como esperado, o desempenho da metodologia hbrida com a utilizao
de " -=0,94 foi muito inferior ao obtido com " -=0,99. Este, por sua vez, obteve
resultados marginalmente superiores simulao histrica no perodo global
" A" , com 6 carteiras contidas nos intervalos de no-rejeio.
94
Considerando os perodos " O" e " E" , a metodologia hbrida tambm
obteve desempenho marginalmente superior simulao histrica, com uma
carteira adicional contida nos intervalos de no-rejeio em cada um dos
perodos acima. Apenas no perodo " F" o desempenho da metodologia hbrida
foi marginalmente inferior simulao histrica, com 8 carteiras posicionadas
nos intervalos de no-rejeio.
Avaliao do Desempenho dos Modelos de VAR por carteira
o objetivo deste tpico observar o desempenho das metodologias de
VAR em relao ao nvel de volatilidade, a fim de verificar se ativos mais/ menos
volteis poderiam responder mais/ menos a mudanas de metodologias. Os
resultados esto no quadro abaixo:
Nmero de Perdas Maiores ue as Previstas
Carteiras
Metodologia Perfodo
Ni'vel de 1 00%IBOV
75 %IBOV
5 O%IBOV 25 " kIBOV O%IBOV
Confiana O%RF 75 " k RF 1 00%RF
1
25 " kRF 2
4 6
Paramtrica A 95 %
Volatil. Histrica 99%
Paramtrica A 95 %
Volatil. EWMA 99% 9
Paramtrica A 95 % 31
Volatil. GARCH 99% 11
Simulao A 95 % 38 42
Histrica 99% 11 9
Hibrida A 95 % 36 48 31
lmbida=O,99 99% 6 12 9
95
Podemos observar que no h evid ncias da hiptese formulada acima
no perodo global do estudo. Por exemplo, a carteira formada por 1 00% do
ndice Bovespa, e portanto a mais voltil, possui desempenhos similares com
as diversas metodologias. A carteira composta por 1 00% de ttulos de renda
fixa, que deveria de acordo com a hiptese acima responder menos a
mudanas de metodologia, no se coaduna com esse comportamento. Assim,
podemos dizer que, sob as restries do presente estudo, h evid ncias de que
a variao no desempenho se d pela variao de metodologias e no pelo
nvel de volatilidade das carteiras.
96
4.6 - Concluso Geral
o presente estudo analisou o desempenho de cinco metodologias de
clculo do Value-at-Risk, a saber a Metodologia Paramtrica com utilizao da
Volatilidade Histrica, Metodologia Paramtrica com utilizao da volatilidade
calculada atravs de Mdia Mvel Ponderada Exponencialmente (EWMA),
Metodologia Paramtrica com utilizao da volatilidade calculada pelo modelo
GARCH(1 ,1 ), Simulao Histrica e uma Metodologia Hbrida proposta por
BOUDOUKH et aI. (1 998). Os modelos acima foram aplicados a sries de
retornos do Ibovespa e de ttulos de renda fixa de 30 dias, compondo cinco
carteiras tericas com porcentagens diferentes dos dois ativos.
Os resultados obtidos devem ser considerados dentro das restries do
trabalho. Assim, eles so vlidos para as sries em estudo (retornos do
Ibovespa e de Ttulos de Renda Fixa de 30 dias), no perodo sob anlise (julho
de 1 994 a junho de 1 998), para as carteiras e metodologias consideradas.
Maiores generalizaes dos resultados obtidos seriam possveis atravs de
novos estudos, com mudana elou extenso do perodo analisado e dos ativos
considerados.
As evid ncias empricas encontradas no perodo em estudo apontam
para a superioridade da Metodologia Hbrida com fator de decaimento de 0,99 e
da Simulao Histrica, sendo esta apenas marginalmente inferior. Estes
97
resultados se coadunam perfeitamente com as caractersticas principais das
sries estudadas, ou seja, com indcios de no-normalidade, autocorrelao e
heterocedasticidade dos retornos.
Dentre as Metodologias Paramtricas restantes, a utilizao da
volatilidade EWMA com fator de decaimento de 0,99 obteve melhores
resultados que o modelo GARCH(1 ,1 ) e que a volatilidade histrica, sendo esta
ltima a que apresentou desempenho inferior.
No incio do trabalho, foi levantada a hiptese de uma relao entre o
desempenho de diferentes metodologias de VAR e o nvel de volatilidade das
carteiras, ou seja, ativos mais/ menos volteis poderiam responder mais/ menos
a mudanas de metodologia.
Esta hiptese no encontrou suporte nas evid ncias empricas. Como
exemplo, a carteira mais voltil estudada, formada por 1 00% do ndice
Bovespa, apresentou desempenhos similares em todas as metodologias, e a
carteira menos voltil, formada por 1 00% de ttulos de renda fixa, apresentou
variaes de desempenho nas diversas metodologias, ao contrrio do
esperado. Assim, as evid ncias deste estudo apontam que a variao no
desempenho ocorre em funo da metodologia utilizada e no do nvel de
volatilidade das carteiras.
98
Possveis continuaes deste trabalho poderiam ser feitas atravs da
incluso de novos ativos s carteiras, como ttulos de renda fixa de prazos mais
longos e ativos cambiais. Um passo seguinte seria a incluso de ativos mais
complexos como futuros e opes. Neste caso, poderia ser considerada
tambm uma metodologia adicional, como a Simulao de Monte Carla.
99
Anexo I =Co mparao de Fato res de Decaimento na Eficincia do Mto do EWMA
ANEXO I COMPARAO DE FATORES DE DECAIMENTO NA
EFICINCIA DO MTODO EWMA
Lambda.
No.
. Esperado Intervalo
de Kupiec
0,80 .
0,82
0,83
0,84
0,85
0;86
0,91
0,92
0,93
0,94
0,95
0,96
99%
0,99 95 %
99%
.;
.: ~
.1 00
Anexo I I - Resultado s Obtido s no s Testes Emprico s
ANEXO 1 1- RESULTADOS OBTIDOS NOS TESTES EMPRICOS
METODOLOGIA PARAMTRICA
COM UTILIZAO DA VOLATILlDADE HISTRICA
VAR: Carteira 1 00%Ibovespa
(Volatilidade Histrica)
(1CO.OOO)
o :
(200.000)
(300.000)
(400.000)
(500.000)
(6CO.OOO)
~ ~
~
~
l l
I
~
~
j:::
i?J
~
S
~ Q
~ ~ 8 8 S 8
~
~
" -
~
i
" -
r- ,
~
i I
Q! Q! Q!
~
s
~ ~
~ ?i
~ o o o
Data
-Ganho/ Perda Max Estimada a 99% -Ganho/ Perda Max Estimada a 95 %
- Ganho I Perda Efetiva
101
~. , ~ -'t
':f ,~'I~I " I . :.. -. '
... .l ,1 LI , .* " " , ;.. ~...Y . t .
o
, .. 1
t . .. , ., '., q '.,
.' I.,' '. ~ .,
.::b:: ./I:~ ~'I :.,\.~ h.
VAR: Carteira 75 % Ibovespa e 2 5 " 10 Renda Fixa
300.000
( ~ . ~ ) + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - r - - - - - - - - - - - - - - 4
(400.000)
- - - - - - - - - - - - - - - - - - -
Kl
ti)
~
~
I
~
3l 3l
~
~
I n
...
I n I n
~
CIO
i
m
I
~
~
o

2l
~
8
~
2l o
jg

o
8 8 8 8 8
(;;
8 8 8 o o o
Data
-Ganho/ Perda Max Estimada a 95 % -Ganho/ Perda Max Estimada a 99%
- Ganho / Perda Efetiva
VAR: Carteira 5 0% Ibovespa e 5 0% Renda Fixa
(50.000)
!
(100.000)
(15O.~)
(200.000)
(250.000)
(~.ooo)
II
~
~ ~
I
~
I
~
... ... ... ... .. ..
al
CIO
I
~
~ i
~
I
s
m
~

~
~ ~ ~ ~
8
8 o 8 o
Data
-Ganho/ Perda Max Estimada a 95 %
-Ganho / Perda Efetiva
-Ganho/ Perda Max Estimada a 99%
1 02
VAR: Carteira 25% Ibovespa e 75% Renda Fixa
(20.000)
~
(40.000)
(60.000)
(80.000)
(100.000)
(120.000)
(140.000)
~ i
~
~
< D
I
~
~
~
!1i
...
~
!;;
I
~
co
:ll :ll
~
'"
l!!
o
!:;
o 8
~
~ ~ ~ 8 8 ~ 8 8 8 8 ~ 8 8
.,
~
.,
~ o o
Data
VAR: Carteira 100% Renda Fixa
6.000
fr
w~
~
-
~.
~l
fi;]
-
~~
--
.,..
,.-
~
~
N
...
____ o
~
4.000
2.000
(2.000)
(4.000)
(6.000)
103
COM UTILIZAO DA VOLATILlDADE EWMA
VAR: Carteira 100% Ibovespa
(EWMA)
(100.000)
~
(200.000)
(300.000)
(400.000)
(500.000)
(600.000)
~
I
~
~
II
~
~
Q
~ ~
~
a 8 a
~
... ... ... ... ... ...
!ll !ll !ll
s
~
~
~
!!!
s
Q
s
~
iii
~

~
a 8 a 8
'"
o o o o
Data
104
VAR: Carteira 75% Ibovespa e 2 5 " 1 0 Renda Fixa
(EWMA)
&!
(100.000)
(200.000)
(300.000)
(400.000)
:!l :!l
~ ~
< D
~
< D
3l
~
!!!
li;
r- , e- ,
~
~
~
:l!
m I
'"
(1 )
j;::
S
2i o
i'l
j;::
2i o
jg
o o
~ ~

~
i'l i'l
S S
i'l
S 8 S
i'l
8 8 o o o o
Data
(EWMA)
(50.000)
&!
(100.000)
(150.000)
(200.000)
(250.000)
(300.000)
li)
:!l
~
ifl
I
~
~
3l
~
~
I
~
~
e- ,
'" ~
t O
m
I
(1 )
s
(1 )
l
~
2i
~
8
l
~
8
jg
iii s
~
o
~ o 8 o 8 8 8 a 8 .
Data
105
VAR: Carteira 25 % Ibovespa e 75 " 10 Renda Fixa
(EWMA)
(20.000)
~
(40.000)
(60.000)
(80.000)
(100.000)
(120.000)
(140.000)
'"
I
~
<O <O <O
~ ~
~
~
~
li;
I
li;
~
1!!
~
I ~
!!!
~
Q)
~
[g
j;::
g
~
[g
S ~
(il
~

o o o
Data
VAR: Carteira 1 00% Renda Fixa
(EWMA)
4.000
3.000
2.000
1.000
~
(1.000)
(2.000)
(3.000)
(4.000)
(5.000)
(6.000)
~
e
:3
106
Anexo 11- Resultado s Obtido s no s Testes Emprico s
COM UTILIZAO DE GARCH (1,1)
5 00.000
400.000
300.000
200.000
1 00.000
~
(1 00.000)
(200.000)
(300.000)
(400.000)
(5 00.000)
VAR: carteira 1 0 0 " 1 0 Ibovespa
(GARCH)
~
\
.I!' ~ ~ II~~,
llJ
.. J.\. , ao 11.
~
"~~l I~~~~~I
ti J l" TW r; ; ~l'
ri/ :
~~" L'i:" r 7L"ll..'- k:
~"",Ldl"
11, 11.T
jj
..:
ru~ '.l"~~ Ir" " ! I~'I,.I"
.~!::..lI .:.l~" ~'II'
VI .
"~~] I t
rr .V' I' t r
lt.J
~ l/ J ( I " ' "
I W'
'1 '"
~,
li
(600.000)
~
~
~ ~ ~
I
~
I
~
... ... ... ... ...
~
III
I
!!!
m
~
~
I ~
~
e e
s
~
~ lil
~ ~
(')
S

'" o o o o o o o
Data
107
VAR: Carteira 75 % Ibovespa e 25 % Renda Fixa
(GARCH)
(400.000)
'"
:sl
~
~
I
co co
I
~
... ...
~
~
s
~
~
~ ~
I
'"
~
m
i!i
~
;;:
~
;
s ~ 8
iii ~
~ ~
o
~ o o ~ o o
Data
VAR: Carteira 5 0% Ibovespa e 5 0% Renda Fixa
(GARCH)
~
(5 0.000)
(1 00.000)
(1 5 0.000)
(200.000)
(25 0.000)
(300.000)
I /')
I
~
s
!ll
~
I
!ll
~ ~
~
!i;
~
ll;
r- ,
~
3l
co
:s
gj
~
gj s
~

i
~ 8 ~ a 8 ~
~
a 8 ~ 8 o o o
Data
108
"1 '
(GARCH)
(20.000)
~
(40.000)
(60.000)
(80.000)
(100.000)
(120.000)
(140.000)
'"
~
o
I
'" ~
I
3:
~
3:
s
~
jg
m ~ s

~
~
r-, ....
I >;
.... ....
a>
Sl
a>
~ i m
~
!1!
i ~ ~ ~ ~ ~

S
Data
(GARCH)
8.000
6.000
4.000
2.000
~
(2.000)
(4.000)
(6.000)
-
.Ata.
f..'-..
. a.. .. ,
. 1.. ..".
"
.... JI...
'Ao aJ. o U .Il
tI L
''-'"
r"... ..,.~.,
..
... ..
l!I~. .r
t-:r'
I
..
'r
.-.
-Ganho I Perda Efetiva
109
SIMULAO HISTRICA
(Simulao Histrica)
300.000
200.000
100.000
o
(100.000)
~
(200.000)
(300.000)
(400.000)
(500.000)
(600.000)
~
~
~
al al
m
~
I
~
.... .... .... .... .... ....
~
I
co
!1 1
I
~
I
s
!1 1
f;!
~
o
~
~
~ ~
e
~ ~
~
8 8 8 8
'"
8 o o
Data
110
(Simulao Histrica)
(400.000)
III III
~
~
Sl
~
I
Sl
~
~
I
~
S;
~ ~
~
~
CIO
r:::
g
~ ~
g
~
r:::
~
~ o
~
iii
o
~ ~
(i;
o o o
Data
-Ganho/ Perda Max Estimada a 95 % -Ganho/ Perda Max Estimada a99%
~'
(Simulao Histrica)
(50.000)
~
(100.000)
(150.000)
(200.000)
(250.000)
(30Cl.OOO)
I
III
~ ~
Sl 3l
i
Sl
~
~
ti; S;
II
$
~
! I 2i
~
e
i\l
~
2i
~
c:; f!l
~
c:;
8 ~
(i; (i; (i;
o o o o
Data
111
(Simulao Histrica)
(20.000)
~
(40.000)
(60.000)
(80.000)
(100.000)
(120.000)
(140.000)
:si
;:;:
o
S
:si
~
!!!
m m m 3l
~
!!i
II
li; li;
$
co
~
co
!!.'
'"
m
~
8 8
;:;:
g
~
;:;:
g
~
(;j
8
~ S S ~ S ~
~
8 ~ ~ 8 o o
Data
(Simulao Histrica)
6.000
l
- - "
WJ .Jlu. .A.l.t.vo 1 ~..1 .- ~. I
I I
.k JI o A- ...
r' r'
l' . ..,
f
'I
,..-
r
(
/
'---
4.000
2.000
(2.000)
(4.000)
(6.000)
112
METODOLOGIA HBRIDA
(Metodologia Hibrida)
400.000
300.000
200.000
100.000
o
~ (100.000)
(200.000)
(300.000)
(400.000)
(500.000)
(600.000)
.~
~
~
~
II
~
~ ~ ~ ~
113
Anexo li - Resultado s Obtido s no s Testes Emprico s
300.000
200.000
100.000
o
'"
11:
(100.000)
(200.000)
(300.000)
(400.000)
~
j ~
~
i I
!!l 3l
~
fi!
li; li; li; li;
~
~
~
m
~ ~
;;::
~ ~
8
m
;;::
2l
~ ~ 8 ~ ~ ~ 8 ~ 8 ~ 8
Data
(Metodologia Hbrida)
150.000
100.000
50.000
o
(50.000)
~
(100.000)
(150.000)
(200.000)
(250.000)
(300.000)
li)
I
~
~
~ ~ ~
I
~
!i!
...
~
II
~ ~
~
m
'"
~
15
i
iiI
~
o
~
o
~ ~
Q
s
8 8 8 8
M
S 8 o o
Data
114
VAR: Carteira 25 % Ibovespa e 75 % Renda Fixa
80.000
60.000
40.000
20.000
o
(20.000)
X!
(40.000)
(60.000)
(80.000)
(100.000)
(120.000)
(140.000)
~
I
~
!!!
3l 3l 3l
I
t;:
~ m ~
t;:
~ 8 ~ ~
~
~
~ ~
r-,
fi;
r-, co
'"
co
Ol
s
'I!!
I
~
~
t;:
i?:i
~ ~ ~ ~
o'
~ ~
(>j 'l
o o
Data
3.000 .,- - - - - - - - - - - - - - - .- - - - - - - - - - - - - - - - - - - - - - - ,
(1.000) - v"- - - - - - '- - - - - - - =.F- - - - - - - - - - - - - - - - - - - - ttlt- - - 7- ~- - - _+___l
~
115
Biblio grafia
BIBLIOGRAFIA
1 . ALEXANDER, C. O., LEIGH, C. T. On The Covariance Matrices Used in
Value at Risk Models.The J oumal of Derivatives, New Vork, p. 5 0-62, Spring
1 997.
2. ALEXANDER, Carol. Seminrio Internacional: Aspectos Quantitativos e
Qualitativos do Gerenciamento de Risco. So Paulo: Crowne Plaza Hotel,
1 3 a 1 5 de abril/ 1 99B.
3. BARCINSKI, Alexandre, ALMEIDA, Bernardo C. D. P., GARCIA, Mrcio
Gomes Pinto, SILVEIRA, Marcos A. Coutinho. Estimao da Volatilidade do
Retorno das Aes Brasileiras - Um Mtodo Alternativo Famlia GARCH.
Resenha BM&F, So Paulo, n. 1 1 6,p. 21 -39, 1 997.
4. BEDER, Tanya Styblo. VAR: Seductive but Dangerous. Financ iaI Analysts
J ouma/, Charlottesville, p. 1 2-24,Sept./ Oct. 1 995 .
5 . BESSIS, Joel, BESSIE, Joel. Risk Management in Banking. 1 .ed.
Chichester: John Wiley & Sons, 199B. 5 74p.
6. BEST, Philip. Implementing Value at Risk. 1 .ed. New Vork: John Wiley &
Sons, 199B. 25 0p.
7. BOLLERSLEV, Tim, CHOU, Ray V., KRONER, Kenneth F. ARCH Modeling
in Finance: A Review of Theory and Empirical Evidence. J oumal of
Ec onometric s, Glasgow, v. 5 2, p. 5 -5 9, 1 992.
1 1 6
Biblio grafia
8. BOLLERSLEV, Tim. Generalized Autoregressive Conditional
Heteroskedasticity. J ournal of Ec onometric s, Glasgow, v. 31 , p. 307-327,
1 986.
9. BOUDOUKH, Jacob, RICHARDSON, Matthew, WHITELAW, Robert F.
Investigation of a Class of Volatility Estimators. The J ournal of Derivatives,
New York, p. 63-71 , Spring 1 997.
1 0. BOUDOUKH, Jacob, RICHARDSON, Matthew, WHITELAW, Robert F. O
Melhor dos Dois Mundos: Uma Abordagem Hbrida para Calcular Value at
Risk. Resenha da BM&F, So Paulo, n. 1 22, p. 21 -37, 1 998.
1 1 .CAMPBELL, John Y., LO, Andrew W., MACKINLAY, A. Craig. The
Ec onometric s of Financ iaI Markets. 1 .ed. New Jersey: Princeton University
Press, 1 997, 61 1 p. Capo 9: Derivative Pricing Models, p. 377-379.
1 2. DIMSON, Elroy, MARSH, Paul. Stress Tests of Capital Requirements.
J ournal of Banking & Financ e, Glasgow, n. 21 , p. 1 5 1 5 -1 5 46, 1 997.
1 3. DOWD, Kevin. Beyond Va/ue at Risk: The New Science of Risk
Management. 1 .ed. Chichester: John Wiley & Sons, 1 998. 25 6p.
1 4. ENGLE, Robert F, Autoregressive Conditional Heteroscedasticity with
Estimates of the Variance of United Kingdom Inflation. Ec onometric a, Bristol,
v. 5 0, n. 4, p. 987-1 007, July 1 982.
1 5 . FARIAS FILHO, Antonio Coelho Bezerra. Avaliao do Va/ue at Risk do
ndic e Bovespa Usando os Mode/os GARCH, TARCH e RiskMetric s para
se Estimar a Vo/atilidade. So Paulo: FGV/ Escola de Administrao de
1 1 7
Biblio grafia
Empresas de So Paulo, 1 997. 60p. (Dissertao, Mestrado, Administrao
Contbil Financeira).
1 6. FEDERAL RESERVE, Division of Banking Supervision and Regulation.
Trading Ac tivities Manual. 1994.
1 7. HENDRICKS, Darryl. Evaluation of Value-at-Risk Models Using Historical
Data. Ec onomic Polic y Review, New York, p. 39-69, April1 996.
1 8. HO, Thomas S.Y., CHEN, Michael Z.H., ENG, Fred H: VAR Analytics:
Portfolio Structure, Key Rate Convexities, and VAR Betas. The J oumal of
Porffolio Management, New York, p. 89-98, Fali 1 996.
1 9. HULL, John C. Options, Futures and Other Derivatives. 3.ed. New Jersey:
Prentice Hall, 1 997. 5 72p.
20. JOHNSTON, Jack, DiNARDO, John. Ec onometric Methods. 4. ed.
Singapore: McGraw-HiII, 1 997. 5 31 p.
21 . JORION, Philippe. Value at Risk: The New Benchmark for Controlling Market
Risk. 1 .ed. Chicago: Irwin, 1 997. 333p.
22. KOCK, Timothy W. Bank Management. 3.ed. Orlando: Dryden, 1 995 . 947p.
23. KUPIEC, P. Techniques for Verifying the Accuracy of Risk Measurement
Models. J oumal of Derivatives, New York, v. 2, p. 73-84, December 1 995 .
I
\
24. MARKOWITZ, Harry. Portfolio Selection. J oumal of Financ e, Columbus, v. 7,
p. 77-91 , 1 95 2.
, ,.
1 1 8
Biblio grafia
25 . MARSHAll, Christopher, SIEGEl, Michael. Value at Risk: Implementing a
Risk Measurement Standard. The J ournal of Derivatives, New York, p. 91 -
1 1 1 , Spring 1 997.
26. MORGAN GUARANTY TRUST COMPANY. RiskMetrics 1 M: .. Technical
Document, 4.ed, 1 998. Endereo eletr nico: httpl/ www.riskmetrics.com.
27. NEWBOlD, Paul. Statistic s for Business & Ec onomic s. 4.ed. New Jersey:
Prentice-Hall, 1 995 . 867p. Capo 1 1 : Goodness-of-Fit Tests and Contingency
Tables, p. 405 -426.
28. PAIVA, Cludio, PAIVA, S mya. Simulaes de Monte Carla em Finanas.
Resenha BM&F, So Paulo, n. 1 1 9, p. 37-5 3,1 997.
29. PRITSKER, Matthew. Evaluating Value at Risk Methodologies: Accuracy
versus Computacional Time. Working Paper. Wharton School, University of
Pennsylvania, 1 996.
30.SANTOS, Jos Evaristo. Previso de Volatilidade no Brasil: RiskMetrics 1 M,
GARCH, Volatilidade Implcita ou uma Combinao desses Modelos? Um
Estudo Emprico. So Paulo: FGV/ Escola de Administrao de Empresas de
So Paulo, 1 997. 1 25 p. (Tese, Doutorado, Administrao Contbil
Financeira).
31 . SAUNDERS, Anthony. Financ iai Institutions Management: A Modem
Perspective. 2.ed. Irwin, 1 997. 667p.
32. VENKATARAMAN, Subu. Value at Risk for a Mixture of Normal Distributions:
The Use of Quasi-Bayesian Estimation Techniques. Ec onomic Perspec tives,
Federal Reserve Bank of Chicago, p. 2-1 3, 1 996.
1 1 9
Biblio grafia
33.ZANGARI, Peter. A VAR Metodology for Portfolios that Include Options.
RiskMetrics Monitor, First Quarter, p. 4-1 2. Endereo eletr nico:
htlpl/ www.riskmetrics.com. 1 996a.
34.ZANGARI, Peter. How Accurate is the Delta-Gamma Methodology?
RiskMetrics Monitor, Third Quarter, p. 1 2-29. Endereo eletr nico:
htlpl/ www.riskmetrics.com. 1 996b.
35 .WHITE, Halbert. A Heteroskedasticity-Consistent Covariance Estimator and
a Direct Test for Heteroskedasticity. Ec onometric a, Bristol, v. 48, p. 81 7-838,
1 980. ::'"
1 20

VaR e Aplicação de 5 Metodologias

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

VaR e Aplicação de 5 Metodologias

Uploaded by

Copyright:

Available Formats

1200000458

Devido import ncia do fator de decaimento nos resultados deste

You might also like