UNIVERSIDADE DE SO PAULO

FACULDADE DE ECONOMIA ADMINISTRAO E CONTABILIDADE

DEPARTAMENTO DE ECONOMIA
UMA AVALIAO DE MODELOS DE VALUE-AT-RISK:
COMPARAO ENTRE MTODOS TRADICIONAIS E MODELOS
DE VARINCIA CONDICIONAL
MARCOS ANTONIO MOLLICA
Orientador: Prof. Dr. Pedro Luiz Valls Pereira
So Paulo
1999
Reitor da Universidade de So Paulo
Prof. Dr. Jacques Marcovitch
Diretor da Faculdade de Economia, Administrao e Contabilidade
Prof. Dr. Eliseu Martins
Chefe do Departamento de Economia
Prof. Dr. Denisard Cnio de Oliveira Alves
Coordenador do Curso de Ps-Graduao em Economia
Prof. Dr. Paulo Picchetti
UNIVERSIDADE DE SO PAULO
FACULDADE DE ECONOMIA ADMINISTRAO E CONTABILIDADE
DEPARTAMENTO DE ECONOMIA
UMA AVALIAO DE MODELOS DE VALUE-AT-RISK:
COMPARAO ENTRE MTODOS TRADICIONAIS E MODELOS
DE VARINCIA CONDICIONAL
MARCOS ANTONIO MOLLICA
Orientador: Prof. Dr. Pedro Luiz Valls Pereira
Dissertao apresentada ao Departamento de Economia,
Administrao e Contabilidade da Universidade de So
Paulo, como requisito parcial para obteno do ttulo de
Mestre em Economia
So Paulo
1999
RESUMO
Atualmente os produtos transacionados no mercado financeiro vem apresentando uma
constante sofisticao. Particularmente, o crescimento da importncia dos derivativos
aumentou, consideravelmente , a complexidade das carteiras ampliando o nmero de
fontes de risco as quais elas esto sujeitas. Neste contexto, torna-se fundamental o
desenvolvimento de tcnicas que permitam avaliar o potencial de perda de uma carteira
de investimentos. Certamente, a tcnica mais difundida o value-at-risk que resume
num nico nmero a perda provvel de uma posio. Na sua verso mais simples, o
modelo delta-normal, o ponto crucial a estimao da matriz de covarincias. O objetivo
deste trabalho realizar uma comparao das tcnicas mais utilizadas para esta
estimao: o suavizamento exponencial, os modelos GARCH e o modelo de volatilidade
estocstica, no caso especfico de um conjunto de ativos brasileiros. Abandonando a
hiptese de normalidade, a alternativa mais simples o modelo de simulao histrica,
que tambm comparado com os modelos anteriores. Um ltimo ponto a destacar a
forma de comparar estes modelos. Por se tratar de uma estimao de intervalos, no
possvel aplicar as tcnicas economtricas usuais para avaliao de previses. O trabalho
opta pela utilizao do mtodo sugerido em Lopez (1998) por ser aplicvel em casos em
que as sries histricas disponveis so, relativamente, curtas.
ABSTRACT
Nowadays, the products traded in the financial market is presenting an increasing
sophistication. Particularly, the growing importance of the derivatives increased,
considerably, the complexity of the portfolios expanding the number of risk sources they
are subject to. In this context, the development of techniques to evaluate the potential loss
of a portfolio becomes essential. Surely, the so called value-at-risk, which resumes the
likely potential loss of a position in a single number, is the most known technique. In its
most simple version, the delta-normal model, the crucial point is the estimation of the
covariance matrix. The objective of this dissertation is to compare de most used
techniques to this estimation: the exponential smoothing, the GARCH and the stochastic
volatility models, in the specific case of a portfolio of Brazilian assets. When the
hypothesis of normality is abandoned, the most simple alternative is the historical
simulation model, which is also compared with the former models. A last point to call
attention is the way to compare these models. As it is an interval estimation, it is not
possible to apply the usual econometric techniques to evaluate the forecasts. The present
dissertation opt to apply the method suggested by Lopez (1998) because it is the most
suitable to cases in which the historical series available are relatively short.
SUMRIO
1 INTRODUO.1
1.1 Evoluo do Controle de Risco..1
2 A TCNICA DO VALUE AT RISK.9
2.1 O VAR Delta-Normal..11
2.1.1 Estruturas de Mapeamento..14
2.1.2 Avaliao do Modelo Delta-Normal...18
2.2 Simulao Histrica19
3 MTODOS PRA ESTIMAO DA MATRIZ DE COVARINCIAS...22
3.1 Fatos Estilizados.22
3.2 Mtodo Amostral24
3.3 Suavisamento Amostral..25
3.4 Modelos da Famlia GARCH.28
3.5 Volatilidade Estocstica.33
4 DESCRIO DOS DADOS E AVALIAO DOS MODELOS39
4.1 Descrio dos Ativos..39
4.1.1 Contratos Futuros...39
4.2 Anlise Descritiva dos Dados.49
4.2.1 Vrtices Fixos da Curva de Juros...49
4.2.2 Sries de Ajustes Dirios dos DIs Futuros....52
4.2.3 Sries dos ativos Ligados ao Mercado de Aes....56
4.3 Mtodos para Avaliao dos Modelos....60
4.3.1 Kupiec.60
4.3.2 Christoffersen..63
4.3.3 Chrkovic e Drachman......66
4.3.4 Lopez...67
5 RESULTADOS...69
5.1 Carteira 1.70
5.1.1 Freqncia de Erro..70
5.1.2 Teste de Lopez73
5.2 Carteira 2.74
5.2.1 Freqncia de Erro..74
5.2.2 Teste de Lopez77
6 CONCLUSO....79
7 BIBLIOGRAFIA....81
Agradecimentos
Ao amigo e Prof. Pedro Luiz Valls Pereira pelos ensinamentos, discusses e incentivo
no s nesta dissertao, mas tambm durante anos de minha vida acadmica desde os
cursos de estatstica bsica na graduao.
Ao amigo e Prof. Jos Carlos de Souza Santos pelas inmeras discusses e ensinamentos
transmitidos no convvio no dia-a-dia do mercado financeiro na Linear DTVM, alm de
vrios comentrios extremamente pertinentes no exame de qualificao.
Aos professores Marcos Eugnio Silva e Armnio Souza Rangel pelas crticas e
sugestes no exame de qualificao.
A todos na Linear DTVM por toda a aprendizagem prtica que me proporcionaram.
minha namorada Andrea por toda pacincia, compreenso e incentivo durante todo o
perodo de elaborao deste trabalho.
Aos meus pais por todo apoio em todos meus anos de estudo.
Aos colegas de turma pelo ambiente de convvio extremamente agradvel ao longo do
curso de mestrado.
Luiz Alvarez Resende de Souza pela gentileza de emprestar um programa essencial a
concluso do trabalho.
CAPES pela bolsa de mestrado.
FEA e ao IPE pelos recursos de infra-estrutura oferecidos aos alunos de ps-graduao.
1- INTRODUO
1.1- Evoluo do Controle de Risco
A capacidade do homem de prever o futuro permanece ainda extremamente limitada.
Apesar do imenso esforo de especialistas das mais diferentes reas durante anos de
desenvolvimento do conhecimento cientfico, as previses sobre os mais variados eventos
como as condies climticas para o prximo dia, o comportamento do produto interno
de uma determinada economia ou a evoluo do preo da ao de uma empresa qualquer
continuam sujeitas a um grau de erro razoavelmente elevado.
Existem duas posturas diante deste desconhecimento sobre o futuro. A primeira, delas
sugerida por autores como Frank Knight e John Maynard Keynes, admite que em eventos
econmicos prevalece uma situao de incerteza em relao ao futuro. A incerteza uma
situao onde no se conhece nem o conjunto de eventos possveis nem a probalidade de
ocorrncia de cada um dos eventos. Neste ambiente a ao do agente econmico tem que
ser guiada por um comportamento em relao ao futuro que no se apoia apenas na
anlise racional. Alm dela, deve existir um certo impulso instintivo que leva o agente a
tomar esta ou aquela deciso. Como disse Keynes (1936): Most, probably, of our
decisions to do something positive, the full consequenses of which will be drawn out over
many days to come, can only be taken as a result of animal spirits of a spontaneus urge
to action rather than inaction, and not as the outcome of a weighted average of
quantitative benefits multiplied by quantitative probabilities.
Uma outra abordagem admitir que so conhecidos o conjunto de estados da natureza
futuros bem como as respectivas probabilidades de ocorrncia da cada um destes estados.
Neste caso, diz-se que a escolha do agente econmico envolve risco. Este o conceito de
risco utilizado na teoria neoclssica de escolha. Explicita-se um conjunto de axiomas de
racionalidade com base nos quais possvel derivar as caractersticas das preferncias
dos agentes. Em particular, a garantia da existncia de uma funo de utilidade com
certas propriedades de regularidade garante que a escolha do indivduo possa ser derivada
a partir de um processo otimizador. A escolha do agente econmico pode ser guiada
ento, exclusivamente, por um comportamento racional.
Quem j teve a oportunidade de acompanhar o dia a dia dos mercados financeiros de
perto, muito provavelmente ir admitir que, em certos momentos, o animal spirits
keynesiano o nico comportamento que guia a tomada de decises dos agentes.
Particularmente, em momentos de crise o conceito de incerteza salta aos olhos do
observador. Contudo, a sistematizao e a conseqente capacidade de prever o
comportamento dos agentes a partir de alguns pressupostos razoveis de racionalidade,
torna o conceito de risco atrativo. Quando se fala em risco neste trabalho o conceito de
risco da teoria neoclssica que se utiliza.
Este trabalho preocupa-se em comparar mtodos de quantificao de um certo tipo de
risco de uma carteira de ativos. Adota-se sempre uma abordagem emprica buscando
evitar simplificaes que afastem a tcnica utilizada da realidade do mercado. Por
exemplo, existe uma preocupao em trabalhar sempre no mundo multivariado, embora
modelos mais sofisticados possam ser aplicados com maior facilidade no mundo
univariado. Isto porque, raramente, uma instituio financeira tem uma carteira com um
nico ativo. O mais comum so carteiras com grande nmero de ativos das mais variadas
caractersticas.
O risco est presente em vrias formas no mercado financeiro, elimin-lo por completo
tarefa impossvel e muito menos desejvel, pois existem riscos que se deseja incorrer. A
exposio a certos riscos trs consigo a possibilidade de materializao de cenrios
favorveis onde seja possvel obter um lucro compatvel. O importante ter a capacidade
de conhecer e gerenciar o risco das decises tomadas. Com isso, torna-se possvel
dimensionar a exposio a diversas fontes de risco bem como escolher que tipo de risco
aceitar e que tipo eliminar.
Numa empresa existem riscos de diferentes natureza. Pode-se citar como principais os
seguintes: risco do negcio, risco de mercado, risco de crdito, risco de liquidez, risco
operacional e risco legal.
risco de negcio se refere aos riscos especficos indstria ou ao mercado em que a
empresa opera. Por exemplo, uma administradora de recursos especializada em
vender fundos de renda varivel est sujeita ao risco dos investidores reduzirem seu
interesse por este tipo de produto passando a concentrar seus investimentos em
fundos de renda fixa.
risco de mercado o risco de perdas decorrentes de movimentos adversos nos preos
dos ativos. Existem 4 fatores bsicos para este tipo de risco: aes, juros, moedas e
commodities. De maneira geral, o risco dos diversos instrumentos existentes
atualmente no mercado financeiro composio destes fatores primrios.
risco de crdito o risco de perdas decorrentes da contraparte ser incapaz de honrar
os pagamentos prometidos. Por exemplo, um banco pode emprestar um montante a
uma empresa que decreta falncia antes de quitar a dvida.
risco de liquidez se refere ao custo de liquidar uma posio relativamente grande em
relao ao tamanho total do mercado. Neste caso, existe o risco de ter que pagar um
prmio para encontrar outro agente disposto realizar a operao inversa.
risco operacional o risco de erros dos sistemas internos da empresa ou das pessoas
que os operam. Por exemplo, o no funcionamento de um software ou o erro de
digitao de uma determinada operao.
risco legal se refere ao risco de certos itens de um contrato no serem cumpridos pela
contraparte.
Este trabalho est focado especificamente na apresentao e comparao das diversas
tcnicas existentes na literatura para a mensurao do risco de mercado.
Tanto a prtica como a teoria do gerenciamento do risco de mercado vem tendo um
enorme desenvolvimento nos ltimos 20 anos. Existem uma srie de fatores que
impulsionaram o crescente aprimoramento e utilizao das tcnicas de controle de risco
nos ltimos ano.
Em primeiro lugar, pode-se citar o intenso processo de internacionalizao pelo qual vem
passando o mercado financeiro nas ltimas duas dcadas que tende a produzir uma maior
instabilidade nos mercados e, consequentemente, amplia as possibilidades de perdas
significativas. Como exemplos, tem-se os casos de ataques especulativos em regimes
cambiais pouco flexveis e mudanas nas polticas monetrias dos pases como forma de
defesa.
A crise dos mercados asiticos ocorrida em outubro de 1997 exps de forma dramtica a
intensa relao entre os mercados de todo mundo. O ataque aos regimes cambiais
daqueles pases e a subsequente ruptura dos mesmos teve forte repercusso em diversos
outros mercados tanto de pases desenvolvidos, o ndice Dow Jones da Bolsa de Nova
York experimentou uma das maiores quedas de sua histria, quanto dos ditos pases
emergentes. Aqui no Brasil a taxa de juro primria dobrou para poder conter um ataque
especulativo ao Real. Neste contexto, torna-se evidente a necessidade das empresas
possurem uma noo exata das relaes entre os diversos mercados em que atuam bem
como contarem com diagnstico preciso das fontes de riscos as quais sua carteira de
ativos est exposta.
Outro fato que possibilitou a expanso das tcnicas de gerenciamento de risco foi o
notvel avano ocorrido na tecnologia de informao. Como efeito, tem-se um aumento
da capacidade de processamento dos computadores com reduo significativa do tempo
de clculo necessrio para algumas tcnicas utilizadas na anlise de risco. Por exemplo,
tcnicas que empregam um grande volume de simulao. Para se ter uma noo mais
precisa da dimenso do desenvolvimento da tecnologia de informao pode-se citar
alguns exemplos de Guldimann (1996): em 1965 o custo de armazenamento de 1
megabyte de dados era de US$ 100.000, hoje US$ 20 e em 2005 ser de
aproximadamente US$ 1. Em 1975 o custo para enviar 1 megabyte de Nova York a
Tokyo era US$ 10.000, hoje US$ 5 em 2005 ser de aproximadamente US$ 0.01. E o
custo de um processador para lidar com 1 milho de informaes por segundo era US$ 1
milho em 1965, passou para US$ 1,5 hoje e em 2005 ser possivelmente de alguns
centavos. Estes avanos fazem com que o emprego de novas tcnicas no sofra nenhuma
restrio do ponto de vista tecnolgico permitindo que os resultados possam ser obtidos
instantaneamente.
Juntamente com estes fatos, vem ocorrendo um vigoroso crescimento do volume de
transaes financeiras realizadas. Por exemplo, o nmero de aes transacionadas por dia
na Bolsa de Nova York passou de 3,5 milhes em 1970 para cerca de 40 milhes em
1990, o volume transacionado de moedas passou de alguns bilhes de dlares em 1965
para mais de 1 trilho por dia em 1996.
Alm do crescimento do volume transacionado, observou-se tambm uma ampliao do
nmero e da complexidade dos instrumentos utilizados nas operaes. Neste ponto o fato
mais importante ocorrido foi o surgimento dos derivativos, ativos cujos valor depende do
valor de outros ativos. As opes, os contratos futuros, os swaps, so exemplos mais
comuns de derivativos.
De um lado, tais instrumentos tornaram disponveis aos investidores um nmero muito
maior de formas de alocaes de recursos tanto para proteo contra certos cenrios
como para alavancagem de posies. De outro lado, no entanto, estes instrumentos
aumentam a complexidade das carteiras de ativos expandindo as fontes de risco as quais
esto expostas e o volume de perdas em situaes adversas. Por exemplo, um swap de
Dlar contra Iene est exposto aos riscos de ambas as taxas de cmbios e do diferencial
de juros entre Estados Unidos e Japo. Alm disso, a posio pode ser feita de forma
alavancada, o que implica dizer que em situaes extremas possvel perder um volume
de recursos acima da capacidade financeira do realizador da operao.
Com isso, torna-se essencial o emprego de tcnicas que detectem e quantifiquem todas as
fontes de risco de uma carteira tornando possvel ao administrador gerenci-lo
escolhendo quais riscos est disposto a correr e quais deseja evitar. Note que a no
eliminar todos riscos e sim gerenci-los de forma consciente e racional.
A intensificao do uso dos derivativos pelas instituies financeiras aumentou, tambm,
a preocupao dos rgos reguladores com o risco potencial que elas estariam correndo.
Isto porque a complexidade destes instrumentos reduz a transparncia das posies
dificultando qualquer tipo de superviso. Alm disso, ao aumentar o poder de
alavancagem das posies, estes instrumentos podem ocasionar a falncia de instituies
aparentemente saudveis quando ocorrem movimentos adversos nos mercados. Os
derivativos, tambm, expem as carteiras a riscos antes inexistentes. Por exemplo, o
preo de uma opo depende da volatilidade do ativo objeto.
Estas preocupaes iniciaram um intenso debate sobre como controlar o risco das
instituies financeiras. No incio desta dcada, diversos relatrios, sugerindo o que seria
uma prtica saudvel de controle de risco, foram divulgados por rgos reguladores.
Entre estes rgos esto o Grupo dos 30, Bank for International Settlements (BIS),
Internacional Organization of Securities Commissions (IOSCO), Derivatives Policy
Group, Internacional Swaps and Derivatives Association (ISDA).
Estes relatrios indicavam uma srie de recomendaes para as instituies controlarem o
risco dos derivativos. Entre as mais importantes recomendaes pode-se citar a
necessidade dos administradores seniores entenderem o risco do seu negcio, a
importncia destes membros terem conscincia do risco tomado pelos membros juniores,
a separao do front office (trading) do back office (administrativo) como forma de evitar
fraudes e omisso de operaes, criao de um controle de risco independente (middle
office) que se reporta diretamente aos seniores, importncia de auditorias e sistemas de
controle, importncia de sistemas de informao, uso de modelos de risco para gerenciar
o risco das instituies.
No comeo do anos 90, vrios desastres financeiros tornaram ainda mais evidente a
necessidade do controle de risco. Citando os casos listados por Dowd (1998):
Metallgesellchaft: uma subsidiria americana da MG montou um grande posio em
futuros de petrleo numa tentativa de hedgear alguns contratos foward de gasolina de
longa maturao que havia vendido. A queda nos preos do petrleo em 1993 levou a
pesadas perdas e a matriz alem teve que intervir para liquidar a posio. Perda final de
US$1.3bilhes.
Orange County: o tesoureiro do County, Bob Citron, investiu os recursos do Countys
Investment Pool em instrumentos de derivativos altamente alavancados que significavam
uma aposta na queda da taxa de juros. O aumento nas taxas de juros em 1994 provocaram
perdas de US$ 1.7 bilhes.
Barings Bank: Nick Leeson, um operador da filial de Singapura do Barings montou uma
grande posio no autorizada em futuros e opes do ndice Nikkey da Bolsa de Tquio.
O montante envolvido na operao excedia o capital do banco e com o movimento
adverso da bolsa japonesa provocado por um terremoto, o banco foi levado a falncia
com perdas ao redor de US$ 1.3 bilhes.
Daiwa Bank: um nico operador, Toshihide Iguchi, escondeu num perodo de 11 anos
perdas em Ttulos do Tesouro que acumulavam US$ 1.1 bilhes. As perdas vieram a tona
quando Iguchi confessou ao seu superior em 1995.
Sumitomo Corporation: em junho de 1996, Sumitomo anunciou uma perda de US$ 1.8
bilhes. Estas perdas foram acumuladas durante um perodo de 10 anos em operaes no
autorizadas realizadas pelo operador chefe, Yasuo Hamanaka.
Estes casos apresentam alguns pontos em comum. Em todos eles um nico indivduo, por
ausncia de um sistema de controle rigoroso e de um departamento de risco
independente, foi capaz de assumir posies no imaginadas pelos seus superiores e
esconder perdas enormes. Este relaxamento na superviso do risco que os operadores
esto incorrendo cria uma situao conhecida em economia como Moral Hazard. Quando
sofrem a primeira perda, a reputao e o emprego do operador j esto seriamente
ameaados. Assim, como no tem mais nada a perder, ele tem todo incentivo para
aumentar a aposta e tentar recuperar a perda, atitude essa que pode levar a perdas bem
maiores e a eventual falncia da instituio. Se a instituio contasse com um controle
de risco independente, os administradores seniores estariam conscientes de todo risco das
posies de seus subordinados e, numa situao como esta, poderiam intervir evitando
estragos maiores.
A evoluo do debate sobre a necessidade de gerenciamento de riscos levou as
instituies financeiras a tentar desenvolver sistemas internos que pudessem mensurar
sua exposio total a perdas. O sistema que emergiu como benchmark do mercado foi o
Riskmetrics desenvolvido pelo banco americano JP Morgan. Segundo Dowd (1998), esta
metodologia se originou quando um diretor do banco, Dennis Weatherstone, pediu aos
seus subordinados que elaborassem um relatrio de uma pgina que resumisse a perda
potencial da instituio nas prximas 24 horas e lhe entregassem diariamente
pontualmente as 4:15, aps o fechamento do mercado. Este relatrio ficou conhecido
como relatrio 4:15.
Para atender a solicitao do chefe, foi necessrio uma mini revoluo, procedimentos de
informaes sobre as carteiras foram estabelecidos, tcnicas para resumir posies foram
criadas, banco de dados construdos, procedimentos estatsticos selecionados. O resultado
final foi a medida conhecida como Value-at-Risk (VAR) que leva em conta no s o risco
individual de cada ativo, expresso estatisticamente no desvio padro dos retornos, mas
tambm as relaes entre os diversos ativos dadas pelas correlaes. Os detalhes desta
metodologia sero apresentados na prxima seo. O fator que consolidou o Riskmetrics
como benchmark do mercado foi, sem dvida, a disponibilizao de um relatrio tcnico
com todos detalhes da metodologia na pgina do JP Morgan na Internet.
Nos ltimos anos, a teoria de controle de risco evoluiu rapidamente tornando disponvel
uma grande variedade de tcnicas com caractersticas bastante distintas. No entanto,
nenhuma delas capaz de dominar totalmente as outras. Desta forma, dada a importncia
que o controle de risco tem hoje nas diversas instituies, torna-se essencial entender as
vantagens e desvantagens de cada tcnica para que seja possvel escolher a mais
apropriada para o problema em questo. Neste trabalho expe-se em detalhes as tcnica
mais difundidas e tenta-se selecionar a mais adequada ao caso especfico de uma carteira
de ativos brasileiros.
2- A TCNICA do VALUE AT-RISK
A noo de risco de um portflio est associada ao fato de que seu retorno em um dado
perodo de tempo no ser conhecido de antemo. Ao contrrio, existe um conjunto de
retornos possveis. As probabilidades de ocorrncia de cada um dos elementos deste
conjunto iro determinar, em ltima instncia, o potencial de perda da carteira. Sob este
aspecto, o ponto de partida para gerar uma medida de risco o conhecimento da
distribuio de probabilidades dos retornos, ou seja, da funo que liga retornos possveis
a sua respectiva possibilidade de ocorrncia expresso numa medida de probabilidade.
Esta funo permite que se faa uma afirmao probabilista a respeito das variaes
adversas de um portflio.
Assim, por exemplo, se uma carteira, cujo valor de mercado R$ 100.000, apresentasse
uma probabilidade de ocorrncia de retornos abaixo de -2% igual a 5%. Ento poderia-se
fazer a seguinte afirmao acerca do seu risco: a carteira tem 5% de probabilidade de
gerar uma perda financeira maior ou igual a R$ 2.000. Os modelos de anlise de risco
so, a grosso modo, um conjunto de tcnicas que tem como o objetivo gerar este tipo de
informao.
A sentena probabilista enunciada no pargrafo anterior a essncia do conceito
desenvolvido pelo banco JP Morgan, o Value-at-Risk (VAR). O valor de R$ 2.000 o
VAR daquela carteira de ativos a 5% de probabilidade ou, em linhagem estatstica, R$
2.000 a perda mxima ao nvel de significncia de 5%. Assim, pode-se dizer que o
VAR uma medida que expressa, de forma probabilista, as variaes adversas esperadas
de uma carteira de ativos.
Formalmente, o Value-at-Risk de um portflio definido como a mxima perda em
unidades monetrias num dado espao de tempo a um certo nvel de significncia.
Analiticamente, tomando a funo densidade acumulada do retornos dirios de uma
carteira de ativos, ou seja, a funo que informa a probabilidade de ocorrncia de
retornos abaixo de um determinado ponto:
F(x) = Probabilidade[ retornos < x],
Supondo que exista tal funo e que ela seja estvel no tempo, o VAR a % de
significncia do portflio igual a:
VAR = F
-1
().P ( 1 )
onde, P o valor de mercado do portflio.
O termo F
-1
() o retorno x tal que a probabilidade de ocorrncia de retornos menores
que x seja igual a %. Este retorno multiplicado pelo valor de mercado da carteira
informa a variao adversa, em termos monetrios, tal que a ocorrncia de situaes
piores, perdas maiores, ocorre com probabilidade de %.
Note que, no clculo do VAR, preciso definir arbitrariamente um nvel de significncia
e um perodo de tempo. Este ltimo costuma ser considerado como o tempo necessrio
para liquidar toda a posio. Na definio apresentada, supe-se, implicitamente, que este
perodo igual a um dia de negociao, neste caso o VAR conhecido tambm como
Dayly Earnings at Risk (DEAR).
Com relao escolha do nvel de significncia, pode-se dizer que a escolha, em ltima
instncia, arbitrria. Mas, dependendo do propsito em questo - avaliao da preciso
do sistema risco implantado, determinao do volume de capital da instituio ou
comparao de sistemas de risco distintos - tem-se alguns guias para a escolha. Se o
propsito for a avaliao do sistema recomenda-se que o nvel de significncia seja alto
porque, caso contrrio, retornos que excedem o VAR seriam eventos raros e, com isso,
seria necessrio uma base de dados muito grande para se obter informaes sobre o
desempenho do modelo, Kupiec (1995). No caso da determinao de capital, a escolha do
nvel de significncia depende do grau de averso ao risco do administrador, quanto mais
averso ao risco menor deve ser o nvel de significncia para que o capital alocado seja
maior. Por ltimo, se o propsito comparar diferentes sistemas de risco ento, sob a
hiptese de normalidade, o nvel de significncia escolhido irrelevante pois, neste caso,
o VAR com dado nvel de significncia pode ser diretamente transformado num outro
nvel de significncia qualquer com a simples alterao do parmetro V
c
. No entanto, sem
a hiptese de normalidade isto no mais possvel e VARs de diferentes nveis de
significncia tornam-se incomparveis.
Pela definio acima o clculo do VAR envolve apenas um problema probabilstico, uma
vez que estamos supondo conhecida a distribuio dos retornos da carteira. Na prtica, a
mensurao do VAR envolve tambm um problema de inferncia, pois a nica
informao disponvel a realizao do processo estocstico gerador dos retornos. As
diversas tcnicas se diferenciam, basicamente, no modo como tratam o problema do
desconhecimento do verdadeiro processo estocstico gerador dos dados. Em seguida,
apresentamos as principais tcnicas de clculo do VAR.
2.1- O VAR delta-normal
Esta uma das abordagens mais simples, supe que os retornos dos ativos sejam
normalmente distribudos e que para posies em derivativos seja possvel encontrar uma
posio equivalente no ativo subjacente atravs de uma linearizao da funo que liga
seu preo ao preo do ativo objeto.
Com a hiptese de normalidade, podemos caracterizar completamente a distribuio dos
retornos dos ativos com apenas dois parmetros, sua mdia e seu desvio padro. Neste
caso, o VAR de um portflio de um nico ativo cujos retornos (y) apresentam mdia 0 e
varincia
2
,
y ~ N(0, ),

dado por:
VAR = V
c
..P ( 2 )
onde, P o valor de mercado do portflio e V
c
o valor crtico da normal a um dado nvel
de significncia.
A hiptese de que os retornos tem mdia zero , freqentemente, utilizada na literatura de
finanas. Esta uma hiptese simplificadora que no trs problemas quando o objetivo
o clculo do risco de um ativo. Em primeiro lugar, porque a maioria das sries financeiras
apresentam mdias prximas de zero, fato que ocorre nas sries estudadas neste trabalho,
como se verificar mais a frente. Em segundo lugar, porque nos modelos economtricos
pode-se fazer com que as estimativas da varincia no sejam influenciadas pelas
estimativas da mdia do processo. Por ltimo, nos modelos de precificao de opes a
mdia dos retornos no entra na equao do preo da opo.
Outra facilidade obtida com a hiptese de normalidade a fcil extenso do clculo do
VAR para uma carteira com diversos ativos. Da teoria de probabilidade sabe-se que se a
distribuio marginal de um conjunto de variveis aleatrias:
y = (y
1
, y
2
, ......., y
n
)
normal com mdias:
= (
1
,
2
, .........,
n
)
e matriz de varincias e covarincias:
1
1
1
1
]
1

nn n
n

..... ....
: :
:
.....
1
21
1 12 11

ento a varivel aleatria:

Y = w
1
.y
1
+ w
2
.y
2
+ ........+ w
n
.y
n
tambm normalmente distribuda. com mdia:
= w
1
.
1
+ w
2
.
2
+ ........+ w
n
.
n
= w',
e varincia:
V =

i j
j i j i
= ,
onde a matriz de covarincia da varivel aleatria Y.
A expresso para o retorno de um portflio de n ativos com participao relativas w
1
,
w
2
, ....., w
n
idntica a expresso Y acima. Logo, assumindo mdia zero, a distribuio
dos retornos deste portflio :
Y ~ N (0, )
Com isso o VAR deste portflio dados por:
VAR = V
c
()
1/2
( 3 )
onde, o valor de mercado da carteira.
Outro atrativo da hiptese de normalidade o contedo informacional do VAR que, na
verdade, se divide em duas vantagens. A primeira vem do fato de que VARs calculados
a diferentes nveis de significncia podem ser trazidos para um nvel de significncia
comum. Por exemplo, sejam VAR
1
e VAR
2
Values at Risk de um mesmo portflio aos
nveis de significncia
1
e
2
, respectivamente. Ento,
VAR
1
=
1
P e VAR
2
=
2
P
Onde, a volatilidade da carteira e P seu valor de mercado. Segue-se,
VAR
1
= (
1
/
2
) VAR
2
A segunda diz respeito a convertibilidade de VARs para diferentes perodos. Sendo os
retornos independentes e com a mesma distribuio o VAR de n dias igual a n vezes
o VAR de um dia (DEAR). No entanto, esta facilidade de aplicabilidade restrita pois,
como notado por Diebold at all (1996), este resultado vlido somente no caso em que o
retornos so independentes e identicamente distribudos (i.i.d), hiptese pouco plausvel
para ativos financeiros j que um fato estilizado de sries financeiras que as
volatilidades tendem a variar no tempo (heterocedasticidade).
2.1.1- Estruturas de Mapeamento
Em geral, um portflio de uma instituio de grande porte composto por milhares de
diferentes tipos de ativos. O grande nmero de ativos de uma carteira cria dificuldades
para estimao do VAR.
Do ponto de vista prtico, torna-se computacionalmente custoso estimar a matriz de
covarincias . Note que o nmero de parmetros a estimar cresce geometricamente com
o nmero de ativos da carteira, a cada novo ativo introduzido preciso estimar outros n
(nmero total de ativos da carteira aps a introduo do novo ativo) parmetros, o desvio
padro deste novo ativo e as n-1 covarincias com todos os outros ativos da carteira.
Alm disso, para estimao da matriz de covarincia preciso contar com um banco de
dados com sries histricas de todos ativos da carteira o que pode ser impossvel para
ativos de origem recente ou com pouca negociao no mercado.
Para reduzir a dimenso da matriz de covarincia a ser estimada e com isso, facilitar a
implementao do mtodo, foram criadas as chamadas estruturas de mapeamento. A
metodologia de mapeamento adotada pelo Riskmetrics consiste em eleger um conjunto
de ativos referncia para as quais as posies de todos os outros ativos mapeada. O
Riskmetrics seleciona como ativos de referncia as moedas mais negociadas, ndices das
principais bolsas do mundo, prazos padres para ativos de renda fixa ( vrtices fixos da
curva de juros). Utiliza-se, ento, algumas tcnicas para transformar posies nos ativos
originais em posies sintticas nos ativos referncia, o mapeamento propriamente dito,
para as quais calcula-se o VAR. Assim, por exemplo, uma posio numa determinada
ao na bolsa brasileira convertida em uma posio no ndice IBOVESPA ou uma
posio num ativo de renda fixa americana com uma data de vencimento (maturidade)
qualquer convertido em posies nos prazos referncia. Mais a frente, apresenta-se em
detalhes a tcnica utilizada no mapeamento de opes, de aes e de instrumentos de
renda fixa.
Exemplo 1: Mapeamento de Opes
A ampla literatura na rea de opes mostra que estes instrumentos guardam uma relao
no linear com o ativo subjacente. No caso do modelo de Black & Scholes (1973),
certamente o modelo mais conhecido, o preo de uma Call depende, alm do preo do
ativo subjacente, de um conjunto de variveis: taxa de juros livre de risco, tempo para o
exerccio, preo de exerccio e do desvio padro (volatilidade) do retorno do ativo
subjacente. Segundo este modelo, a expresso do preo de uma Call europia dada por:
C = S N ( d
1
) - E e
-r ( T - t )
N ( d
2
) ( 4 )
d
1
=
t T
t T r X S
t
t t t

+ +
(
) ))( )( 2 / 1 ( ( ) / ln(
2

e d
2
=d T t
t 1

onde, N ( x ) a funo densidade acumulada de uma normal padro, T t o tempo que
resta para o exerccio, E o preo de exerccio, r
t
a taxa de juros livre de risco e
t
a
volatilidade do ativo objeto. A expanso de Taylor do diferencial da funo F ( S ) dada
por:
dF = dt
t
F
d
F
dr
r
F
F
dE
E
F
dS
S
F
ds
S

+ + +

...
! 2
2
2
2
+ R ( 5 )
esta expanso evidencia as diversas fontes de variao do preo de uma opo. As
diversas derivadas parciais da equao acima so conhecidas como gregas,
respectivamente, da direita para a esquerda: Delta, Gamma, Rho, Vega e Theta. As
gregas exprimem o risco de variao do preo de uma opo derivado de variaes nos
valores das variveis que entram no modelo de Black & Scholes. Termos de ordem
superior a 2 para S e 1 para as demais variveis esto contidos no resto da expanso de
Taylor R. Considerando nulos todos os diferenciais da expresso acima com exceo de
dS tem-se:
dF = dS
S
F

( 6 ) ,
Assim, uma posio em opo equivalente, em termos de variao, a uma posio de
delta unidades do ativo subjacente o que permite o mapeamento de posies de opes
em posies no ativo subjacente.
Exemplo 2: Mapeamento de Instrumentos de Renda Fixa
Para os instrumentos de renda fixa o Riskmetrics seleciona um conjunto de prazos de
vencimento, tambm chamados de vrtices, para os quais efetua-se o clculo de
volatilidades e correlaes. Para instrumentos com prazos diferentes dos referenciais
preciso encontrar uma posio equivalente nos vrtices. O princpio adotado para clculo
que a posio mapeada deve ter o mesmo valor de mercado e a mesma volatilidade da
posio original. Como exemplo, suponha que deseje-se estimar o VAR para uma
posio de 6 meses, como s existem vrtices de 5 e 7 meses, ento torna-se necessrio a
aplicao da estrutura de mapeamento.
A primeira restrio imposta que o retorno da posio de 6 meses (I
6
) deve ser igual a
uma mdia ponderada entre os retornos das posies de 5 e de 7 meses, respectivamente,
I
5
e I
7
:
I
6
= .I
5
+ (1-).I
7
(7) 0 1
O problema encontrar . Pela equao acima sabe-se que a varincia dos retornos do
instrumento de 6 meses tem que ser igual a:

7 5
7 , 5
2
7
2
2
5
2 2
6
) 1 ( 2 ) 1 ( + + (8)
onde
5,7
a correlao entre os vrtices 5 e 7. Supondo que
6
uma combinao linear
de
5
e
7
:

6 =
w.
5
+ (1-w).
7
0 w 1, (9)
onde w a distncia relativa entre o vrtice mapeado e os vrtices de referncia (no caso
0,5). Assim, nota-se que (8) uma equao do segundo grau em , resolvendo obtm-se:
( )
a
ac b b
2
4
2
t
(10)
onde,

7 5
7 , 5
2
7
2
5
2 + a

2
7 7 5
7 , 5
2 2 b

2
6
2
7
c
Escolhe-se a soluo que esteja entre 0 e 1. Com o valor obtido acha-se as posies nos
vrtices equivalentes e em seguida calcula-se o VAR para estas posies da maneira
usual.
Exemplo 3: Mapeamento de Posies em Aes
Um resultado amplamente conhecido do modelo CAPM que o retorno de uma ao
especfica (R
A
) se relaciona com o retorno do mercado (R
m
) - um ativo composto, por
exemplo, um ndice de aes - da seguinte forma:
R
A
=
A
+
A
R
m
+
A
(11)
onde,
A
uma constante especfica firma,
A
R
m
a parcela do retorno da ao que
explicada por movimentos do mercado e
A
um componente aleatrio especfico firma.
Segue-se que a varincia do retorno da firma dada por:
2 2 2 2
A m A A
+ (12)
Por (12) percebe-se que o risco da firma composto de duas partes um associada ao
mercado e outra especfica a ela. Ento, o VAR de uma posio de valor P
A
na ao
dado por:
VAR
A
= - V
c

A
P
A =
- V
c
P
A
2 2 2
A m A
+ (13)
Se o risco especfico for desprezvel ento o VAR torna-se:
VAR
A
= - V
c

A

m
P
A
(14)
Desta forma, para o clculo de risco, uma posio de P
A
na ao equivalente a uma
posio de
A
P
A
no ativo de mercado. O problema com esta tcnica de mapeamento
que ao desprezar o risco especfico, procedimento este sem nenhuma justificativa,
subestima-se o verdadeiro risco do ativo. Alm disso, resta o problema de estimar o da
ao, portanto, no eliminando a necessidade de uma srie histrica da ao.
2.1.2- Avaliao do Mtodo Delta Normal
A grande vantagem do mtodo Delta-Normal sobre outros mtodos de mensurao de
risco a facilidade de sua implementao e rapidez com a qual os resultados so obtidos
permitindo um clculo instantneo do VAR, mesmo para grandes portflios. Este ponto
no deve ser menosprezado pois, a velocidade na tomada de decises um componente
essencial no mercado financeiro.
O custo pela simplificao que o mtodo deixa de lado importantes caractersticas das
sries financeiras que podem levar a uma impreciso no clculo do risco de um
determinado portflio.
Em particular, uma caracterstica presente na maioria das sries de retornos a presena
de excesso de curtose em relao a distribuio normal. Isto significa que a probabilidade
de ocorrncia de eventos extremos em sries financeiras tende a ser maior do que numa
srie que tenha distribuio normal. Assim, ao assumir-se normalidade no clculo do
Value-at-Risk, o risco subestimado. As propriedades das sries financeiras so
discutidas com mais detalhes no prximo captulo.
Alm disso, este modelo ao aproximar a variao do preo de ativos no lineares, como
as opes, por sua Expanso em Taylor em primeira ordem em torno do preo do ativo
objeto dado pela equao ( 6 ), a abordagem delta-normal abstrai de uma srie de outros
fatores de risco destes ativos expressos na equao ( 5 ). Isto pode ser uma aproximao
bastante grosseira em alguns casos. Por exemplo, devido a relao no linear entre o
preo da opo e o preo do ativo subjacente, a abstrao do risco Gamma, efeito de 2
ordem de variaes no preo do ativo subjacente sobre o preo da opo, produz uma
subestimao do risco de uma opo quando ocorrem grandes variaes dos preos.

2.2- Simulao Histrica (HS)
Provavelmente, o mtodo de simulao histrica a abordagem mais direta e intuitiva
para o clculo do Value-at-Risk de uma carteira de ativos. A tcnica consiste em aplicar
os pesos atuais de cada ativo na carteira s respectivas sries histricas dos retornos
destes ativos para obter uma srie histrica dos retornos da carteira.
Numa carteira de n ativos sendo r
it
o retorno do i-simo ativo no instante t e w
i
o peso
atual deste ativo ento, a srie histrica dos retornos da carteira para a qual deseja-se
calcular o VAR seria dada por:
Y
t
=

n
i
it i
y w
1
t = 1,..,T (15)
onde, T o nmero de observaes na srie histrica dos retornos.
Em seguida, constri-se a distribuio emprica destes retornos da qual se obtm o VAR
ao nvel de significncia desejado achando o percentil equivalente. Por exemplo, numa
srie de 1000 observaes de retornos da carteira, o VAR a 5% de significncia 50
maior perda na carteira.
Este mtodo tem uma srie de atrativos. Em primeiro lugar, trata-se de uma tcnica no
paramtrica o que implica dizer que no necessrio a estimao de nenhum parmetro,
como volatilidades e correlaes, para obteno do VAR. Com isso, evita-se problemas
de modelagem e erros de estimaes destes parmetros.
Outra vantagem do mtodo HS que ele dispensa qualquer hiptese a priori sobre a
distribuio dos retornos dos ativos. Em tese, sendo possvel captar, implicitamente,
caractersticas especficas a cada srie como, por exemplo, excesso de curtose e
assimetrias das distribuies que, como mencionado, so negligenciadas pelo modelo
delta-normal. Alm disso, como o retorno do portflio est sendo calculado em cada
instante do tempo, tambm considera-se de forma implcita os efeitos de no linearidades
tais como o risco Gamma.. Por ltimo, os recursos computacionais atualmente
disponveis tornam extremamente simples sua implementao.
Infelizmente, o mtodo apresenta tambm algumas limitaes. A hiptese que est
implcita nesta tcnica que a distribuio emprica dos retornos capaz de refletir a
verdadeira distribuio dos retornos. Desta forma, o VAR estimado extremamente
sensvel a janela utilizada para a construo da distribuio emprica do portflio,
incluso ou no de perodos onde ocorreram grandes outliers ou de longos perodos de
pouca oscilao nos retornos produzem grandes diferenas nos resultados. Este efeito
mais pronunciado quando o objetivo estimar o VAR para nveis de significncia muito
baixos (menores que 1%).
Outro problema a falta de adaptabilidade das estimativas, ou seja, incapacidade de
perceber rapidamente mudanas estruturais no ambiente financeiro como mudanas de
regimes cambiais ou aumento de instabilidade decorrente da desregulamentao de um
determinado mercado. Isto acontece por que o mtodo aplica pesos idnticos a todas
observaes da srie histrica. Assim, eventos ocorridos num passado distante continuam
tendo o mesmo peso nas estimativas que os eventos mais recentes. Este fato, pouco
intuitivo, uma vez que, as expectativas dos agentes econmicos atuantes no mercado
financeiro tendem a ser muito mais influenciadas pelo ambiente atual. Para tomar um
exemplo extremo, parece ser bastante razovel afirmar que a crise de 1929 tem papel
quase nulo para determinar a posio dos agentes no mercado nos dias de hoje. No
obstante, se as observaes daquele perodo fossem includas na amostra, o mtodo daria
a mesma importncia a elas para o clculo do VAR que a observao do dia anterior.
Por ltimo, fato notado por Danielsson e Vries (1997), o mtodo de simulao histrica
bastante eficaz para estimao da distribuio dos retornos num intervalo concentrado ao
redor da mdia, regio na qual a distribuio emprica tende a ser bastante densa. No
entanto, devido caracterstica discreta dos retornos extremos, o mtodo produz uma
estimativa bastante pobre das caudas, regio de interesse para o clculo do VAR, o que
tende a gerar alta variabilidade nas estimativas do VAR. Os autores apontam, ainda, que
a maior perda estimada por SH no pode ser, por definio, maior que a pior realizao
da srie histrica.
difcil chegar a uma concluso definitiva sobre a robustez do mtodo. Sua eficincia
acaba se tornando uma questo emprica. Os resultados encontrados na literatura de
Value-at-Risk so controversos. Artigos como Danielsson e Vries (1997), Kupiec (1995)
chegam a resultados apontam para uma inferioridade do mtodo em relao a outros
como o delta-normal e o VAR de valores extremos. Enquanto, artigos como Mahoney
(1996) e Jackson at all (1997) indicam superioridade da tcnica de HS. Os resultados
deste mtodo para uma carteira de ativos brasileiros so apresentados num captulo
posterior.
3- MTODOS PARA ESTIMAO DA MATRIZ DE COVARINCIAS
No captulo anterior, na apresentao do modelo normal, assumiu-se que os parmetros
da distribuio dos retornos, mdia e varincia, fossem conhecidos. Na prtica, na melhor
das hipteses, esto disponveis somente sries histricas dos retornos destes ativos, ou
seja, uma realizao do processo estocstico gerador dos retornos. preciso ento utilizar
tcnicas que permitam a estimao destes parmetros. Como adota-se a hiptese de
mdia zero para os retornos, necessrio estimar somente a matriz de covarincias.
Apresentam-se, a seguir, quatro tcnicas para estimao da matriz de covarincias: o
mtodo amostral, o suavisamento exponencial, o modelo GARCH e o mtodo de
volatilidade estocstica. Em geral, os modelos estatsticos desenvolvidos para estimao
de volatilidade tentam reproduzir um conjunto de fatos estilizados comuns s sries de
retornos dos ativos financeiros. Na seo seguinte apresenta-se um resumo dos principais
fatos estilizados encontrados nas sries financeiras.
3.1- Fatos Estilizados
A especificao e seleo de modelos sempre guiada por fatos estilizados empricos. A
capacidade de um modelo de reproduzir estes fatos uma caracterstica desejvel e por
outro lado a sua incapacidade de reproduzir um critrio para se rejeitar tal modelo.
Alguns dos fatos estilizados de sries de tempo financeiras so:
(a) caudas pesadas: desde o trabalho de Mandelbrot (1963) e Fama (1963,1965)
reconhecido que retornos de ativos so leptocurticos. Como resultado, vrios estudos
tem proposto modelar retornos de ativos atravs de distribuies com caudas pesadas,
por exemplo, Pareto-Lvy;
(b) agrupamento de volatilidade: qualquer observao de sries temporais financeiras
revela instantes de tempo de alta e baixa volatilidade que se agrupam. De fato,
agrupamentos de volatilidade e caudas pesadas esto relacionados. Uma das
caractersticas dos modelos ARCH a ligao entre dinmica (condicional) da
volatilidade e caudas pesadas (no condicional);
(c) efeitos de alavancagem: Black (1976) observou que os movimentos de preo so
negativamente correlacionados com a volatilidade. Se o preo dos ativos est em
queda ocorre um aumento da alavancagem da firma e, em geral, tambm um aumento
da incerteza, fatos que tendem a gerar aumento da volatilidade.
(d) chegada de informaes: usualmente retornos so mensurados em freqncias fixas,
por exemplo: dia, semana, ms. Alguns autores sugeriram relacionar explicitamente
os retornos aos fluxos de informaes que chegam ao mercado. De fato Clark (1973)
um dos primeiros a propor um modelo de volatilidade estocstica (SV) onde a
chegada de informaes no uniforme no tempo e em geral no observada. Este
fato esta relacionado ao conceito de deformao temporal que pode ser diretamente
ligada a volatilidade atravs de uma funo que depende de volume, tempo entre
cotaes, anncios com informaes especficas ao ativo, notcias macroeconmicas
e fechamento do mercado;
(e) memria longa e persistncia: volatilidade altamente persistente. Em particular para
dados de alta freqncia existe evidncia de que o processo gerador da varincia
condicional tem raiz prxima de unitria. Esta evidncia fez com que a modelagem da
persistncia fosse feita atravs de modelos com razes unitrias ou atravs de modelos
de memria longa;
(f) co-movimentos de volatilidade: existe uma extensa literatura sobre co-movimentos
dos mercados especulativos internacionais. Globalizao dos mercados financeiros
aumenta a volatilidade dos preos;
(g) correlao na volatilidade implcita: como a volatilidade implcita calculada atravs
do modelo de Black e Scholes, , obviamente, baseada num modelo (model-based).
Pelo fato da volatilidade ser calculada com base nos preos dirios existe uma
inconsistncia, pois o modelo de Black-Scholes pressupe que a volatilidade
constante. As propriedades estatsticas da srie temporal de volatilidade implcita
podem ser aproximadas por modelos de reverso a mdia do tipo autorregressivo.
Alm disto, a volatilidade implcita deve conter informao a respeito da volatilidade
futura e, portanto, deve ser um preditor desta ltima;
(h) estrutura a termo da volatilidade implcita: o modelo de Black e Scholes pressupe
uma estrutura a termo constante para a volatilidade. Na realidade, a estrutura a termo
da volatilidade implcita de opes at-the-money tem inclinao positiva quando a
volatilidade de curto prazo baixa e negativamente inclinada quando a volatilidade
alta;
(i) smiles: conhecido na literatura que a volatilidade implcita de Black e Scholes
produz um vcio conhecido na literatura por smille effect devido ao formato em U da
volatilidade implcita para diferentes preos de exerccio.
3.2- Mtodo Amostral
Inicialmente, considere o problema da estimao das volatilidades (desvios
padres) dos retornos dos ativos. Assumindo mdia zero, a volatilidade
amostral dos retornos do ativo i utilizando uma amostra de T observaes
definido como:

T
t
ti i
y
T
S
1
2
1
1
(16)
O clculo do estimador utilizando toda amostra permite pouca adaptabilidade s
informaes mais recentes. Isto decorre do fato de que, como no modelo de simulao
histrica, todas observaes da amostra recebem o mesmo peso. Para contornar este
problema, utiliza-se, ao invs de toda amostra, uma janela mvel com um nmero fixo de
observaes. Apesar de ainda manter peso igual para todas observaes utilizadas na
janela, consegue-se alguma flexibilidade, pois pode-se controlar a importncia da
observao mais recente atravs da escolha do tamanho da janela. No entanto, o uso deste
estimador apresenta outro srio inconveniente. Em geral, a ocorrncia de eventos
extremos nas sries financeiras se d com relativa freqncia. Como este estimador
utiliza o mesmo peso para todas as observaes da amostra, a volatilidade estimada d
um salto para cima aps um retorno extremo permanecendo neste nvel enquanto a
observao permanecer na amostra. Quando a observao extrema sai da amostra a
volatilidade salta para baixo novamente. Desta forma, em perodos subsequentes a
grandes variaes de preos dos ativos, volatilidade e, por conseqncia, o risco tende a
ser superestimado.
Esta forma de clculo usada para a determinao de uma medida de disperso de um
conjunto de dados de diversas outras reas de estudo, alm da financeira. Com efeito, no
existe uma preocupao com a reproduo dos fatos estilizados citados na seo anterior.
Isto faz com que sua aplicabilidade no clculo da volatilidade dos retornos de ativos
financeiros seja bastante limitada.
3.3- Suavisamento Exponencial
A tcnica de suavisamento exponencial uma tentativa de contornar a limitao do
mtodo amostral. Neste caso, o estimador da varincia dos retornos do ativo i na data t
dado por:
2
, 1
2
, 1
2
,
). 1 ( .
i t i t i t
y

+ 0 1 (17)
A varincia do retorno num dado instante composto por dois termos. O primeiro, um
termo autorregressivo expressando a dependncia temporal da varincia dos retornos,
fato estilizado encontrado em sries financeiras. O segundo, representando a contribuio
da observao mais recente para a varincia estimada. A expresso (17) pode ser rescrita
da seguinte forma:

+
T
t
i t T
t
i
T
i T
y
1
2
,
2
, 0
2
,
. ) 1 ( . (18)
Por (18) a estimativa da varincia dos retornos igual a da varincia inicial mais uma
soma com pesos geometricamente declinantes dos quadrados dos retornos. A influncia
da varincia inicial sobre a varincia presente tende a zero com o nmero de observaes.
Um candidato natural a estimador deste termo o estimador (16) com uma janela
arbitrria. O segundo termo faz com que o efeito de choques nas sries de retornos sejam
dissipados suavemente com o tempo. Note que (16) o caso particular de (18) com
(1-)
t
= 1/(T-1) t T.
O mesmo princpio pode ser estendido para estimao da covarincia dos retornos de dois
ativos. A covarincia entre os retornos i e j dada por:
j t i t j t i t ij t
y y
, 1 , 1 , 1 , 1
2
,
. ). 1 ( .

+ (19)
Da mesma forma que no clculo das varincias, a covarincia inicial pode ser estimada
pela covarincia amostral calculada com uma janela fixada arbitrariamente.
A escolha do parmetro ad hoc no sentido de que no envolve nenhum procedimento
estatstico que gere uma estimativa a partir das observaes passadas. No Riskmetrics
sugerido um procedimento para a escolha de um timo baseado no erro de predio um
passo a frente.
O preditor da varincia do retorno um passo a frente definido como E(y
2
t+1
) =
2
t+1| t
.
Definindo o erro de predio um passo a frente como sendo
t+1| t
= y
2
t+1
-
2
t+1
, segue-se
que E(
t+1| t
) = 0. Partindo destes conceitos, um critrio razovel para a escolha do
timo de cada ativo seria tomar o que minimizasse a soma dos erros de predio um
passo a frente:

+ +

T
t
t t t i
y
T
RMSE
1
2 2
| 1
2
1
)) ( (
1

Para garantir que a matriz de covarincias seja positiva semi-definida o Riskmetrics
sugere o uso do mesmo para todas as sries calculado da seguinte forma:
Seja a soma do RMSEs mnimos
i
:

N
i
i
1

Define-se a medida de erro relativo:

N
i
i
i
i
1

Tomando o conjunto de pesos dados por:

N
i
i
i
i
1
1
1

O
_
timo ento definido como:
i
N
i
i
^
1
_

(20)
onde, i
^
o fator timo para o ativo i.
O mesmo procedimento poderia ser utilizado para o empregado no clculo das
covarincias. Ainda para que a matriz de covarincias seja positiva semi-definida, o
Riskmetrics utiliza no clculo das covarincias o mesmo escolhido para o clculos das
varincias. A propsito, na literatura de controle de risco o modelo que ficou conhecido
como Riskmetrics o modelo delta-normal com estimao por suavizamento exponencial
da matriz de covarincias.
O modelo de suavizamento exponencial tem maior capacidade de reproduzir os fatos
estilizados citados na seo 3.1 do que o modelo amostral. A principal caracterstica do
modelo que um valor de prximo de 1 reproduz o fato estilizado (e), segundo o qual a
volatilidade altamente persistente. Contudo, o fato da soma dos parmetros do modelo
( e 1- ) ser igual a um gera um inconveniente, a volatilidade no condicional dos
retornos igual a zero. Como resultado, a distribuio no condicional dos retornos
degenerada, ou seja, sua mdia e varincia so iguais a zero. Desta forma, toda massa da
distribuio fica concentrada num nico ponto, fato sem nenhum apoio emprico.
3.4- Modelos Famlia GARCH
Como dito na seo 3.1, em sries de retornos financeiras comum o fato de
que grandes valores num determinado instante do tempo sejam seguidos por
valores tambm elevados nos perodos subsequentes, no necessariamente
na mesma direo, fato estilizado (b). Estatisticamente, esta caracterstica
pode ser descrita pela presena de elevada autocorrelao no quadrado dos
retornos. A autocorrelao presente no quadrado dos retornos das sries
financeiras faz com que a varincia condicional dos retornos apresente uma
dependncia temporal dos choques passados.
O modelo de suavisamento exponencial apresentado na seo anterior
captura esta caracterstica destas sries, pois, como demonstrado, a
estimativa da varincia dos retornos igual a da varincia inicial mais uma
soma com pesos geometricamente declinantes dos quadrados dos retornos. O
problema com este modelo que no existe um critrio estatstico para
estimao do parmetro que leve em considerao as propriedades
especficas de cada srie de retorno. Desta forma, no possvel realizar
inferncia sobre as estimativas do modelo.
Um modelo mais genrico para a estimao da varincia condicional dos
retornos o ARCH proposto por Engle (1982). Este modelo expressa a
varincia condicional como uma defasagem distribuda do quadrado dos
retornos passados. Seja
y
t
=
t

t
~ N(0,1) (21)
2
1
2 2 2
) ( ) (
t
q
i
i t i t t t
y L y y E + +

(22) sendo (L)

um
polinmio no operador defasagem do tipo (L) =
1
L +
2
L
2
+ .+
p
L
p

1
e, para garantir a no negatividade da varincia condicional: ,
i
> 0.
O modelo acima possui algumas propriedades desejveis. Em primeiro
lugar, atravs da tcnica de decomposio de erros de predio, possvel
construir a funo de verossimilhana o que permite a estimao dos
parmetros pelo mtodo de mxima verossimilhana. Esta propriedade
importante porque estes estimadores possuem distribuies conhecidas que
viabilizam a execuo de testes de hipteses diversos. Alm disso, possvel
provar que este modelo implica uma distribuio no condicional com
caudas pesadas para os retornos, fato estilizado (a).
Em geral, existe uma alta persistncia na volatilidade das sries de retornos,
fato estilizado (e), o que faz com que o valor de q no modelo ARCH seja
elevado implicando a estimao de um grande nmero de parmetros. O
modelo GARCH, proposto por Bollerslev (1986), constitui-se numa
tentativa de expressar de forma mais parcimoniosa a dependncia temporal
da varincia condicional. Neste modelo a varincia condicional, alm de

1
L tal que L.y
t
= y
t-1
depender do quadrado dos retornos passados como no modelo ARCH,
depende tambm dos passados das prprias varincias condicionais. A
varincia condicional num modelo GARCH(p,q) expressa por:
2 2
1
2
1
2 2
) ( ) (
t t
p
i
i t i
q
i
i t i t
L y L y + + + +

(23)
sendo (L) e (L) polinmios no operador defasagem L. A condio de no
negatividade da varincia condicional neste modelo dada por: > 0,
i

0,
j
0 para i = 1,,q j = 1,,p
Por simples manipulao da equao acima, pode-se escrever:
t t t
L y L L y )) ( 1 ( )) ( ) ( (
2 2
+ + +
onde, ) (
2 2
t t t
y uma martingale a diferena no Gaussiana.
Esta representao evidencia que um modelo GARCH(p,q) um modelo ARMA(p,q) no
quadrado dos retornos. Esta caracterstica permite a utilizao de tcnicas convencionais
dos modelos da classe ARMA para a identificao de p e q.
Para garantir que este processo ARMA para o quadrado dos retornos seja covarincia
estacionrio, as razes de:
0 ) ( ) ( 1 L L tem que estar fora do crculo unitrio. Com a condio de no
negatividade satisfeita, isto garantido se


+
p
i
i
q
i
i
1 1
<1. Valendo esta condio, a
varincia no condicional de
2
t
y dada por:




p
i
i
q
i
i
t t
E y E
1 1
2 2
1
) ( ) (

(24)
e a esperana condicional da varincia n passos a frente igual a:

+

+

,
_

+
p
i
i
q
i
i
p
i
p
i
i
q
i
i
t
n
i
q
i
i n t t
E
1 1
1
1 1
2
1
2
1 1
) ( ) (

(25)
o que significa que existe uma tendncia para a varincia condicional retornar ao valor da
varincia no condicional.
Se


+
p
i
i
q
i
i
1 1
= 1 ento o processo ARMA para
2
t
y possui uma raiz unitria. Nelson
(1990) nomeou o modelo em que esta condio se verifica de GARCH integrado ou
IGARCH. Se y
t
segue um IGARCH, ento sua varincia no condicional infinita e os
processos y
t
e
2
t
y no satisfazem a definio de processos covarincia estacionrios. No
entanto, ainda possvel que y
t
atende as condies de estacionaridade estrita no sentido
de que sua densidade no condicional no varia no tempo. Esta propriedade
demonstrada em Nelson (1990).
O processo EWMA definido anteriormente , portanto, um IGARCH com = 0 com os
parmetros fixados arbitrariamente. Neste modelo, os retornos teriam distribuio
degenerada, isto , sua distribuio no condicional teria mdia zero e varincia
indeterminada. Desta forma, ao assumir que os retornos de determinado ativo tem
varincia condicional definida por um EWMA est-se, na verdade, fazendo uma restrio
que pode no ser justificada pelos dados. Metodologicamente, o procedimento mais
indicado seria estimar um GARCH e ento testar a hiptese de que os parmetros aceitam
uma restrio do tipo = 0, + =1. Isto garantiria a estimao de um modelo coerente
com a realizao do processo estocstico dos retornos. Entretanto, testar estas duas
restries, conjuntamente, complicado, pois, sob a hiptese nula, a distribuio seria
degenerada.
O modelo GARCH pode ser generalizado para o caso multivariado. Considerando um
GARCH(p,q) para N ativos. Seja o vetor de retornos nx1 y
t
com matriz de covarincias
condicionais dadas por
t
tem-se que vech(
t
) relacionado com vech(y
t
y
t
) e com
vech(
t-1
) atravs de:
vech(
t
) = +

p
i 1

i
vech(
t-i
) +

q
j 1

j
vech(y
t-j
y
t-j
) (26)
onde um vetor com N(N+1)/2 elementos e e so matrizes N(N+1)/2 x N(N+1)/2.
Portanto, o nmero total de parmetros deste modelo igual a (p+q)N
2
(N+1)
2
/2 +
N(N+1)/2. Este o maior inconveniente deste modelo, o nmero de parmetros cresce
rapidamente com N impossibilitando sua estimao. Por exemplo, um GARCH (1,1) com
N=5 o nmero de parmetros totais igual a 465. Outra complicao destes modelos
garantir que
t
seja positiva semi-definida.
A literatura de GARCH multivariados se concentra em achar restries plausveis sobre

t
que reduzam o nmero total de parmetros a serem estimados e, ao mesmo tempo,
faam que esta matriz de covarincias seja positiva semi-definida.
Em Bollerslev, Engle e Wooldridge (1988) sugere-se impor que as matrizes e sejam
diagonais o que implica que o elemento (i,j) de
t

no caso em que p=q=1 seja
representado por:
1 1
2
1 ,
2
,
+ +
jt it ij t ij ij ij t ij
y y (27)
Neste modelo a condio para que a matriz
t

seja positiva semi-definida que as
matrizes de parmetros [
ij
] , [
ij
] e [
ij
] sejam todas positivas semi-definidas.
Neste caso particular tem-se um total de 3N(N+1)/2 parmetros a serem estimados.
Portanto, para N=5 o total de parmetros reduz-se para 45.
Outra especificao simplificadora deste modelo apresentada em Engle, Ng e
Rothschild (1990). Neste artigo os autores sugerem a seguinte estrutura dinmica para a
matriz de covarincias condicional:

+
K
k
kt k k e
1
,
(28)
onde uma matriz NxN positiva semi-definida,
k
so vetores linearmente
independentes no estocsticos e
kt
so variveis aleatrias positivas que representam os
fatores que afetam os segundos momentos condicionais dos retornos. Neste modelo
garantido que
t
seja sempre positiva semi-definida.
Outra propriedade importante deste modelo que sempre possvel construir portflios
cujas varincias condicionais podem substituir os fatores
kt
. Isto significa que
t
pode
sempre ser rescrita na forma:

+
K
k
kt k k e
1
*
,

onde
kt
so as varincias condicionais de alguns portflios apropriadamente construdos.
Em Bollerslev (1990) apresentado um modelo GARCH multivariado onde a reduo no
nmero de parmetros a serem estimados obtida atravs da imposio da hiptese de
que as varincias e covarincias condicionais evoluem no tempo, mas as correlaes
condicionais so invariantes. Portanto, a evoluo no tempo das covarincias est ligada a
evoluo das varincias. O modelo dado por:
Y
it
=
i
+
it
2
1 1
2
1 , 1 ,
+ +
it i t ii i i t ii
(29)
( )
2 / 1
, jj ii ij t ij
(30)
onde
ij
a correlao condicional entre os retornos dos ativos i e j,
ii
a varincia
condicional do retorno do ativo i e
ij
a covarincia condicional entre os retornos dos
ativos i e j.
3.5- Volatilidade Estocstica:
A idia bsica do modelo de volatilidade estocstica tratar a volatilidade como um
componente no observado com seu logaritmo sendo diretamente modelado como um
processo autorregressivo. A estrutura desta classe de modelos uma discretizao dos
processos estocsticos em tempo contnuo a partir dos quais so construdas
generalizaes do modelo de Black & Scholes como em Hull e White (1987).
O modelo SV (Stochastic Volatility) univariado foi proposto por Taylor (1980) e tem a
seguinte estrutura (na forma discreta):
y
t
=
t
exp( h
t
/ 2 ) (31)
h
t+1
=
0
+
1
h
t
+
t
(32)

t
~ NID (0, 1) e
t
~ NID ( 0,

2
) o que implica em : y
t
| h
t
~ N ( 0, exp(h
t
)).
Assim, h
t
a log-volatilidade, um componente no observado. Se
1
< 1 ento h
t

estritamente estacionrio com mdia

0
/ (1-
1
) e varincia

2
/ (1-
2
1
). Como r
t
o
produto de dois processos estritamente estacionrios, segue-se que y
t
tambm
estritamente estacionrio. possvel provar, ainda, que r
t
apresenta excesso de curtose
em relao distribuio normal capturando o fato estilizado (a). Este modelo pode ser
rescrito da seguinte forma:
log y
t
2
= h
t
+ ln
t
2
, (33)
h
t+1
=
0
+
1
h
t
+
t
(34)
esta verso nos logs uma representao de espao-estado linear para o modelo onde a
primeira equao seria a equao de medida e a segunda a equao de transio.
A classe de modelos de volatilidade estocstica (SV) tem sua origem tanto em finanas
matemtica quanto em econometria de finanas. Por exemplo, Clark (1973) sugere
modelar retornos de ativos como funo de um processo aleatrio da chegada de
informao ao mercado. Esta abordagem chamada de deformao temporal implica num
modelo para o retorno de ativos com volatilidade que varia ao longo do tempo. Tauchen e
Pitts (1983) propem uma mistura de distribuies com dependncia temporal na
chegada de informao. Hull e White (1987) propem um modelo de precificao de
opes Europias assumindo que o ativo subjacente segue um modelo de volatilidade
estocstica a tempo contnuo. Uma outra abordagem surgiu do trabalho de Taylor (1986)
que especifica um modelo de volatilidade estocstica a tempo discreto como uma
alternativa ao modelo autorregressivo com heterocedasticidade condicional (ARCH). At
pouco tempo a estimao do modelo de Taylor, ou de qualquer outro modelo da classe
SV, era bastante difcil, mas tcnicas modernas de econometria permitiram que a
estimao desta classe de modelos se tornasse factvel. Com isso esta classe se tornou
uma alternativa aos modelos ARCH.
Os modelos SV so capazes de reproduzir alguns dos fatos estilizados apresentados
acima. Considere o modelo SV dado por (31) e (32) com y
t
representando o retorno de
um ativo e h
t
o log da volatilidade que um componente no observado relacionado a
nova chegada de informao ao mercado, fato estilizado (d). Devido a estrutura do
modelo pode-se mostrar que a distribuio de y
t,
gerada por este modelo, tem caudas
pesadas, fato estilizado (a). Alm disto, devido a estrutura autorregressiva do log da
volatilidade ela gera agrupamentos de volatilidade, fato estilizado (b). Se os choques que
influenciam os retornos e o log da volatilidade, isto ,
t
e
t
, respectivamente, so
negativamente correlacionados tem-se o efeito alavancagem, fato estilizado (c). As
evidncias empricas na estimao deste modelo so de que
1
muito prximo de 1
implicando em alta persistncia ou mesmo em memria longa, fato estilizado (e). Este
modelo facilmente generalizado para vrios retornos e num mundo multivariado
podemos ter estruturas autorregressivas comuns entre os log volatilidades que geram os
co-movimentos em volatilidade, fato estilizado (f).
A maior dificuldade com os modelo SV que no se pode obter explicitamente
expresses para as funes de verossimilhana como no caso de outros modelos de
volatilidade condicional tais como os da famlia GARCH. Existem uma srie de mtodos
de estimao para contornar este problema dentre eles temos: mtodo generalizado de
momentos(GMM), mtodo de quase mxima verossimilhana (QMV) e Mtodo das
Cadeias de Markov de Monte Carlo (MCMC).
O GMM foi proposto por Hansen (1982) como uma generalizao do mtodo dos
momentos. A idia do mtodo dos momentos usar como estimativa dos parmetros de
uma distribuio o estimador que mais aproxima os momentos amostrais dos momentos
populacionais. O problema com este mtodo aparece quando existem mais momentos do
que parmetros a estimar. O GMM soluciona isto adotando uma estrutura de pesos para
cada momento amostral que reflete a importncia dada ao seu matching com o
momento populacional. possvel determinar otimamente estes pesos bem como o
nmero de momentos a serem utilizados na estimao.
Apesar da facilidade de implementao o GMM apresenta alguns inconvenientes. O
mtodo apresenta um baixo desempenho quando h
t
no estacionrio (
1
igual a 1), fato
comum em muitas sries de alta freqncia. Alm disso, no se obtm do GMM uma
estimativa de h
t
, a varivel de interesse quando o objetivo estimao do risco, faz-se
necessrio, ento, a implementao de um segundo mtodo.
A idia do mtodo de quase-mxima verossimilhana tratar ln
2
t
e
t
em (33) e (34)
como se fossem normais e maximizar a funo de verossimilhana obtida atravs da
aplicao do filtro de Kalman na estrutura de representao em espao-estado do modelo.
Os estimadores assim obtidos sero assintoticamente normais.
Estudos realizados com base em simulaes
2
indicam que os estimadores de QML
apresentam um erro quadrtico mdio menor que os de GMM quando a persistncia na

2
Ruiz (1994), Harvey e Shephard (1996), Jaquier, Polson e Rossi (1994), Andersen e Sorensen (1993) e
Breidt e Carriquiry (1995).
volatilidade relativamente forte. A intuio deste resultado vem do fato de que, neste
caso, o termo normal
t
da equao de transio domina o termo no normal log
t
2
da
equao de medida. Quando a volatilidade fraca os estimadores de GMM apresentam
melhores resultados.

Alm de ser fcil sua implementao computacional, o mtodo de
QML tem a vantagem adicional de gerar estimativas filtradas e suavizadas da varivel de
estado h
t
bem como suas previses.
O mtodo MCMC tem como princpio obter estimativas de h
t
utilizando sua distribuio
condicional em y
t
. Inicialmente, constri-se esta distribuio condicional com base em
condies iniciais sobre h
t
, em seguida utilizam-se algortmos que geram as estimativas
seguintes para h
t
e as utilizam para atualizar a funo densidade. Este amostrador tende a
convergir para as estimativas, no entanto, o nmero de loops requerido pode ser bastante
grande. O problema de autocorrelao nas amostras assim geradas pode ser eliminado
utilizando multimove samplers, que consiste em retirar mais de um elemento da funo
densidade em cada instante do tempo. A dificuldade de implementao computacional
deste mtodo torna extremamente difcil sua utilizao prtica. Paralelamente, o debate
sobre sua aplicabilidade em modelos SV ainda no est consolidado.
Nesta dissertao pretende-se estimar os modelos SV atravs do mtodo de quase-
mxima verossimilhana porque, dentre os mtodos que citamos, o que apresenta os
melhores resultados em relao ao custo de implementao. Destacando que esta forma
de estimao gera diretamente estimativas da volatilidade, nossa varivel alvo, e que j
existem rotinas prontas para seu emprego em modelos SV.
Uma generalizao para o caso multivariado proposta em Harvey et a.l. (1994). Seja y
t
agora um vetor Nx1 cujos elementos so dados por:
y
i t
=
i t
exp( h
i t
/ 2 ) , i = 1, ....., N t = 1, ....., T (35)
onde, y
i t
a observao em t da srie i e
t
= (
1 t
, ......,
N t
)' um vetor normal
multivariado com mdia zero e matriz de covarincia

cujos termos da diagonal
principal so iguais a 1 e os termos fora desta diagonal so denotados por
i j
. Como em
(22), as log-varincias so geradas por:
h
i t
=
i 0
+
i 1
h
i t-1
+
i t
, i = 1, ......, N (36)
onde,
t
= (
1 t
, .........,
N t
)' normal multivariado com mdia zero e matriz de
covarincias

. Aplicando a mesma transformao que no caso univariado obtm-se a
representao espao-estado do modelo:
w
t
= h
t
+
t


(37)
h
t
=
0
+
1
' h
t-1
+
t
(38)
onde, w
t
e
t


so vetores Nx1 com elementos w
i t
= log r
2
i t
e

i t
= log

2
i t
,
respectivamente. Tratando (37) e (38) como um modelo espao-estado Gaussiano

os
estimadores de quasi-maximaverossimilhana podem ser obtidos atravs do uso do filtro
de Kalman.
Como demonstrado em Harvey et a.l. (1994), o elemento ij

da matriz de covarincias de

t
, denotada por

, dado por (
2
/2)
*
ij
, onde
*
ii
= 1 e

*
ij
=

1
2
2
) 2 / 1 (
)! 1 ( 2
n
n
ij
n
n
n

i j i, j = 1, ........, N (39)
onde, (x)
n
= x (x+1).......(x+n-1). Desta forma, os valores absolutos de
i j
, as correlaes
entre os diferentes
i t
's, podem ser estimados, mas os seus sinais no podem porque a
informao relevante foi perdida quando as observaes foram elevadas ao quadrado. No
entanto, o sinal pode ser estimado voltando para as observaes no transformadas e
lembrando que o sinal de cada par
i

j
igual ao sinal do respectivo par y
i
y
j
. Desta
forma o sinal de
i j
pode ser estimado como positivo se mais da metade dos pares y
i
y
j
's
forem positivos e negativo caso contrrio.
4- DESCRIO DOS E AVALIAO DOS MODELOS
4.1 Descrio dos Ativos
4.1.1- Contratos Futuros
Definio
Um contrato futuro uma promessa de compra e venda de um bem, com preo
preestabelecido, em que o comprador tem a obrigao de pagar o valor previamente
contratado ao vendedor numa determinada data. O vendedor, por sua vez, tem a
obrigao de entregar o bem, ao preo acordado, no local, na quantidade e qualidade
previamente estabelecidos. Estes contratos tem uma padronizao de quantidade,
qualidade, data de vencimentos e so garantidos pelas bolsas onde so negociados. A
padronizao importante para facilitar sua negociao tornando-os mais lquidos.
Formao de preos
Os contratos futuros so um tipo de derivativo, pois seu preo deriva do preo do bem ao
qual se refere, o ativo subjacente. A formao do preo deste derivativo est ligada a uma
condio de no arbitragem, ou seja, seu preo tem que ser tal que, atravs de operaes
de compra e venda do futuro e do ativo subjacente no mercado, s possvel obter
retornos iguais ao retorno do ativo livre de risco da economia.
Para exemplificar, suponha um contrato futuro de soja com vencimento em 20 dias teis
seja negociado a R$ 105. Assuma, ainda, que a taxa de juros para 20 dias teis seja igual
a 2% e que o preo atual da soja, com as mesmas caractersticas especificadas no
contrato, seja igual a R$ 100. Este conjunto de preos permite a montagem de uma
estratgia que garante um lucro livre de risco. A estratgia consiste em tomar emprestado
R$ 100 no mercado, comprar a soja com estes recursos e, simultaneamente, vender o
contrato futuro. Na data de vencimento do contrato, entrega-se a soja ao preo
preestabelecido de R$ 105 e, com os recursos desta venda, quita-se o emprstimo
acrescido dos juros num total de R$ 102. A operao garante, portanto, um lucro de R$ 3
livre de risco. Deve-se destacar que, neste exemplo, assume-se que no existe custo de
estocar a soja comprada no incio da operao e que possvel tomar dinheiro no
mercado a taxa de juros vigente.
O exemplo acima indica que o preo do contrato futuro que no permite arbitragem,
conhecido preo justo do contrato, tem que ser igual a:
C E i S F
n
n
+ + + ) 1 .( (40)
onde,
F: preo justo do futuro
S: preo do ativo objeto do contrato no mercado a vista
i: taxa de juros por perodo
n: perodos para o vencimento do contrato
E
n
: custo de carregamento do ativo objeto por n perodos
C: outros custos (por exemplo, custo de corretagem)
Qualquer desvio deste preo induz os agentes do mercado a adotar uma estratgia de
arbitragem que tende a restabelecer o preo justo no mercado.
Sistema de Ajustes Dirios
Num mundo ideal onde no existisse risco de crdito, ou seja, em que no existisse
dvida sobre a capacidade dos agentes honrarem os contratos, seria possvel que a
negociao dos contratos futuros fosse realizada sem que as partes envolvidas
colocassem nenhum volume de recursos no incio da operao. Na prtica, como a
possibilidade de inadimplncia um fato, as bolsas onde so negociados os contratos
futuros solicitam que os participantes depositem uma garantia chamada de margem de
garantia ao realizar uma operao. Esta margem executada caso uma das partes no
honre o compromisso firmado no contrato.
Para reduzir a margem requerida e, ao mesmo tempo, reduzir o risco de crdito das
operaes foi criado o sistema de ajuste dirio. Segundo este sistema, aqueles que
possuem posies em contratos futuros pagam ou recebem, diariamente, a variao no
valor de mercado do seu contrato. Para o clculo do valor de mercado da posio
utilizado, como referncia, o chamado preo de ajuste do contrato, que pode ser o preo
do ltimo negcio ou, para evitar manipulaes do mercado, uma mdia dos preos dos
negcios num determinado perodo do dia. Desta forma, os participantes deste mercado
esto sempre comprados ou vendidos no ltimo preo de ajuste. Este sistema reduz a
necessidade de margens, pois necessrio ter garantias para cobrir a variao no valor da
posio somente entre a data em que detectado o no pagamento de um ajuste e data
em que a posio do inadimplente liquidada.
Para exemplificar esta sistemtica, toma-se o caso de um agente que compra um futuro
por R$100 num dia em que o preo de ajuste fica em R$102. O agente recebe ento da
bolsa R$2. No dia seguinte, o preo de ajuste fica em R$98. Neste dia ento, o agente
obrigado a pagar R$4. No terceiro dia o contrato encerra sua posio vendendo o contrato
a 100. Neste dia ele recebe R$2.
Contrato futuro de taxa mdia de depsitos interfinanceiros de 1 dia
No mercado brasileiro, a taxa de juros cobrada por um emprstimo de um dia entre
instituies financeiras recebe o nome de taxa de certificados interbancrios (CDI). A
taxa de CDI flutua em torno da taxa de SELIC que a taxa pela qual o Banco Central
brasileiro realiza operaes de captao e doao de recursos no mercado.
A taxa SELIC a taxa com a qual o Banco Central realiza a poltica monetria. Ao fixar
um alvo para esta taxa a autoridade monetria d um balizamento de juros para toda a
economia. Em particular, a sistemtica de operao do sistema financeiro gera uma
relao direta entre a taxa de CDI e a taxa de SELIC. Consequentemente, as expectativas
sobre o comportamento futuro da taxa de CDI esto diretamente relacionadas com as
expectativas sobre a conduo da poltica monetria pelo Banco Central, particularmente,
a expectativa sobre a trajetria futura da taxa SELIC.
Diariamente, o sistema bancrio realiza uma srie de operaes financeiras no mercado.
As movimentaes de recursos entre uma instituio e outra e entre estas instituies e o
Banco Central so realizadas atravs de dbitos e crditos nas chamadas contas reservas
bancrias, uma conta corrente no remunerada destas instituies. O saldo lquido destas
operaes nem sempre nulo, uma instituio pode acabar com saldo positivo ou
negativo na sua conta reserva. Se o saldo positivo, ento a instituio, para no perder a
rentabilidade sobre os recursos excedentes, tem que doar estes recursos no mercado. Por
outro lado, se o saldo negativo, a instituio tem a necessidade de tomar recursos no
mercado para cobrir o saldo devedor na sua conta reserva.
A taxa SELIC, taxa pela qual o Banco Central se compromete a dar e tomar reservas
no mercado. Os emprstimos feitos no SELIC so creditados na conta reserva no mesmo
dia ou, na linguagem do mercado, eles viram reserva em d zero. A taxa SELIC acaba
dando o balizamento para as demais taxas praticadas no sistema como, por exemplo, as
taxas cobradas em emprstimos ao setor privado. Isto porque uma instituio com sobra
de recursos para emprestar no os ofertar por uma taxa inferior taxa SELIC, pois tem a
opo de emprestar ao BC por esta taxa. Similarmente, uma instituio com necessidade
de recursos pode sempre captar estes recursos junto ao BC pela taxa SELIC.
A taxa de CDI a taxa praticada em emprstimos de uma instituio financeira e outra e
entre as instituies e o setor privado. Os emprstimos no CDI se tornam reserva no dia
seguinte, na linguagem do mercado, viram reserva em D + 1. Desta forma, taxa de CDI
praticada em um determinado dia tem que ser igual a expectativa de taxa SELIC para o
prximo dia. Esta relao entre as taxas de CDI e a SELIC existe porque uma instituio
que necessite de recursos para o dia seguinte tem duas opes: tomar o dinheiro hoje no
CDI ou deixar para tom-lo no dia seguinte no SELIC. Assim, por exemplo, se existe
uma expectativa de queda da taxa SELIC, a taxa de CDI tem que ficar abaixo da taxa
SELIC, caso contrrio, ocorrer uma reduo na demanda por recursos no CDI que
produzir uma queda no CDI at que o equilbrio seja restabelecido.
O contrato futuro de DI, negociados na Bolsa de Mercadorias e Futuros de So Paulo
(BM&F), um contrato sobre a taxa de CDI acumulada do dia de sua negociao at o
seu vencimento. O valor final do contrato estabelecido pela bolsa em 100.000 pontos
sendo que cada ponto vale R$ 1. Os contratos sempre vencem no primeiro dia til do ms
de referncia. A negociao se d sobre o valor presente do contrato, o chamado PU
(preo unitrio). O PU igual ao valor final do contrato (100.000) descontado pela
expectativa do mercado de taxa de CDI acumulada at a data de vencimento. Assim,
existe uma relao inversa entre um dado PU e a taxa de CDI esperada at o seu
vencimento. Esta relao facilmente obtida utilizando-se a expresso de valor presente.
Seja PU
x
o preo unitrio de um contrato que vence na data x, e i
x
a taxa de CDI esperada
at o vencimento do contrato, ento:

,
_

1
000 . 100
x
x
PU
i (41)
Portanto, um aumento na taxa de juros esperada pelo mercado at o vencimento do
contrato, i
x
, reflete-se numa queda de PU
x.
Tambm, atravs dos contratos futuros de DI, pode-se calcular as chamadas taxas de
juros fowards do mercado. As taxas fowards so as taxas de juros esperadas pelo
mercado para vigorar num perodo no futuro. Por exemplo, no dia 0 considere duas datas
no futuro, d
1
e d
2
:
0 d
1
d
2
|_________|___________|
Utilizando os contratos de DI possvel obter a taxa de juros foward para o perodo
compreendido entre d
1
e d
2.
Para simplificar, suponha que nestas datas venam os
contratos cujos PUs sejam dados, respectivamente, por PU
1
e PU
2
. Pela frmula de valor
presente, sabe-se a taxa de juros esperada para o perodo entre 0 e d
1
, denotada por i
1
,
guarda a seguinte relao com PU
1
:
1
5
1
10
1
PU
i +
Da mesma forma, a taxa de juros entre 0 e d
2
tem a seguinte relao com e PU
2
:
2
5
2
10
1
PU
i +
Sendo i
f
a taxa de juros entre d
1
e d
2
, vale a seguinte relao:
1+i
2
= (1+i
1
)(1+i
f
)
1
2
1
1
1
i
i
i
f
+
+
+
e, aplicando a relaes acima tem-se, finalmente:
2
1
1
PU
PU
i
f
+ (42)
De maneira geral, o retorno (y
t
) de um ativo qualquer definido como:
1
1

t
t
t
P
P
Y ,
onde P
t
o preo deste ativo no instante t e P
t-1
o preo no instante anterior. Quando se
trata de contratos futuros, estes preos so o preo de ajuste dos contratos. comum
tambm a utilizao do retornos logartmicos:
y
t
= ln(1+R
t
)= ln(P
t
) ln(P
t-1
)
No caso dos DIs futuros, no faz sentido calcular os retornos substituindo os PUs de
ajuste na frmula anterior:
1
1

t
t
t
PU
PU
Y ,
A expresso acima no adequada para o clculo do retorno deste contrato porque PU
t
e
PU
t-1
so preos de objetos distintos. O PU
t
o preo de um contrato sobre as taxas de
CDI entre t e o vencimento e PU
t-1
o preo de um contrato sobre as taxas de juros
esperadas entre t-1 e a data de vencimento. Para compatibilizar estes dois preos
preciso fazer com que eles se refiram a taxas de juros para o mesmo perodo. A forma de
fazer isto calcular o que a BM&F chama de PU ajustado atravs da aplicao da taxa de
CDI ocorrida em t-1 sobre PU
t-1
:
PU
A
t-1
= (1 + i
t-1
)PU
t-1
O PU ajustado seria o PU que vigoraria em t caso as expectativas de taxas de juros do
mercado em t-1, expressas em PU
t-1
, para o perodo que se estende de t a data de
vencimento do contrato se mantivessem inalteradas. O retorno de um contrato de DI seria
dado, ento, por:
1
1

A
t
t
t
PU
PU
Y (43),
ou nos logaritmos:
y
t
= ln(1+R
t
)= ln(PU
t
) ln(PU
A

t-1
)
O retorno de um contrato de DI calculado desta forma pode ser interpretado como a
variao ocorrida entre t e t-1 das expectativas do mercado sobre as taxas de CDI a
vigorar at a data de seu vencimento. Claramente, se estas expectativas no se alteram,
ento Y
t
= y
t
= 0.
O problema de se trabalhar com sries de retornos calculadas desta forma que,
inevitavelmente, a sua volatilidade tem uma reduo determinista com o tempo. Isto
ocorre porque, a medida que o tempo passa, o conjunto de taxas CDI expressas no PU de
um contrato, que vence numa determinada data, cada vez menor. Assim, com a
aproximao do vencimento do contrato o nvel de desconhecimento do mercado em
relao a taxa de juros para o perodo restante menor. Com efeito, esta queda na
volatilidade no est relacionada com nenhuma mudana no comportamento do mercado,
mas sim com a simples passagem do tempo. Os modelos economtricos, como o SV e
GARCH, podem captar este efeito atravs da introduo de variveis dummie que
assumam o valor mximo no dia em que um determinado contrato de DI comea a ser
negociado e caia linearmente at zero no seu vencimento.
Neste trabalho trabalha-se com as sries ajustes dirios dos trs primeiros vencimentos de
futuros de DI, os de maior liquidez. Para efeito de clculo de risco de posies nestes
contratos, faz mais sentido trabalhar com as sries de ajustes dirios, pois o ajuste que
define o ganho ou perda financeira efetiva da posio num determinado dia. No clculo
das volatilidades e correlaes trabalha-se sempre com os retornos logartmicos.
No entanto, na montagem de um sistema para administrao de risco de carteiras
genricas mais operacional construir uma srie de PUs sintticos que expresse a
expectativa de taxa de CDI do mercado num perodo fixo de dias teis. Esta abordagem
se torna mais operacional porque ele torna possvel a aplicao da estrutura de
mapeamento de instrumentos de renda fixa descrita na seo 2.1.1. As taxa implcitas
nestes PUs sintticos sero pontos da estrutura a termo de taxa de juros de mercado. Os
PUs sintticos so calculados a partir dos PUs negociados em bolsa descontando 100.000
pela taxa acumulada no nmero de dias fixados. Estas taxas esto expressas nos contratos
futuros padres.
Por exemplo, suponha que o contrato que vence daqui a 10 dias teis est sendo
negociado a 98.600, o que implica uma taxa de CDI mdia anualizada
3
de 42,66%, e que
um contrato com vencimento em 30 dias teis negociado a 96.200 implicando uma taxa
mdia de 36,41% para o perodo de 20 dias teis entre o vencimento do contrato anterior

3
conveno do mercado expressar a taxa de CDI mensalizada. A taxa de SELIC anualizada por dias
teis para um ano de 252 dias teis da seguinte forma:
) 1 ) 1 ((
252
+
n
a
j j
onde, j a taxa de juros para um perodo de n dias teis e j
a
a respectiva taxa anualizada.
e a data do seu prprio vencimento. Para construir um PU sinttico de 20 dias teis
preciso utilizar as informaes destes dois contratos. Este sinttico igual a 100.000
descontado pelo acumulado de 10 dias da taxa mdia at o vencimento do primeiro
contrato e 10 dias da taxa esperada para o perodo entre o vencimento do primeiro e
segundo contratos da seguinte forma:
392 . 97
200 . 96
600 . 98
.
600 . 98
000 . 100
000 . 100
20
10
20

,
_

PU
Para calcular o retorno deste contrato sugere-se a utilizao do mesmo princpio adotado
no clculo do ajuste de um contrato de DI padro. O retorno entre t e t-1 calculado,
neste caso, comparando-se o PU
20
em t-1 ajustado pelo CDI deste dia com um de 19 dias
teis calculado em t, PU
19
. Em t calcula-se um PU de 19 dias teis para que seu
vencimento ocorra no mesmo dia do PU
20
do dia anterior. Desta forma, estamos
calculando, a cada dia, a variao das expectativas de taxas de CDI do mercado de um dia
para outro. No se pode comparar o PU
20
ajustado em t-1 com o PU
20
em t, pois estes
PUs estariam refletindo expectativas de taxas para perodos distintos.
Construdos estes vrtices, as posies com vencimentos em diferentes perodos podem
ser mapeadas para eles atravs da aplicao do mtodo de mapeamento de posies em
renda fixa descrito no captulo 2, seo 2.1.1. Neste trabalho, constri-se somente
vrtices de 20 e 40 dias teis, respectivamente, PU
20
e PU
40
. Estes vrtices foram
escolhidos porque para sua construo somente so necessrios os PUs que tinham
liquidez ao longo de um perodo mais extenso. A construo de vrtices de maior
maturidade exigiria o uso de PUs com liquidez num perodo bastante restrito.
Contrato futuro do ndice IBOVESPA
O IBOVESPA um ndice de preo das aes negociadas na Bolsa de Valores de So
Paulo. O peso de cada ao no ndice dado pela sua participao relativa no volume
total negociado na bolsa. A carteira terica do IBOVESPA redefinida
quadrimestralmente.
O IBOVEPA futuro um contrato negociado na BM&F sobre o valor futuro do ndice a
vista. Os contratos tem vencimento em meses pares na quarta-feira mais prxima do dia
15, caso no tenha prego neste dia, o vencimento se d no dia til subsequente.
Atualmente, somente o contrato com vencimento mais curto apresenta liquidez. O
contrato de segundo vencimento passa a ter liquidez apenas nas proximidades do
vencimento do 1o contrato. Atualmente, o valor de cada ponto do ndice R$ 3,00.
Nos contratos de IBOVESPA futuro tambm utilizado o sistema de ajustes dirios. As
posies em aberto no final de cada prego sero ajustadas com base no preo de ajuste
do dia, determinado pela mdia ponderada das cotaes dos negcios realizados nos
ltimos 30 minutos de prego, conforme regras da Bolsa, com movimentao financeira
em D+1.
Neste trabalho utilizamos as sries de retornos logartmicos do contrato mais lquido. No
dia seguinte ao vencimento do contrato, toma-se o cuidado de calcular o retorno do novo
contrato com relao ao seu valor no dia anterior e no em relao ao contrato mais
lquido. Este encaixamento feito para evitar saltos nos retornos.
O ltimo ativo com o qual trabalha-se aqui a Telebrs PN, a ao mais negociada na
Bolsa de Valores de So Paulo. Mais recentemente, com a privatizao da empresa, a
ao foi spritada nas aes das diversas empresas que compunham o sistema Telebrs.
Paralelamente, foi criado o recibo de Telebrs uma ao sobre a empresa antiga, agora
sem mais nenhum ativo. Os detentores da ao de Telebrs puderam optar entre ficar
com uma cesta de aes das empresas que formavam o sistema ou ficar com o recibo.
Curiosamente, ainda hoje, os recibos de Telebrs, aes de uma empresa sem ativos, so
os papis mais negociados na BOVESPA. A srie histrica utilizada neste trabalho
anterior introduo dos recibos.
Na srie de Telebrs no se faz necessria a realizao de nenhum ajuste. Utiliza-se
diretamente o retorno logartmico dos preos de fechamento da ao.
4.2- Anlise descritiva dos Dados
4.2.1- Vrtices fixos da curva de juros
Nesta seo apresenta-se as principais caractersticas dos retornos dos vrtices de 20 e 40
dias teis construdos da forma descrita na seo anterior. As sries histricas se
estendem de 02 de agosto de 1994 a 18 de agosto de 1998 totalizando 1000 observaes.
Como se nota nos grficos acima, os retornos dos dois vrtices apresentam
comportamentos bastante semelhantes. Um perodo de alta volatilidade no incio da srie
com um grande outlier no incio de maro de 1995, efeitos produzidos pela crise
mexicana. No final de 1997, tem-se outro perodo com um agrupamento de volatilidade
desta vez provocado pela crise asitica, quando o Banco Central brasileiro realizou um
forte aperto monetrio para conter um ataque especulativo contra o Real.
Este retornos apresentam mdia muito prximo de zero. As estatsticas de assimetria e
curtose apontam para um distanciamento da hipteses de normalidade. Estas suspeitas
so confirmadas pelos testes formais de normalidade apresentados na tabela abaixo. Em
ambos os casos rejeita-se a hiptese nula de que a distribuio dos retornos normal. No
dois casos, os testes indicam presena de excesso de curtose em relao a normal e
tambm a existncia de assimetria na distribuio, resultados em linha com os fatos
estilizados apresentados na seo 3.1 deste trabalho.
Estatsticas PU20 PU40
Mdia 0,0000040 0,0000040
Desvio Padro 0,0005200 0,0010690
Assimetria -5,9646770 -3,9608600
Excesso de curtose 106,1979180 61,3516140
Mnimo -0,0089290 -0,0159880
Mximo 0,0035610 0,0068590
Testes (p-value ) PU20 PU40
Assimetria 0,0000 0,0000
Excesso de curtosi 0,0000 0,0000
Normalidade Bowman-Shenton 0,0000 0,0000
Normalidade Doornik-Hansen 0,0000 0,0000
Os grficos da distribuio emprica dos retornos mostram a concentrao dos dados em
torno da mdia zero. Os grficos da distribuio acumulada evidenciam a discrepncia
em relao a distribuio normal, na distribuio dos retornos observaes extremas so
mais provveis do que o que est implcito na distribuio normal, o efeito de caudas
pesadas comum em sries financeiras.
Os correlogramas dos retornos no sugerem existncia de autocorrelao serial, a
extrapolao do intervalo de confiana observada em algumas defasagens isoladas pode
ser explicada pela presena de alguns outliers na srie. Por outro lado, o correlograma do
quadrado dos retornos apresenta uma concentrao de picos nas primeiras defasagens,
fato que indica presena de autocorrelao serial nestas sries. Este ltimo fato explica os
agrupamentos de volatilidades das sries dos retorno o que justifica a modelagem dos
segundos momentos condicionais dos retornos como um processo autoregressivo como
nos modelos GARCH e SV.
4.2.2- Srie de ajustes dirios do DIs futuros
Nesta seo realiza-se a descrio estatstica das sries dos ajustes dirios dos trs
primeiros vencimentos de DI futuro. As sries so construdas fazendo-se um
encaixamento no vencimento de cada contrato, como descrito anteriormente. O perodo
amostral o mesmo das sries dos vrtices fixos, de 02 de agosto de 1994 a 18 de agosto
de 1998 totalizando 1000 observaes.
O comportamento destas sries muito semelhante ao apresentado pelas sries de
vrtices fixos de 20 e 40 dias teis. Nota-se dois perodos de aglomeraes de
volatilidade, um no incio de 1995 nas proximidades da crise mexicana e outro no final de
1997 resultado da crise asitica. Nestes perodos tem-se dois grandes outliers provocados
por mudanas na poltica monetria realizadas pelo Banco Central. Uma caracterstica a
se destacar nestas sries que o padro da volatilidade os mesmos para os trs
vencimentos. No entanto, nota-se, visualmente, que o nvel da volatilidade cresce com os
vencimentos.
Nas trs sries a mdia amostral prxima de zero e o desvio padro amostral cresce
com os vencimentos, como sugere os grficos anteriores. As estatsticas de assimetria e
curtose sugerem distanciamento da hiptese de normalidade. Os testes de normalidade
apresentados na tabela abaixo confirmam esta indicao, a hipteses de normalidade
rejeitada nos trs casos. Os testes mostram a existncia de excesso de curtose e assimetria
nas sries, fato em linha com os fatos estilizados apresentados na seo 3.1.
Estatsticas DI1 DI2 DI3
Mdia -0,0000010 0,0000010 0,0000140
Desvio Padro 0,0000378 0,0009030 0,0014680
Assimetria -10,0818580 -5,4463820 -3,4906360
Excesso de curtose 225,4712540 94,1455080 47,1908290
Mnimo -0,0081050 -0,0151120 -0,0189660
Mximo 0,0033960 0,0068590 0,0092550
Testes (p-value ) DI1 DI2 DI3
Assimetria 0,0000 0,0000 0,0000
Excesso de curtosi 0,0000 0,0000 0,0000
Normalidade Bowman-Shenton 0,0000 0,0000 0,0000
Normalidade Doornik-Hansen 0,0000 0,0000 0,0000
O grfico da distribuio emprica dos retornos mostra a concentrao dos dados em
torno de zero nas trs sries e existncia de excesso de curtose. Esta ltima caracterstica
mais evidente nos grficos da distribuio acumulada dos retornos, onde nota-se que a
probabilidade de ocorrncia de eventos extremos nas sries em questo maior do que
numa distribuio normal, este o chamado efeito caudas pesadas.
Nas sries dos trs vencimentos o correlograma dos quadrados dos retornos (grfico a
direita) apresentam picos concentrados na primeiras defasagens sugerindo existncia de
uma estrutura autoregressiva nos segundos momentos condicionais dos retornos. Este
efeito deve ser a causa da presena de agrupamentos de volatilidades nestas sries. Os
correlogramas dos retornos apontam para a ausncia de autocorrelao serial, a existncia
de alguns picos, como dito anteriormente, deve estar ligada a presena de grandes
outliers nestas sries.
4.2.3- Sries dos ativos ligados ao mercado de aes
As sries ligada ao mercado acionrio estudadas so o preos de fechamento da ao
Telebrs PN, ao mais negociada na Bolsa de Valores de So Paulo, o ndice
IBOVESPA a vista e o IBOVESPA futuro. A srie de Telebrs ajustada por dividendos
e no IBOVESPA futuro realizado um encaixamento no vencimento dos contratos. O
perodo analisado o mesmo das sries anteriores, de 02 de agosto de 1994 a 18 de
agosto de 1998 totalizando 1000 observaes.
A volatilidade destas sries muito maior que as sries anteriores, que eram ligadas ao
mercado de juros. O desvio padro amostral dos retornos de Telebrs, por exemplo,
quase 40 vezes maior que o desvio padro dos retornos do DI de segundo vencimento.
Contudo, as propriedades das sries so semelhantes. Nota-se que os agrupamentos de
maior volatilidade ocorrem no mesmo perodo que no mercado de juros, no incio de
1995 nas proximidades da crise mexicana e no fim de 1997 ao redor da crise asitica.
A mdia dos retornos maior para estes ativos, mas tambm aqui a hiptese de mdia
zero no parece muito longe da realidade. As estatsticas indicam que a distribuio
destas sries e assimtrica e tem excesso de curtose em relao distribuio normal. Os
testes formais rejeitam a hiptese nula de que as sries so normalmente distribudas
aceitando a hipteses de assimetria e excesso de curtose para todas as trs sries.
Estatsticas Tel IBVSP IBVF
Mdia 0,0010090 0,0007330 -0,0002400
Desvio Padro 0,0329640 0,0274640 0,0303116
Assimetria 0,6705680 0,1109620 -0,0891650
Excesso de curtose 11,9893350 7,6723330 6,9201960
Mnimo -0,1858920 -0,1622390 -0,1919630
Mximo 0,3345970 0,2281260 0,2393190
Testes (p-value ) Tel IBVSP IBVF
Assimetria 0,0000 0,0000 0,0000
Excesso de curtosi 0,0000 0,0000 0,0000
Normalidade Bowman-Shenton 0,0000 0,0000 0,0000
Normalidade Doornik-Hansen 0,0000 0,0000 0,0000
O grfico da distribuio emprica dos retornos das sries mostra que, visualmente, a
hiptese de mdia zero plausvel. O grfico da distribuio acumulada dos retornos
mostra que a probabilidade de ocorrncia de retornos extremos maior que no caso de
uma distribuio normal nas trs sries, indicando a existncia do efeito caudas pesadas.
Para estas sries existe um distino mais ntida entre o comportamento dos
correlogramas dos retornos e do quadrado destes. O correlograma do retornos aponta para
uma aleatoriedade das sries com alguns picos isolados. O efeito dos outliers menor
nestas sries porque, em geral, eles no so muitas vezes maiores que os retornos
padres, como no caso das sries de juros. Por outro lado, o correlograma do quadrado
dos retornos indica a presena de forte autocorrelao serial nas primeiras defasagens.
Como nas sries anteriores, isto sugere que o segundo momento condicional destas sries
seja modelado segundo uma estrutura autorregressiva como nos modelos SV e GARCH.
4.3- Mtodos para Avaliao dos Modelos
Na literatura economtrica existe uma grande variedade de trabalhos que procuram
avaliar a preciso de modelos que fazem previses pontuais sobre uma determinada
varivel. Estes tem o objetivo de prever o valor da varivel alvo num ponto do tempo.
Em geral, a acurcia destas previses avaliada a partir de alguma medida de distncia
entre o valores estimados e realizados da varivel. Assim, quanto menor esta distncia
mais preciso a previso do modelo.
Contudo, ainda muito restrito o nmero de mtodos para avaliao de previses de
intervalos para uma varivel. Uma previso de um intervalo significa encontrar um certo
subconjunto do espao onde a varivel toma valores associado a uma probabilidade de
ocorrncia. O VAR de um portflio tem esta caracterstica, pois ele nada mais do que o
limite de um intervalo de confiana que informa que perdas acima do VAR somente
ocorrem com uma probabilidade 1-p, sendo p o nvel de confiana. A dificuldade de
avaliar este tipo de previso advm do fato de que a varivel alvo no observada no
futuro e, portanto, no possvel nenhum tipo de comparao direta entre os valores
realizados e previstos.
Nesta seo apresenta-se 4 mtodos para avaliao de previses de intervalos de
confiana que podem ser utilizados para avaliao do desempenho de estimativas de
VAR. Os trs primeiros, respectivamente, em Kupiec (1995), Christoffersen (1997) e
Crnkovic & Drachman (1996) se baseiam em critrios estatsticos. Enquanto o ltimo
apresentado em Lopez (1997) adota como critrio de performance a minimizao de uma
certa funo perda.
4.3.1- Kupiec
Por definio, o VAR de um portflio depende do nvel de significncia escolhido. Dado
um nvel de significncia 1-p a freqncia esperada para a ocorrncia de retornos acima
do VAR igual a p. Por exemplo, para um portflio arbitrrio um VAR de R$ 10.000
calculado ao nvel de significncia de 5% significa que perdas maiores que R$ 10.000 s
devem ocorrer 5% das vezes. Numa amostra finita, no entanto, mesmo que a hiptese
sobre a distribuio dos retornos esteja correta, a freqncia observada de valores acima
do VAR ter uma variabilidade que far com que ela divirja do valor esperado p. A
questo saber se esta divergncia consistente com o nvel de confiana utilizado no
clculo do VAR.
Kupiec (1995) prope um teste estatstico baseado na freqncia de extrapolao do VAR
numa amostra para um dado portflio. Sendo T o tamanho da amostra e N o nmero de
vezes em que o retorno do portflio excede o VAR calculado a um nvel de confiana 1-
p
*
, esta freqncia igual a N/T. O que se pretende testar se N/T significativamente
diferente de p
*
.
Nota-se que a comparao da perda ou ganho de um portflio num determinado dia com
a estimativa do VAR a certo nvel de significncia p determina o resultado de um evento
binomial. Neste caso, tem-se um erro quando a perda da carteira maior que a perda
potencial dada pelo VAR e um acerto quando ela menor. Desta forma, supondo
independncia dos eventos entre dias, a probabilidade E de haver N erros (retornos acima
do VAR) numa amostra T dada por uma distribuio binomial com parmetros N, p
sendo p a probabilidade do erro:
E = (1-p)
T-N
. p
N
(44)
O autor sugere um teste de razo de verossimilhana para testar a hiptese nula p=p
*
. O
lema de Neyman-Pearson estabelece que, neste contexto, o teste RV uniformemente
mais poderoso contra hipteses alternativas simples. A estatstica do teste dada por:
RV = -2 ln [ (1-p
*
)
T-N
.p
*N
] + 2 ln [ (1-N/T)
T-N
. (N/T)
N
] (45)
Sob a hiptese nula, RV tem distribuio qui-quadrado com 1 grau de liberdade.
O problema deste teste, como apontado por Kupiec, seu baixo poder para amostras
pequenas, ou seja, este teste tem uma alta probabilidade de aceitar a hiptese nula quando
ela falsa em amostras com nmero de observaes limitado. Por exemplo, para uma
amostra de 1000 dias a hiptese nula p
*
= 5% aceita se a freqncia de erro observada
estiver entre 3,7% e 6,5%.
No mesmo artigo o autor sugere um outro teste, o do tempo at a primeira falha. Este
teste se apoia na idia de quanto mais cedo ocorrer a primeira falha mais alta a
verdadeira probabilidade de falha. Este teste aplicado cada vez que ocorre um retorno
fora do intervalo estimado pelo VAR. Sendo p a verdadeira probabilidade de falha e
~
T
uma varivel aleatria que informa o nmero de dias antes da primeira falha, a
probabilidade P de ocorrncia da primeira falha ocorrer em V dias governada por uma
distribuio geomtrica com parmetros p, V:

1
~
) 1 .( ) (


V
p p V T P (46)
Dado uma realizao de
~
T , o autor sugere, novamente, um teste de razo de
verossimilhana (RV) para testar a hiptese nula p=p
*
. Novamente, o teste RV
uniformemente mais poderoso contra hipteses alternativas simples. A estatstica deste
teste dada por:
RV(
~
T , p
*
) = -2 ln [ ] ) / 1 1 ).( / 1 ln[( 2 ) 1 .(
1
~ ~
1
~ ~

+
T T
T T p p (47)
Sob a hiptese nula, RV tem distribuio qui-quadrado com 1 grau de liberdade.
Dada mesma forma que o teste anterior, o teste do tempo at a primeira falha tem um
baixo poder. Isto significa que a regio de aceitao da hiptese nula muito grande. Por
exemplo, para a hiptese nula de p
*
= 5% aceita-se a nula se 2 < V < 72. Esta
caracterstica do teste torna-o pouco til para avaliar a preciso de sistemas de riscos,
pois preciso uma grande discrepncia entre a probabilidade esperada e a observada para
que ocorra uma rejeio do modelo.
4.3.2- Christoffersen
O procedimento sugerido por Kupiec para medir a preciso do VAR no condicional,
ou seja, baseado na informao contida em toda amostra. O teste no condicional no
tem potncia contra a alternativa de que as excees do VAR estimado se agrupam de
forma dependente do tempo. Um mtodo condicional tem a propriedade de levar em
conta as informaes existentes em cada ponto da amostra, ele condicional ao conjunto
de informaes disponvel em cada instante de tempo. Como as sries financeiras, em
geral, apresentam volatilidades dependentes no tempo, implicando uma dependncia
temporal no VAR, a avaliao condicional dos modelos de risco se torna importante.
Em Christoffersen (1996) definido um procedimento para a verificao da preciso das
previses para intervalos de confiana que tenta capturar a condicionalidade das
estimativas. O teste diretamente direcionado para o caso de estimadores para VAR de
uma carteira.
Seja { }
T
t t
y
1
a seqncia observada da varivel aleatria y
t,
o retorno monetrio de um
ativo ou carteira de ativos. Em cada instante do tempo o intervalo estimado com base na
amostra dado ( ) { }
T
t
t t
p VAR
1
1 |
) 1 ( ,

onde ) 1 (
1 |
p VAR
t t

o VAR estimado para o

perodo t ao nvel de confiana p com as informaes disponveis at t-1. Define-se a
seguinte varivel indicador I
t:
( )
( )

'

) 1 ( , y , 0
) 1 ( , , 1
1 | t
1 |
p VAR se
p VAR y se
I
t t
t t t
t

Diz-se que uma seqncia de intervalos projetados eficiente com relao ao conjunto de
informao
t-1
se E[I
t
|
t-1
] = p, para todo t.
O autor define ento um critrio operacional demonstrando que testar a eficincia do
intervalo projetado equivalente a testar a hiptese de que a seqncia { I
t
}
independente e identicamente distribuda segundo uma Bernoulli com parmetro p. Diz-
se ento que a seqncia de intervalos ( ) { }
T
t
t t t t
p U p L
1
1 | 1 |
) ( ), (

tem uma correta
cobertura condicional se { } t ), ( ~
. . .
p Bernoulli I
d i i
t
.
Para testar esta hiptese sugere-se dois testes de razo de verossimilhana (RV). O
primeiro testa exclusivamente a adequao no condicional das estimativas. O segundo
testa a independncia da seqncia { }
T
t t
I
1
.
No teste de adequao no condicional a hiptese nula de que E[I
t
] = p testada contra a
alternativa E[I
t
] p. Sobre a nula a verossimilhana igual a:
L(p; I
1
, I
2
, ..., I
T
) = (1-p)
T-N
. p
N
(48)
onde N o nmero de observaes para as quais I
t
= 1.
Sobre a alternativa a verossimilhana igual a:
L(; I
1
, I
2
, ..., I
T
) = (1-)
T-N
.
N
, onde N o nmero de observaes para
as quais I
t
= 1.
A estatstica do teste de razo de verossimilhana (RV
nc
) neste caso igual a:
RV
nc
= -2ln[L(p; I
1
, I
2
, ..., I
T
) / L(
^
; I
1
, I
2
, ..., I
T
)]
. sin
~
t a

2
(1) (49)
onde
^
= N/T o estimador de mxima verossimilhana de .
No teste de independncia a hiptese nula independncia e a alternativa um processo
Markoviano de primeira ordem. Considere uma cadeia de Markov binria de primeira
ordem com a seguinte matriz de transio de probabilidade:
1
]
1

1
1
11 11
01 01
1


onde ) | Pr(
1
i I j I
t t ij


. A funo de verossimilhana aproximada deste processo
dada por:
11 01 00
11 01 01 2 1 1
) 1 ( ) ,...., , ; (
n n n
T
I I I L
onde n
ij
o nmero de observaes com o valor i seguido pelo valor j. Maximizando a
log-verossimilhana e resolvendo para os parmetros obtm-se:
1
1
1
1
]
1

+ +
+ +

11 10
11
11 10
10
01 00
01
01 00
00
1
^
n n
n
n n
n
n n
n
n n
n
Para seqncia { }
T
t t
I
1
calculada a partir dos intervalos estimados possvel estimar um
processo markoviano de primeira ordem e testar se a seqncia independente notando
que:
1
]
1

1
1
2 2
2 2
2


corresponde a independncia. A verossimilhana sobre a nula se torna:
) (
2
) (
2 2 1 2
11 01 10 00
) 1 ( ) ,...., , ; (
n n n n
T
I I I L
+ +
+

sendo a estimativa de mxima verossimilhana dada por:
11 01 10 00
11 01
2
^
n n n n
n n
+ + +
+

Finalmente, a estatstica do teste de razo de verossimilhana de independncia (RV

ind
)
expressa por:
RV
ind
= -2ln[L( 2
^
; I
1
, I
2
, ..., I
T
) / L( 1
^
; I
1
, I
2
, ..., I
T
)]
.
~
a

2
(1) (50),
Note que o teste no depende da verdadeira probabilidade erro 1-p. Desta forma, est se
testando exclusivamente a hiptese de independncia. No entanto, o objetivo final testar
conjuntamente independncia e a verdadeira probabilidade de erro 1-p. Para tanto o autor
sugere uma combinao dos dois testes anteriores. O teste conjunto consiste em testar a
hiptese nula do teste no condicional contra a alternativa do teste de independncia.
Christoffersen prova que a estatstica do teste de razo de verossimilhana neste caso
dada por:
RV
conjuto
= -2ln[L(p; I
1
, I
2
, ..., I
T
) / L( 1
^
; I
1
, I
2
, ..., I
T
)]
. sin
~
t a

2
(2) (51)
que igual a soma das estatsticas dos dois testes anteriormente apresentados, isto :
RV
conjuto
= RV
nc
+ RV
ind
(52)
4.3.3- Chrkovic e Drachman
Em Chrkovic e Drachman (1996) proposto um procedimento para avaliar modelos de
VAR baseado na distribuio de probabilidades estimada derivada deles em cada
momento do tempo f
mt
. O procedimento baseado nos quantis observados, que so
quantis sob { }
T
t tm
f
1
nos quais os retornos observados, efetivamente, se localizam. Dado
f
mt
e um retorno observado r
t
, o quantil correspondente dado por:

t
r
mt t mt
dx x f r q ) ( ) ( (53)
Os autores prope avaliar o modelo VAR testando se os quantis observados derivados da
distribuio do modelo tem as propriedades dos quantis que seriam derivados de
projees precisas da distribuio. As propriedades que eles se referem esto ligadas ao
fato que os quantis de sorteios aleatrios de uma distribuio so uniformemente
distribudos no intervalo 0 e 1. Desta forma, um teste da preciso do VAR pode ser feito
testando se { }
T
t tm
q
1
so independentes e uniformemente distribudos.
Os autores sugerem testar esta duas hipteses separadamente. Para o teste da
independncia dos quantis sugerido o uso da estatstica BDS. O teste da distribuio
uniforme baseado na estatstica de Kupier que mede os desvios entre duas funes de
distribuio acumuladas. Seja D
m
(x) a funo de distribuio acumulada dos quantis
observados, a estatstica de Kupier para o desvio de D
m
(x) de uma distribuio uniforme
dada por:
[ ] ( ) ( ) ) ( max ) ( max ), (
1 0 1 0
x D x x x D x x D H K
m x m x m m
+

(54)
a distribuio assinttica de K
m
expressa por:
Prob ( K > K
m
) =

,
_

1
]
1

+ +
m
v
T
T G
24 , 0
155 , 0
onde,

1
2 2
2 2
) 1 4 ( 2 ) (
j
j
e j G

e x x D
m x


) ( max
1 0
Os autores alertam que os resultados do procedimento se deterioram rapidamente para
amostras menores que 500 observaes.
4.3.4- Lopez
Em Lopez (1997) apresentado um procedimento para avaliar modelos de risco que no
se baseia em nenhuma estatstica de teste como nas trs metodologias apresentadas
acima. A idia definir uma funo perda que incorpore os critrios julgados importantes
pelos reguladores. O melhor modelo, ento, seria aquele que minimizasse esta funo.
No presente trabalho optou-se pela utilizao de uma funo perda sugerida em Lopez
(1998). A funo perda sugerida para um modelo m qualquer tem a seguinte forma:

T
t
t m m
C
T
C
1
,
1
(54)
onde,

'

< +

mt
mt t mt t
mt
VAR se
VAR y se VAR P
C
t
2
y , 0
, ) ( 1

(55)
sendo VAR
mt
o VAR estimado pelo modelo m para o perodo t e P
t
a variao monetria
no valor de mercado da carteira efetivamente observado em t. Esta funo semelhante
medida de erro quadrtico mdio utilizada na avaliao da preciso de previses
pontuais. Com a diferena que aqui a magnitude do erro s influencia a funo quando o
VAR extrapolado. Desta forma, esta funo perda tambm fornece uma medida do
tamanho do erro ocorrido quando o VAR extrapolado, alm de informar a freqncia de
erro. O melhor modelo ser aquele que produz uma freqncia de erro mais prxima da
esperada e no qual os erros so menores em relao ao VAR estimado.
A grande vantagem deste mtodo sobre os trs outros apresentados anteriormente a no
necessidade de aplicar qualquer tipo de teste de hiptese para verificar a adequao dos
modelos. Com isso, evita-se o problema de baixa potncia alta probabilidade de aceitar
uma nula falsa - dos testes dos mtodos apoiados em critrios estatsticos.
Em Lopez (1997) realiza-se uma srie de experimentos com objetivo de avaliar a
capacidade dos quatro mtodos apresentados para identificar especificaes incorretas de
modelos de VAR. No trabalho gera-se retornos com diferentes hipteses de distribuies
e dinmicas para volatilidade condicional e, em seguida, estima-se o VAR por alguns
mtodos selecionados. O resultado obtido que os trs mtodos estatsticos mostram, na
maior parte dos casos, uma baixa potncia e, portanto, so pouco eficientes em apontar a
impreciso dos modelos de risco. Por outro lado, o mtodo que se baseia na funo perda
definida acima tende a apontar como modelo mais adequado o VAR que se baseia no
verdadeiro processo gerador dos dados.
A baixa potncia dos testes estatsticos foi o motivo que levou adoo da funo
definida em (54) e (55) como critrio de avaliao dos modelos estudados neste trabalho.
Como a sries histricas utilizadas so, relativamente curtas (1000 observaes) e a
estimao dos modelos economtricos GARCH e SV requer um razovel nmero de
observaes para ser implementada, resta um nmero pequeno de observaes para testar
a preciso dos modelos. Desta forma, a aplicao dos modelos estatsticos apresentados
anteriormente ficaria comprometida.
5- RESULTADOS
Neste captulo apresenta-se os resultados da aplicao dos modelos discutidos neste
trabalho. Os testes foram aplicados em duas carteiras de ativos, em ambas considerando
posies compradas. A primeira delas uma carteira de 5 ativos: os trs primeiros
vencimentos de DI futuro, Telebrs PN e o IBOVESPA futuro. Em todas as sries
trabalhou-se com os retornos logartmicos dos preos. Nas sries de futuros, utiliza-se no
clculo dos retornos os preos de ajustes dos ativos. A segunda carteira composta por
quatro ativos que, freqentemente, so utilizados como referncia para o mapeamento de
posies em outros ativos. Os dois primeiros so os vrtices da curva de juros de 20 e 40
dias teis, para onde podem ser mapeadas as posies de renda fixa atravs, por exemplo,
do mtodo descrito na seo 2.1.1. Os retornos dirios destes ativos foram ajustados de
forma a refletir exatamente a mudana da expectativa do mercado de taxas de juros de
um dia para outro, como explicado na seo 4.1.1. O terceiro ativo, comum primeira
carteira, a ao Telebrs PN, referencial para mapeamento de posies em opes. O
ltimo ativo o ndice IBOVESPA a vista que pode ser o referencial para o mapeamento
tanto de posies em aes ou quanto de posies no IBOVESPA futuro.
As duas carteiras so compostas de posies compradas nos ativos com participao
relativa idntica de cada um deles. A cada dia faz-se necessrio o rebalanceamento das
carteiras para que a variao no valor de mercado dos ativos no altere a participao
relativa dos ativos. Nas duas carteiras a srie histrica dos retornos composta por 1000
observaes de 04/08/94 a 18/08/98.
O procedimento foi utilizar sempre 900 observaes para estimar os modelos. Desta
forma, os testes so realizados com as 100 ltimas observaes da amostra. Na verdade,
esta forma de implementao surgiu de uma restrio imposta pelo modelo
estatisticamente mais sofisticado: o modelo de volatilidade estocstica. Para este modelo,
os trabalhos empricos na rea sugerem que para amostras pequenas os resultados so
bastante pobres. Arbitrariamente, resolveu-se fixar como 900 o nmero mnimo de
observaes para estimao. Certamente, trabalhar com amostras menores iria liberar
mais observaes para os testes. Contudo, teria-se o risco da deteriorao dos resultados
da estimao inviabilizar a comparao entre os modelos.
Para o clculo do VAR, estimou-se os parmetros de cada modelo com as 900 primeiras
observaes e utilizou-os para a previso um passo a frente do VAR nos prximos 20
dias teis. O VAR foi calculado a 1% e 5% de significncia. No caso dos modelos SV,
GARCH e EWMA, como supe-se que os retornos tem distribuio condicional normal,
o que necessrio prever so as volatilidades e correlaes dos ativos. Com estas
estimativas possvel realizar a previso do VAR no perodo desejado. Nos modelos HS
preciso estimar os quantis nos nveis de significncia escolhido. A cada 20 dias reemita-
se os parmetros dos modelos e, novamente, faz-se a previso do VAR para os prximos
20 dias teis. Assim, os modelos so reestudamos 4 vezes e temos 100 previses para o
VAR das carteiras. A reestimao diria dos parmetros do modelo se tornou invivel
devido a dificuldades de estimao do modelo SV. Para este modelo as rotinas
disponveis demandam vrias intervenes do usurio com a mquina para garantir a
convergncia no processo de otimizao. Em razo disso, o tempo necessrio para
estimao de cada amostra se torna elevado fazendo com que o custo em termos de
tempo de trabalho da reestimao diria seja proibitivo.
Uma vez obtido as previses para o VAR das carteiras, faz a comparao com a variao
efetiva do valor de mercado da carteira em cada dia. Apresenta-se nas sees seguintes a
porcentagem de vezes em que o valor de mercado das carteiras excedeu o VAR previsto
bem como o valor da funo perda sugerida por Lopez ( 1998 ) discutida na seo 4.3.4
deste trabalho.
5.1- Carteira 1
5.1.1- Freqncia de Erro
A primeira carteira composta pelos trs primeiros vencimentos de DI futuro, Telebrs
PN e pelo ndice BOVESPA futuro. Nas tabelas abaixo apresenta-se a freqncia que a
queda no valor de mercado da carteira foi maior que o VAR previsto para 1% e 5% de
significncia. Os testes so feitos para cada ativo individualmente e para a carteira
(entrada total na tabela). Para o modelo GARCH s foi possvel aplicao no caso
univariado. Isto porque, para o conjunto de dados em questo, as rotinas utilizadas no
conseguiram completar o processo de estimao devido a problemas de convergncia no
algoritmo de otimizao.
Para ilustrar o comportamento das estimativas, apresenta-se tambm os grficos com os
limites dados pelo VAR da carteira a 5% de significncia juntamente com a variao
efetiva do seu valor de mercado.
% Erro - 5% de significncia
DI1 DI2 DI3 TEL4 IBVF Total
EWMA 2,00% 1,00% 1,00% 6,00% 5,00% 6,00%
Condicional GARCH 0,00% 1,00% 1,00% 4,00% 6,00% NA
SV 2,00% 1,00% 1,00% 6,00% 5,00% 5,00%
No Condicional HS 5,00% 2,00% 1,00% 6,00% 5,00% 6,00%
%Erro - 1%de significncia
DI1 DI2 DI3 TEL4 IBVF Total
EWMA 0,00% 1,00% 1,00% 0,00% 1,00% 1,00%
Condicional GARCH 0,00% 1,00% 1,00% 2,00% 2,00% NA
SV 2,00% 1,00% 1,00% 0,00% 1,00% 1,00%
No Condicional HS 2,00% 1,00% 1,00% 0,00% 0,00% 0,00%
EWMA - Backtest
-400.000
-300.000
-200.000
-100.000
0
100.000
200.000
300.000
400.000
2
4
/
0
3
/
9
8
3
1
/
0
3
/
9
8
0
7
/
0
4
/
9
8
1
4
/
0
4
/
9
8
2
1
/
0
4
/
9
8
2
8
/
0
4
/
9
8
0
5
/
0
5
/
9
8
1
2
/
0
5
/
9
8
1
9
/
0
5
/
9
8
2
6
/
0
5
/
9
8
0
2
/
0
6
/
9
8
0
9
/
0
6
/
9
8
1
6
/
0
6
/
9
8
2
3
/
0
6
/
9
8
3
0
/
0
6
/
9
8
0
7
/
0
7
/
9
8
1
4
/
0
7
/
9
8
2
1
/
0
7
/
9
8
2
8
/
0
7
/
9
8
0
4
/
0
8
/
9
8
1
1
/
0
8
/
9
8
1
8
/
0
8
/
9
8
Como se pode notar pelos grficos acima, os intervalos delimitados pelos modelos HS e
EWMA so bastante semelhantes em forma e largura. Em ambos as variaes ocorridas
ao longo do perodo de teste so quase imperceptveis. No caso do modelo EWMA isto
ocorre devido ao fato que a estimativa do parmetro ser prxima de 1 (para todos os
ativos e amostras em torno de 0,99) implicando uma alta persistncia na volatilidade. No
modelo HS a pouca variabilidade dos limites ocorre por se tratar de um modelo no
condicional que utiliza peso idntico para todas as observaes da amostra. Nestes dois
modelos, a insensibilidade do VAR a alteraes na variabilidade dos retornos indica que
a reestimao diria dos parmetros produziria poucos efeitos nos resultados. Por outro
lado, no modelo SV nota-se, nitidamente, variabilidade nos limites. Aps momentos de
aumento da variabilidade dos retornos, o VAR estimado aumenta. e, em seguida a
momentos de reduo da variabilidade, o intervalo diminui. Isto ocorre por se tratar de
um modelo condicional em que as informaes mais recentes tendem a influenciar mais
fortemente as estimativas. Neste caso, provavelmente, teria-se ganhos com a reestimao
diria dos parmetros do modelo. Isso garantiria maior adaptabilidade do VAR s novas
SV - Backtest
-400.000
-300.000
-200.000
-100.000
0
100.000
200.000
300.000
400.000
2
4
/
0
3
/
9
8
0
7
/
0
4
/
9
8
2
1
/
0
4
/
9
8
0
5
/
0
5
/
9
8
1
9
/
0
5
/
9
8
0
2
/
0
6
/
9
8
1
6
/
0
6
/
9
8
3
0
/
0
6
/
9
8
1
4
/
0
7
/
9
8
2
8
/
0
7
/
9
8
1
1
/
0
8
/
9
8
HS - Backtest
- 400.000
- 300.000
- 200.000
- 100.000
0
100.000
200.000
300.000
400.000
2
4
/
0
3
/
9
8
3
1
/
0
3
/
9
8
0
7
/
0
4
/
9
8
1
4
/
0
4
/
9
8
2
1
/
0
4
/
9
8
2
8
/
0
4
/
9
8
0
5
/
0
5
/
9
8
1
2
/
0
5
/
9
8
1
9
/
0
5
/
9
8
2
6
/
0
5
/
9
8
0
2
/
0
6
/
9
8
0
9
/
0
6
/
9
8
1
6
/
0
6
/
9
8
2
3
/
0
6
/
9
8
3
0
/
0
6
/
9
8
0
7
/
0
7
/
9
8
1
4
/
0
7
/
9
8
2
1
/
0
7
/
9
8
2
8
/
0
7
/
9
8
0
4
/
0
8
/
9
8
1
1
/
0
8
/
9
8
1
8
/
0
8
/
9
8
observaes evitando, com isso, perodos, como na penltima subamostra, em que o
intervalo se torna muito amplo frente a variabilidade corrente dos retornos.
Em termos do ajustamento da freqncia que os retornos estiveram fora dos limites
impostos pelo VAR em relao ao esperado, o modelo SV foi o que apresentou mais
preciso. Tanto a 1% quanto a 5% o modelo mostrou exatamente a freqncia esperada
de erros (1% e 5%, respectivamente). O modelo EWMA foi preciso a 1% de
significncia, mas subestimou (errou mais que o esperado) o VAR a 5% de significncia.
O modelo HS subestimou o VAR a 5% e superestimou (errou menos que o esperado) a
1% de significncia.
A 5% de significncia, para cada ativo tomado individualmente, todos os modelos
apresentaram uma tendncia de superestimar o VAR no caso dos DIs, com exceo do
modelo HS que foi preciso para o DI1. No caso do ativo Telebrs os modelos EWMA,
SV e HS subestimaram o VAR, enquanto o modelo GARCH superestimou a 5% de
significncia, para o IBVF os modelos EWMA, SV e HS foram precisos e o modelo
GARCH subestimou o VAR a 5% de significncia. Para 1% de significncia os 4
modelos foram precisos para os DIs 2 e 3, para o DI 1 os modelos EWMA e GARCH
superestimaram o VAR e os outros 2 modelos, SV e HS, subestimaram o VAR. Para
Telebrs os modelos EWMA, SV e HS superestimaram o VAR e o modelo GARCH
subestimou e para o IBVF o modelos SV e EWMA foram precisos, o modelo GARCH
subestimou e o modelo HS superestimou o VAR a 1% de significncia.
5.1.2- Teste de Lopez
Nesta seo apresenta-se os resultados dos teste de Lopez o portflio total e para cada
ativo tomado individualmente. Como explicado na seo 4.2.1, o teste se baseia numa
funo perda que, quando ocorre um retorno que ultrapassa o limite estabelecido pelo
VAR, penaliza o tamanho deste erro. Segundo este critrio, o melhor modelo aquele
com o menor valor para esta funo perda.
Para a carteira total, a 5% de significncia, o modelo SV apresentou o melhor resultado.
A 1% de significncia o modelo HS teve a funo igual a zero indicando a no existncia
de nenhum retorno abaixo do VAR. Como o esperado neste caso a ocorrncia de um
erro nas 100 observaes utilizadas nos teste, isto, na verdade, indicao de
superestimao do VAR. Alis, esta uma deficincia desta funo perda, tomada
isoladamente ela sempre privilegia o modelo que superestima. Assim, uma anlise
conjunta da freqncia de erros recomendada. O segundo melhor modelo o SV, que,
como mostrado na seo anterior foi preciso segundo o critrio de excesso de erro. A
tabela abaixo mostra os melhores modelos em cada caso:
Deve se destacar, que a 1% de significncia para DI1, TEL4 e IBVF ocorre o mesmo fato
mencionado anteriormente, a funo perda igual a zero.
5.2- Carteira 2
5.2.1- Freqncia de Erro
A segunda carteira testada aquela composta por ativos utilizados como referencial para
mapeamento: os vrtices de 20 e 40 dias da curva de juros, Telebrs Pn e o ndice
BOVESPA a vista. Os resultados apresentados so organizados da mesma forma que na
carteira 1. Os testes so feitos para cada ativo individualmente e para a carteira
1% de significncia
DI1 DI2 DI3 TEL4 IBVF Total
EWMA 0,00E+00 4,45E+06 5,76E+07 0,00E+00 4,22E+07 6,04E+08
Condicional GARCH 0,00E+00 1,30E+06 8,35E+07 2,61E+09 3,36E+09 NA
SV 1,28E+05 3,86E+06 5,36E+07 0,00E+00 5,01E+06 6,97E+07
No Condicional HS 1,25E+04 1,69E+06 2,88E+07 0,00E+00 0,00E+00 0,00E+00
5% de significncia
DI1 DI2 DI3 TEL4 IBVF Total
EWMA 1,85E+05 1,10E+07 9,32E+07 2,95E+09 2,87E+09 1,60E+10
Condicional GARCH 0,00E+00 6,95E+06 1,16E+08 9,43E+09 1,02E+10 NA
SV 6,33E+05 1,04E+07 8,96E+07 3,08E+09 2,35E+09 1,16E+10
No Condicional HS 2,03E+06 2,24E+07 1,38E+08 4,01E+09 2,81E+09 1,76E+10
Significncia DI1 DI2 DI3 TEL4 IBVF Total
1% EWMA e GARCH GARCH HS EWMA e HS HS SV
5% GARCH SV GARCH EWMA SV HS
(entrada total na tabela). Novamente, para o modelo GARCH s foi possvel aplicao no
caso univariado por problemas de convergncia na rotina de otimizao. Nos grficos
esto os limites dados pelo VAR da carteira a 5% de significncia juntamente com a
variao efetiva do seu valor de mercado .
% Erro - 5% de significncia
DI20 DI40 TEL4 IBV Total
EWMA 4,00% 4,00% 6,00% 5,00% 5,00%
Condicional GARCH 3,00% 4,00% 4,00% 7,00% NA
SV 4,00% 4,00% 6,00% 7,00% 7,00%
No Condicional HS 6,00% 5,00% 6,00% 7,00% 6,00%
% Erro - 1% de significncia
DI20 DI40 TEL4 IBV Total
EWMA 4,00% 4,00% 0,00% 1,00% 1,00%
Condicional GARCH 3,00% 4,00% 2,00% 3,00% NA
SV 4,00% 4,00% 0,00% 3,00% 2,00%
No Condicional HS 4,00% 4,00% 0,00% 0,00% 0,00%
EWMA - Backtest
-500.000
-400.000
-300.000
-200.000
-100.000
0
100.000
200.000
300.000
400.000
500.000
SV - Backtest
-500.000
-400.000
-300.000
-200.000
-100.000
0
100.000
200.000
300.000
400.000
500.000
Os grficos acima mostram que o comportamento do VAR estimado para esta carteira
semelhante quele da carteira anterior. Os modelos EWMA e HS demostram pouca
variabilidade ao longo da amostra. Enquanto, o modelo SV tende a ser mais influenciado
pelo comportamento recente dos retornos. Os motivos so os mesmos citados na seo
anterior. No caso do modelo EWMA, valor estimado de prximo de 1. No modelo HS,
a baixa variabilidade das bandas devido a no condicionalidade do modelo. No modelo
SV, a maior sensibilidade do VAR aos retornos mais recentes se deve ao fato de se usar a
volatilidade condicional para estimar o VAR, o que implica maior peso para as
observaes mais recentes.
Em relao a preciso das estimativas, os modelos apresentaram, de maneira geral, um
desempenho inferior ao observado na carteira anterior. Para a carteira total, o modelo
EWMA foi preciso tanto a 1% como a 5% de significncia apresentado freqncias de
erros iguais as esperadas ( 1% e 5%, respectivamente). Os modelos SV e HS
subestimaram VAR a 5% de significncia, enquanto que a 1% o modelo SV subestimou e
o modelo HS superestimou o VAR.
Considerando os ativos individualmente, a 5% de significncia, os modelos EWMA
GARCH e SV superestimaram o VAR para os vrtices de 20 e 40 dias teis, o modelo
HS subestimou o VAR no caso do vrtice de 20 dias e foi preciso no caso do vrtice de
40 dias. A 1% de significncia, os 4 modelos subestimaram o VAR. Para o ativo TEL4, a
HS - Backtest
-500.000
-400.000
-300.000
-200.000
-100.000
0
100.000
200.000
300.000
400.000
500.000
5% de significncia, o modelo EWMA foi preciso, e os outros 3 modelos subestimaram o
VAR. A 1% de significncia, novamente, o modelo EWMA foi preciso, mas os outros 3
modelos, desta vez, superestimaram o VAR. Para o ativo IBOVESPA o modelo EWMA
foi preciso a 1% e 5% de significncia, os modelos SV, GARCH e HS subestimaram o
VAR a 5% de significncia e, para 1% de significncia, os modelos GARCH e SV
subestimaram o VAR e o modelo HS o superestimou.
Com base no critrio de freqncia de erro, pode-se dizer que houve uma clara
superioridade do modelo EWMA tanto no caso da carteira como para cada ativo tomado
individualmente quanto para a carteira total.
5.2.2- Teste de Lopez
Na tabela baixo apresenta-se o valor da funo perda do teste de Lopez para cada um dos
ativos e para a carteira total.
5%de significncia
DI20 DI40 TEL4 IBV Total
EWMA 4,62E+09 4,47E+09 4,62E+09 4,38E+09 2,03E+10
Condicional GARCH 4,72E+09 4,73E+09 1,47E+10 1,86E+10 NA
SV 5,26E+09 4,58E+09 1,07E+10 1,44E+10 4,74E+10
No Condicional HS 5,63E+09 5,46E+09 6,27E+09 1,09E+10 3,31E+10
1%de significncia
DI20 DI40 TEL4 IBV Total
EWMA 4,14E+09 3,86E+09 0,00E+00 5,63E+07 3,86E+08
Condicional GARCH 4,28E+09 4,19E+09 4,07E+09 6,33E+09 NA
SV 5,02E+09 4,01E+09 4,10E+08 3,17E+09 7,23E+09
No Condicional HS 4,96E+09 3,75E+09 0,00E+00 0,00E+00 0,00E+00
Tambm por este critrio, nota-se uma clara superioridade do modelo EWMA tanto a 1%
quanto a 5% de significncia. A tabela abaixo mostra os melhores modelos em cada caso:
Deve-se destacar, que o modelo HS apresentou a funo igual a zero todas as vezes que
aparece como melhor modelo.
Significncia DI20 DI40 TEL4 IBV Total
1% EWMA EWMA EWMA e HS HS HS
5% EWMA EWMA EWMA EWMA EWMA
6- CONCLUSO
O objetivo deste trabalho foi comparar alguns modelos de estimao do value-at-risk no
caso especfico de 2 carteiras de ativos brasileiros. Com a hiptese de normalidade
condicional dos retornos, o problema de clculo do VAR se concentra na estimao da
matriz de covarincias, estimada nesta dissertao por 3 tcnicas diferentes: os modelos
SV, GARCH e EWMA. O modelo GARCH s pde ser aplicado no caso univariado.
Calculou-se tambm o VAR pelo modelo HS, um modelo no condicional que abandona
a hiptese de normalidade.
Para as duas carteiras os modelos EWMA e HS geraram um VAR pouco adaptativo. No
primeiro caso isto se deve a alta persistncia presente na varincia condicional, expressa
num parmetro prximo de 1. No segundo caso, o VAR relativamente constante por
se tratar de um modelo no condicional que impe peso idntico a todas as observaes
da amostra. O modelo SV, por seu turno, apresentou maior adaptabilidade reagindo mais
nitidamente s observaes mais recentes, resultado esperado para um modelo
condicional.
Outro ponto enfatizado neste trabalho foi a forma de comparar os modelos. Como o
clculo do VAR consiste na estimao de um intervalo, as tcnicas usuais de comparao
utilizadas em estimaes pontuais, por exemplo, erro quadrtico mdio, no so
aplicveis. Uma alternativa comparar a freqncia com que o VAR excedido com a
freqncia de erro esperada. Esta estratgia falha porque, devido a variabilidade das
estimativas, preciso saber se os desvios em relao freqncia esperada so
estatisticamente significantes. Os modelos estatsticos que tentam medir esta significncia
comentados neste trabalho tendem a apresentar baixa potncia, principalmente, para
sries curtas como no caso em estudo. Por este fato, o trabalho optou pela metodologia
sugerida em Lopez (1998) que se baseia numa certa funo perda que leva em conta o
tamanho do erro quando este ocorrem.
Os resultados obtidos para a 1
o
carteira (DI1, DI2, DI3, TEL4 e IBVF) tanto pela
observao direta da freqncia de erro quanto pela funo perda apontam um
superioridade do modelo SV sobre os demais. J para a Segunda carteira (DI20, DI40,
TEL4 e IBVSP) o modelo EWMA se mostrou superior aos demais.
7- BIBLIOGRAFIA
Andersen, T. e B. Sorensen (1994). GMM Estimation of a Stochastic Volatility Model: a
Monte Carlo Study. Working Paper: Northwestern University.
Black, F. (1976). The Pricing of Commodity Contracts. Journal of Financial Economics
2, 167-179.
Black, F. e M. Scholes (1973). The Pricing of Options and Corporate Liabilities. Journal
of Political Economy 81, 637-654.
Bollerslev, T. (1986). Generalized Autorregressive Condicional Heteroskedasticity.
Journal of Econometrics 51, 307-327.
Bollerslev, T. (1990). Modelling the Coherence in Short-Run Nominal Exchange Rates:
A Multivariate Generalized ARCH Approach. Review of Economics and Statistics 72,
498-505.
Bollerslev, T., R. Engle e J. Wooldridge (1988). A Capital Asset Pricing Model with
Time Varying Covariances. Journal of political Economy 96, 116-131.
Breidt, F. J. e A. L. Carriquiry (1995). Improved Quasi-Maximum Likelihood Estimation
for Stochastic Volatility Models. Mimeo, Department of Statistics, University of Iowa.
Butler, J. S. and B. Schachter (1996). Improving Value-at-Risk Estimates by Combining
Kernel Estimation with Historical Simulation. Mimeo. Vanderbilt University and
Comptroller of the Currency.
Clark, P. K. (1973). A Subordinated Stochastic Process Model with Finite Variance for
Speculative Prices. Econometrica 41, 135-156.
Christoffersen, P. F. (1996). Evaluating Interval Forecasts. Mimeo, Research
Departament, International Monetary Fund. Forthcoming in the International Economic
Review.
Crnkovic, C. and J. Drachman (1996). Quality Conntrol. Risk 9, 139-143.
Danielsson, J. and C. G. Vries (1997). Value-at-Risk and Extreme Returns. Mimeo,
Tinbergen Institute Rotterdam.
Diebold, F., A. Hickman, A. Inoue, T. Shchuermann. Converting 1-Day Volatility to h-
Day Volatility: Scalinng by h is Worse than You Think. Mimeo, Department of
Statistics, University of Pennsylvania.
Dowd, K. (1998). Beyond Value at Risk. John Wiley & Sons.
Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with Estimates of the
Variance of the United Kington Inflation. Econometrica 50, 987-1007.
Engle, R., D. Lilien e R. Robins (1987). Estimating Time-Varying Risk Premia in the
Term Structure: The ARCH-M model. Econometrica 55, 251-276.
Engle, R. V. Ng e M. Rothschild (1990). Asset Pricing with a Factor ARCH Covariance
Structure: Empirical Estimates for Treasury Bills. Journal of Econometrics 45, 213-238.
Fama, E. F. (1963). Mandelbrot and the Stable Paretian Distribution, Journal of Business
36, 420-429.
Fama, E. (1965). The behavior of Stock Market Prices. Journal of Business 38, 593-624.
Guldimann, T. (1996). Beyond the Year 2000. Risk 9 (june), 17-19.
Hamilton, J. (1994). Time Series Analysis. Princeton: Princeton University Press.
Hansen, L. P. (1982). Large Sample Properties of Generalized Method of Moments
estimators. Econometrica 50, 1029-54.
Harvey, C., E. Ruiz e N. Shephard (1994). Multivariate Stochastic Variance Models.
Review of Economic Studies 61, 247-264.
Harvey, A.C. e N. Shephard (1996). The Estimation of an Assimetric Stochastic
Volatility model for asset returns. Journal of Business and Economic Statistics
(forthcoming).
Hull, J. (1989). Options, Futures and Other Derivative Securities. New Jersey.
Hull, J. e A. White (1987). The Pricing of Options on Assets with Stochastic Volatilities.
Journal of Finance 42, 281-300
Jackson, P., D.J. Maude and W. Perraudin (1997). Bank Capital and Value-at-Risk.
Journal of Derivatives 4 (Spring): 73-90.
Jacquier, E., N. G. Polson e P. E. Rossi (1994). Baysian Analysis of Stochastic Volatility
models. Journal of Economics and Business Statistics 12. Forthcoming.
Keynes, J.M. (1936). The General Theory of Employment, Interest and Money. New
York: Harcourt, Brace & World.
Kupiec, P. (1995). Techniques for Verifying the Accuracy of Risk Management Models.
Journal of Derivatives 3, 73-84.
Lopez, J. A. (1996). Regulatory Evaluation of Value-at-Risk Models. Mimeo, Research
and Market Analisys Group, Federal Reserve Bank of New York.
Lopez, J. A. (1998). Methods for Evaluating Value-at-Risk Estimates. Mimeo, Research
and Market Analisys Group, Federal Reserve Bank of New York.
Mahoney, J.M. (1996). Forecast Biases in Value-at-Risk Estimations: Evidence from
Foreign Exchange and Global Equity Portflios. Mimeo, Federal Reserve Bank of New
York.
Mandelbrot, B. (1963). The Variation of Certain Speculatives Prices. Journal of Business
36: 394-419.
Nelson, D. (1990). Stacionarity and Persistence in the GARCH(1,1) Model. Econometric
Theory 6, 318-334.
Ruiz, E. (1994). Quasi-Maximum Likelihood Estimation of Stochastic Volatility Models.
Journal of Econometrics 63, 289-306.
Tauchen, G. and M. Pitts (1983). The Price Variability Volume Relationship on
Speculative Markets. Econometrica 51, 485-505.
Taylor, S. J. (1980). Conjectured Models for Trends in Financial Prices, Tests and
Forecasts. J. R. Statist. Soc. A143, 338-362.
Taylor, S. J. (1986). Modeling Financial Time Series. John Wiley. Chichester.