Professional Documents
Culture Documents
br/institucional/pesquisa/dissertacoe
s/pdf/Bruno_Maletta.pdf, acesso em 16 jun 2006
Dissertação de Mestrado
Abril de 2005
Maletta, Bruno Vasques
x, 63 f.
À minha família, pelo apoio e incentivo que sempre me deram. Em especial, à minha
mãe, Regina, e minha namorada, Karine, que tiveram a paciência necessária nesta
longa trajetória do mestrado.
Ao meu orientador, Eduardo Saliby, que foi mais que um professor e orientador, mas
se tornou um amigo.
The Value-at-Risk (VaR) is the most popular concept about risk management.
However, the traditional methodologies to calculate it present some known problems
(the choose of the statistical distribution for the risk factors, the time series used,
intense use of computational resources and others). This work intend to present ways,
using Monte Carlo Simulation and variance reductions techniques, to solve or minimize
those problems.
One of the new methodologies intend to mix three statistical distributions to
model, in a realistic way, the extremities of the risk factors. The other new methodology
introduce the variance reduction techniques in the traditional Monte Carlo Simulation.
The tests was realized in the Bra zilian Market, using Petrobrás, Embratel and
Telemar shares in the period if January/2002 and March/2004. The quality of the
models was measured by the Kupiec's test, CVaR, standard deviation and sub-aditivity
failure. The results show that the methodologies presented are better than the
traditional, principally on elevated confidence levels.
LISTA DE SIGLAS E ABREVIAÇÕES
TABELA 4 - INTERVALO
DE CONFIANÇA PARA A PORCENTAGEM DE FALHAS NO CÁLCULO DO
VaR PROPOSTO POR KUPIEC PARA UMA AMOSTRA DE 557 OBSERVAÇÕES……………....46
3
TABELA 7 - DESVIO PADRÃO (X10 ) DAS SIMULAÇÕES PARA O CÁLCULO DO VaR DIÁRIO DAS
AÇÕES PETR4 NO PERÍODO DE 02 DE JANEIRO DE 2002 ATÉ 31 DE MARÇO DE 2004 PARA
OS DIVERSOS NÍVEIS DE CONFIANÇA……………………………………………..……...……...….47
TABELA 10 - DESVIO PADRÃO (X103) DAS SIMULAÇÕES PARA O CÁLCULO DO VaR DIÁRIO
DAS AÇÕES EBTP4 NO PERÍODO DE 02 DE JANEIRO DE 2002 ATÉ 31 DE MARÇO DE 2004
PARA OS DIVERSOS NÍVEIS DE CONFIANÇA…………………………………………..………..….48
TABELA 13 - DESVIO PADRÃO (X103) DAS SIMULAÇÕES PARA O CÁLCULO DO VaR DIÁRIO
DAS AÇÕ ES TNLP4 NO PERÍODO DE 02 DE JANEIRO DE 2002 ATÉ 31 DE MARÇO DE 2004
PARA OS DIVERSOS NÍVEIS DE CONFIANÇA…………………………………………..………..….50
TABELA 18 - DESVIO PADRÃO DAS SIMULAÇÕES PARA O CÁLCULO DO VaR DIÁRIO PARA A
POSIÇÃO DE VENDA DA CARTEIRA NO PERÍODO DE 02 DE JANEIRO DE 2002 ATÉ 31 DE
MARÇO DE 2004 PARA OS DIVERSOS NÍVEIS DE CONFIANÇA.....……………………………...54
Capítulo 1 - O Problema 2
1.1 Introdução 2
1.2 Questões a serem respondidas 5
1.3 Objetivo 5
1.4 Relevância do estudo 6
1.5 Delimitação 6
Capítulo 3 - Metodologia 33
Capítulo 4 - Resultados 39
Capítulo 5 - Conclusões 56
Capítulo 6 - Referências 59
1. O Problema
1.1 Introdução
O risco de mercado tornou-se, ao longo dos últimos anos, uma das maiores
preocupações para os participantes do mercado financeiro. Agências reguladoras,
bancos comerciais e de investimentos, grandes corporações e investidores estão cada
vez mais voltando suas atenções ao nível de risco ao qual sua instituição ou carteira de
investimentos estão submetidos. Segundo Jorion (1997), o principal motivo para o
crescimento da administração de risco é a imprevisibilidade das variáveis financeiras.
1
Por exemplo: Li (1999) e Zangari (1996)
deixa as extremidades da série com maior probabilidade que as extremidades da
distribuição Normal teórica, subestimando a exposição ao risco.
O método de Monte Carlo consiste na simulação do valor futuro dos ativos que
compõem a carteira através de um modelo. Esta metodologia é indicada quando as
abordagens histórica e paramétrica não são apropriadas, principalmente devido ao alto
custo computacional de implementação e processamento. Mesmo assim, vem sendo
cada vez mais utilizada, não somente no gerenciamento de risco, mas em diversas áreas
financeiras (destacam-se os estudos na precificação de derivativos). Sua crescente
popularidade se dá, principalmente, pela liberdade na modelagem do problema
(passando de "soluções exatas de problemas aproximados" para "soluções aproximadas
de problemas exatos"), avaliação de perguntas do tipo "e se?" (permitindo a avaliação
de mudanças de cenários ou conseqüências de decisões) e avaliação de problemas em
que o conhecimento das variáveis envolvidas é parcial.
1.3 Objetivo
1.5 Delimitação
Como o cálculo do VaR não possui uma resposta correta, ou seja, uma fórmula
analítica fechada, a precisão dos métodos será avaliada pela variabilidade de suas
respostas e, principalmente, pela proporção de falhas. Estas duas medidas são
diretamente afetadas pelo tamanho da amostra de dias utilizados nos experimentos.
Alguns autores (por exemplo: Blanco e Ihle em 1998) utilizam outros critérios de
avaliação, como a magnitude das falhas.
Onde:
Var(X) = Var(X1 ) = Var(X2)
ρ : coeficiente de correlação entre X1 e X2
Onde:
X: valor estimado por simulação do problema sem solução analítica
Y: variável de controle (diferença entre o valor analítico e o valor estimado por
simulação do problema com solução analítica)
K: coeficiente angular da regressão entre o valor estimado por simulação do problema
sem solução analítica e o valor estimado por simulação do problema com solução
analítica
Onde:
PAVC: prêmio aritmético estimado por Variável de Controle
PA: prêmio aritmético estimado por simulação
PG: prêmio geométrico estimado por simulação
C: prêmio obtido pelo modelo de Black e Scholes para o caso geométrico
β: coeficiente angular da regressão entre PA e PG
Onde:
i = 1, ..., n
xhi: valor que compõem a amostra hipercúbica
n: tamanho da amostra
F -1: inversa da função de distribuição acumulada
Randi : número aleatório entre 0 e 1
i − 0,5
xdi = F −1 (2.5)
n
Onde:
i = 1, ..., n
xdi: valor que compõem a amostra descritiva
n: tamanho da amostra
F -1: inversa da função de distribuição acumulada
F -1 (R), R ∈ (0,1)
2.1.5 Amostragem por Importância
Monte Carlo
Básico
Amostragem por
Importância
Segundo Jorion (1997), risco pode ser definido como a volatilidade de resultados
inesperados, normalmente relacionada ao valor de ativos ou passivos. As empresas
podem estar expostas a três tipos de risco: operacional, estratégico e financeiro. O
primeiro deles está relacionado ao setor da economia em que a empresa opera,
inovações tecnológicas, desenho de produtos, marketing, etc. O risco estratégico resulta
de mudanças fundamentais no cenário econômico e político (por exemplo, a
expropriação ou nacionalização de territórios). O risco financeiro está ligado a possíveis
perdas nos mercados devido a oscilações de variáveis financeiras (por exemplo, a taxa
de juros ou câmbio). Este último pode ser classificado em:
- Riscos de mercado: surgem de mudanças nos preços de ativos ou passivos financeiros.
- Riscos de liquidez: surge quando uma transação não pode ser conduzida pelos preços
de mercado, devido a uma atividade insuficiente de mercado. Também, pode referir -se à
impossibilidade de cumprir obrigações relativas ao fluxo de caixa.
Vt V
VaR
Valor do Portfolio
O VaR histórico aplica as variações dos fatores de risco (fatores que afetam o
valor de um determinado ativo do portfólio, por exemplo o preço de uma ação, a taxa de
juros, o câmbio, etc.) ocorridas no passado nas posições de risco atuais levando em
cons ideração o horizonte de tempo escolhido.
Define-se um período histórico e a unidade do holding period (diário, mensal,
etc.) da qual deseja -se medir o VaR e calcula -se, para cada unidade de tempo, o retorno
do portfólio atual, atualizando o valor de cada ativo. Dado um determinado nível de
confiança (1-α)%, o VaR será o percentil α% da amostra de retornos históricos. Por
exemplo, o VaR de uma posição "comprada" em um determinado portfólio, por esta
metodologia, com nível confiança de 95% será o percentil 5% da amostra de retornos.
Para uma posição de venda, o VaR será o percentil 95%.
No caso do VaR, isto significa que o risco de um portfólio deve ser menor que a
soma dos riscos individuais dos ativos que o compõe. Este conceito é bastante difundido
(a diversificação diminui os riscos) e utilizado em diversas teorias de investimento e
alocação de recursos, como o Capital Asset Pricing Model (CAPM). Porém, no artigo
de Artzner et al. (1999) e vários outros - Acerbi, Nordio e Sirtori (2001), por exemplo -
foi demonstrado que o VaR histórico falha neste critério, ou seja, pode apresentar
portfólios com risco maior que a soma do risco de seus ativos.
As outras propriedades apresentadas por Artzner et al. (1999) para uma medida
de risco coerente são satisfeitas pelo VaR histórico: monotonicidade, homogeneidade e
invariância de translação. Devido a esta e outras críticas, diversas variações do VaR já
foram apresentadas na literatura, como o Expected Shortfall.
VaR = M × FS × σ × HP (2.6)
Onde:
M: montante (em unidade monetárias) aplicado na posição
FS: Fator de segurança retirado da distribuição teórica assumida (em geral, a
distribuição Normal padrão) referente ao nível de confiança desejado
σ: volatilidade
HP: horizonte de tempo considerado (Holding Period)
σ t = λσ t −1 + (1 − λ ) rt2−1 (2.7)
2
Vide Jorion (1997).
Onde:
?(X,Y): correlação entre o retorno dos ativos X e Y
∆V = β0 × ∆S (2.9)
Onde:
β 0 : sensibilidade da carteira às mudanças de preço, avaliada a partir do preço atual, que
depende dos preços atuais de cada ativo (S0). A suposição de normalidade permite o
cálculo do β do portfólio como a média dos β individuais.
∆S: mudança potencial nos preços
Onde:
∆ e Γ são as derivadas de primeira e segunda ordem do preço do derivativo em relação
ao preço do ativo-objeto oriundas da expansão de Taylor.
VaR a: VaR do ativo-objeto de origem do derivativo
3
Vide Hull (2003)
O cálculo básico do VaR por simulação de Monte Carlo envolve os seguintes
passos:
1. Escolher um processo estocástico para simular os preços futuros de cada ativo ou
fator de risco do portfólio;
6. Repetir os passos 2 a 5 tantas vezes quanto necessário, até se obter uma amostra
suficientemente grande para que se possa gerar a distribuição de probabilidade do
valor do portfólio. Ao nível de confiança desejado (1-α)%, o VaR é o valor do
percentil α% (para posição "comprada") ou percentil (1-α )% (para posição
"vendida") da série de retornos do portfólio gerada pela simulação.
Diz-se que uma variável segue um processo estocástico quando seu valor é
incerto e variável dependendo de um parâmetro, em geral do tempo. O modelo
estocástico de maior utilização no mercado financeiro para representar o retorno de um
ativo-objeto é o movimento geométrico browniano - processo inicialmente utilizado na
física para descrever o movimento de uma partícula sujeita a choques de outras
moléculas. Este modelo pode ser representado pela equação diferencial estocástica a
seguir:
dSt (2.11)
= µdt + σdz t
St
Onde:
St : preço do ativo-objeto no instante t;
dSt / St : taxa de retorno do ativo-objeto
µ: esperança da taxa de retorno do ativo-objeto
dt: intervalo de tempo
σ: volatilidade da taxa de retorno do ativo-objeto
dzt: variável aleatória com distribuição Normal (0;dt)
dzt = εt dt (2.12)
Onde:
ε t: variável aleatória Normal padrão
dzt é independente para dois intervalos de tempo distintos
St = St − 1e( Rf −σ / 2) dt +σ dt εt
2
(2.13)
Onde:
Rf: taxa livre de risco
Onde:
ε't: variável aleatória Normal padrão gerada pela Amostragem Descritiva
C: valor do deslocamento proposto na Amostragem por Importância
4
Uma demonstração completa encontra-se em Hull (2003)
2.3.4 Modelo de Mistura de Distribuições
Inicialmente, pode-se considerar que um fator de risco deva ser dividido em dois
componentes. O primeiro, chamado de ordinário, segue a distribuição dos dados sem a
interferência de saltos para cima ou para baixo. O outro componente é a representação
dos choques causados pelos saltos. Então, um fator de risco pode ser modelado da
seguinte forma:
r = r o + rS (2.15)
Onde:
ro : segue a distribuição ordinária dos dados
rS : componente influenciado pelos saltos, segue uma distribuição trinomial definida
como:
r = (1-p-q) r o + p rD + q rU (2.17)
Onde:
rD e rU possuem a mesma distribuição ordinária de ro com médias defasadas em -D e U,
respectivamente.
− ( u− µ )2 − (u− µ −D )2 − ( u− µ +U )2
1 1 1
0,95 = (1 − p − q )∫ du + p ∫ du + q ∫
x x x
e 2σ2 e 2σ 2 e 2σ 2 du (2.19)
− ∞ σ 2π −∞ σ 2π − ∞ σ 2π
Na prática, os portfólios são compostos por mais de uma fonte de risco ou ativo
financeiro. Quando se utiliza a simulação para descrever o comportamento destes
fatores de risco, deve -se levar em consideração a correlação entre eles. A fatoração de
Cholesky é o método mais conhecido para a incorporação da correlação na geração de
seqüências aleatórias.
a 33 = 1 − ρ13 −
2
a 22 = (1 − ρ122 )1 / 2 (1 − ρ122 )1/ 2
ε1' 1 0 0 ε1
'
ε2 = ρ12 (1 − ρ122 )1 / 2 0 x ε2 (2.20)
ε3' ρ23 − ρ12 ρ13 ρ −ρ ρ
2 1/ 2
ε3
ρ 1 − ρ132 − 23 212 1/132
13 (1 − ρ122 )1 / 2 (1 − ρ12 )
Este teste para a proporção de falhas baseia -se somente na freqüência de erros,
ou seja, mede se a quantidade de erros é coerente com a quantidade esperada. Porém,
alguns autores (como Blanco e Ihle, 1998; Lopez, 1998) defendem que além da
freqüência deve ser medido a magnitude dos erros. Ou seja, a diferença entre a máxima
perda esperada (VaR) e o valor verdadeiramente observado. A média destas diferenças é
conhecida como CVaR.
Neste trabalho, a magnitude dos erros será observada quando houver empate na
proporção de falhas. Sendo assim, um critério de desempate para escolha da
metodologia de cálculo do VaR mais precisa.
Este índice permitirá a comparação geral (para todos os níveis de confiança) das
metodologias em análise. É fácil perceber que quanto menor o índice, melhor é o
resultado.
3. Metodologia
Este trabalho pode ser classificado em relação a dois aspectos: quanto aos fins e
quanto aos meios empregados. No primeiro aspecto, este trabalho trata -se de uma
pesquisa exploratória, visto que o experimento é relacionado à descobertas recentes e
será aplicada em uma situação ainda não apresentada na literatura.
O experimento a ser realizado, neste trabalho, será o cálculo do VaR diário para
as posições de compra e de venda de uma carteira composta igualmente pelas três ações
de maior participação no IBOVESPA (quadrimestre de maio a agosto de 2004): TNLP4
(Telemar), PETR4 (Petrobrás) e EBPT4 (Embratel). Juntas, estas três ações,
representam aproximadamente 27% do índice. Também será realizado uma análise
descritiva das três ações separadamente.
As sub-rotinas para simulação das trajetórias dos ativos, geração dos valores
pseudo-aleatórios e o cálculo do VaR serão desenvolvidas em linguagem de
programação no software Matlab versão 6.5. Os algoritmos desenvolvidos nesta
ferramenta possuem processamento bastante rápido, são de fácil manipulação e
compreendem todas as funções estatísticas e matemáticas necessárias já pré-definidas.
80,00
70,00
60,00
R$
50,00
40,00
30,00
20,00
Feb-18-02
Mar-11-02
May-17-02
Apr-04-02
Apr-25-02
Jul-01-02
Jul-23-02
Feb-06-03
Feb-27-03
Mar-24-03
May-08-03
May-29-03
Apr-14-03
Jul-14-03
Feb-13-04
Mar-09-04
Mar-30-04
Aug-13-02
Sep-03-02
Sep-24-02
Aug-04-03
Aug-25-03
Sep-15-03
Oct-15-02
Oct-06-03
Oct-27-03
Nov-05-02
Nov-27-02
Dec-18-02
Nov-17-03
Dec-08-03
Jan-02-02
Jan-23-02
Jun-10-02
Jan-14-03
Jun-20-03
Jan-02-04
Jan-23-04
Jan/02 a Mar/04
80
60
40
20
0
-,1
-,0
-,0
-,0
-,0
-,0
-,0
-,0
,00
,01
,02
,03
,05
,06
,07
00
87
75
62
50
37
25
12
0
3
5
8
0
3
5
PETR4
Figura 6 - QQ Plot dos retornos da ação PETR4 no período de 02 de janeiro de 2002 a
Normal31Q-Q Plotdeof2004
de março PETR4
,08
,06
,04
,02
Expected Normal Value
0,00
-,02
-,04
-,06
-,08
-,2 -,1 0,0 ,1
Observed Value
As características observadas nos dados de retorno da ação PETR4 são
compatíveis com as características já mencionadas para o problema das "caudas
gordas". Observa-se, na Figura 5, que a curva da distribuição Normal subestima a
proporção de valores nas caudas, principalmente no lado esquerdo. Pela Figura 6,
observa-se que os pontos das extremidades são os mais distantes da reta que caracteriza
a distribuição Normal. Apesar destes desvios, a amostra pode ser considerada
Normalmente distribuída pelo teste de Kolmogorov-Smirnov com 95% de confiança
(p-valor de 34,2%).
Quanto à ação EBTP4, observa -se na Figura 7 dois períodos bastante distintos:
primeiramente uma forte queda no preço e depois a recuperação. A diferença entre o
primeiro e último dia da amostra é de -10,6%.
10,00
8,00
R$
6,00
4,00
2,00
0,00
Jul-01-02
Jul-23-02
Oct-15-02
Jul-14-03
Oct-06-03
Oct-27-03
Feb-18-02
Mar-11-02
Feb-06-03
Feb-27-03
Mar-24-03
Feb-13-04
Mar-09-04
Mar-30-04
Apr-04-02
Apr-25-02
Apr-14-03
Aug-13-02
Sep-03-02
Sep-24-02
Nov-05-02
Nov-27-02
Dec-18-02
Aug-04-03
Aug-25-03
Sep-15-03
Nov-17-03
Dec-08-03
Jan-02-02
Jan-23-02
May-17-02
Jun-10-02
Jan-14-03
May-08-03
May-29-03
Jun-20-03
Jan-02-04
Jan-23-04
Jan/02 a Mar/04
120
100
80
60
40
20
0
-,300 -,200 -,100 ,000 ,100 ,200
-,250 -,150 -,050 ,050 ,150
EBTP4
Figura 9 - QQ Plot dos retornos da ação EBTP4 no período de 02 de janeiro de
Normal2002 Q-Q Plot
a 31 of EBTP4
de março de 2004
,2
,1
Expected Normal Value
0,0
-,1
-,2
-,3 -,2 -,1 -,0 ,1 ,2 ,3
Observed Value
Através do Histograma, Figura 8, e do QQ Plot, Figura 9, percebe-se que
existem alguns retornos, principalmente negativos, bastante diferentes dos valores
esperados pela distribuição Normal. Diferentemente do teste realizado com a ação da
Petrobrás, não se pode considerar esta série Normalmente distribuída pelo teste de
Kolmogorov-Smirnov com 95% de confiança (p-valor de 01,4%).
50,00
45,00
40,00
35,00
30,00
25,00
20,00
15,00
10,00
Jan-02-02
Jan-22-02
May-09-02
May-29-02
Jun-19-02
Jan-09-03
Jan-30-03
May-16-03
Jun-05-03
Jun-26-03
Jan-15-04
Jul-10-02
Jul-30-02
Oct-16-02
Jul-17-03
Oct-03-03
Oct-23-03
Feb-14-02
Mar-06-02
Mar-28-02
Feb-20-03
Mar-14-03
Feb-04-04
Feb-26-04
Mar-17-04
Apr-18-02
Apr-03-03
Apr-25-03
Aug-19-02
Sep-06-02
Sep-26-02
Nov-05-02
Nov-26-02
Dec-16-02
Aug-06-03
Aug-26-03
Sep-15-03
Nov-12-03
Dec-02-03
Dec-22-03
A Tabela 3 indica que esta é a série que possui valores de assimetria e excesso
de curtose mais próximos de zero, ou seja, dos valores teóricos da distribuição Normal.
Tabela 3 - Estatísticas descritivas da série de retornos da ação TNLP4 no período de
02 de janeiro de 2002 a 31 de março de 2004
Desvio Excesso de
Observações Média Mínimo Máximo Assimetria
Padrão Curtose
TNLP4 557 0,02% 2,45% -8,28% 8,90% -0,070 0,630
60
50
40
30
20
10
0
-,0
-,0
-,0
-,0
-,0
-,0
-,0
,00
,01
,03
,04
,05
,06
,08
81
69
56
44
31
19
06
9
1
4
6
9
Figura 12 - QQ PlotTNLP4
dos retornos da ação TNLP4 no período de 02 de janeiro de
Normal 2002Q-Q
a 31Plot of TNLP4
de março de 2004
,08
,06
,04
,02
Expected Normal Value
0,00
-,02
-,04
-,06
-,08
-,1 0,0 ,1
Observed Value
Observa-se que das três séries, a ação TNLP4 é a mais próxima da distribuição
Normal, apresentando os pontos do Histograma (Figura 11) e QQ Plot (Figura 12) mais
próximos dos valores teóricos esperados. No teste de Kolmogorov-Smirnov, seu p-valor
é o mais alto (59,8%), confirmando a análise gráfica.
Nível de Limite
Confiança Inferior Superior
95% 3,30% 6,91%
97,5% 1,32% 3,90%
99% 0,30% 1,93%
99,5% 0,05% 1,19%
Mistura de Mistura de
Paramétrica Simulação Simulação Simulação
Histórica Distribuições Distribuições
(Normal) (AAS) (AD) (AD+AI)
(AAS) (AD)
95% 5,206 4,488 4,668 4,488 4,488 4,488 4,488
97,5% 3,411 2,693 2,693 2,693 2,693 2,513 2,513
99% 1,975 * 1,616 1,616 1,616 0,898 1,077 0,718
99,5% 1,975 * 1,616 * 1,616 * 1,616 * 0,718 0,359 0,180
Índice 4,331 3,027 2,991 3,027 0,718 0,467 1,031
Tabela 10 - Desvio -padrão (x 103) das simulações para o cálculo do VaR diário das
ações EBTP4 no período de 02 de janeiro de 2002 até 31 de março de 2004 para os
diversos níveis de confiança
Tabela 13 - Desvio -padrão (x 103) das simulações para o cálculo do VaR diário das
ações TNLP4 no período de 02 de janeiro de 2002 até 31 de março de 2004 para os
diversos níveis de confiança
Através das Tabelas 11 e 12, confirma-se o que já havia sido constatado nos
resultados dos outros dois ativos. Na posição de compra, existe uma clara superioridade
do Modelo de Mistura de Distribuições utilizando a Amostragem Aleatória Simples. Na
posição contrária, existe a superioridade do modelo de simulação com as técnicas de
Amostragem Descritiva e Amostragem por Importância. Na Tabela 11, o modelo de
Mistura de Distribuições com Amostragem Descritiva apresentou um valor fora do
intervalo de Kupiec, mas índice de desempenho geral baixo. Novamente, vários valores
ficaram fora do intervalo de Kupiec no cálculo do VaR para a posição de compra para
as metodologias mais tradicionais e a metodologia histórica não obteve nenhum dos
melhores resultados. O desvio-padrão foi menor do que nos outros dois casos.
Para o lado dos retornos positivos, que melhor se aderem à distribuição Normal,
a simulação de Monte Carlo com as técnicas AD+AI mostrou-se o melhor modelo para
o cálculo do VaR. Apesar de, também, pressupor Normalidade na trajetória dos ativos, a
simulação utilizando a Amostragem por Importância se comportou de forma diferente
das demais metodologias de simulação, com melhores resultados (nenhuma de suas
proporções de falha ficou fora do intervalo de Kupiec tanto na posição de compra como
de venda). Isso nos faz pensar que esta técnica de amostragem pode minimizar o
problema da não Normalidade dos dados quando concentra os valores selecionados na
parte de interesse da distribuição.
Vale lembrar, que nas tabelas abaixo os valores realçados representam os mais
próximos do percentual de falhas esperado em cada nível de confiança (os melhores).
Em caso de empate, utiliza-se o critério do menor CVaR. Os valores marcados com o
asterisco estão fora do intervalo proposto por Kupiec (os piores).
Nível de
Histórica
Confiança
95% 15,440
97,5% 2,334
99% 0,000
99,5% 0,000
Nível de
Histórica
Confiança
95% 1,436
97,5% 0,000
99% 0,000
99,5% 0,000
ARCEBI, C.; NORDIO, C.; SIRTORI, C. Expected Shortfall as a tool for financial
risk management. Working paper, dez. 2001. Disponível em:
<http://www.gloriamundi.org>
ARTZNER, P.; DELBAEN, F.; EBER, J.; HEATH, D. Coherent measures of risk.
Mathematical Finance , v. 9, n. 3, jul. 1999.
BLANCO, C.; IHLE, G. How good is your VaR? Using backtesting to assess system
performance. 1998. Disponível em <www.fenwes.com\fen11.var.html>
BOYLE, P.P.; BROADIE, M.; GLASSERMAN, P. Monte Carlo methods for security
princing. Journal of Economic Dynamics and Control, n. 21, 1997.
CÁRDENAS, J.; FRUCHARD, E.; PICRON J.F.; REYES, C.; WALTERS, K.; YANG,
W. Monte Carlo within a day. Risk, fev. 1999.
HULL, J. Options, Futures and Other Derivatives. Nova Iorque: Prentice-Hall, 2003.
JOY, C.; BOYLE, P.P.; TAN, Q.S. Quasi-Monte Carlo methods in numerical finance.
Management Science , n. 42, 1996.
KUPIEC, P. Techniques for verifying the accuracy of risk measurement models. The
Journal of Derivatives, winter, 1995.
LI, D. Value at Risk based on the volatility, skewness and kurtosis . Working paper,
mar. 1999. Disponível em: <http://www.gloriamundi.org>
PASKOV, S.H., TRAUB, J.F. Faster valuation of financial derivatives. The Journal of
Portfolio Management, Fall 1996.