Chela e Kamogawa

MODELOS ORTOGONAIS
PARA A ESTIMATIVA
MULTIVARIADA DE VAR
(VALUEATRISK) PARA RISCO
DE MERCADO: UM ESTUDO
DE CASO COMPARATIVO
Joo Luiz Chela
Doutor em Matemtica Aplicada pela Universidade Estadual de Campinas (Unicamp).
Mestre em Matemtica Aplicada pela Universidade Estadual Paulista Jlio de
Mesquita Filho (Unesp). Graduado em Matemtica Pura pela Unesp.
Professor do Centro de Cincias Sociais e Aplicadas da Universidade Presbiteriana
Mackenzie (UPM) e superintendente de modelagem de crdito do Banco Safra.
Email: chela@mackenzie.br
Jean Carlos Abraho
Master in Business Administration (MBA) pela Carnegie Mellon University (EUA).
Graduado em Engenharia Civil pela Escola Politcnica da Universidade de So Paulo
(PoliUSP). Superintendente no Banco ItaUnibanco.
Email: jean.abrahao@hotmail.com
Luiz Fernando Ohara Kamogawa
Graduado, mestre e doutor em Economia pela Escola Superior de Agricultura
Luiz de Queiroz (EsalqUSP).
Professor do Centro de Cincias Sociais e Aplicadas da Universidade Presbiteriana
Mackenzie (UPM) e gerente de validao de modelos de risco no Banco ItaUnibanco.
Email: luiz.kamogawa@itauunibanco.com.br
Modelos ortogonais para a estimativa multivariada de VAR (value-at-risk) para risco de mercado: um
estudo de caso comparativo, Joo Luiz Chela, Jean Carlos Abraho, Luiz Fernando Ohara Kamogawa
Resumo
O presente trabalho tem como objetivo explorar diferentes modelos de esti
mativa da distribuio conjunta de fatores para risco de mercado, com nfase nos
modelos ortogonais. Foram explorados cinco modelos: 1. o de correlao condi
cional dinmica (DCC); 2. o de ortogonais (ou por componentes principais); 3. o
tradicional RiskMetrics EWMA com fator de decaimento 0.94; 4. o com otimiza
o de parmetros GARCH e correlao EWMA; e 5. o de aproximao para valo
res extremos. Todos os modelos foram explorados de forma emprica, com o uso
de uma srie de carteiras previamente selecionada, incluindo dados da ETTJ bra
sileira durante o perodo da crise financeira de 2008. Os resultados indicam uso
favorvel do modelo de componentes principais.
Palavraschave: Componentes principais; GARCH; EWMA.
1
INTRODUO
A literatura de finanas para a modelagem da volatilidade univariada (ni
co fator de risco) extremamente densa e desenvolvida, e h um consenso
geral das melhores prticas, convenincias e usos de cada modelo.
A fim de aplicar esses modelos para que haja uma distribuio conjunta
dos fatores de risco (modelos multivariados), ainda no existe uma metodolo
gia que atenda plenamente os pressupostos metodolgicos quantitativos sem
ferir tambm os princpios econmicos, mostrandose parcimonioso em sua
implantao.
Grande parte da literatura compese de generalizaes dos procedimen
tos de modelagem da volatilidade estocstica univariada (em que GARCH e
EWMA so exemplos). Tal generalizao se torna onerosa e imprecisa medi
da que so adicionados novos ativos carteira.
Existem n (n + 1)/2 conjuntos de variveis a serem calculadas para n n
mero de ativos, o que pode representar, por exemplo, 15 conjuntos a serem
71
Revista de Economia Mackenzie v. 9 n. 1 p. 70-92
estimados com 5 ativos e 325 com 25 ativos. Adicionase a dificuldade de ter

de garantir, em cada instante, que a matriz de covarincia/varincia seja po
sitiva e semidefinida (TSAY, 2005).
Outro ponto negativo no uso da generalizao dos modelos univariados
consiste no fato de que eles ignoram a presena de estruturas de dependn
cia de longo prazo entre as variveis, tendo em vista que as varincias/cova
rincias estocsticas e, consequentemente, as correlaes respondem auto
maticamente a choques de curto prazo. Concomitantemente, esses modelos
tambm ignoram a presena de correlaes esprias entre as variveis.
Das diversas sugestes metodolgicas para os estimadores da volatilidade
multivariada, duas se mostram promissoras: 1. os modelos de correlao con
dicional, em que se destacam os modelos de correlao constante desenvol
vidos por Bollerslev (1990) e o modelo de correlao condicional dinmica,
DCC, de Engle (2002); e 2. os modelos de reduo de dimenses ou mode
los ortogonais GARCH (OGARCH) e EWMA (OEWMA), que so o principal
objeto do presente trabalho.
W1.1 Modelos
de correlao condicional
Bollerslev (1990) introduziu uma nova classe de estimadores multivaria

dos de volatilidade, os modelos de correlao condicional constante (CCC),
parte da matriz de varincia/covarincia definida pela Equao (1):
Ht = Dt R Dt
(1)
em que:
Ht a matriz de varincia/covarincia no perodo de tempo t;
Dt = diag hi,t , e hi,t a varincia do ativo i em t;
R a matriz de correlao constante.

Dado que o resduo padronizado de uma srie de retornos de um ativo
definido pela razo entre o retorno observado e a varincia estimada, temse a
forma matricial expressa por:
72
t = Dt 1 rt
(2)
em que rt so os retornos dos ativos em t.

Assim, Bollerslev (1990) define a matriz de correlao pela simples relao
mtua dos resduos padronizados, de acordo com:
E (t t ) = Dt 1 Ht Dt 1 = R
(3)
Engle (2002) prope uma generalizao do modelo constante para um

modelo dinmico (time varying), pela ponderao geomtrica dos resduos
padronizados definidos no caso do alisamento exponencial EWMA:
qi, j,t = (1 ) i, t 1 j, t 1 + q = s =1 (1 ) s i,t s j,t s
(4)
em que:
q i,j, t a covarincia entre os ativos i e j em t;
o fator de decaimento.
Para a aproximao GARCH (1,1) temse1:
q i , j , t = i , j + i , t 1 j , t 1 i , j + q i , j , t 1 i , j
(5)
em que:
i, j a correlao no condicional entre os resduos padronizados de i e j.

Os estimadores de parmetros da matriz de varincia/covarincia ocorrem
em duas etapas: na primeira etapa, estimamse individualmente as varincias
dos ativos; na segunda etapa, so estimados os parmetros nicos da matriz
dos elementos de q i, j,t.
1 Para maiores detalhes, consultar Engle (2002).
73
Salientase que esse processo garante, a cada instante, que a matriz de cor
relao e dos elementos q i, j, t seja positiva e semidefinida, tendo em vista que
se trata de uma ponderao de uma matriz positiva definida com outra posi
tiva semidefinida.
Resumidamente, as vantagens do modelo de correlao condicional so:
Do ponto de vista operacional, o nmero reduzido de conjuntos de vari
veis a serem estimados (de n (n + 1)/2 para n + 1);
Do ponto de vista emprico, obtmse matriz de correlaes mais estveis
e melhor performance, quanto aos quantis de frequncia das falhas2.
W1.2 Modelos
ortogonais
Outra classe de estimadores de modelos de volatilidade multivariada

composta por modelos ortogonais ou modelos de volatilidade por componen
tes principais, os quais assumem que uma matriz de varincia/covarincia t
de uma srie de retornos multivariados (carteira) pode ser transformada em
um conjunto de combinaes lineares (componentes) ortogonais entre si.
A anlise de componentes principais tem como atribuio explicar a estru
tura de t com o menor nmero de combinaes lineares ortogonais do con
junto total de variveis, com o objetivo de reduzir o nmero de dimenses de
anlise, assim como interpretar os resultados (JOHNSON; WICHERN, 2002).
Dada uma matriz de informao t, possvel, ento, decompla em con
juntos de autovalores e autovetores:
( )
t nxn
= cov ( X t ) = e1
ai
en
0
0 e1

a n en
em que:
(X )
t Txn
r1,t T
=
r
1,t
rn ,t T
a matriz de retorno dos n ativos;

rn ,t
2 Em testes empricos aplicados por Engle (2002).
74
(6)

a i o autovalor i (1 < i < n);

e1 o vetor de autovetores do conjunto i de autovalores.
Resultase no conjunto de combinaes lineares definido por3:
Y = e X
1
t
1,t
Yt = ei X t =
Yn ,t = en X t

(7)
( )
Dado que VAR Yi,t = ei t e i = a i e pela ortogonalidade dos componentes
cov Yi,t , Y j,t = ei t e j = 0 , temse que a soma total dos autovalores uma
n
representao da varincia total da populao: tr ( t ) = a i . Dessa forma,

i =1
possvel reduzir o posto da matriz de varincia/covarincia de n para k, se

essas k dimenses forem representativas para explicar a varincia total po
pulacional (JOHNSON; WICHERN, 2002). Se 80~90%4 da varincia sufi
ciente, a adio de novas dimenses encarada como rudo e no traz ga
nhos de predio do modelo de volatilidade (ALEXANDER, 2008).
( )
1
X t X t = t . Prmultiplicando a matriz t pela ma
n 1
1
triz de autovetores e psmultiplicando por sua transposta, temse:
E X t X t E = A , em que:
n 1
3 Centrando os retornos na mdia zero, temse:
E = e1

ai
en a matriz de autovetores; e A =
0
( )
, a matriz de autovalores.
a n
Definindo Yt = X t E como a matriz de componentes principais, definese:

E A E = A , temse:
( )
1
Y Y = A . Dado que
n 1 t t
1
1
X t X t =
Y Y = t .
n 1
n 1 t t
4 Testes empricos demonstram que de trs a quatro dimenses j so capazes de representar de forma ade
quada a matriz de varincia/covarincia (ALEXANDER, 2008).
75
A matriz de covarincia redefinida pelos componentes principais expres

sa por:
t = cov ( Yt ) = Ht = diag h1,t ,, hn ,t
hi =1,t
=
h = 0
1, n ,t
(8)

h n ,t
A somatria das volatilidades dos componentes , consequentemente, equiva

lente volatilidade dos ativos da carteira. De forma anloga, podese, ento, defi
nir um processo ponderado para as volatilidades dos componentes, a exemplo
dos modelos univariados como EWMA, Equao (8) e GARCH , Equao (9).
Pela ortogonalidade dos componentes, tambm possvel tomar um pro
cesso otimizado para cada componente sem ferir o princpio da manuteno
de uma matriz de varincia/covarincia positiva semidefinida.
Assim, dada a representatividade dos componentes, possvel reduzir a
dimenso de anlise de n (n + 1)/2, conjunto de variveis, para k (k < n).
hi,t = 1 i ri2,t 1 + i hi,t 1 +

+ hk,t = 1 k rk2,t 1 + k hk,t 1 =
(9)
= volatilidade totall da carteira
em que:
o fator de decaimento para o componente i;
i
2
i , t 1
o retorno do componente i em t1.
hi,t = 1 i i + i ri2,t 1 + i hi,t 1 +

+ hk,t = 1 k k + k rk2,t 1 + k hk,t 1 =
76
= voo latilidade total da carteira
(10)
Notadamente, a grande virtude dos modelos de volatilidade por compo

nentes principais est na parcimnia que o modelo tem na estimativa de seus
parmetros. Por exemplo, comparativamente aos modelos de correlao con
dicionada, h uma reduo de n k 1 dimenses; o que pode representar,
supondo k = 5, em uma carteira com 5005 ativos, uma reduo de 494 dimen
ses de anlise. Comparativamente com a generalizao do modelo univaria
do, isso representa uma reduo de 125.245 dimenses.
Outra justificativa para o uso dos modelos ortogonais est na interpretao
dos componentes e no argumento econmico da existncia de relaes de
equilbrio de longo prazo entre os ativos.
Todas as variveis econmicas, consequentemente os ativos, resguardam
uma relao de longo prazo entre si. Essas relaes no so nada mais que
ligaes de dependncia resultantes de reduo de equaes de equilbrio
econmico.
Assim, o processo de decomposio da matriz de informao t tende a
encontrar essa estrutura reduzida de equilbrios, diminuindo de forma signi
ficativa a presena de correlaes esprias.
No entanto, uma grande restrio ao uso dos componentes principais o
pressuposto da normalidade multivariada.
Suponha uma distribuio normal multivariada Nn (, ) com centroide
e distncia euclidiana c2 = ( X ) 1 ( X ) . Ao decomporse a matriz

de varincia/covarincia em autovalores e autovetores e, convenientemente,
ao assumir = 0, temse:
( ) + + a1 (e X )
1
c2 = X 1 X = e1 X
a1
(11)
As combinaes lineares a1 X,, a n X so, conforme definido na Equao (6),

os componentes principais de X. Assim, ao supor uma representao bivaria
da (1 e 2) de um conjunto de n ativos, existir uma representao das coorde
nadas para as dimenses 1 e 2 dos autovetores correspondentes para cada
ativo. Ou seja, para cada ativo existir um autovetor associado ao autovalor 1
e outro ao autovalor 2.
5 Plausvel em uma carteira trading.
77
Os componentes principais so a melhor representao ortogonal desse

conjunto de autovetores, em que se pressupe distribuio normal multiva
riada em torno do centroide, conforme demonstra o grfico a seguir.
Grfico 1
Representao grfica da decomposio em autovalores e

autovetores, sob o ponto de vista dos autovetores 1 e 2, e os
componentes principais correspondentes a esses autovetores
a2
Y2
E ( e2,i )
Y1
E ( e1,i )
a1
Fonte: Elaborado pelos autores.
A rejeio da normalidade multivariada, no entanto, indica que os elemen

tos dessa decomposio no esto precisamente distribudos em torno do cen
troide especificado, o que pode levar a inconsistncias na definio dos com
ponentes. Assim, conforme recomendao, seria necessrio um processo de
pragrupamento dos ativos, antes da decomposio em componentes princi
pais (ALEXANDER, 2008), conforme Grfico 2.
78
Grfico 2
Representao grfica da decomposio em autovalores e

autovetores, sob o ponto de vista dos autovetores 1 e 2, e os
efeitos do pragrupamento sobre os componentes principais
correspondentes a esses autovetores
a2
E ( a2,g1)
E ( a2)
E ( a2,g2)
E ( e1,i )
E ( a1,g1)
E ( a1)
E ( a1,g2)
a1
Outro problema recorrente na decomposio em componentes principais

consiste na instabilidade dos componentes, a qual indica que, na realidade,
no existe relao de equilbrio de longo prazo definida. Consequentemente,
no possvel extrapolar o resultado obtido pelos componentes para outros
perodos. Alexander (2008), no entanto, atenta para o risco de mudanas nos
componentes sobre perodos de estresse de mercado. Outra possibilidade a
existncia de relaes no lineares entre essas variveis, fato no captado pelos
componentes principais.
Um bom indicador da estabilidade dos componentes a distncia estats
tica euclidiana (distncia ao quadrado entre os vetores e seu centroide ponde
rado pela varincia/covarincia), tendo em vista que uma boa demonstrao
da estrutura dos componentes.
79
2
OBJETIVOS
O presente trabalho tem como objetivos:
1. Verificar o poder de reduo de dimenses do mtodo de componentes
principais.
2. Testar a estabilidade dos componentes.
3. Fazer uma anlise comparativa da qualidade dos modelos:
a. VAR EWMA .94;
b. VAR DCC;
c. VAR ortogonal EWMA .94;
d. VAR ortogonal EWMA otimizado;
e. VAR ortogonal GARCH otimizado;
f. Uma aproximao para a distribuio dos valores extremos.
Foram testados dois conjuntos de carteiras:
o primeiro para testar a estabilidade dos componentes, com mais ativos
(15) e com maior srie de tempo (1.008 dias teis);
o segundo para realizar o estudo comparativo, com trs carteiras uma
concentrada em juros pr e cupom; outra diversificada em ndices, juros e
moedas; e uma terceira de comportamento atpico (altssima volatilidade),
com 12 ativos e 645 dias teis.
O poder de reduo foi demonstrado em ambos os estudos. Os testes e as
metodologias utilizadas, alm da descrio das carteiras, esto indicados na
seo a seguir.
3
METODOLOGIA
W3.1 Poder
de reduo e estabilidade dos componentes
Para testar a estabilidade dos componentes, foram consideradas 41 amos

tras de 200 dias, espaadas em intervalos de 21 dias, de uma carteira com
80
posta por quatro vrtices da estrutura a termo da taxa de juros (ETTJ) do

mercado interbancrio brasileiro: 1M, 6M, 1Y e 2Y (obtidos da curva de swaps
pr x DI da BM&F e providos pela Bloomberg); quatro vrtices da curva de
cupom cambial da BM&F: 1M, 6M, 1Y e 2Y (providos pela Bloomberg);
trs preos spot de moedas: BRL, EUR e JPY (providos pelo Bloomberg); e
quatro ndices de composies de bolsas de valores: IBOV, SPX, NKY e DAX
(providos pelo Bloomberg). Todas as sries iniciaram em 21 de junho de
2005 e finalizaram em 10 outubro de 2008. Foram excludos os dias no
teis em todos os mercados, e o resultado foi um remanescente de 1.008
dias de anlise.
Dessas 41 amostras, foram tomadas as taxas dos log retornos dos preos6;
desses log retornos, foram tomadas suas matrizes de correlao; e dessas
matrizes de correlao por sua vez, foram extrados 41 conjuntos de compo
nentes principais.
Aps realizadas as operaes descritas anteriormente, desses 41 conjuntos
de componentes foram tomados os dois principais componentes, bem como
foi realizado um estudo da variao histrica dos pesos desses dois principais
componentes. O critrio de avaliao foi a anlise grfica (forma) e a distncia
euclidiana multivariada (distncia estatstica normalizada do componente ao
centroide). Maiores detalhes podem ser encontrados em Johnson e Wichern
(2002).
O poder de reduo foi testado pela mdia das inrcias dos dois primeiros
componentes obtidos.
W3.2 Estudo
comparativo
O estudo comparativo foi realizado considerando trs diferentes carteiras:

Carteira A: seis vrtices da taxa prefixada e cupom cambial (1M, 2M, 3M,
6M, 1Y e 2Y) convertidos em preos unitrios cupom zero.
Carteira B: moedas BRL, EUR e JPY; ndices de bolsas IBOV, SPX, NKY e DAX;
commodities7 de ao, ouro e petrleo NY; juros pr e cupom de um ano.
6 Para o caso da ETTJ da curva prefixada e do cupom cambial, as taxas foram convertidas em preos unitrios
cupom zero (compostos para 252 dias teis, no caso da taxa prefixada, e linear 360 para o caso do cupom
cambial).
7 No caso das commodities, foram tomados os valores do primeiro vencimento de futuro (near by).
81
Carteira C:
Grupo 1 aes Citigroup, Lehman Brothers, Goldman Sachs, Merril
Lynch, Aracruz Celulose e Papel, Sadia e Petrleo NY.
Grupo 2 CDS Brasil, CDS Chile, CDS IBM, CDS Argentina, CDS Leh
man Brothers, todos de cinco anos.
A fonte de todas as carteiras foi o Bloomberg, entre os dias 23 de fevereiro
de 2006 e 26 de novembro de 2008. Dessas amostras, foram tomadas as ta
xas dos log retornos, e dos log retornos foram desenvolvidos os modelos de
volatilidade. Em todas as carteiras, para cada ativo foi estipulado um valor
marcado a mercado (MtM) inicial de R$ 10.000 (dez mil reais), com seus
valores marcados diariamente a mercado.
Dois cenrios foram considerados: um assumindo uma posio comprada
e outro, vendida. No caso da carteira C, os cenrios foram: 1. Posio com
prada do grupo 1 e vendida para o grupo 2; 2. Posio vendida para o grupo
1 e comprada do grupo 2. O valor de VAR foi padronizado em 99%.
Os critrios de avaliao dos modelos foram:
Teste de Kupiec mede a eficincia da proteo;
Pior perda relativa nmero do pior retorno em valores de volatilidade
mede a proteo no pior cenrio.
VAR mdio (em R$) mede o custo da proteo.
3.2.1 Teste de Kupiec (1995)
O teste de Kupiec avalia as propriedades assintticas da proporo de

falhas no intervalo de confiana da distribuio normal do modelo de VAR
especificado. Testase pelo log da razo de verossimilhana entre a propor
o de falhas observada e o intervalo de confiana do modelo de VAR; ver
Equao (12):
LR Kupiec

82
2
n x
x
x
n
x
n
(
)
(
)
= log
~ x12 ( )
1 p * n x p * x
) ( )
(
(12)
em que:
x o nmero de falhas;
n o perodo;
p* o intervalo de confiana do modelo de VAR;
o intervalo de confiana de teste.
Pelas propriedades assintticas da proporo das falhas, a razo x/n (pro
poro observada das falhas) deve, em grandes amostras, tender ao intervalo
de confiana de VAR, que a proporo de falhas da distribuio especificada
x
pelo modelo de VAR lim p * . Dessa forma, a log razo de Kupiec, em

n n
grandes amostras, tende a zero e tem uma distribuio quiquadrado com 1

grau de liberdade.
A hiptese nula do teste (considerando o modelo de VAR especificado)
est em encontrar valores do teste de Kupiec superiores estatstica quiqua
drado sob um intervalo de confiana especificado ou encontrar valores de fa
lhas superiores ao intervalo de falhas permitidas ao intervalo de VAR especifi
cado, para determinada amostra e determinado valor de intervalo de
confiana de teste.
Conforme mostra graficamente no Grfico 3, a razo de verossimilhana de
Kupiec demonstrada por uma elipse com centroide definido pelo intervalo
de VAR especificado (p*) e a esperana da proporo de falhas emprica. As
faixas dos valores limites de falhas da hiptese nula (valores para aceitarse um
bom modelo) so dadas pelas bordas dessa elipse a qual, por sua vez, de
finida pelo intervalo de confiana da estatstica quiquadrado especificado no
teste. Assim, quanto maior o intervalo de confiana, menor a rea de cobertu
ra da estatstica e menor o intervalo de possibilidade de falhas. No limite (a =
100%), o intervalo de falhas o prprio valor do VAR.
83
Grfico 3
Demonstrao grfica do teste de Kupiec

p* (VAR)
r12 (_= 5%)

p*
r12 (_= 1%)
E(x/n)
(x/n)
Intervalo _= 5%
Intervalo _= 1%
3.2.2 EWMA .94
Para o caso do estudo aplicado nas carteiras selecionadas com uso do mo

delo EWMA .94, a srie foi dividida em duas amostras.
A primeira delas de 100 dias, entre 23 de fevereiro de 2006 e 27 de julho
de 2006 foi chamada de amostra de aprendizado. Nela foi tomada a srie de
partida de estimativa das varincias e covarincias com ajuste exponencial.
A segunda amostra de 540 dias, entre os dias 28 de julho de 2006 e 26
de novembro de 2008 foi chamada de amostra de validao. Nela foram
testados as frequncias de falhas (Kupiec), a pior perda e o VAR mdio para as
trs carteiras selecionadas nos dois cenrios (posies comprada e vendida).
3.2.3 VAR DCC
A amostra para o modelo de VAR DCC tambm foi dividida em duas.

A primeira tambm de 100 dias, entre 23 de fevereiro de 2006 e 27 de julho
de 2006 foi chamada novamente de aprendizagem; nela tambm foi tomada a
srie de partida de estimativa das varincias e covarincias com ajuste exponen
84
cial EWMA nos retornos marginais. Nesse caso, no entanto, o fator de decaimen
to foi otimizado para cada ativo. O processo de otimizao utilizado foi a maxi
mizao da verossimilhana da somatria dos retornos padronizados normal.
A segunda parte da amostra de 540 dias, entre 28 de julho de 2006 e 26
de novembro de 2008 foi utilizada para continuar o processo de estimativa
das volatilidades estocsticas para cada ativo, considerando o fator de decai
mento da amostra de aprendizado para serem estimadas as covarincias, as
quais foram tomadas a partir das marginais, com uso da Equao (4).
Os pesos do alisamento exponencial da DCC foram obtidos pela maximi
zao da funo de verossimilhana dos retornos padronizados normal, den
tro dessa amostra.
Desse resultado foram testados as frequncias de falhas (Kupiec), a pior
perda e o VAR mdio para as trs carteiras selecionadas nos dois cenrios (po
sies comprada e vendida).
3.2.4 VAR OEWMA .94
A amostra para o modelo de VAR OEWMA .94 foi dividida em duas

novamente.
A primeira de 100 dias, entre 23 de fevereiro de 2006 e 27 de julho de
2006 foi chamada novamente de aprendizagem, tendo sido o local onde foram
obtidos os componentes principais a partir da matriz de correlao histrica,
nesses 100 dias. Desses componentes foram tomadas as dimenses que aproxi
massem 90% da inrcia total, conforme recomendado por Alexander (2008).
de novembro de 2008 foi utilizada para serem estimadas as volatilidades esto
csticas para cada componente. O ponto inicial foi a volatilidade estimada nos
100 dias da amostra de aprendizagem, e o fator de decaimento foi .94 pelo mo
delo EWMA.
A partir dos componentes obtidos, foram estimados os valores marcados a
mercado para cada componente selecionado.
A multiplicao das volatilidades estimadas, o valor marcado a mercado
em cada componente e o percentil da normal selecionado definem o valor de
VAR em cada componente. Dada a ortogonalidade dos componentes, o VAR
da carteira a somatria do VAR nesses componentes.
Desse resultado foram testadas as frequncias de falhas (Kupiec), a pior per
da e o VAR mdio para as trs carteiras selecionadas nos dois cenrios (posi
es comprada e vendida).
85
3.2.5 VAR OEMWA otimizado
A primeira amostra de aprendizado de 100 dias, entre 23 de fevereiro de

2006 e 27 de julho de 2006 foi utilizada para a obteno dos componentes
principais a partir da matriz de correlao histrica, nesses 100 dias. Desses
componentes foram tomadas as dimenses que aproximassem 90% da inrcia
total, conforme recomendado por Alexander (2008).
A partir desses componentes selecionados, foi obtido o fator de decaimen
to timo, assumindo uma funo de volatilidade estocstica EWMA. O pro
cesso de otimizao utilizado foi a maximizao da verossimilhana da soma
tria dos retornos padronizados normal dentro dessa amostra de 100 dias.
de novembro de 2008 foi utilizada para serem estimadas as volatilidades
estocsticas para cada componente. O ponto inicial foi a volatilidade estimada
nos 100 dias da amostra de aprendizagem, e o fator de decaimento utilizado
foi o timo obtido na amostra de aprendizado.
A partir dos componentes obtidos, foram estimados os valores marcados a
mercado para cada componente selecionado.
A multiplicao das volatilidades estimadas, o valor marcado a mercado
em cada componente e o percentil da normal selecionado definem o valor de
VAR em cada componente. Dada a ortogonalidade dos componentes, o VAR
da carteira a somatria do VAR nesses componentes.
Desse resultado foram testadas as frequncias de falhas (Kupiec), a pior
perda e o VAR mdio para as trs carteiras selecionadas nos dois cenrios (po
sies comprada e vendida).
3.2.6 VAR OGARCH otimizado
O procedimento adotado no modelo OGARCH otimizado foi semelhante

ao processo adotado no OEWMA otimizado, com a diferena da funo da
volatilidade estocstica. Nesse caso, foi adotada uma funo GARCH.
3.2.7 VAR valores extremos
O procedimento adotado para obter a distribuio dos valores extremos foi

o da diviso do resultado das carteiras em uma amostra de 100 dias de resul
tados e a apurao do pior e do melhor resultado. A partir disso, em uma ja
nela mvel de 250 dias foi tomado o percentil dessa distribuio de dados.
86
4
RESULTADOS
W4.1
Poder de reduo e estabilidade dos componentes
A carteira testada indicou que cinco componentes correspondem entre

92~95% da inrcia total da carteira e com baixa variabilidade de sua represen
tao.
No quesito estabilidade, observase relativa estabilidade. Conforme ilustra
o Grfico 4 a seguir, a distncia estatstica euclidiana dos dois primeiros com
ponentes teve varincia de apenas 0,215%.
Grfico 4
Distncia estatstica euclidiana em torno do centroide dos dois

primeiros componentes
13,8%
13,6%
13,4%
13,2%
13,0%
12,8%
12,6%
ju
n.
/0
5
se
t./
05
de
z./
05
m
ar
./0
6
ju
n.
/0
6
se
t./
06
de
z./
06
m
ar
./0
7
ju
n.
/0
7
se
t./
07
de
z./
07
m
ar
./0
8
ju
n.
/0
8
se
t./
08
12,4%
Fonte: Elaborado pelos autores .
W4.2
Carteira A
Para a carteira A, os nicos modelos capazes de controlar erro pela frequncia

de falhas foram OGARCH e por valores extremos. Entretanto, o VAR por valores
extremos foi o de maior custo. O VAR DCC foi o de menor custo; todavia, foi o
de pior controle de risco em frequncia e o de pior controle da pior perda.
87
O VAR EWMA, apesar de falhar na frequncia, controlou bem a pior perda

e o custo dentro da mdia. O VAR OGARCH tambm controlou bem a pior
perda, e o custo ficou dentro da mdia dos demais modelos.
Grfico 5
Backtest da carteira A e VAR 99% por modelo

6.000
4.000
2.000
28/9/2008
28/10/2008
28/8/2008
28/7/2008
28/6/2008
28/5/2008
28/4/2008
28/3/2008
28/2/2008
28/1/2008
28/12/2007
28/11/2007
28/9/2007
28/10/2007
28/8/2007
28/7/2007
28/6/2007
28/5/2007
28/4/2007
28/3/2007
28/2/2007
28/1/2007
28/12/2006
28/11/2006
28/9/2006
28/10/2006
(2.000)
28/8/2006
28/7/2006
(4.000)
(6.000)
EWMA 0,94
DCC
VAR PCA EWMA .94
PCA O-GARCH
EWMA 0,94
EXTREME LOWER BOUND
PCA O-EW MA OTIMIZADO
Retorno
EXTREME UPPER BOUND
PCA O-EW MAc OTIMIZADO
DCC
VAR PCA EWMA .94
PCA O-GARCH

Tabela 1
Resultado backtest da carteira A

Modelo
Falhas VAR 99%
Kupiec 5%
Vendido
Comprado
Vendido
Comprado
VAR
mdio
99%
EWMA
2,39%
2,20%
Falho
Falho
DCC
12,29%
10,46%
Falho
O-EWMA
2,75%
3,49%
O-GARCH
1,10%
Perda mxima (vezes VAR)

Vendido
Comprado
613,53
3,18
-3,83
Falho
212,31
31,73
-33,39
Falho
Falho
554,48
6,22
-7,59
1,47%
OK
OK
686,37
4,04
-5,51
O-EWMA .94
2,75%
3,30%
Falho
Falho
567,10
6,24
-8,76
EXTREME
1,10%
1,10%
OK
OK
1.138,90
7,27
-4,04
Fonte: Elaborada pelos autores.
88
W4.3 Carteira
Na presente carteira, todos os modelos controlaram bem o risco em sua fre

quncia. O VAR EWMA foi o de menor custo e melhor controle da pior perda. O
VAR por valores extremos foi o de maior custo, seguido pelo OGARCH. O VAR
DCC foi o de pior controle da pior perda, seguido pelo de valores extremos.
Grfico 6
Backtest da carteira B e VAR 99% por modelo

25.000
20.000
15.000
10.000
5.000
28/9/2008
28/10/2008
28/8/2008
28/7/2008
28/6/2008
28/4/2008
28/5/2008
28/3/2008
28/2/2008
28/1/2008
28/12/2007
28/11/2007
28/9/2007
28/10/2007
28/8/2007
28/7/2007
28/6/2007
28/5/2007
28/4/2007
28/3/2007
28/2/2007
28/1/2007
28/12/2006
28/11/2006
28/9/2006
28/10/2006
28/8/2006
(5.000)
28/7/2006
(10.000)
(15.000)
(20.000)
(25.000)
EWMA 0,94
DCC
VAR PCA EWMA .94
PCA O-GARCH
EWMA 0,94
EXTREME LOWER BOUND
Retorno
EXTREME UPPER BOUND
DCC
VAR PCA EWMA .94
PCA O-GARCH

Tabela 2
Resultado backtest da carteira B

Modelo
Vendido
Comprado
Vendido
Comprado
VAR
mdio
99%
EWMA
0,55%
0,73%
OK
OK
DCC
1,28%
1,83%
OK
OK
Falhas VAR 99%
Kupiec 5%

Vendido
Comprado
6.354,66
2,87
-3,23
7.470,12
5,98
-5,01
O-EWMA
0,37%
0,55%
OK
OK
7.933,99
2,97
-4,47
O-GARCH
0,37%
0,55%
OK
OK
8.462,28
2,62
-3,98
O-EWMA .94
0,37%
0,55%
OK
OK
7.937,85
2,91
-4,49
EXTREME
1,65%
1,28%
OK
OK
8.945,74
3,56
-3,79
89
W4.4 Carteira
A carteira C, de comportamento atpico, surpreendentemente, teve um de

sempenho bom do controle do risco pela frequncia de falhas em todos os
modelos testados. O VAR OGARCH foi o de melhor controle na frequncia e
o de pior na perda. O VAR EWMA foi, destacadamente, o de menor custo e
teve bom controle tanto na frequncia quanto na pior perda. O VAR DCC,
seguido pelo de valores extremos, foram ambos os que tiveram o pior desem
penho do controle da pior perda.
Grfico 7
Backtest da carteira C e VAR 99% por modelo

200.000
150.000
100.000
50.000
28/9/2008
28/10/2008
28/8/2008
28/6/2008
28/7/2008
28/5/2008
28/3/2008
28/4/2008
28/2/2008
28/1/2008
28/12/2007
28/11/2007
28/9/2007
28/10/2007
28/8/2007
28/6/2007
28/7/2007
28/5/2007
28/3/2007
28/4/2007
28/2/2007
28/1/2007
28/12/2006
28/11/2006
28/9/2006
28/10/2006
28/8/2006
(50.000)
28/7/2006
(100.000)
(150.000)
(200.000)
EWMA 0,94
DCC
VAR PCA EWMA .94
PCA O-GARCH
EWMA 0,94
EXTREME LOWER BOUND
90
Retorno
EXTREME UPPER BOUND
DCC
VAR PCA EWMA .94
PCA O-GARCH
Tabela 3
Resultado backtest da carteira C

Modelo
Vendido
Comprado
Vendido
Comprado
VAR
mdio
99%
EWMA
1,65%
1,10%
OK
OK
DCC
1,28%
1,10%
OK
OK
O-EWMA
1,28%
0,37%
OK
O-GARCH
0,73%
0,37%
O-EWMA .94
1,28%
EXTREME
0,92%
Falhas VAR 99%
Kupiec 5%

Vendido
Comprado
11.647,84
3,57
-3,18
16.919,84
7,60
-6,61
OK
16.878,09
4,11
-4,34
OK
OK
18.428,00
3,10
-4,34
0,37%
OK
OK
17.730,03
4,78
-4,05
1,28%
OK
OK
18.640,89
5,36
-7,56
Fonte: Elaborada pelos autores.
5
CONCLUSES
Pelos resultados obtidos dentro da amostra de produtos selecionados e no
perodo de anlise, os melhores modelos pelo critrio da ponderao entre
controle de risco na frequncia e na pior perda e custo de VAR mdio foram o
VAR tradicional por EWMA .94 e o VAR OGARCH.
No entanto, a falha do controle de risco na frequncia do modelo EWMA .94
dentro da carteira A um ponto relevante a ser considerado, apesar do baixo
custo mdio de VAR aparente em todas as carteiras e do excelente controle da
pior perda.
O VAR OGARCH nessa estrutura se mostra o mais promissor, tendo em
vista que ele no falha na frequncia em nenhuma das carteiras selecionadas.
Adicionase como ponto favorvel e de melhoria nas prximas aplicaes o
uso de reponderaes dos componentes e dos parmetros de GARCH, de for
ma peridica, ao contrrio de fixa.
Salientase que o resultado do VAR por valores extremos de controle pou
co eficiente da pior perda pode ser resultante da metodologia pela qual ele foi
construdo: ao considerar um ajuste em um histrico passado para cada uma
das caudas. Tal ajuste pode sofrer de vis assimetria (dada a necessidade de
um evento em uma das pontas para atualizao do risco), assim como de
incapacidade de capturar aumentos repentinos na volatilidade.
91
ORTHOGONAL MULTIVARIATE VALUEATRISK FOR

MARKET RISK: A COMPARATIVE STUDY
Abstract
The main approach of the present study is to empirically explore different
approaches to estimate the multivariate distribution of market risk factors with
a greater emphasis on orthogonal models. It has been explored five different
models: 1. the dynamical conditional correlation models (DCC); 2. the principal
component model (better the traditional RiskMetrics EWMA with 0.94 decay
factor; 3. optimized GARCH with EWMA 0.94 on the correlation; and 4. an
approach for extreme values distributions. The results indicate a better performance
of principal component model.
Keywords: Principal components; GARCH; EWMA.
Referncias
ALEXANDER, C. Practical financial econometrics. New Jersey: John Wiley & Sons, 2008.
BOLLERSLEV, T. Modeling the coherence in shortrun nominal exchange rates: a multivariate gene
ralized ARCH model. Review of Economic and Statistics, v. 72, n. 3, p. 498505, Aug. 1990.
ENGLE, R. Dynamic conditional correlation: a simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, v. 20,
n. 3, p. 339350, June 2002.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 5. ed. New Jersey: Pren
tice Hall, 2002.
KUPIEC, P. H. Techniques for verifying the accuracy of risk measurement models. Journal of Deri
vatives, v. 3, n. 2, p. 7384, Winter 1995.
TSAY, R. S. Analysis of financial timeseries. 2. ed. New Jersey: John Wiley & Sons, 2005.
92

Chela e Kamogawa

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Chela e Kamogawa

Enviado por

Direitos autorais:

Formatos disponíveis

MODELOS ORTOGONAIS

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

estimados com 5 ativos e 325 com 25 ativos. Adicionase a dificuldade de ter

Bollerslev (1990) introduziu uma nova classe de estimadores multivaria

R a matriz de correlao constante.

em que rt so os retornos dos ativos em t.

Engle (2002) prope uma generalizao do modelo constante para um

qi, j,t = (1 ) i, t 1 j, t 1 + q = s =1 (1 ) s i,t s j,t s

i, j a correlao no condicional entre os resduos padronizados de i e j.

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

Outra classe de estimadores de modelos de volatilidade multivariada

a matriz de retorno dos n ativos;

2 Em testes empricos aplicados por Engle (2002).

a i o autovalor i (1 < i < n);

Dado que VAR Yi,t = ei t e i = a i e pela ortogonalidade dos componentes

representao da varincia total da populao: tr ( t ) = a i . Dessa forma,

possvel reduzir o posto da matriz de varincia/covarincia de n para k, se

3 Centrando os retornos na mdia zero, temse:

Definindo Yt = X t E como a matriz de componentes principais, definese:

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

A matriz de covarincia redefinida pelos componentes principais expres

t = cov ( Yt ) = Ht = diag h1,t ,, hn ,t

A somatria das volatilidades dos componentes , consequentemente, equiva

hi,t = 1 i ri2,t 1 + i hi,t 1 +

= volatilidade totall da carteira

o retorno do componente i em t1.

hi,t = 1 i i + i ri2,t 1 + i hi,t 1 +

= voo latilidade total da carteira

Notadamente, a grande virtude dos modelos de volatilidade por compo

e distncia euclidiana c2 = ( X ) 1 ( X ) . Ao decomporse a matriz

As combinaes lineares a1 X,, a n X so, conforme definido na Equao (6),

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

Os componentes principais so a melhor representao ortogonal desse

Representao grfica da decomposio em autovalores e

Fonte: Elaborado pelos autores.

A rejeio da normalidade multivariada, no entanto, indica que os elemen

Representao grfica da decomposio em autovalores e

Fonte: Elaborado pelos autores.

Outro problema recorrente na decomposio em componentes principais

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

de reduo e estabilidade dos componentes

Para testar a estabilidade dos componentes, foram consideradas 41 amos

posta por quatro vrtices da estrutura a termo da taxa de juros (ETTJ) do

O estudo comparativo foi realizado considerando trs diferentes carteiras:

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

3.2.1 Teste de Kupiec (1995)

O teste de Kupiec avalia as propriedades assintticas da proporo de

pelo modelo de VAR lim p * . Dessa forma, a log razo de Kupiec, em

grandes amostras, tende a zero e tem uma distribuio quiquadrado com 1

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

Demonstrao grfica do teste de Kupiec

r12 (_= 5%)

r12 (_= 1%)

Fonte: Elaborado pelos autores.

3.2.2 EWMA .94

Para o caso do estudo aplicado nas carteiras selecionadas com uso do mo

A amostra para o modelo de VAR DCC tambm foi dividida em duas.

A amostra para o modelo de VAR OEWMA .94 foi dividida em duas

Revista de Economia Mackenzie v. 9 n. 1 p. 70-92

3.2.5 VAR OEMWA otimizado

A primeira amostra de aprendizado de 100 dias, entre 23 de fevereiro de

O procedimento adotado no modelo OGARCH otimizado foi semelhante

O procedimento adotado para obter a distribuio dos valores extremos foi

Poder de reduo e estabilidade dos componentes