Analisando o Risco de uma Carteira de Crdito

via Simulaes de Monte Carlo

Resumo

Neste trabalho, analisamos a utilizao da metodologia CreditRisk+ do Credit Suisse
e sua adequao ao mercado brasileiro, com o objetivo de calcular o risco de uma
carteira de crdito. Certas hipteses assumidas na formulao do modelo CreditRisk+
no valem para o mercado brasileiro, caracterizado, por exemplo, por uma elevada
probabilidade de default. Desenvolvemos, ento, uma metodologia para clculo da
distribuio de perdas atravs do mtodo de Simulao de Monte Carlo, alterando
algumas hipteses originais do modelo com o objetivo de adapt- lo ao nosso mercado.
A utilizao de simulaes tambm oferece resultados mais precisos em situaes
onde as carteiras possuem uma pequena populao de contratos, alm de eliminar
possveis problemas de convergncia do mtodo analtico, mesmo considerando as
hipteses do modelo original. Verifica-se ainda que o tempo computacional pode ser
menor que o da metodologia original, principalmente em carteiras com elevado
nmero de devedores de perfis distintos e com alocaes em diversos setores da
economia. Tendo em vista as restries acima, acreditamos que a metodologia
proposta seja uma alternativa para a forma analtica do modelo CreditRisk+.
Apresentamos exemplos de utilizao e resultados providos por estas simulaes. O
ponto central deste trabalho realar a importncia da utilizao de metodologias
alternativas de medio de risco de crdito que incorporem as particularidades do
mercado brasileiro.



























2


1 INTRODUO..............................................................................................................................................3
2 O MODELO CREDI TRI SK+......................................................................................................................6
2.1 EVENTOS DE DEFAULT COM TAXAS FIXAS............................................................................................6
2.2 DISTRIBUIO DE PERDAS COM TAXAS FIXAS.....................................................................................8
2.3 EXEMPLO DE UMA CARTEIRA DE CRDITO...........................................................................................9
2.4 INCERTEZA DAS TAXAS DE DEFAULT...................................................................................................10
2.5 ANLISE SETORIAL E CORRELAES..................................................................................................10
2.6 EVENTOS DE DEFAULT COM TAXAS VARIVEIS.................................................................................11
2.6.1 A distribuio gama.................................................................................................................... 12
2.6.2 Distribuio de defaults............................................................................................................. 12
2.6.3 Distribuio de perdas com taxas variveis........................................................................... 13
2.7 EXEMPLO DE UMA CARTEIRA DE CRDITO COM TAXAS DE DEFAULTS VARIVEIS........................14
2.8 RESUMO DA METODOLOGIA DE CLCULO.........................................................................................15
3 MTODO VIA SIMULAES DE MONTE CARLO................................................................... 16
3.1 METODOLOGIA DA SIMULAO..........................................................................................................16
3.2 VANTAGENS DA SIMULAO DE MONTE CARLO..............................................................................17
4 EXEMPLOS................................................................................................................................................. 19
4.1 SIMULAO VERSUS CREDITRISK+.....................................................................................................19
4.2 COMPARAO ENTRE A UTILIZAO DA DISTRIBUIO DE POISSON E GAMA.............................19
4.3 PROBLEMAS COMPUTACIONAIS EM CARTEIRA DE VAREJO.............................................................20
4.4 EFEITO DA ESCOLHA DO TAMANHO DA FAIXA...................................................................................20
5 CONCLUSO ............................................................................................................................................. 21
APNDICE 1 PRINCIPAIS CONCEITOS DE RISCO DE CRDITO .......................................... 33



























3
1 Introduo

O risco financeiro pode ser definido como uma medida da incerteza em relao ao
valor de ativos e passivos. De maneira geral, estas fontes de incerteza podem ser
classificadas como risco de mercado, de crdito, operacional e legal (Prado, Bastos e
Duarte, 2000).

O risco de mercado surge das flutuaes nos preos de ativos financeiros. Ele
pode ser medido atravs de modelos que dependem basicamente das exposies a
determinados fatores de risco, das volatilidades e correlaes entre os retornos de
diferentes ativos que compem uma carteira. Existem diversas metodologias para sua
mensurao de uma forma agregada, em particular a metodologia RiskMetrics (J.P.
Morgan, 1995).

O risco de crdito surge quando a contraparte de um emprstimo ou operao
financeira no deseja ou no capaz de cumprir suas obrigaes contratuais. A perda
pode ocorrer de duas maneiras distintas. A primeira quando a contraparte deixa de
honrar o contrato, acarretando uma perda do valor de face do emprstimo menos uma
taxa de recuperao. Esta modalidade conhecida como risco de default. A segunda
ocorre quando, devido a alteraes na classificao de risco da contraparte, o valor de
mercado do emprstimo sofre alteraes, sendo conhecida como risco de spread.

Os sistemas de avaliao da capacidade de crdito de contraparte so
tradicionalmente de carter qualitativo. Entretanto, grandes avanos foram realizados
nos ltimos anos com o intuito de tratar o risco de crdito de forma agregada, como o
risco de mercado. Com isso, surgiram algumas metodologias que atualmente so
utilizadas pelo mercado, cada qual com um enfoque, alm de, naturalmente, vantagens
e desvantagens.

Entre as principais metodologias de anlise de risco de crdito utilizadas
atualmente no mercado, podemos citar os modelos KMV (Vasicek, 1987),
CreditMetrics (J.P. Morgan, 1997), CreditRisk+ (Credit Suisse First Boston, 1997) e o
modelo de fatores (McKinsey, 1997).

Apresentamos a seguir um resumo destas metodologias. Para maiores detalhes
sobre esses modelos, ver Saunders (1999).

Modelo KMV

O modelo KMV baseia-se na hiptese de que o mercado a fonte mais eficiente
de informaes acerca da sade financeira de uma empresa. Por esta hiptese,
assume-se que o preo das aes de empresas negociadas em mercado aberto reflete
as expectativas do mercado acerca da empresa.

A funo de pagamento de um emprstimo est diretamente relacionada com o
valor de mercado da empresa devedora. Se o valor de mercado de seus ativos superar
o valor do emprstimo, os proprietrios da empresa tm um incentivo para pagar ao
credor e reter o valor residual como lucro. Caso contrrio, a empresa devedora poder
tomar a deciso de entregar os seus ativos. Esse mecanismo anlogo subscrio de
4
um contrato de opo de venda sobre uma ao. Se o preo da ao exceder o preo
de exerccio, o subscritor da opo reter o prmio da venda. Se o preo da ao cair
abaixo do preo de exerccio, a opo ser exercida e o subscritor perder montantes
progressivamente maiores.

O valor do emprstimo pode ser ento determinado atravs do modelo Black-
Scholes-Merton
1
como a subscrio de uma opo de venda sobre os ativos da
empresa devedora. Entretanto, esse valor depender do valor de mercado desses ativos
e suas volatilidades, parmetros que no podem ser diretamente observados. Para
contornar este problema, costuma-se extrair implicitamente do modelo, utilizando
dados sobre o valor da dvida, o valor de mercado da firma e sua volatilidade.

O modelo KMV inverte o problema, considerando o incentivo de pagamento por
parte dos detentores do capital da empresa devedora. Com isso, torna-se possvel
determinar uma medida de freqncia esperada de inadimplncia.

O principal motivo que inviabiliza a sua utilizao no mercado brasileiro a
necessidade de mercados lquidos de aes e opes negociados em bolsa,
contemplando todos os ativos da carteira de crdito.

CreditMetrics

O modelo CreditMetrics baseado na abordagem de risco de spread. Ele exige a
marcao a mercado da carteira de crdito, de forma semelhante ao modelo utilizado
pelo Riskmetrics para avaliao de risco de mercado. O modelo CreditMetrics procura
estabelecer qual ser a perda de uma carteira de crdito devido a alteraes na
classificao de crdito dos devedores e eventuais ocorrncias de default.

Este clculo exige o conhecimento do valor de mercado do emprstimo e de sua
volatilidade. No entanto, estes valores no so diretamente observveis no mercado. A
fim de contornar este problema, utilizam-se dados disponveis sobre a classificao de
crdito do devedor, as probabilidades de que esta classificao mude ao longo do
tempo (mapeadas em uma matriz de alterao de rating), os ndices de recuperao de
cada faixa de classificao e os spreads do mercado secundrio. A partir desses dados,
obtm-se estimativas do valor de mercado e de sua volatilidade, possibilitando o
clculo do valor em risco (VaR) de um devedor ou da carteira de crdito.

No Brasil no temos mercado secundrio de crdito, ou seja, as operaes so
levadas ao vencimento. Alm disso, no existe uma agncia independente que seja
provedora de ratings de crdito, bem como a matriz de transio. Desta maneira, no
obtivemos razes que motivassem sua utilizao.

Modelo de Fatores

O modelo de fatores da McKinsey baseado na relao entre as probabilidades de
default dos devedores e fatores macroeconmicos. Assim como no modelo
CreditMetrics, parte-se de uma matriz de alterao de ratings. Entretanto as

1
Esta equao calcula o preo de uma opo de compra ou venda sobre uma ao. A opo d ao
detentor o direito de comprar/vender a ao a um preo pr-estabelecido em uma data futura (ver, por
exemplo, Hull, 1997).
5
probabilidades podem variar ao longo do tempo de acordo com o estado da economia.
Por exemplo, em um perodo de recesso essas probabilidades so mais elevadas e,
como conseqncia, as probabilidades de melhora na classificao do tomador sero
menores.

As probabilidades de alterao de rating so modeladas como funo de variveis
macroeconmicas defasadas, de um fator de choque econmico geral e de fatores de
choque para cada uma das variveis. A distribuio de valores dos emprstimos obtida
com base na matriz condicional pode ser usada no clculo do VaR da carteira.

Dados macroeconmicos sem quebras estruturais so praticamente inexistentes no
mercado brasileiro, resultado das inmeras mudanas de regime econmico que
passamos ao longo dos ltimos anos (ver, por exemplo, Rocha e Bender, 2000). Por
este motivo no acreditamos ser este o modelo mais adequado realidade brasileira.

CreditRisk+

Este modelo trata o risco de default, ou seja, o risco do devedor no cumprir suas
obrigaes. Os devedores so classificados em faixas, cada qual associada a uma
probabilidade de ocorrncia de default. O modelo assume que todos os contratos de
emprstimo so levados ao vencimento, ou seja, o pagamento ou o default ocorre
apenas na data de vencimento do contrato. Eventos de default acarretam em uma
perda equivalente ao valor integral do emprstimo, excluda a taxa de recuperao.

O procedimento envolve ainda a estimao da distribuio de perdas da carteira de
contratos de emprstimo. A partir desta distribuio, possvel calcular as perdas
esperadas, as no esperadas, o valor em risco (VaR) e o capital econmico da empresa
detentora dos contratos.
2
O capital econmico definido como o valor estimado para
cobrir qualquer perda entre a esperada (montante de emprstimos ponderado pelas
probabilidades de ocorrncia de default) e o percentual desejado para a taxa de
solvncia do detentor. O modelo tambm permite realizar anlises de cenrios e
diversas medidas de sensibilidade.

O fato da maioria das operaes de emprstimo serem levadas at o vencimento e,
principalmente, a inexistncia de mercado secundrio para contratos de crdito,
sugere a utilizao deste modelo para a mensurao do risco de uma carteira de
crdito no mercado brasileiro. Por exemplo, a inexistncia de mercado secundrio
dificulta a estimao dos spreads aplicados sobre estes contratos, dificultando a
utilizao do modelo CreditMetrics.

Neste trabalho, analisamos a utilizao da metodologia CreditRisk+ (Credit Suisse
First Boston, 1997) e sua adequao ao mercado brasileiro. As limitaes da forma
analtica proposta por esta metodologia so investigadas para a realidade do cenrio
nacional, ressaltando-se algumas restries na aplicao direta deste modelo.
Argumentamos que simulaes de Monte Carlo podem ser exploradas para reduzir
estas restries, servindo de alternativa para a forma analtica do modelo CreditRisk+.
Apresentamos exemplos de utilizao e resultados providos por estas simulaes.


2
Os principais conceitos envolvidos no clculo de risco de uma carteira de crdito esto descritos no
Apndice 1.
6
O restante do trabalho est organizado da seguinte forma. Na seo 2, discutimos
o modelo CreditRisk+, ressaltando suas caractersticas e limitaes. Na seo 3,
apresentamos como simulaes de Monte Carlo podem ser utilizadas para reduzir as
limitaes do modelo original. Apresentamos ainda uma anlise comparando o custo
computacional de realizao destas simulaes com o custo computacional do modelo
analtico, alm de possveis problemas de convergncia no mtodo original. Na seo
4, apresentamos exemplos da utilizao do modelo CreditRisk+ e das simulaes de
Monte Carlo. A seo 5 apresenta algumas concluses e perspectivas de trabalhos
futuros.


2 O Modelo CreditRisk+

CreditRisk+ um modelo de risco de default, onde cada devedor tem apenas dois
possveis estados: inadimplente ou no. A medio das perdas esperadas e no
esperadas do valor da carteira o principal objeto de anlise deste modelo. A
inadimplncia modelada como uma varivel contnua com uma distribuio de
probabilidade caracterizada por uma parametrizao especfica da mdia e varincia.
No caso de default, a perda de tamanho fixo, equivalente a sua exposio (lquida da
taxa de recuperao).

O modelo assume a hiptese de que no existem relaes causais entre eventos de
default. No entanto, existem fatores externos que podem afetar de maneira semelhante
aos devedores dando origem s correlaes entre eventos. Este processo ser visto em
maiores detalhes adiante.

Os emprstimos componentes de uma carteira de crdito so agrupados por faixas
de exposio, de modo que a distribuio de eventos de default pode ser aproximada
por uma distribuio de Poisson com mdia (no necessariamente constante).
Entretanto, importante ressaltar que tal aproximao s vlida supondo-se que as
probabilidades p de default individuais so pequenas e o nmero N de devedores na
carteira alto. Como veremos adiante, a forma mais correta de modelar estes eventos
seria atravs de uma distribuio binomial.

2.1 Eventos de default com taxas fixas

Em primeiro lugar, precisamos definir a Funo Geradora de Probabilidade (FGP).
Considerando X uma varivel aleatria discreta com valores no negativos, definimos
sua FGP como )
0 n
n
z ( E
n
z
n
p ) z (
X
G

, onde ... , 2 , 1 , 0 n ), n X ( P
n
p Para
esta seqncia, existe um nmero r tal que a srie converge se |z| < r. Note que como
G
X
(1) = 1, a srie converge se |z| < 1. Considerando uma carteira com N devedores,
vamos definir p
i
como a probabilidade do i-simo devedor no honrar seus
compromissos.

7
Para analisarmos a distribuio de perdas da carteira, consideramos a seguinte
FGP em funo da varivel auxiliar z:
n
n
z n ND p z F ) ( ) (
0

, onde p(ND=n)
representa a probabilidade de ocorrncia de n defaults.

Como um devedor individual pode ou no entrar em default, sua funo segue a
seguinte regra: F(z) = 1 p
i
+ p
i
z

=

1 + p
i
(z-1). Assumindo independncia entre os
eventos de default, a FGP o produto das funes de probabilidade iniciais. Ento,
para N devedores temos:
)) 1 z (
i
p 1 (
N
1 i
) z (
i
F
N
1 i
) z ( F +

.
Aplicando uma transformao logartmica em ambos os lados da equao:
( ) ( ). ) 1 z (
i
p 1
N
1 i
log ) z ( F log +

Se as probabilidades de default forem pequenas, vale a aproximao:

portanto,

,
_

N
1 i
) 1 z (
i
p exp ) z ( F
ou, equivalentemente, ( ) ) 1 z ( exp ) z ( F ,
onde .
i
p
N
1 i

Esta a primeira grande simplificao do modelo, que pode gerar resultados
inconsistentes para o mercado brasileiro, uma vez que as taxas de default no Brasil
so bem mais elevadas do que as do mercado americano.

Expandindo F(z) em sries de potncia:

0 n
! n
n
z
n
e
) z ( F

,
e, portanto,
!
) (
n
e
n ND p
n

. Esta a funo de distribuio de probabilidade de
Poisson, ou seja, se a taxa de default pequena, a probabilidade de ocorrer n defaults
segue a frmula acima.

A forma mais correta de modelar estes eventos atravs da distribuio binomial
com n devedores com probabilidade de default p, que converge para a de Poisson com
mdia = np somente quando as hipteses de n grande e p pequeno so observadas
(Koyluoglu e Hickman, 1999). Ainda, a distribuio de Poisson permite que o nmero
de eventos de default seja maior que o nmero de emprstimos em carteira, podendo
gerar outras distores.
( ) , ) 1 z (
i
p ) 1 z (
i
p 1 log +
8
2.2 Distribuio de perdas com taxas fixas

Como observado na seo anterior, os eventos de default seguem
aproximadamente uma distribuio de Poisson. Entretanto, o objetivo calcular a
distribuio de perdas da carteira. Como as exposies dos emprstimos no tm
tamanho fixo, a distribuio de perdas da carteira substancialmente diferente da
distribuio de Poisson. Para entendermos isso, basta imaginar que a probabilidade de
um default de R$1.000 diferente de dez defaults de R$100, ainda que a perda seja a
mesma.

Para resolver o problema das diferenas de exposio, utilizamos bandas de
exposio para agruparmos diversos devedores em faixas. Chega-se ento a uma
segunda aproximao no modelo, tendo em vista que dois devedores com exposies
semelhantes devem ser alocados na mesma faixa, alm das perdas serem de tamanho
nL. Por exemplo, se L = 100, as perdas possveis so 0, 100, 200, 300, Uma
maneira de minimizar este problema escolher faixas de amplitude relativamente
pequena em relao ao tamanho das exposies. Desta maneira, aumentamos o
nmero de faixas, o que pode causar problemas de tempo computacional,
principalmente quando as probabilidades de default no forem fixas e os devedores
so alocados em diversos setores da economia (ver seo 2.5).

Para prosseguirmos, precisamos definir algumas notaes: L
i
denota a exposio,
p
i
a probabilidade de default e
i
a perda esperada do i-simo devedor. Definimos,
ento, o tamanho padro de exposio como sendo igual a L, de forma que L
i
= L
i
e

i
= L
i
, onde
i
a exposio do i-simo devedor e
i
a sua perda esperada, ambos
mltiplos de L. Um ponto importante a ser discutido a escolha de L, pois pode
influenciar fortemente o parmetro
i
, que sendo um nmero inteiro, torna L
i
uma
aproximao para a exposio real do i-simo devedor. Considerando m faixas de
exposio, podemos definir j como o ndice de cada uma das faixas. Sendo
j
o
nmero esperado de defaults na faixa j,
j
=
j

j
.

Definindo G(z) como a funo geradora das probabilidades de perdas em
mltiplos de L, temos

0 n
n
z
n
A ) z ( G
, onde A
n
definido com a probabilidade de
perda de tamanho nL.

Escrevendo esta funo como um produto entre as funes das faixas, temos que
) z (
m
1 j
j
G ) z ( G

, onde
), exp(
!
) ( ) (
0 0
j j
j
j
z z
n
e
z n ND p z G
j j
n
n
n
j
n
n
j

de modo que

,
_

+ +

m
j
j
m
j
j
m
j
j j
j j
z z z G
1 1
1
exp ) exp( ) (


.

9
Por expanso de Taylor, temos:

0 z
n
dz
) z ( G
n
d
! n
1
n
A

,

que, pela frmula de Leibnitz, pode ser expresso como

( ) ( )

,
_

,
_

1
1
1
! 1 ! 1
1
!
1
n
k n j n
j
k
A k n k
k
n
n
A

.
Portanto,

j
j
j
j
n
n j
j
n
n j
j j
n
A
n
A
n
A

,
_

,
_

: :
.

Considerando a recursividade da frmula acima, precisamos definir A
0
. Em particular,
adotamos

,
_

m
j
j
j
G A
1
0
exp ) 0 (

.

2.3 Exemplo de uma carteira de crdito

Neste exemplo, com fins didticos, vamos considerar a seguinte carteira de
crdito:

i) 50 emprstimos com exposio de R$200 e probabilidade de default de 4%.

ii) 100 emprstimos com exposio de R$300 e probabilidade de default de 1%.

Escolhendo L=100, temos m = 2,
1
= 2,
2
= 3,
1
= 2,
2
= 1,
1
= 4 e
2
= 3.

Substituindo os valores nas duas ltimas equaes da seo anterior, obtemos os
valores dos cinco primeiros termos na Tabela 1. O resultado completo visualizado
na Figura 1. Aumentando as probabilidades de default, a Figura 2 explicita a diferena
na utilizao da hiptese da distribuio de Poisson na aproximao da binomial.

Analisando o efeito da escolha do tamanho da faixa, verificamos que o resultado
correto obtido considerando L=100. A intuio para este resultado a seguinte.
Como temos exposies de R$200 e R$300, as primeiras combinaes possveis de
default conjuntas geram resultados de R$0 (nenhum default em ambas as faixas),
R$200 (um default da primeira faixa e nenhum da segunda), R$300 (nenhum default
da primeira faixa e um da segunda), R$400 (dois defaults da primeira faixa e nenhum
da segunda), R$500 (um default da primeira faixa e um da segunda), R$600 (trs
defaults da primeira faixa e nenhum da segunda ou nenhum default da primeira faixa
e dois da segunda) e assim por diante.
10
Como as perdas so representadas em mltiplos de L, com L = 100 todas as
combinaes de default so percorridas. Porm, com L = 200, as perdas seriam de
R$0, R$200, R$400, R$600, R$800, e portanto no haveria a correta representao
das perdas reais de R$300, R$500, R$700 e assim por diante. Se L = 300, teramos
perdas em R300, R$600, R$900,, implicando resultados ainda mais distantes da
realidade.

A diferena no capital econmico, dado um nvel de confiana de 5%, para cada
uma das faixas est representada na Tabela 2. A Figura 3 ressalta as diferenas nas
distribuies de perda em funo do tamanho da faixa escolhida.

2.4 Incerteza das taxas de default

At a seo anterior, consideramos as taxas de default como fixas. Analisaremos
agora a influncia da incerteza nas taxas. As taxas podem ser modeladas atravs da
mdia histrica condicionada aos fatores macroeconmicos. Uma recesso econmica
presumivelmente aumenta as taxas de default das empresas, por exemplo.

Introduzindo estocasticidade nas taxas de default atravs de uma distribuio
gama com mdia e volatilidade ,
3
observa-se na Figura 4 que a varincia da
distribuio de perdas aumenta, enquanto a perda esperada permanece a mesma.
Assim, a distribuio de perdas das carteiras ter caudas mais largas. Esse aumento
deve-se s correlaes implcitas das exposies. importante notar que quando
temos volatilidades iguais a zero, estas correlaes so nulas. Estas correlaes
observadas entre dois devedores devem-se nica e exclusivamente aos fatores
externos, no sendo modelada qualquer tipo de relao causal entre eventos de
default.

Como exemplo, em um perodo de recesso econmica, observamos um aumento
no nvel das taxas de default, ocorrendo uma maior incidncia de eventos de default.

2.5 Anlise setorial e correlaes

Alm do efeito das volatilidades, pode-se considerar o efeito da distribuio das
empresas por setores, que faz com que dois devedores em setores distintos sejam
afetados de maneira diferente devido a fatores externos. Como conseqncia, temos
uma diversificao do risco ao alocarmos exposies em setores diferentes.

Pode-se ver claramente o efeito da diversificao na Figura 5. Para efeito de
simplificao, consideramos pesos iguais para cada setor. medida que se aumenta o
nmero de setores, maior ser o grau de diversificao da carteira, isto , menor a
varincia da distribuio de perdas.

O risco de concentrao ocorre quando temos muitas exposies em um mesmo
setor, ou seja, exposies afetadas pelos mesmos fatores. Um exemplo seria termos

3
Hiptese assumida pelo CreditRisk + (Credit Suisse First Boston, 1997). A seo 2.6 discute a sua
motivao.
11
muitos devedores com domiclio em um mesmo pas. Uma empresa no precisa
pertencer necessariamente 100% a um nico setor, podendo ser dividida em dois ou
mais setores. Isso mostra que sua taxa de default sofre influncia de mais de um fator.

Para a modelagem matemtica, consideramos uma carteira onde:

N nmero de devedores;
K

nmero de setores;

i
taxa de default do devedor i;

i
volatilidade da taxa de default de cada devedor;
e
i
exposio de cada devedor;

ik
influncia do setor k nos devedores i.

O setor k possui respectivamente mdia e volatilidade:

i
N
1 i
ik k

e
i
N
1 i
ik k

.

O modelo supe, ainda, que a probabilidade de default uma varivel aleatria com
distribuio gama. Porm, no caso da simulao, podemos escolher qualquer outra
distribuio que se adapte melhor realidade.

Definindo x
k
como a probabilidade de default do setor k, temos: x
k
~ (
k
,
k
),
onde
k
=
k
2
/
k
2
e
k
=
k
2
/
k
. Para cada devedor, temos

,
_

K
1 k
i ik
k
k
x
i
x

.

2.6 Eventos de default com taxas variveis

Sendo as probabilidades de default modeladas como variveis aleatrias com
distribuio gama, introduzimos uma volatilidade que produz o efeito de correlao
no modelo. Como veremos adiante, a convoluo entre distribuies gama e Poisson
implica uma frmula analtica fechada para a distribuio de perdas da carteira.
Possivelmente, esta a razo da escolha destas distribuies na formulao original
do modelo.

Da mesma maneira que na seo 2.1, definimos a funo geradora de
probabilidade como

0 n
n
z ) n nd ( p ) z ( F , que pode ser escrita como
) z (
K
1 k
k
F ) z ( F

, dado que os setores so independentes.

12
Como visto acima, a taxa de default modelada como uma varivel aleatria x
k

com mdia
k
e desvio padro
k
. Condicionando em x
k
= z, podemos escrever a
funo geradora de probabilidade como )] 1 ( exp[ ) ( z x z F
k
.

A funo geradora de probabilidade pode ser entendida como a mdia da funo
acima para todos valores possveis da taxa de default, ponderada pela possibilidade de
ocorrncia daquele estado da natureza:

0
) 1 (
0
0 0
) ( ) ( ) ( ) ( ) (
x
z x
x
n
n
n
n
dx x f e dx x f x n ND p z z n ND p z F .


2.6.1 A distribuio gama

A distribuio gama tem a seguinte funo densidade de probabilidade:
0 , , ,
) (
1
) , ; (
1
>

,
_

x e x x f
x
,
onde () a funo gama definida como

0
1
dy e y
y
. A distribuio gama
completamente descrita por apenas dois parmetros, e , tendo mdia e
varincia
2
. O modelo CreditRisk+ supe que as taxas de default tem distribuio
gama, resultando em
k
=
k
2
/
k
2
e
k
=
k
2
/
k
, onde k denota o ndice do setor.


2.6.2 Distribuio de defaults
Escolhida a distribuio gama para a funo f(x), podemos escrever F
k
(z) como:

,
_

0
dx
x
e
1
x
) 1 z ( x
e
) (
1
0
dx ) x ( f
) 1 z ( x
e ) z (
k
F

.

A partir da mudana de varivel y = (1 - z + 1/)x, chega-se seguinte expresso:

( )

,
_

0
dy
1
y
y
e
1
z 1
1
) (
1
) z (
k
F

.
Portanto,

,
_

,
_

1
z 1
1 1
) (
1
z 1
1
) (
1
) z (
k
F .
Assumindo que
( )
k
1
k
k
p

+
resulta em
k
z
k
p 1
k
p 1
) z (
k
F

,
_

( )
n n
k
n
n
n
k
z p p
k k

,
_

+ +

1
1
1

13
aps expanso em sries de Taylor.

Portanto,
( )
n
k k
p
n
k
n
p n ND p
k

,
_

+ +

1
1 ) (

,
demonstrando que a convoluo entre distribuies gama e Poisson gera uma
distribuio binomial negativa.


2.6.3 Distribuio de perdas com taxas variveis


Essa seo analisa a distribuio das perdas de default com as taxas variveis. O
objetivo calcular uma frmula fechada para

0 n
n
z
n
A ) z ( G . Como
) z (
K
1 k
k
G ) z ( G

, onde G
k
(z) a funo geradora de probabilidade para o setor k,
podemos escrever, como na seo 2.2, que

,
_

,
_

0 x
.
k
dx )
k
x (
k
f 1 z
N
1 i
i
x exp
k
dx )
k
x ( f )
k
x
0 x
n
A ( p
0 n
n
z
0 n
n
z ) n nd ( p ) z (
k
G
k
i
k

Logo,

0
) 1 ) ( (
) ( ) (
k
k k
x
k k k
z W x
k
dx x f e z G , onde
j
j
z
m
1 j
j k
1
) z (
k
W

, de modo que
k
k
j
K
k
K
k v
k m
j
k
j
k
j
k
k
k
k
z
p
p
z G z G

,
_

1 1
) (
1
) (
) (
) (
1
1
) ( ) (
.

Vamos calcular a distribuio de perdas atravs de um algoritmo numrico.
Lembrando que

0 n
n
z
n
A ) z ( G , onde A
n
a probabilidade de perda do montante
nL, temos

0
) (
n
n
n
z A z G e
) (
) ( ) (
) (
1 )) ( (log
z B
z A
dz
z dG
z G dz
z G d
, onde A e B so
polinmios de ordem r e s, respectivamente.

Credit Suisse First Boston (1997) demonstra que os termos da expanso na
equao acima podem ser calculados a partir de

14

,
_

+
) n , r min(
0 i
) 1 n , 1 s min(
0 j
j n
A ) j n (
1 j
b
i n
A
i
a
) 1 n (
0
b
1
1 n
A .
Por outro lado,

K
1 k
) k ( m
1 j
z
) k (
j
) k (
j
k
k
p
1
) k ( m
1 j
1
z
) k (
j
k
k k
p
K
1 k
) z (
k
G
) z (
k
' G
) z ( G
) z ( ' G
) k (
j
) k (
j

,
implicando que

K
1 k
) k ( m
1 j
z
) k (
j
) k (
j
k
k
p
1
) k ( m
1 j
1
z
) k (
j
k
k k
p
) z ( B
) z ( A
) k (
j
) k (
j

.

O algoritmo procura, ento, encontrar os coeficientes de A(z) e B(z). Um ponto
importante a escolha do parmetro L, que vai determinar o
j
. Estes nmeros
representam os graus dos polinmios do numerador e do denominador. Se forem
elevados, o gasto computacional pode ser intenso, inviabilizando a soluo atravs de
algoritmos numricos. Observando que o ndice k representa a faixa, em uma primeira
anlise, podemos verificar que, quanto maior o nmero de faixas, maior o tempo
computacional.
2.7 Exemplo de uma carteira de crdito com taxas de defaultsvariveis

Para entendimento do algoritmo da seo anterior, usaremos o mesmo exemplo da
seo 2.3 com a incluso das volatilidades das taxas de defaults.

A carteira composta de:

i) 50 emprstimos com exposio de R$200, probabilidade de default de 4% e
volatilidade igual a 2%.

ii) 100 emprstimos com exposio de R$300, probabilidade de default de 1% e
volatilidade igual a 0.5%.

Escolhendo L=100, temos que
1
= 2,
2
= 3,
1
= 2,
2
= 1,
1
= 4 e
2
= 3.

Substituindo os valores nas frmulas das sees 2.5 e 2.6.2, e considerando um
nico setor k, obtemos
k
= 3,
k
= 1.5,
k
= 4,
k
= 1.52/3 = 0.75 e p
k
= 0.42857.
Neste exerccio, considerando que:

15
1
1
1
]
1

+
1
]
1

1
]
1

+ + +
1
]
1

+ +

3
z
2
) k (
2
z
1
) k (
k
k
p
1
2
z
) k (
2
z
) k (
1
k
k k
p
3
z
3
b
2
z
2
b z
1
b
0
b
2
z
2
a z
1
a
0
a
) z ( B
) z ( A
2 1

,

obtemos os coeficientes da Tabela 4. Logo,

1
]
1

1
]
1

3
z 143 . 0
2
z 286 . 0 1
2
z 714 . 1 z 286 . 2
) z ( B
) z ( A
.

Lembrando que:

,
_

+
) n , r min(
0 i
) 1 n , 1 s min(
0 j
j n
A ) j n (
1 j
b
i n
A
i
a
) 1 n (
0
b
1
1 n
A ,

e considerando os dados do exemplo, encontramos os valores da Tabela 5 e a
distribuio de perdas na Figura 6. importante observar que esta metodologia vale
mesmo quando as taxas de default forem constantes, como no exemplo da seo 2.3.

2.8 Resumo da Metodologia de Clculo

O objetivo do modelo CreditRisk+ calcular a distribuio de perdas da carteira
de crdito. Para tanto, realizada a diviso das empresas por faixas de acordo com sua
exposio. Consideremos uma carteira com N devedores, cada qual caracterizado por:

uma exposio;

uma probabilidade de default;

uma volatilidade da probabilidade de default;

distribuio das empresas dentro de setores.


Define-se, ento, uma unidade de exposio L. A exposio de cada devedor deve ser
arredondada para um mltiplo inteiro de L, de modo a agrup- los por faixas de
exposio. Temos ento:

exposio comum de cada faixa, expressa em unidades de L;

perda esperada em cada faixa, expressa em unidades de L;

16
nmero esperado de eventos de default em cada faixa.

Para cada faixa de exposio, teremos n devedores. A distribuio de eventos de
default desta faixa pode ser modelada por uma distribuio de Poisson com parmetro
. Ao incluirmos a volatilidade, esta distribuio segue uma Poisson condicional ,
onde tem distribuio gama. A convoluo das distribuies Poisson e gama faz
com que os eventos de default sigam uma distribuio binomial negativa, sendo
possvel chegar a uma frmula fechada para a ocorrncia de um determinado nmero
de eventos.

Posteriormente, veremos que atravs do mtodo de simulao no precisaremos
mais nos restringir a estas distribuies de probabilidade, podendo modelar os eventos
de default e suas volatilidades com quaisquer distribuies de probabilidade.

De posse de uma frmula fechada para estimar a probabilidade de ocorrncia de
um determinado nmero de eventos de default, podemos determinar a distribuio de
perdas da carteira de emprstimos. A partir desta distribuio, podemos calcular o
valor em risco da carteira da empresa detentora dos emprstimos, assim como o
capital econmico necessrio para que esta atenda a um determinado nvel de
solvncia.

3 Mtodo via Simulaes de Monte Carlo

Considerando que certas hipteses assumidas na formulao do modelo
CreditRisk+ no valem para o mercado brasileiro, desenvolvemos uma metodologia
para clculo da distribuio de perdas atravs de mtodos de simulao.

3.1 Metodologia da Simulao

Neste modelo de risco de crdito, utilizaremos um gerador de nmeros pseudo-
aleatrios porque no encontramos evidncia da superioridade das seqncias quase-
aleatrias, dado o nvel de confiana dos resultados. Simulamos os nmeros seguindo
quatro distribuies: normal, gama, Poisson e binomial.

Consideremos uma carteira com N devedores. Cada um deles pode ser
representado por taxas
i
de default, volatilidade
i
da taxa de default, exposio e
i
e
influncia
ik
de cada setor k no devedor i.

A cada setor associamos ainda uma mdia
i
N
1 i
ik k

e uma volatilidade
i
N
1 i
ik k

. Como explicado na seo 2.6, o modelo original supe que a

probabilidade de default uma varivel aleatria com distribuio gama: x
k
~ (
k
,
k
),
onde
k
=
k
2
/
k
2
e
k
=
k
2
/
k
. fundamental ressaltar que, neste ponto da simulao,
17
temos a opo de escolher qualquer distribuio para a probabilidade de default, e no
necessariamente uma distribuio gama.

Simulamos a distribuio para determinar um valor de x
k
para cada setor e a seguir
calculamos x
i
para cada devedor:

,
_

K
1 k
i ik
k
k
x
i
x

.

A cada um deles (ou conjunto de devedores) associamos uma probabilidade de
default calculada a partir das realizaes de x
k
. Simula-se a distribuio, binomial ou
Poisson, para cada devedor (ou conjunto) e calcula-se a perda isoladamente e para
toda a carteira.

A realizao dessa varivel multiplicada pela exposio caracterstica do
devedor e pelo nmero deles. Obtm-se o histograma e calcula-se ento quantidades
demandadas: por exemplo, medidas de risco, perdas esperadas e inesperadas, capital
econmico, etc.

3.2 Vantagens da Simulao de Monte Carlo

A seguir descreveremos as principais vantagens da utilizao de simulaes de
Monte Carlo. Primeiro, no necessrio utilizar a aproximao da distribuio de
Poisson. Considera-se a distribuio binomial por ser vlida mesmo para taxas de
default elevadas, como explicamos na seo 2.1. O mesmo observa-se na modelagem
da distribuio da taxas, no sendo necessrio utilizar a distribuio gama.

Segundo, no se utiliza a aproximao de agrupamento por faixas, que
necessria no clculo do mtodo analtico. Como vimos na seo 2.3, a escolha de L
pode influenciar substancialmente os resultados obtidos para as medidas de risco.

Terceiro, o fato de no utilizar uma frmula recursiva evita a propagao de erros
numricos. Este problema torna-se extremamente importante quando temos muitos
devedores em uma mesma faixa. Todas as frmulas desenvolvidas na seo 2, que
servem de base para o modelo original, so recursivas, dependendo do clculo do
primeiro termo. O primeiro termo da frmula A
0
, que a probabilidade de perda de 0
unidades de L, pode ser escrito como

,
_

m
1 j
j
/
j
exp
0
A
, onde
j
a exposio do
devedor da faixa j,
j
a perda esperada (ambos em mltiplos de L) e m o nmero de
faixas. A frmula para o clculo de A
n
recursiva, ou seja, A
1
funo de A
0
, A
2

funo de A
1
e assim sucessivamente. No caso de taxas fixas,
4
o fator

m
1 j
j
/
j


pode ser interpretado como o valor esperado de defaults.

Quarto, em determinadas condies, observa-se que a simulao de Monte Carlo
consome menos recursos computacionais que o mtodo analtico. Na maioria dos

4
O mesmo resultado obtido considerando taxas variveis.
18
casos, a diferena de consumo de memria entre os dois mtodos desprezvel.
Assim, o principal recurso computacional em questo na avaliao da distribuio de
perdas de uma carteira de crdito o tempo necessrio para realizar esta estimativa.

Analisando-se o mtodo analtico com setores, observamos que sua complexidade
ciclomtica
5
quadrtica em relao ao produto do nmero de setores com o nmero
de faixas desejadas no histograma que descreve a distribuio de perdas da carteira.
Assim, para que o resultado da avaliao analtica seja preciso (valores pequenos para
L e um grande nmero de faixas no histograma resultante), o tempo de processamento
necessrio bastante elevado.

Defina NS como o nmero de setores, NF o nmero de faixas, NSIM o nmero de
simulaes de Monte Carlo e NC o nmero de contratos na carteira. O mtodo
analtico exige tempo de processamento na ordem de (NS NF)
2
.

Considerando as simulaes de Monte Carlo, observamos que a complexidade
ciclomtica de uma iterao da simulao linear em relao ao nmero de contratos
de emprstimos na carteira. Entretanto, so necessrios milhares de simulaes para
obtermos um histograma preciso. O mtodo de simulaes de Monte Carlo apresenta
tempo de processamento da ordem de NSIM NC.

Assim, observamos que, medida que aumentamos o nmero de faixas desejadas
e, principalmente, o nmero de setores do modelo, o tempo de processamento
necessrio para realizar as simulaes passa a ser inferior ao tempo necessrio para a
resoluo do mtodo analtico.

Quinto, no necessrio considerar que as taxas de recuperao so constantes,
como no modelo original do CreditRisk+. As taxas de recuperao podem ter
qualquer distribuio, sendo isto j possvel no CreditMetrics, no modelo da
McKinsey e do KMV. A novidade sua utilizao dentro do contexto do
CreditRisk+.

As taxas de recuperao podem ser modeladas com uma correlao com as
probabilidades de default. Como esta correlao geralmente negativa, implica em
caudas mais largas na distribuio de perdas, e portanto, aumenta o capital econmico
requerido pela instituio.

Finalmente, importante ressaltar que, sob todas as hipteses iniciais do
CreditRisk+, o resultado da simulao numrica converge para o resultado analtico.

Em resumo, a maior flexibilidade, simplicidade e preciso do mtodo baseado em
simulaes de Monte Carlo o torna uma alternativa, no mnimo, interessante ao
mtodo analtico.



5
A complexidade ciclomtica uma medida de custo de execuo de programas, baseada no nmero
de iteraes presentes nas repeties que perfazem seus algoritmos.
19
4 Exemplos

Nesta seo, apresentamos exemplos da utilizao da simulao de Monte Carlo
aplicada a carteiras de crdito hipotticas, mas que procuram representar a realidade
de muitas instituies financeiras de varejo e atacado no mercado brasileiro.

Destacamos ainda a convergncia da nossa proposta de simulao para o modelo
original do CreditRisk+, a dificuldade da utilizao da distribuio de Poisson no
Brasil, as conseqncias da introduo da volatilidade nas taxas de default, os
problemas computacionais decorrentes da recursividade da frmula do CreditRisk+ e
o efeito da escolha do tamanho da faixa (L).
4.1 Simulao versus CreditRisk+

Utilizamos uma carteira com 25 empresas,
6
cada uma com uma exposio e um
rating. A cada rating associada uma probabilidade de default e sua volatilidade.
Neste exemplo, mostramos que a simulao converge para o modelo original quando
suas hipteses so vlidas: notadamente, as distribuies Poisson e gama e um
nmero razovel de faixas. Como o objetivo testar aderncia da simulao,
escolhemos um tamanho da faixa timo para que o mtodo analtico apresente
resultados corretos.

Na Figura 7, comparamos o mtodo original do CreditRisk+, considerando uma
distribuio Poisson para as perdas e sem a incluso das volatilidades das taxas, com a
simulao de Monte Carlo a partir de uma distribuio Poisson. A Figura 8 realiza
uma comparao semelhante, mas considerando uma distribuio gama para modelar
a volatilidade das taxas. Os resultados observados nas Figuras 7 e 8 permitem
algumas observaes.

Considerando-se todas as hipteses iniciais do CreditRisk+, o resultado da
simulao numrica converge para o obtido atravs do mtodo analtico
independentemente da incluso ou no da volatilidade das taxas. Os resultados para o
capital econmico so muito semelhantes conforme documentado na Tabela 6.
Entretanto, percebemos um aumento de capital na ordem de 23,5% quando
consideramos a volatilidade das taxas.

4.2 Comparao entre a utilizao da distribuio de Poisson e gama

Com a finalidade de mostrar a diferena entre as hipteses distribuicionais,
utilizamos uma carteira com 9 faixas de exposio e dois ratings. A Figura 9 mostra a
distribuio de perdas desta carteira.

O grfico da Figura 9 e a Tabela 7 permitem algumas observaes. Primeiro, o
decrscimo de 20% do capital econmico indica que a aproximao calcada na
distribuio de Poisson conservadora, superestimando o risco. Segundo, a
distribuio de perdas apresenta resultados diferentes. Basta observar que a

6
Este exemplo baseia-se no documento tcnico do CreditRisk + (Credit Suisse First Boston, 1997).
20
probabilidade de nenhuma perda utilizando Poisson 12.1%, enquanto que o valor
exato dado pela distribuio binomial 8%. Outra diferena significativa ocorre na
perda de R$1600, cujas probabilidades aproximada e exata so 2.5% e 4.3%,
respectivamente. Terceiro, a cauda da distribuio de perdas aproximada pela Poisson
mais pesada que a cauda real advinda da binomial. Portanto, o resultado da Tabela 7
vale aparentemente para outros nveis de confiana do capital econmico.

4.3 Problemas Computacionais em Carteira de Varejo

Vamos considerar um exemplo onde existam 33.000 devedores, cinco ratings e
cinco exposies diferentes. A exposio total desta carteira R$28.000.000, com
perda esperada de R$5.330.000. Podemos observar na Tabela 8 e nas Figuras 10 e 11
que, para esta carteira, no possvel utilizar o mtodo analtico devido ao erro
computacional no clculo do primeiro termo. importante ressaltar que o mtodo via
simulaes no apresenta problemas deste tipo.

Para entendermos o problema, basta observar que A
0
igual a exp(-5.000), que a
maioria dos computadores entende como zero por questes de arredondamento
numrico. Como o clculo recursivo, teramos A
1
= A
2
= = A
n
=0, impedindo o
clculo da distribuio de perdas da carteira. Ademais, a incluso da volatilidade das
taxas gera um capital econmico aproximadamente 17 vezes maior.

4.4 Efeito da escolha do tamanho da faixa

No exemplo das Figuras 12 e 13, mostramos como a escolha do parmetro L, no
contexto do algoritmo numrico do CreditRisk+, pode influenciar muito a distribuio
de perdas da carteira. O exerccio realizado consiste em percorrer diversos valores
para o parmetro L, com o objetivo de explicitar o problema discutido na seo 2.3.

Os resultados obtidos neste exemplo levam as seguintes consideraes. Quanto
ao mtodo analtico, se escolhermos o tamanho da faixa L igual a 4.000 temos uma
distribuio de perdas bastante diferente da realidade, conforme a Figura 12. Observa-
se a convergncia do mtodo analtico para o resultado obtido por simulao quando o
tamanho faixa varia de R$4.000 a R$400. Com L = 4.000, o capital econmico
alocado de R$247.000 e R$156.000 dependendo da incluso ou no da volatilidade.
Os valores corretos so, entretanto, R$32.200 e R$11.800, respectivamente. Os
resultados so muito superiores quando L = 400. Na simulao, a distribuio de
perdas no alterada em funo do tamanho da faixa conforme ilustrado na Figuras
12 e 13.







21
5 Concluso

Neste trabalho, propomos a utilizao de simulaes de Monte Carlo para a
anlise de uma carteira de crdito baseada na metodologia CreditRisk+. Tal
procedimento possui inmeras vantagens. Em primeiro lugar, no necessrio utilizar
a aproximao da distribuio de Poisson. Considera-se, ento, uma distribuio
binomial por ser vlida mesmo com taxas de default elevadas, como no caso
brasileiro. Segundo, mostramos como a escolha do parmetro L, no contexto do
algoritmo numrico do CreditRisk+, pode influenciar a distribuio de perdas da
carteira, o que no ocorre na simulao (no se utiliza a aproximao de agrupamento
por faixas). Terceiro, o erro numrico, resultado da recursividade da frmula do
CreditRisk+, no propagado. Este problema torna-se importante quando temos
muitos devedores numa mesma faixa.

Observamos ainda que, medida que aumentamos o nmero de faixas desejadas
e, principalmente, o nmero de setores do modelo, o tempo de processamento
necessrio para realizar as simulaes passa a ser inferior ao tempo necessrio para a
resoluo do mtodo analtico. Ademais, mostramos como os resultados obtidos
atravs do algoritmo proposto de simulao de Monte Carlo podem diferir dos
resultados do modelo CreditRisk+.

Outra vantagem que as taxas de recuperao podem ser modeladas com uma
correlao (geralmente negativa) com as probabilidades de default, o que implica em
caudas mais largas na distribuio de perdas e aumento no capital econmico
estimado para a instituio. Esta caracterstica s possvel de ser implementada no
contexto do CreditRisk+ atravs de simulaes.

Finalmente, destacamos a convergncia da nossa proposta de simulao para o
modelo original do CreditRisk+ e as conseqncias da introduo da volatilidade nas
taxas de default.

O ponto central deste trabalho realar a importncia da utilizao de
metodologias alternativas de mensurao de risco de crdito que incorporem as
particularidades do mercado brasileiro. A principal proposta de extenso a este
trabalho modelar precisamente os dados de entrada do modelo, principalmente as
taxas de recuperao, as probabilidades de default, a distribuio destas
probabilidades com seus parmetros e a alocao das empresas nos setores. Por
exemplo, no mercado brasileiro, as taxas de recuperao apresentam um
comportamento estocstico e verifica-se que sua correlao negativa com as taxas
de default, o que intuitivamente torna a distribuio de perdas mais pesada nas caudas.
O mtodo proposto neste trabalho para inferir o risco de uma carteira de crdito via
simulaes de Monte Carlo surge como uma ferramenta poderosa para este tipo de
anlise.
22
Referncias Bibliogrficas


Credit Suisse First Boston, CreditRisk+ A Credit Risk Management Framework,
1997.

Jorion, P., Value at Risk, McGrawHill, New York, 1997.

J. P. Morgan, CreditMetrics Technical Document, 1997.

J. P. Morgan, RiskMetrics Technical Document, 1995.

Hull, J. C., Options, Futures and Other Derivatives, Prentice Hall, 1997.

Koyluoglu, H.U e Hickman, A., A Generalized Framework for Credit Risk Portfolio
Models, 1999.

McKinsey, Measuring Credit Portfolio Risk: Incorporating Macroeconomic
Migration Analysis, Technical Report, 1997.

Prado, R. G. A., Bastos, N. T. e Duarte, A. M. Jr., Gerenciamento de Riscos de
Crdito em Bancos de Varejo no Brasil, Tecnologia de Crdito Serasa, 2000.

Rocha, F. e Bender S., Present Value Test of the Brazilian Current Account,
Economia Aplicada 4, nmero 2, 2000, pginas 203-222.

Saunders, A., Medindo o Risco de Crdito, QualityMark, 1999.

Vasicek, O., Probability of Loss on Loan Portfolio, KMV Corporation, 1987.
23
Tabela 1 - Distribuio de perdas




Tabela 2 Efeito de L sobre o capital econmico (5%)




Tabela 3 - Exemplo de distribuio de empresas em setores

Desmembramento em Setores
Setor 1 Setor 2 Setor 3
Empresa(s) A 100% 0% 0%
Empresa(s) B 50% 25% 25%
Empresa(s) C 30% 40% 30%
Empresa(s) D 0% 0% 100%



Tabela 4- Distribuio de perdas com taxas de defaults variveis



Tabela 5- Distribuio de perdas com taxas de defaults variveis


24
Tabela 6 Capital econmico (5%) para o mtodo analtico e o
mtodo via simulao.




Tabela 7 - Capital econmico (5%) utilizando a distribuio de
Poisson e binomial




Tabela 8 Capital econmico (5%) para o mtodo analtico e o
mtodo via simulao.




25
Figura 1 - Distribuio de perdas








Figura 2 - Distribuio de perdas considerando a distribuio
binomial e Poisson


























Distribuio de perdas
0
2
4
6
8
10
12
0
2
0
0
4
0
0
6
0
0
8
0
0
1
0
0
0
1
2
0
0
1
4
0
0
1
6
0
0
1
8
0
0
2
0
0
0
2
2
0
0
2
4
0
0
2
6
0
0
2
8
0
0
Perda (R$)
P
r
o
b
a
b
i
l
i
d
a
d
e
Distribuio de perdas
0
0.5
1
1.5
2
2.5
3
3.5
4
Perda (R$)
Pro
ba
bili
da
de
Poisson
Binomial
26
Figura 3 - Distribuio de perdas considerando diferentes tamanhos
de faixa










Figura 4 - Distribuio de perdas com e sem volatilidade


Distribuio de perdas
0
3
6
9
12
15
18
21
0
2
0
0
4
0
0
6
0
0
8
0
0
1
0
0
0
1
2
0
0
1
4
0
0
1
6
0
0
1
8
0
0
2
0
0
0
2
2
0
0
2
4
0
0
2
6
0
0
2
8
0
0
Perda (R$)
P
r
o
b
a
b
i
l
i
d
a
d
e
L=100
L=200
L=300

0
0.01
0.02
0.03
0.04
0.05
0.06
1 16 31 46 61
76 91 106 121 136 151 166
com volatilidade
sem volatilidade
27
Figura 5 - Distribuio de perdas da carteira com diversos setores



Figura 6 - Distribuio de perdas com e sem volatilidade



























Distribuio de perdas
0
2
4
6
8
10
12
14
0
2
0
0
4
0
0
6
0
0
8
0
0
1
0
0
0
1
2
0
0
1
4
0
0
1
6
0
0
1
8
0
0
2
0
0
0
2
2
0
0
2
4
0
0
2
6
0
0
2
8
0
0
Perda (R$1000)
P
r
o
b
a
b
i
l
i
d
a
d
e
Analtico sem
Volatilidades
Analtico com
Volatilidades
0
0.005
0.01
0.015
0.02
0.025
0.03
1 15 29 43 57 71 85 99 113 127 141 155 169 183
4 setores
3 setores
2 setores
1 setor
28
Figura 7 - Analtico x Simulao sem volatilidade nas taxas















Figura 8 - Analtico x Simulao com volatilidade nas taxas










Distribuio de perdas
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
0
2
8
0
0
5
6
0
0
8
4
0
0
1
1
2
0
0
1
4
0
0
0
1
6
8
0
0
1
9
6
0
0
2
2
4
0
0
2
5
2
0
0
2
8
0
0
0
3
0
8
0
0
3
3
6
0
0
3
6
4
0
0
Perda (R$)
P
r
o
b
a
b
i
l
i
d
a
d
e
Analtico sem Volatilidades
SMC com Poisson
Distribuio de perdas
0
1
2
3
4
5
6
7
8
9
10
0
2
4
0
0
4
8
0
0
7
2
0
0
9
6
0
0
1
2
0
0
0
1
4
4
0
0
1
6
8
0
0
1
9
2
0
0
2
1
6
0
0
2
4
0
0
0
2
6
4
0
0
2
8
8
0
0
3
1
2
0
0
3
3
6
0
0
3
6
0
0
0
Perda (R$)
P
r
o
b
a
b
i
l
i
d
a
d
e
Analtico com Volatilidades
SMC com Poisson e Gamma
29
Figura 9 Comparao da distribuio de perdas utilizando Poisson
e binomial












Figura 10 - Analtico x Simulao sem volatilidade nas taxas




























Distribuio de perdas
0
2
4
6
8
10
12
14
0
8
0
0
1
6
0
0
2
4
0
0
3
2
0
0
4
0
0
0
4
8
0
0
5
6
0
0
6
4
0
0
7
2
0
0
8
0
0
0
8
8
0
0
9
6
0
0
1
0
4
0
0
1
1
2
0
0
1
2
0
0
0
1
2
8
0
0
1
3
6
0
0
1
4
4
0
0
Perda (R$)
P
r
o
b
a
b
i
l
i
d
a
d
e
SMC com Poisson
SMC com Binomial
Distribuio de perdas
0
5
10
15
20
25
30
35
40
45
4
8
0
0
4
9
0
0
5
0
0
0
5
1
0
0
5
2
0
0
5
3
0
0
5
4
0
0
5
5
0
0
5
6
0
0
5
7
0
0
5
8
0
0
5
9
0
0
Perda (R$1000)
P
r
o
b
a
b
i
l
i
d
a
d
e
Analtico sem
Volatilidades
SMC com Poisson
30
Figura 11 - Analtico x Simulao com volatilidade nas taxas


















































Distribuio de perdas
0
0.5
1
1.5
2
2.5
4
0
0
1
2
0
0
2
0
0
0
2
8
0
0
3
6
0
0
4
4
0
0
5
2
0
0
6
0
0
0
6
8
0
0
7
6
0
0
8
4
0
0
9
2
0
0
1
0
0
0
0
1
0
8
0
0
1
1
6
0
0
1
E
+
0
7
Perda (R$1000)
P
r
o
b
a
b
i
l
i
d
a
d
e
Analtico com
Volatilidades
SMC com Poisson e
Gamma
31
Figura 12 Convergncia da distribuio de perdas do mtodo
analtico para a simulao com a mudana no L.

32
Figura 13 Convergncia do capital econmico do mtodo analtico
para a simulao com a mudana no L.

33
Apndice 1 Principais Conceitos de Risco de Crdito

Neste apndice, discutiremos os principais conceitos utilizados no gerenciamento
de risco de uma carteira de crdito. Um resultado importante destes modelos consiste
na estimao da distribuio de perdas da carteira, de maneira semelhante ao clculo
de VaR (Value at Risk) em modelos de risco de mercado. Esta estimao pode ser
utilizada para efeito de clculo de capital regulatrio e/ou econmico ou,
alternativamente, como medida do risco de concentrao da carteira.

As principais definies utilizadas em risco de uma carteira de crdito so listadas
a seguir.

Perda esperada: Montante esperado de perda na operao de crdito. Pode ser
considerado o custo da concesso do crdito. Para o seu clculo, multiplicamos a
exposio (lquida da taxa de devoluo) do emprstimo pela probabilidade de
inadimplncia deste devedor.

Perda no esperada: So perdas associadas incerteza da concesso de crdito. So
as perdas maiores do que as esperadas e advindas da variao da taxa de
inadimplncia ao longo do tempo. Seu clculo exige hipteses sobre o comportamento
desta taxa assim como sua distribuio de probabilidade. Ao longo deste trabalho,
discutiremos em detalhes o seu clculo.

Capital econmico: Valor estimado (capital do acionista) para cobrir qualquer perda
entre a esperada e o percentual desejado para a taxa de insolvncia.

Distribuio de Perdas
Capital Econmico
Perda Esperada VaR (%)
Perdas inesperadas