FUNENSEG - MELO, E. F. L., 2012 - Modelagem de Estrutua de Dependência Por Cópulas para Gestão de Riscos PDF

Modelagem de Estrutura de
Dependência por Cópulas

para Gestão de Riscos
Série
Cadernos de Seguro: teses, v. 15, no 36
FUNENSEG
Presidente
Robert Bittar
Vice-Presidente
Mauro César Batista
Diretor Executivo
Renato Campos Martins Filho
Diretor de Ensino Superior e Pesquisa
Claudio Contador
Diretora de Ensino Técnico
Maria Helena Cardoso Monteiro
Superintendente Administrativo-Financeira
Paola Young Casado Barros de Souza
Superintendente Comercial
Henrique Berardinelli
Cadernos de Seguro – Teses

Conselho Editorial
Claudio Contador
Francisco Galiza
Joel Gomes
Lauro Vieira de Faria
Lucio Antonio Marques
Moacyr Lamha Filho
Natalie Haanwinckel Hurtado
Paulo Marraccini
Ricardo Bechara Santos
Roberto L. M. Castro
Sandro Leal Alves
Sergio Viola

Editora Responsável
Vera de Souza
ISSN 1414-4409
Eduardo Fraga Lima de Melo
Modelagem de Estrutura de
Dependência por Cópulas
para Gestão de Riscos
Rio de Janeiro
2012
1ª edição: Setembro 2012
Fundação Escola Nacional de Seguros – Funenseg
Rua Senador Dantas, 74 – Térreo, 2o, 3o , 4o e 14o andares
Rio de Janeiro – RJ – Brasil – CEP 20031-205
Tels. (21) 3380-1000
Fax: (21) 3380-1546
Internet: www.funenseg.org.br
e-mail: faleconosco@funenseg.org.br
Impresso no Brasil/Printed in Brazil
Nenhuma parte deste livro poderá ser reproduzida ou transmitida sejam quais forem os meios empregados: eletrônicos,
mecânicos, fotográficos, gravação ou quaisquer outros, sem autorização por escrito da Fundação Escola Nacional de
Seguros – Funenseg.
Coordenação Editorial
Diretoria de Ensino Superior e Pesquisa/Coordenadoria de Publicações
Edição
Vera de Souza
Mariana Santiago
Produção Gráfica
Hercules Rabello
Capa
Grifo Design
Diagramação
Info Action Editoração Eletrônica Ltda. – Me
Revisão
Monica Teixeira Dantas Savini
Virginia L. P. de S. Thomé
Bibliotecária Responsável pela elaboração da ficha catalográfica
M485m Melo, Eduardo Fraga Lima de

Modelagem de estrutura de dependência por cópulas para gestão de riscos / Eduardo Fraga
Lima de Melo. – Rio de Janeiro: Funenseg, 2012.
104 p. ; 28 cm (Cadernos de Seguro: Teses, v. 15, n. 36).
O presente livro é resultado da Tese (Doutorado) – Universidade Federal do Rio de Janeiro

– UFRJ – Instituto COPPEAD de Administração, apresentada em 2011, no Rio de Janeiro, sob a
orientação da Profª Dra. Beatriz Vaz de Melo Mendes.
ISBN nº 978-85-7052-540-6.
1. Gestão de risco – Dissertação. 2. Solvência – Seguradoras – Dissertação. 3. Gestão de risco

– Cópulas – Ferramenta. I. Título. II Série.
0012-1097 CDU 614.8 (043.3)
iv
Agradecimentos e Dedicatórias
À Mariana, Guilherme e Manuela
Dedico esta tese à Mariana e ao menininho e à menininha mais lindos e fofos que já vi em toda vida: aos
hoje pequenos Guilherme (Gui) e Manuela (Manu).
Aos pais e irmã
Agradeço o amor e educação recebidos, os valores passados, os exemplos, enfim, tudo.
À orientadora
Agradeço à Profa. Dra. Beatriz Mendes por tudo. Por sua dedicação, por suas contribuições, por suas inúmeras
dicas. Com certeza, uma pessoa preponderante nesta conquista. Agradeço também ao Prof. Jorge Zubelli, do
IMPA, pelas contribuições e pelas aulas e também ao Prof. Roger Nelsen, que é referência certa em trabalhos
com o uso de cópulas em todo o mundo, pelas dicas, principalmente no primeiro artigo desta tese.
À CAPES e à FUNENSEG
Um país que não investe em educação está fadado ao fracasso, economicamente e socialmente.
Sem sólido conhecimento científico, o desenvolvimento não é possível.
Por conta disso, agradeço à Capes pela bolsa em meu período em Londres. Espero continuar correspon-
dendo à sociedade de meu país o investimento depositado, não só no Doutorado, como também em meu 2º
grau, Faculdade e Mestrado, cursos custeados com recursos públicos. Quero agradecer também à Escola
Nacional de Seguros – Funenseg pela bolsa durante os outros meses do doutorado. O fomento à pesquisa
na área de seguros no Brasil é uma das bandeiras que esta instituição tem. É um programa que deve ser
mantido e incrementado, principalmente por causa deste novo ambiente que o setor enfrenta com novos
marcos regulatórios, supervisão de solvência, gestão de riscos, crescimento expressivo da produção e cada
vez mais a preocupação ou a ciência por parte da população da importância deste instrumento.
v
À Cass Business School
Não tenho absolutamente nada a reclamar de minha estada na Cass Business School, pelo contrário, coleciono
somente boas recordações. Fui muito bem tratado, foi concedida uma infraestrutura que possivelmente não
é encontrada nas melhores universidades brasileiras, particulares ou públicas. Uma equipe de professores e
pesquisadores relativamente numerosa em áreas de bastante interesse e sempre disponível para conversar.
Agradeço, em especial, ao Prof. Richard Verrall pela atenção e oportunidades e Prof. Vladimir Kaishev
com quem trabalhei mais próximo, além dos professores Enrico Biffis, Laura Ballotta e Andreas Tsanakas
pelas trocas de ideias.
vi
Sumário
Publicações e Congressos, ix
Prefácio, xi
Apresentação, xiii
Resumo, xv
Summary, xvii
1 PRÓLOGO, 1
2 AJUSTES ROBUSTOS A MODELOS DE CÓPULAS, 5

Introdução.................................................................................................................................... 7
Estimativas Robustas para Cópulas.......................................................................................... 8
Estimadores Robustos de Distância Mínima Ponderados (WMDE)....................................... 9
Estimadores Robustos de Máxima Verossimilhança Ponderada (WMLE)............................14
Simulações...................................................................................................................................15
Dados Reais................................................................................................................................ 23
Discussões................................................................................................................................... 23
Bibliografia................................................................................................................................. 27
3 ESTIMAÇÃO LOCAL DE VALOR EM RISCO BASEADO EM

CÓPULAS, 31
Introdução...................................................................................................................................33
Cópulas e Estimação Clássica.................................................................................................. 34
Estimação por Máxima Verossimilhança Local......................................................................35
Propriedades Teóricas dos Estimadores Locais de Cópulas.................................................. 36
Propriedades do Estimador sob o Modelo de Cópula Gaussiana.......................................... 38
Simulações.................................................................................................................................. 40
Estimativas Locais de Tendências Lineares........................................................................... 40
Estimativas Locais de Valor em Risco...................................................................................41
Aplicações................................................................................................................................... 42
Considerações Finais................................................................................................................. 46
Bibliografia................................................................................................................................. 46
vii
4 ESTIMAÇÃO LOCAL DE MODELOS DINÂMICOS DE CÓPULAS, 49
Introdução...................................................................................................................................51
Cópulas e Estimação Clássica...................................................................................................52
Estimação Dinâmica de Modelos de Cópula............................................................................53
Estimação Dinâmica de Valores Extremos Conjuntos.......................................................... 60
Conclusões...................................................................................................................................61
Bibliografia................................................................................................................................. 62
Apêndice..................................................................................................................................... 63
5 PRECIFICAÇÃO DE GARANTIAS MÍNIMAS COM MODELAGEM

POR OPÇÕES E CÓPULAS, 65
Introdução.................................................................................................................................. 67
Fluxo de Caixa das Opções....................................................................................................... 68
Modelagem de Taxa de Juros e Inflação.................................................................................. 69
Derivação de Fórmula Fechada Considerando Normalidade Bivariada...............................71
Fórmula Fechada: Resultados e Análise de Sensibilidade..................................................... 73
Simulações de Cópulas Elípticas...............................................................................................76
Considerações Finais................................................................................................................. 80
Bibliografia................................................................................................................................. 80
Apêndice 1 – Lema.................................................................................................................... 82
Apêndice 2 – Cópulas................................................................................................................ 83
O AUTOR, 85
viii
PUBLICAÇÕES E CONGRESSOS
Nesta seção, são apresentados os artigos em que trabalhei durante o doutorado (02/2005 a 05/2008).
Artigo: Dependence of Multivariate Risk Processes by Lévy Copulas Approach. Apresentado no Fourth
Brazilian Conference on Stochastical Modelling in Insurance and Finance, 2009.
Artigo: Local Estimation of Dynamic Copula Models. International Journal of Theoretical and Applied
Finance, v. 13, p. 241-258, 2010.
Artigo: Local Estimation of Copula Based Value-at-Risk. Revista Brasileira de Finanças, v. 7, p. 29-50,
2009.
Artigo: Uma aplicação de Cópulas de Lévy na Agregação de Processo de Ruína Multivariados. Revista
Brasileira de Risco e Seguro, v.4, p.47-64, 2008.
Artigo: Pricing participating inflation retirement funds through option modelling and copulas. North
American Actuarial Journal, v. 13, p. 1-16, 2009.
Apresentado no 16th AFIR Colloquium, Stockholm, Sweden, Junho/2007.
Apresentado na conferência: Mathematics and Finance: Research on Options, organizado pelo IMPA –
Búzios, Outubro/2007.
Artigo: Dilema da Conversão em Renda: Resgates Programados x Anuidade Vitalícia. Revista Brasileira
de Risco e Seguro, v.5 (9), p. 43-56, 2009.
Artigo: Qual o Valor da Garantia: “Taxa de Juros + Inflação + Tábua Biométrica?” Revista Brasileira de
Risco e Seguro 3(6), p.113-134.
Apresentado no 8º Encontro Brasileiro de Finanças – Rio de Janeiro, Julho/2008.
Artigo: Excedentes Financeiros e Garantias Mínimas: uma Análise do papel das Opções em Seguros de
Vida e Previdência. Caderno de Seguros, Julho/2007, n. 142.
Artigo: Aversão Míope a Perdas em Planos de Previdência no Brasil. Revista Brasileira de Risco e Seguro,
v. 2, p. 1-16, 2007.
Artigo: Avaliação de Garantias Mínimas com Modelagem por Opções e Cópulas. Revista Brasileira de
Risco e Seguro, 3(5), p.111-132 (2007).
ix
Artigo: Myopic Loss Aversion in Brazilian Open Retirement Funds. Latin American Business Review
(Binghamton), v. 8, p. 1-20, 2008.
Apresentado no 6º Encontro Brasileiro de Finanças – Julho/2006, Vitória.
Artigo: Finanças Comportamentais e Teoria das Perspectivas de Kahneman e Tversky. Economia &
Conjuntura, Dezembro/2005 (5), n. 70.
Artigo: Uma Aplicação da Teoria de Valores Extremos para a Avaliação do Risco de Contratos de Resseguro.
Revista Brasileira de Risco e Seguro 2(3), p.1-22 (2006).
Apresentado no 7º Pan American Congress of Actuaries – Novembro/2005, Rio de Janeiro.
Artigo: Robust Fits for Copula Models. Communications in Statistics. Simulation and Computation, v. 36,
p. 997-1017, 2007.
Proceedings of the Second Brazilian Conference on Statistical Modeling in Insurance and Finance –
Agosto/2005, Maresias/SP.
Artigo: Bayesian Models for the Underwriting-Premium Risk Valuation. Proceedings of the Second
Brazilian Conference on Statistical Modeling in Insurance and Finance, Agosto/2005.
Artigo: Avaliação do Risco de Subscrição de Prêmio usando Inferência Bayesiana. Revista Brasileira de
Risco e Seguro, 1(1), p.64-83 (2005).
God does not care about our statistical difficulties. He simulates empirically.
Adaptação de uma frase de Albert Einstein (1879-1955).
x
Prefácio
A modelagem multivariada através de cópulas caracteriza-se pelo potencial de aproximar com enorme
precisão o modelo matemático e a realidade observada. Isto ocorre devido às infinitas possibilidades de se
modelar univariadamente as variáveis envolvidas e, ao mesmo tempo, a estrutura de dependência que as une.
Contudo, a inferência estatística é em parte baseada em suposições, em geral simplificadoras e matematica-
mente convenientes. Os procedimentos robustos refletem melhor a realidade a partir do momento que são
insensíveis a pequenos desvios dessas suposições. Diferentes abordagens no tratamento e definição desses
desvios levam a diferentes métodos robustos. Neste trabalho, para amenizar a influência de observações
atípicas são utilizadas funções de peso e critérios de distâncias para medir os desvios das observações aos
modelos assumidos. Assim, este texto é útil na área da modelagem estatística multivariada, da inferência
robusta, e suas aplicações.
Esta tese de doutorado destaca-se em vários aspectos. Seu conteúdo, original e inovador, é importante para
várias áreas do conhecimento e já é certamente referência para futuros trabalhos. Seu estilo segue as ten-
dências internacionais modernas, pois se inicia com um prólogo que coloca em perspectiva quatro artigos
já publicados. Os artigos reúnem três aspectos diferentes na modelagem do risco: modelagem, inferência
e aplicação estatística. O texto flui com clareza e objetividade. Nele temos a colocação clara dos conceitos
e provas matemáticas, além de sermos motivados a seguir até as conclusões que colocam muito bem as
contribuições dos trabalhos.
Tudo isto torna agradável a leitura desta tese, a despeito da profundidade dos temas abordados. O texto se
destaca por ser o primeiro a apresentar a modelagem via cópulas, sua inferência robusta e dinâmica, e suas
aplicações no cálculo do risco e em contratos de seguros e planos de previdência. Certamente uma nova
geração de alunos se beneficiará desta tese de doutorado.
Impossível não ligar o trabalho profissional ao autor. A clareza, alto nível, e a seriedade do trabalho refle-
tem o autor. Eduardo sempre se destacou (sem assim o querer) por sua honestidade e respeito a todos. Sua
inteligência e educação conjugadas a outras várias qualidades o tornam, como já disse durante a defesa de
sua tese de doutorado, uma pessoa completa. Parabenizo o autor por este texto tão importante para os pro-
fessores e alunos envolvidos tanto em modelagem e inferência estatísticas, quanto em problemas oriundos
das áreas de finanças e atuária.
Rio de Janeiro, 2012.

Beatriz Vaz de Melo Mendes
xi
xii
Apresentação
Esta tese de doutorado possui como tema central uma ferramenta bastante poderosa para a modelagem
da estrutura de dependência entre variáveis aleatórias ou processos estocásticos: distribuições de cópulas.
Certamente, seu maior mérito é separar a modelagem da distribuição conjunta, um problema de complexa
resolução, na modelagem de suas distribuições marginais e na estrutura de dependência propriamente dita,
que possuem soluções mais facilmente tratáveis.
Para que o leitor tenha uma ideia de quão relevante o assunto se tornou recentemente, basta dizer que uma
simplificação para se lidar com a estrutura de dependência foi apontada como uma das principais causas da
crise “dos subprime” deflagrada em 2008. O uso da cópula Gaussiana (Normal), intimamente relacionada
com a aplicação de correlações lineares (Pearson) para precificação e agregação de riscos, foi apontado por
diversos artigos jornalísticos como um dos vilões da crise. “Fórmula do inferno”, “receita para o desastre”
e “a fórmula que matou Wall Street” foram alguns dos termos utilizados em artigos de jornais e revistas1
para referenciar a aplicação da cópula Gaussiana na mensuração dos CDOs (collateralized debt obligations),
inicialmente introduzida por Li (2000)2.
Sem entrar na discussão técnica a respeito do mérito do assunto ou das críticas dos artigos jornalísticos,
fica bastante clara a importância da boa modelagem da estrutura de dependência para se lidar com riscos,
especialmente aqueles com comportamento assimétrico, leptocurtótico e com dependência não linear. Esses
são exatamente os riscos a que estão expostas as seguradoras.
Os capítulos desta tese vão guiar o leitor no mundo das distribuições de cópulas, seus ajustes, estimação e
suas aplicações ao campo de mensuração de riscos de ativos e de passivos de seguradoras. Como institui-
ções financeiras formadoras de poupança popular, as seguradoras devem bem entender e fazer uso das mais
modernas técnicas de gestão e mensuração de riscos, a fim de manter sua solvência assim como a confiança
dos consumidores no sistema securitário. A solvência de uma seguradora depende dos riscos a que ela está
exposta tanto no seu Ativo quanto no seu Passivo.
Atualmente, o estudo da dependência entre variáveis aleatórias é um marcante passo no caminho de uma
gestão de riscos eficaz e eficiente. Nesta área, o principal tema de pesquisa tem sido a modelagem por cópulas,
principalmente no que diz respeito à integração de riscos no setor bancário. Um menor número de traba-
lhos tem se dedicado à aplicação desta teoria no mercado segurador que tem produtos com características
específicas e bastante diferentes do mercado bancário. Por tudo isso, esta tese procura ajudar a preencher
esta lacuna para o mercado segurador.
Eduardo Fraga Lima de Melo, Prof. Dr.
1
Jones, Sam. The formula that felled Wall St. Financial Times. abril 2009; Salmon, Felix. Recipe for disaster: the formula that
killed Wall Street. Wired Magazine. março 2009.
2
Li, David X. On default correlation: a copula function approach. Journal of Fixed Income 9 (4), p.43-54, 2000.
xiii
xiv
Resumo
Nesta tese, faremos uso intensivo de modelos de cópulas como importante ferramenta em gestão de riscos
através de quatro artigos/ensaios. No primeiro ensaio, abordamos a questão da inferência estatística sobre
cópulas e desenvolvemos uma nova classe de estimadores para os parâmetros de várias famílias de cópulas
sob enfoque robusto e testamos a performance destas novas classes de estimadores por meio de vários ex-
perimentos de simulação considerando dados com e sem processo de contaminação. Além disso, faremos
uma aplicação de nossa metodologia com dados bivariados reais.
No segundo ensaio, é proposto o método de máxima verossimilhança local para estimar parâmetros de
cópulas dinamicamente. As propriedades de estimativas locais são estudadas e derivamos a expressão
para suas variâncias assintóticas para o caso de cópulas Gaussianas. As estimativas locais são usadas para
detectar mudanças temporais na força de dependência entre ativos. Estas dinâmicas são então incorporadas
na estimação do Valor em Risco (VaR) com um modelo GARCH para cada distribuição marginal. A per-
formance das estimativas propostas é investigada por meio de experimentos de simulação de Monte Carlo.
Em aplicações utilizando dados reais, os testes fora-da-amostra indicaram que a nova metodologia pode ser
melhor que o modelo de cópula global quando se estima Valor em Risco.
No terceiro ensaio, usamos modelos de cópula para analisar o comportamento conjunto dinâmico de séries
de retornos logarítmicos. Variáveis exploratórias baseadas em volatilidades GARCH são consideradas como
potenciais regressores para explicar mudanças determinísticas nas séries de estimativas locais de máxima
verossimilhança de parâmetros de cópulas. Os modelos de regressão resultantes são estimados por mínimos
quadrados e métodos robustos. As estimativas paramétricas locais e globais finais podem ser usadas para o
cálculo de medidas de risco, para simular comportamento de portfólio, entre outras. É ilustrado nosso mé-
todo usando dois índices americanos de ações e mostramos que o modelo dinâmico tem uma performance
melhor que as estimativas globais de VaR’s dentro da amostra.
Por fim, o quarto e último ensaio é baseado no uso de técnicas de precificação de opções e modelagem por
cópulas para avaliar garantias mínimas presentes em fundos de aposentadoria no Brasil. Neste mercado,
os participantes de planos de contribuição definida com reversão de excedente financeiro têm o direito de
receber, sobre seus investimentos, a diferença positiva entre o retorno de um fundo específico, geralmente
um fundo de renda fixa, e uma taxa mínima, definida como a composição de uma taxa de juros fixa e uma
taxa de inflação. Este instrumento pode ser caracterizado como uma opção de troca de um ativo, a taxa
mínima garantida, por outro, o retorno do fundo de investimento. Neste artigo, assumindo normalidade
bivariada, é derivada uma fórmula fechada para avaliação desta obrigação que depende de duas taxas
estocásticas. Além disto, foram executados experimentos de simulação de Monte Carlo assumindo outras
funções de cópulas a fim de se comparar o efeito das especificações das marginais e das cópulas no preço
das opções. Para a modelagem das estruturas a termo da taxa de juros e da taxa de inflação foi utilizado o
modelo de Vasicek.
xv
xvi
Summary
In this thesis, we will intensively make use of copula models as an important tool for risk management
in four essays. In the first essay, we deal with the statistical inference of copula parameters and develop a
new class of robust estimators for different copula families, testing the performance of these classes with a
massive simulation study. In the simulation experiments, we consider data with and without contamination.
Besides this, we do an application of our methodology with real data.
In the second paper, we propose the local maximum likelihood method for dynamically estimate copula
parameters. We study the estimates statistical properties and derive the expression for their asymptotic
variance in the case of Gaussian copulas. The local estimates are able to detect temporal changes in the
strength of dependence among assets. These dynamics are combined with a GARCH type modeling of each
individual asset to estimate the Value-at-Risk. The performance of the proposed estimates is investigated
through Monte Carlo simulation experiments. In an application using real data, an out-of-sample test
indicated that the new methodology may outperform the constant copula model when it comes to Value-
at-Risk estimation.
In the third paper, we use copula models to analyze the dynamic joint behavior of series of financial log
returns. Explanatory variables based on the estimated GARCH volatilities are considered as potential
regressors for explaining deterministic changes in the series of local maximum likelihood estimates of
copula parameters. The resulting regression models are estimated by least squares and robust methods.
The final global-local-parametric estimates may be used to compute risk measures, to simulate portfolio
behavior, and so on. We illustrate our methods using two American indexes and show that the dynamic
model outperforms global and empirical estimates of in-sample Value-at-Risk.
Finally, the fourth essay is based on the use of option pricing techniques and copula modelling to evaluate
minimum guarantees present in retirement funds in Brazil. The costumers of a common type of defined
contribution plan have the right to receive, over their savings, the positive difference between the return of a
specified investment fund, usually a fixed income fund, and the minimum guaranteed rate, commonly defined
as the composition of a fixed interest rate and a floating inflation rate. This instrument can be characterized
as an option to exchange one asset, the minimum guaranteed rate, for another, the return of the specified
investment fund. In this paper, we provide a closed formula to evaluate this liability that depends on two
stochastic rates assuming bivariate normality. We also provide some examples assuming other copulas
functions, using Monte Carlo simulation, and compare the effects of the copula and marginals specification
in the price of the option. The model makes use of a one-factor Vasicek framework for the term structures
of interest rate and inflation rate.
xvii
xviii
Prólogo
Nos tempos atuais, com mercados completamente integrados, onde crises e euforias se espalham de
forma instantânea, os preços dos ativos negociados nestes mercados sofrem e experimentam oscilações cada
vez mais de forma conjunta. Neste contexto, é de se esperar que o estudo das dependências entre movi-
mentos de preços, ou entre variáveis aleatórias, ou ainda, entre processos estocásticos ganhe cada vez mais
importância, tanto do ponto de vista da melhoria do instrumento de “hedge” de posições assumidas quanto
do ponto de vista da precificação e avaliação de contratos sobre ativos. Estas tarefas são muito peculiares
tanto para bancos quanto para companhias seguradoras.
Como instituições financeiras formadoras de poupança popular, bancos e seguradoras devem bem
entender e fazer uso das mais modernas técnicas de gestão de riscos a fim de manter sua solvência, assim
como a confiança dos consumidores no sistema financeiro. A solvência destas companhias depende dos
riscos a que estão expostas tanto no lado do Ativo do balanço quanto no do Passivo. De forma a garantir
os compromissos firmados com seus clientes, estas instituições devem aplicar seus recursos no mercado
financeiro e controlar sua exposição aos fatores de risco inerentes a este mercado. A maioria destes riscos
é bem conhecida, mas para alguns deles há muito o que se fazer na área de modelagem e integração (soma
ou agregação).
Na área de modelagem estatística de riscos, geralmente se supõe que as variáveis ou os processos estocás-
ticos são independentes. Esta hipótese torna as contas e os cálculos muito mais fáceis. Entretanto, isto pode
ser muito perigoso sob a realidade de completa integração entre mercados, eventos e práticas de negócios
(Mendes, 2005, Breymann et al., 2003, Jouanin et al., 2003, Embrechts et al., 2001). Especificamente, para
companhias seguradoras que vendem negócios de longo prazo, isto pode ser desastroso (Frees e Valdez,
1998, Venter, 2000 e Frees e Wang, 2005). Fica claro, depois destes breves parágrafos, que, atualmente, o
1
2 • Cadernos de Seguro – Teses – Modelagem de Estrutura de Dependência por Cópulas para Gestão de Riscos
estudo da dependência entre variáveis aleatórias é um marcante passo no caminho de uma gestão de riscos
eficaz e eficiente. Hoje, nesta área, o principal tema de pesquisa tem sido a modelagem por Cópulas (Nelsen,
1999), principalmente no que diz respeito à integração de riscos no setor bancário. Entretanto, poucos traba-
lhos têm se dedicado à aplicação desta teoria no mercado segurador que tem produtos com características
específicas e bastante diferentes do mercado bancário, onde esta pesquisa é mais desenvolvida (ver, por
exemplo, Rosenberg & Schuermann, 2004).
Segundo Mendes (2004), existem várias maneiras de se definir uma cópula. Por simplicidade de notação,
daremos as definições no caso bivariado. Seja I = [0,1] e I2 = IxI. Uma cópula bidimensional é uma função
C definida em I2 e assumindo valores em I com as seguintes propriedades:
1. Para todo u1, u2 pertencentes a I:

(1.1)
2. Para cada u1, u2, v1, v2 em I tais que u1 ≤ u2 e v1 ≤ v2:
(1.2)
Um resultado importante, sempre citado, e base para aplicações, é o teorema de Sklar (1959). Ele mostra
como a cópula é a função que relaciona distribuições marginais com a sua distribuição conjunta:
Teorema de Sklar. Seja F uma f.d conjunta em R2 com marginais Fi, i = 1, 2. Então, existe uma cópula
CF tal que para todo x = (x1, x2) pertencente a R2:
F(x1, x2) = CF( F1(x1), F2(x2) ) (1.3)
Quando as Fis são contínuas, CF é única. Reciprocamente, se CF é uma cópula e as Fis são funções de
distribuição (f.d.), então a função F definida acima é uma f.d. conjunta com marginais Fi. Assim, uma cópula
é uma função que une f.d.s univariadas para formar f.d.s conjuntas. Quando F não é contínua, ainda existe
a representação de F dada pela cópula, mas esta representação não é mais única.
A equação acima pode ser invertida da seguinte maneira. Seja F a f.d. conjunta contínua do vetor aleatório
X = (X1,X2). Sejam F1, F2 as f.d.s marginais, e definimos Fi(Xi) = Ui, i = 1, 2, como transformação integral
da probabilidade para distribuição Uniforme(0,1). Então, a cópula CF pertinente a F é definida como:
(1.4)
Para todo (u1,u2) pertencente a I2, e onde Fi-1, é a função quantil de Fi, i = 1, 2, isto é, Fi-1(p) = inf{x | Fi(x)
≥ p}, p pertencente a I. Então, uma cópula é uma distribuição multivariada com marginais Uniforme (0,1).
Após esta breve introdução sobre o tema central desta tese, procuraremos, por meio de três ensaios,
ilustrar a aplicação desta ferramenta na gestão de risco em seguros. No primeiro ensaio, abordaremos a
Prólogo • 3
questão da inferência estatística sobre cópulas e desenvolveremos uma nova classe de estimadores para os
parâmetros de várias famílias de cópulas sob enfoque robusto e testaremos a performance destas novas
classes de estimadores por meio de vários experimentos de simulação considerando dados com e sem pro-
cesso de contaminação. Além disso, faremos uma aplicação de nossa metodologia com dados bivariados
de resseguro.
No segundo ensaio, é proposto o método de máxima verossimilhança local para estimar parâmetros
de cópulas dinamicamente. Nós estudamos as propriedades de estimativas locais e derivamos a expressão
para suas variâncias assintóticas para o caso de cópulas Gaussianas. As estimativas locais são usadas para
detectar mudanças temporais na força de dependência entre ativos. Estas dinâmicas são então incorporadas
na estimação do Valor em Risco (VaR) com um modelo GARCH para cada marginal. A performance das
estimativas propostas é investigada por meio de experimentos de simulação de Monte Carlo. Em aplicações
utilizando dados reais, os testes fora-da-amostra indicaram que a nova metodologia pode ser melhor que o
modelo de cópula global quando se estima Valor em Risco.
No terceiro ensaio, usamos modelos de cópula para analisar o comportamento conjunto dinâmico de
séries de retornos logarítmicos. Variáveis exploratórias baseadas em volatilidades GARCH são considera-
das como potenciais regressores para explicar mudanças determinísticas nas séries de estimativas locais
de máxima verossimilhança de parâmetros de cópulas. Os modelos de regressão resultantes são estimados
por mínimos quadrados e métodos robustos. As estimativas paramétricas locais e globais finais podem
ser usadas para o cálculo de medidas de risco, para simular comportamento de portfólio, entre outras.
É ilustrado nosso método usando dois índices americanos de ações e mostramos que o modelo dinâmico
tem uma performance melhor que as estimativas globais de VaR’s dentro da amostra.
Por fim, o quarto e último ensaio é baseado no uso de técnicas e modelagem por cópulas para avaliar
garantias mínimas presentes em fundos de aposentadoria no Brasil. Neste mercado, os participantes de
planos de contribuição definida com reversão de excedente financeiro têm o direito de receber, sobre seus
investimentos, a diferença positiva entre o retorno de um fundo específico, geralmente um fundo de renda
fixa, e uma taxa mínima, definida como a composição de uma taxa de juros fixa e uma taxa de inflação.
Este instrumento pode ser caracterizado como uma opção de troca de um ativo, a taxa mínima garantida,
por outro, o retorno do fundo de investimento. Neste artigo, assumindo normalidade bivariada, é derivada
uma fórmula fechada para avaliação desta obrigação que depende de duas taxas estocásticas. Além disto,
foram executados experimentos de simulação de Monte Carlo assumindo outras funções de cópulas a fim de
se comparar o efeito das especificações das marginais e das cópulas no preço das opções. Para a modelagem
das estruturas a termo da taxa de juros e da taxa de inflação foi utilizado o modelo de Vasicek.
Referências Bibliográficas
BREYMANN, W., DIAS, A., EMBRECHTS, P. Dependence structures for multivariate high-frequency data in finance. Research
Paper, Quantitative Finance (3), p. 114, 2003.
EMBRECHTS, P., LINDSKOG, F. and MCNEIL, A. Modelling Dependence with Copulas and Applications to Risk Management.
Department of Mathematics, ETHZ, 2001.
FREES, E. W., VALDEZ, E. Understanding Relationships Using Copulas. North American Actuarial Journal (2), 1-25, 1998.
FREES, E. W., WANG, P. Copula Credibility for Aggregate Loss Models. Working paper, 2005.
JOUANIN, J. F., RIBOULET, G. and RONCALLI, T. Financial Applications of Copula Functions. Groupe de Recherche Opéra-
tionnelle, Crédit Lyonnais, France, 2003.
MENDES, B. V. M. Uma Introdução à Análise de Eventos Extremos. E-papers Servios Editoriais, 2004.
MENDES, B. V. M. Asymmetric extreme interdependence in emerging equity markets. Appl. Stochastic Models Bus. and In-
dustry, (21), 2005.
NELSEN, R. B. An Introduction to Copulas. Springer: New York, 1999.
ROSENBERG, J. V. & SCHUERMANN, T. A General Approach to Integrated Risk Management with Skewed, Fat-tailed Risks.
Federal Reserve Bank of New York, Staff Report, 2004.
SKLAR, A. Fonctions de répartition à n dimensions et leurs marges. Publ. Inst. Statist. Univ. Paris, 8, 229-231, 1959.
VENTER, G. G. Quantifying Correlated Reinsurance Exposures with Copulas. Guy Carpenter Instrat, 2000.
Ajustes Robustos a
Modelos de Cópulas
RESUMO
Neste artigo, nós obtemos estimadores robustos para parâmetros de funções de cópulas por meio da
minimização de estatísticas ponderadas de qualidade do ajuste. Diferentes funções de pesos enfa-
tizam diferentes regiões no quadrado unitário e são capazes de lidar com diferentes locais onde há
violação do modelo. Os estimadores WMDE (Weighted Minimum Distance Estimator) resultantes são
comparados com os clássicos estimadores de máxima verossimilhança MLE (Maximum Likelihood
Estimator) e às suas versões ponderadas WMLE (Weighted Maximum Likelihood Estimator), que
é um estimador obtido em dois passos. Os pesos obtidos no primeiro passo pela aplicação de um
estimador da matriz de dispersão de pontos de alta influência (high breakdown point scatter matrix
estimator) são usados para identificar pontos atípicos. Todos os estimadores são comparados em um
completo estudo com simulações. Para cada família de cópulas paramétricas contaminadas ε%, nós
mostramos que há estimadores robustos com melhor performance que o MLE e que são capazes de
capturar de forma correta a força de dependência nos dados, apesar do percentual de contaminação,
o local e o tamanho da amostra.
Palavras-chave: distribuições contaminadas; cópula empírica; estimadores de distância mínima;

estimação robusta.
5
Ajustes Robustos a Modelos de Cópulas • 7
Introdução
A estrutura de dependência invariante a mudanças de escala de uma distribuição multivariada é mais

bem representada por sua cópula associada. Baseado em um conjunto de dados d-dimensionais, diferentes
famílias de cópulas paramétricas (Joe, 1997; Nelsen, 2006) estão disponíveis para executar esta tarefa.
A estimação do modelo geralmente é feita no contexto de observações independentes e identicamente dis-
tribuídas pela aplicação do método IFM (inference function for margins), introduzidas por Joe e Xu (1996),
onde o método de máxima verossimilhança é aplicado para obter as estimativas dos parâmetros das margens
e da cópula. Joe (1997) argumenta que podemos esperar que o método IFM seja bastante eficiente já que é
completamente baseado na estimação por máxima verossimilhança. Eficiência relativa entre as estimativas
pode ser acessada tanto pela comparação das matrizes de covariância, quanto pelo erro médio quadrático
de simulações de Monte Carlo. O sucesso deste procedimento de estimação começa com um bom ajuste das
margens. (veja Frahm et al., 2004), que tipicamente não encontra obstáculos e pode ser alternativamente
aproximado usando a função de distribuição empírica. Desta forma, resta ajustar as cópulas aos dados
d-variado com as margens Uniforme (0,1) transformadas pela integral de probabilidade.
Quando todos os dados vêm do mesmo processo gerador F, o método de máxima verossimilhança
usualmente provê boas estimativas, possuindo boas propriedades estatísticas (ver Genest et al., 1995; Shih
e Louis, 1995). Entretanto, contaminações podem ocorrer de diversas formas. Pontos atípicos gerados por
alguma distribuição F* contaminante podem mudar a força e tipo de associação, resultando em uma esti-
mação não acurada das probabilidades conjuntas e medidas de dependência. Manipulação de dados podem
também resultar em erros. Por exemplo, em Finanças, ao se juntar dados de ações negociadas com maior
e menor liquidez, pode-se induzir desalinhamento e colunas, a qual não comprometeria o ajuste das mar-
gens, mas poderia resultar em um completo comprometimento da estimação da estrutura de dependência.
Também nota-se que o espaço [0,1]d torna mais difícil a inspeção gráfica de pontos atípicos, especialmente
quando d > 2. Nós precisamos então de um procedimento robusto automático que trabalhe bem quando há,
e quando não há, contaminações nos dados.
Há alternativas à estimação por máxima verossimilhança para cópulas na literatura. Elas são basica-
mente não paramétricas, ver, por exemplo, Genest et al. (1995), Genest e Rivest (1993), Capéraà et al. (1997),
Fermanian e Scaillet (2003), Tsukahara (2005), Morettin et al. (2005), entre outros. Porém, ninguém propôs
até o momento, estimativas robustas para cópulas. Desta forma, inspirada pelo conceito de estimadores de
mínima distância propostos inicialmente por Wolfowitz (1953, 1957), nós obtemos na Seção 2 estimativas
robustas pela minimização de estatísticas de qualidade do ajuste baseada em cópulas empíricas. Nós co-
meçamos com as conhecidas estatísticas (ver Ané e Kharoubi, 2003) tais como distância de Kolmogorov
(K), a estatística de Cramér-von Mises (W2), a estatística de Anderson-Darling (AD), e a estatística de
Anderson-Darling Integrado (IAD), que são então modificadas por meio da aplicação de diferentes funções
de ponderação, gerando 24 tipos de estimadores Weighted Minimum Distance (WMDE).
Como mostrado em vários experimentos de simulação, as novas estatísticas propostas tiram o peso
da influência dos pontos contaminadores, introduzindo robustez. Estes estimadores são comparados aos
estimadores Weighted Maximum Likelihood (WMLE), que consistem em uma “robustificação” do MLE,
onde pontos previamente identificados como “outliers” pelo estimador da matriz de covariância de pontos
de alta influência são dado peso zero em um processo de otimização de máxima verossimilhança.
Muitos estimadores de pontos de alta influência de locação e dispersão multivariada podem ser usados
nesta fase preliminar, uma vez que todos estes estimadores robustos tipicamente identificam e tiram o peso
de uma proporção de pontos atípicos. Nós optamos por aqueles implementados no pacote estatístico R, de
distribuição livre. Eles são os estimadores de mínimo determinante de covariância (MCD) de Rousseeuw
(1985), o estimador robusto baseado em projeções de Stahel-Donoho (SD) (Donoho, 1982; Stahel, 1981), e
o estimador M restrito de Rocke baseado no estimador S (Rocke, 1996). Estes estimadores possuem o má-
ximo de influência para qualquer tamanho de amostra e dimensão, e são capazes de identificar pontos que
estão longe dos pontos de maior massa. No segundo passo, uma família de cópulas paramétricas é ajustada
para os pontos dos dados ponderados por 0 e 1. Espera-se que estas estimativas possuam boas proprieda-
des de vício, mas grandes variâncias quando comparados ao MLE sob o modelo verdadeiro. Sob modelos
com contaminação, mostramos por meio de simulações que para a maioria dos cenários considerados, eles
possuem pequenos vícios e variância, e têm melhor performance que MLE.
Os experimentos executados na Seção “Simulações” consideram famílias de cópulas paramétricas ε%
contaminadas contendo variadas porções de pontos contaminantes localizados em diferentes regiões do
domínio da cópula. As famílias selecionadas incluem cópulas elípticas (normal), cópulas para valores ex-
tremos, tanto máxima ou excedentes (Gumbel, Husler-Reiss), famílias de cópulas bastante usadas na prática
(Frank, Joe, Tawn) e outras famílias definidas em Joe (1997). Para cada cópula paramétrica, comparamos
o MLE, o WMLE, e o WMDE de menor erro quadrático médio. Os resultados de simulação indicam que
para cada família de cópulas há uma ou duas estimativas robustas com muito boas performances, no sentido
de um pequeno erro quadrático médio, apesar do percentual de contaminação, a localidade e o tamanho
da amostra. Além disso, estes estimadores são tipicamente os mesmos para todas as famílias de cópulas.
Na prática, identificação de outliers é baseada em comparações das estimativas e inspeções dos pesos dado
pelo estimador robusto da covariância. Na Seção “Dados Reais”, nós provemos uma ilustração com dados
reais, e na Seção “Discussões”, nós resumimos e discutimos os resultados deste artigo.
Estimativas Robustas para Cópulas
Brevemente, revisaremos a definição de cópula. Para simplificar a notação, consideraremos d = 2,

embora todos os métodos de inferência neste artigo são pretendidos e trabalham bem para dimensões acima
de 2. Considerando X1 e X2 variáveis aleatórias (va) no R2 com distribuição cumulativa (cdf) F e margens Fi,
i = 1, 2. Consideremos também a transformação da probabilidade integral de X1 e X2 em va’s distribuídas
uniformemente em [0,1], ou seja, (U1;U2) = (F1(X1); F2(X2)). A cópula C correspondente a F é a distribuição
conjunta de (U1;U2). Como distribuições multivariadas com marginais Uniforme[0,1], cópulas representam
modelos muito convenientes para o estudo da estrutura de dependência com ferramentas que são invariantes
a mudanças monotônicas de escala.
Como definição alternativa, para todo (x1;x2) ∈ [-∞;∞]2 consideremos o ponto no espaço [0.1]3 com
coordenadas (F1(x1); F2(x2); F(x1; x2)). Este mapeamento de [0.1]2 para [0.1] implicitamente define um
cópula bi-dimensional. Do teorema de Sklar (Sklar, 1959), sabemos que para va’s contínuas, existe uma
cópula única bi-dimensional C tal que para todos (x1; x2) ∈ [-∞;∞]2,
(2.1)
Para medir dependência monotônica, pode se usar a versão populacional da medida de associação
conhecida como tau de Kendall (τ). O tau de Kendall não depende das distribuições marginais e é dado em
termos da cópula por:
(2.2)
Uma expressão similar existe para a versão populacional do ρ de Spearmann, mas não para o coefi-
ciente de correlação de Pearson. Para medir dependência de cauda superior, pode-se usar o coeficiente de
dependência de cauda superior definido por:
(2.3)
se o limite existir, e onde Fi−1 é a inversa de Fi, isto é, Fi−1(ui) = sup{xi | Fi(xi) ≤ ui}, para i = 1, 2.
O coeficiente de cauda inferior é definido de forma similar. Ambos os coeficientes de cauda superior e
inferior podem ser expressos usando a cópula correspondente a F:
onde:
(2.4)
se este limite existir. As medidas λU (0;1] (ou λL ∈ (0; 1]) quantificam a quantidade de dependência
extrema dentro da classe de distribuições assintoticamente dependentes.
Se λU = 0 (λL = 0), as duas variáveis X1 e X2 são ditas assintoticamente independentes na cauda superior
(inferior).
Como já mencionado na Introdução, quando analisando dados, tipicamente se assume que a cópula ver-
dadeira pertence à família paramétrica {Cq, q ∈ Q}, e se aplica o método IFM. No que se segue, assumimos
que os dados nas margens foram propriamente estimados e transformados em pseudo-valores de Uniforme
(0,1), e concentramos na investigação de estimadores robustos para famílias de cópulas paramétricas.
Estimadores Robustos de Distância Mínima Ponderados (WMDE)
Considere (X1;t;X2;t); t = 1;...; T, sejam T cópias independentes de (X1;X2) com distribuição cdf conjunta
F, distribuições marginais F1 e F2, e possuindo cópula C. Assumindo que Fi, i = 1; 2, são contínuas, a cópula
C é única e:
A função de distribuição bivariada empírica é dada por:
onde IA é a função indicadora do evento A. Suas funções de distribuição empíricas marginais associadas
Fi;T (x), i = 1; 2, são definidas por:
F1,T = FT (x, +∞) e F2,T (y) = FT (+∞, y)
Considere que F-i;T representa a inversa generalizada de Fi;T , ou seja, F-i;T (u) = sup{t ∈ R: Fi;T (t) ≤ u;
0 ≤ u ≤ 1}. A função de cópula empírica (Frahm et al., 2004) é definida por:
Veja Nelsen (2006) para definições equivalentes. Nós definimos distância com normas discretas, e então
computamos a cópula empírica no gradiente , onde t1 e t2 são inteiros, 1 ≤ t1; t2 ≤ T. Ou seja,
(2.5)
Cópulas empíricas foram introduzidas por Deheuvels (1979), e suas propriedades limites foram estudadas
por Deheuvels (1981a,b). De acordo com Deheuvels (1979), converge para C com aumento de T.
Medidas de cópula de qualidade do ajuste podem ser obtidas pelo cálculo de alguma distância entre a
cópula empírica e a paramétrica ajustada aos dados. A estimativa WMDE para θ é a solução
θ* que minimiza sob todos os θ em Θ, a cópula empírica selecionada baseada na estatística de qualidade de
ajuste. A primeira norma discreta definida em usada é a estatística de Kolmogorov (K):
(2.6)
Deheuvels (1979, 1981a,b) também estudaram as propriedades assintóticas da estatística de

Cramér-von Mises (W2), que é a segunda estatística baseada na cópula empírica usada.
(2.7)
A terceira estatística baseada em cópula empírica usada, ADAK, é similar a estatística de Anderson-Darling
(Stephens, 1974) e dado em Ané e Kharoubi (2003), é denotado por:
(2.8)
Ané and Kharoubi (2003) também consideram uma medida global de discrepância dado pela estatística
Integrated Anderson-Darling, IADAK, que é representada por:
(2.9)
As estatísticas (2.8) e (2.9) enfatizam desvios nas caudas (os cantos do quadrado unitário) pela aplicação
de uma função de ponderação em (2.6) e (2.7). A função de ponderação é dada por:
(2.10)
O papel de (2.10) no caso da cópula de Gumbel com θ = 2 é ilustrada na coluna 1 da Figura 2.1, onde é
mostrado na perspectiva e pelos contornos. Entretanto, esta meta pode ser melhor atingida pela mutiplicação
de (2.6) e (2.7) pela função de ponderação w1:
(2.11)
que enfatiza somente os pontos no canto inferior esquerdo (LL) e no superior direito (UR), denotado
por LL + UR. Como explicado na Seção “Simulações”, nós estamos estimando dependência positiva.
Os fatores e correspondem à cdf nas áreas com forma de “L” localizadas
nos quadrantes LL e UR do quadrado unitário. O papel desta função de ponderação é ilustrada na coluna
2 da Figura 2.1, de novo para a cópula Gumbel.
Note que usando as funções introduzidas em (2.11), pontos no quadrante LR, no quadrante UL,
assim como aqueles pontos no meio terão a mesma falta de influência na estatística resultante, e isto
pode ser melhorado posteriormente. Da mesma forma, nós propomos em (2.12) as funções de ponde-
ração w2,.(t1 / T; t2/T), a qual dão mais peso aos pontos localizados no meio e no canto LL, no canto UR, e
em ambos os cantos, respectivamente.
(2.12)

A função de ponderação w2,LL(x;y) representa a raiz quadrada da massa de probabilidade (como dado
por C) no retângulo [x,1].[y,1], e aumenta de 0 a 1 com o ponto (x,y) se movendo para (1,1). A função de
ponderação w2,UR (x;y) representa a raiz quadrada da massa de probabilidade no retângulo [0,x]. [0,y], e
aumenta de 0 a 1 com o ponto (x,y) se movendo para (0,0). A função de ponderação w2 (.;.), ilustrado na
coluna 3 da Figura 2.1, representa a raiz quadrada da soma das probabilidades ilustradas na coluna 3 da
Figura 2.1, e possui as boas probabilidades de dar peso baixo a pontos localizados nos cantos LR e UL.
Conforme veremos na subseção “Estimativas Robustas Para Cópulas”, esta função de ponderação pode ser
considerada uma versão alisada da função de peso usada pelo WMLE. Estes pesos são mais naturais, uma
vez que estão todos em (0,1), onde aqueles denotados por (11) são todos maiores que 1.
A Figura 2.1 mostra as três funções de ponderação associadas ao caso LL + UR. Nós observamos que
a função de ponderação dado por (2.10), na coluna 1, é constante no meio e dá muito mais peso ao canto
LL quando comparado a UR. Nossa primeira função de ponderação (2.11), ilustrada na coluna 2, é uma
melhora, já que aumenta quase que igualmente tanto o canto LL quanto o UR, e não enfatiza os cantos LR
e UL. A segunda função de ponderação proposta (2.12), ilustrada na coluna 3, é até mais promissora, pois
dá pesos iguais para os cantos LL e UR e para os pontos do meio, pela baixa ponderação aos pontos nos
cantos LR e UL. As ilustrações são similares para outros modelos de cópulas.
Figura 2.1 – Perspectiva e contornos de funções de ponderação desenhadas para introduzir robustez no caso da cópula
Gumbel com θ = 2. Coluna 1 mostra (2.10), coluna 2, (2.11), e coluna 3 ilustra (2.12)
Agora, definimos variações robustas das estatísticas de Kolmogorov e Cramér-Von Mises baseados nas
funções de ponderação propostas (2.11) e (2.12). Elas são:
(2.13)
(2.14)
(2.15)
(2.16)
Conforme o tipo da cópula (possuindo ou não possuindo dependência caudal), pode-se considerar a
enfatização somente dos quadrantes LL ou UR. Assim, consideramos estatísticas WMDE, baseadas em
variações de (2.13), (2.14), (2.15) e (2.16), e projetamos para enfatizar somente os pontos em um ou mais
cantos. Eles são o Lower Left tail Anderson-Darling (LLAD1 e LLAD2), o Upper Right tail Anderson-Darling
(URAD1 e URAD2), o Lower Left tail Integrated Anderson-Darling (LLIAD1 e LLIAD2), e o Upper Right
tail Integrated Anderson-Darling (URIAD1 e URIAD2). Todos são baseados nos pesos de (2.11) e (2.12).
Por exemplo:
(2.17)
(2.18)
As definições das outras estatísticas MDE projetadas para enfatizar somente pontos em cantos se-
lecionados e baseados em variações de (2.13)-(2.16) são representados aqui. Eles são o Lower Left tail
Anderson-Darling (LLAD2), o Upper Right tail Anderson-Darling (URAD1 e URAD2), o Lower Left
tail Integrated Anderson-Darling (LLIAD1 e LLIAD2), e o Upper Right tail Integrated Anderson-Darling
(URIAD1 e URIAD2).
(2.19)
(2.20)
(2.21)
(2.22)
(2.23)
(2.24)
Ainda mais peso pode ser dado às caudas se considerarmos estatísticas de segundo grau. As estatísti-
cas de segundo grau, denotadas por LLAD12, LLAD22, URAD12, URAD22, LLIAD12, LLIAD22, URIAD12,
e URIAD22, usam pesos ao quadrado e são definidas como:
(2.25)
(2.26)
(2.27)
(2.28)
(2.29)
(2.30)
(2.31)
(2.32)
Estimadores Robustos de Máxima Verossimilhança Ponderada (WMLE)
Estimativas robustas de pontos de alta influência de matrizes multivariadas de covariância são conheci-
das como ferramentas eficientes de identificação de outliers. Portanto, nós introduzimos aqui um método de
estimação para cópulas em dois passos, onde para os pontos identificados como atípicos no primeiro passo
são dados pesos 0 em um procedimento subsequente de maximização da verossimilhança.
Como antecipado na Introdução, muitos estimadores de pontos de alta influência de dispersão e loca-
ção multivariada podem ser utilizados nesta fase preliminar. Nós escolhemos aqueles já implementados no
pacote estatístico R, de livre distribuição. Os objetos deste artigo são o estimador de mínimo determinante
de covariância (Rousseeuw, 1985), o estimador robusto baseado em projeções de Stahel-Donoho (Donoho,
1982; Stahel, 1981), e o M-estimador restrito de Rocke’s baseado no S-estimador (Rocke, 1996).
Neste primeiro passo, não estamos preocupados com eficiência. A meta é identificar pontos que parecem
não seguir a estrutura de dependência definida pela maioria dos pontos. Identificação dos pontos é baseada
nas distâncias de Mahalanobis calculadas usando estimativas robustas de covariância e locação, sendo usa-
do o ponto de corte do quantil 97,5% de uma variável aleatória que segue uma distribuição Qui-quadrada
com 2 graus de liberdade. Pontos com distâncias robustas maiores que o ponto de corte são identificados
como atípicos e são dados peso zero. No segundo passo, nós obtemos as estimativas de máxima verossi-
milhança dos parâmetros da cópula θ, usando somente aqueles dados com peso igual a 1. Caso haja o
interesse na identificação de potenciais outliers, as distâncias robustas obtidas no passo 1 podem ser usadas.
Veja aplicações na Seção “Dados Reais” e discussões na Seção “Discussões”.
Simulações
Nesta seção, nós reportamos os resultados dos experimentos de simulação executados para acessar
a performance dos estimadores propostos. As famílias de cópulas são aquelas implementadas no pa-
cote S-Plus®. Nossa seleção consiste em 11 famílias de cópulas frequentemente usadas em aplicações.
Suas fórmulas são dadas no Apêndice.
Todos os cálculos e geração de dados fizeram uso das funções do S-Plus 7.0 rodando em uma plataforma
Windows. O estimador robusto de dispersão usado nas simulações foi o estimador baseado em projeção de
Donoho-Stahel. Como explicado no arquivo de ajuda do pacote R (veja Maronna e Yohai, 1995), o algoritmo
mostra convergência para boas soluções com um modesto número de iterações partindo de um ponto inicial
não robusto. Para cada experimento considerado, computamos o MLE, o WMLE e todas as 24 estatísticas
WMDE, e reportamos suas médias e seus erros quadráticos médios.
Consideramos modelos ϵ-contaminados, onde uma proporção ϵ das observações foi substituída por
outra atípica de uma distribuição F∗. Nós fixamos ϵ igual a 0%, 5%, e 10%, e F∗ como uma distribuição
normal bivariada com coeficiente de correlação ρ = 0.00 e variâncias muito pequenas, atuando como uma
contaminação pontual. Houve 5 possibilidades para o local da distribuição de contaminação F∗: o centro do
quadrado unitário e as regiões perto dos quatro cantos. A geração de dados contaminados foi monitorada de
tal forma que os pontos caindo fora do quadrado foram descartados. Obviamente, muitos outros esquemas
de contaminação são possíveis. A forma como nossos experimentos foram conduzidos cobre possivelmente
um dos piores cenários possíveis de contaminação.
Estimação de cópulas no S-Plus é restrita para os casos com dependência positiva. Por questões de
comparação, para todos os modelos de cópulas, definimos θ de tal forma que o correspondente τ de Kendall seja
igual a 0.50. Três tamanhos de amostras (50, 100, e 300) foram considerados, totalizando 363 experimentos.
O número de repetições para cada um foi 1000. Adicionalmente, executamos experimentos baseados em outros
valores de θ de tal forma que τ = 0.25 e τ = 0.00. Estes casos são mostrados nas tabelas ou comentados.
Agora, são apresentados os resultados das simulações. Nas tabelas que se seguem, são mostrados os
resultados para amostras pequenas (50) e grandes (300), já que os resultados para amostras moderadas são
muito similares. Nós reportamos o valor médio e o MSE (Erro Médio Quadrático) para o MLE, WMLE,
e para os 3 melhores (menores MSE) estimadores WMDE. Analisamos em detalhes os resultados para as
cópulas Clayton e Normal, e discutimos as observações para as outras famílias de cópulas consideradas.
Resumo dos resultados para todas as cópulas é dado na Tabela 2.5.
Cópula Clayton: Tabelas 2.1 e 2.2 mostram os resultados para θ = 2.00, 0.667, 0.00, tamanhos amos-
trais 50 e 300, ϵ = 0.00 e 0.10, em todos os locais de contaminação. Comentários gerais: Como esperado,
acurácia e precisão de todos os estimadores aumentam com o tamanho amostral. Nós temos também um
belo resultado, já que podemos escolher um vencedor geral, independente do tamanho amostral, locali-
dade da contaminação e força de dependência. É a estatística Second Degree Lower Left Tail Integrated
Anderson-Darling baseada nos pesos w1, o LLIAD12, marcado com um asterístico (∗) nas tabelas. Sua ver-
são de primeiro grau, o LLIAD1, ocupa a segunda posição, e é quase tão bom quanto o vencedor. Note que
a cópula Clayton possui λL positivo. Para grandes amostras, o WMLE é quase tão bom quanto o melhor
WMDE, principalmente quando os dados contaminantes claramente não seguem o padrão da maioria dos
dados (cantos LR e UL).
(i) Sob nenhuma contaminação: todos os procedimentos de estimação mostraram acurácia razoável.
As três melhores estimativas WMDE parecem ser tão boas quanto as de MLE. Isto é mais evidente
quando o tamanho da amostra se torna maior e a força de dependência se torna menor. Não há dife-
rença significativa entre os três melhores estimadores WMDE, e o vencedor é o LLIAD12. Veja o bloco
no topo da Tabela 2.1.
(ii) Sob 10% de contaminação: novamente, o LLIAD12 pode ser escolhido como vencedor. Só há um caso
onde LLIAD12 ocupa a quarta posição, quando a contaminação é perto do canto LL e o tamanho amostral
é pequeno. Para este experimento, a primeira posição é ocupada pelo LLIAD1. Vale notar quão viciado
se torna o MLE quando o local de contaminação é o canto direito inferior (LR) ou o canto esquerdo
superior (UL).
Cópula Normal: Tabela 2.3 mostra os resultados para ρ = 0.7007 (τ = 0.50) e ρ = 0.00 (τ = 0.00), tama-
nhos amostrais 50 e 300, ϵ = 0.00 e 0.10, em todos os locais de contaminação. Novamente, a eficiência dos
estimadores aumenta com o tamanho amostral.
(i) Sob nenhuma contaminação: o MLE é o melhor estimador. Entretanto, o estimador WMDE IAD1 se
mostra como boa opção para os arranjos considerados.
(ii) Sob contaminações: para pequenas amostras, quando os pontos contaminantes fortalecem a verdadeira
orientação de dependência (locais LL e UR), a melhor opção é ainda o MLE. Ainda que achemos um
WMDE bom, não podemos eleger um vencedor geral WMDE. Porém, quando o local da contaminação
é tanto o LR ou o UL, a melhor opção é o WMLE, já que o MLE parece completamente sem sentido e
as estimativas WMDE são severamente viciadas. Para amostras grandes, os resultados indicam que o
MLE é o que se beneficia mais do grande número de observações, se tornando menos viesado. O viés
ou vício e variabilidade do WMLE e WMDE também melhoram. Note que a cópula Normal não possui
dependência de cauda.
Resumidamente, no caso da cópula Normal, se for sabido que não há contaminação, deve-se usar o
MLE. Se não houver certeza, sugerimos:
(a) para grandes amostras e/ou fraca dependência, a escolha é o IAD1;

(b) para pequenas amostras e dados dependentes, deve-se comparar as estimativas de MLE e WMLE.
Se eles discordam em mais de 10%, a melhor opção é o WMLE.
Cópula Frank:
(i) Sob nenhuma contaminação: o MLE é o melhor estimador. Porém, o WMDE IAD1 mostrou excelente
performance. Sob fraca dependência (τ = 0.25) o estimador WMDE IAD2 também pode ser considerado
uma boa alternativa.
(ii) Sob contaminações: para pequenas e grandes amostras, o MLE é um estimador extremamente viesado
quando a contaminação está tanto no canto LR quanto no UL. Nestes locais, WMLE, URAD1 e IAD1
apresentaram boa performance.
Infelizmente, não pudemos escolher um vencedor geral. O analista deve sempre comparar as estima-
vas dos MLE, WMLE, URAD1, IAD1 e LLIAD1. Se elas discordarem em mais de 10%, os dados devem ser
checados para verificar a existência de outliers.
Cópula Galambos: para a cópula Galambos, pudemos selecionar um vencedor geral, o estimador
WMDE URAD1.
(i) Sob nenhuma contaminação: o MLE e o WMDE URAD1 mostraram resultados similares sob todos os
experimentos de simulação considerados.
(ii) Sob contaminações: para pequenas e grandes amostras, o MLE é extremamente viesado quando a
contaminação é nos cantos inferior direito e superior esquerdo.
Para estes locais, WMLE e URAD1 apresentam performance muito boa. URAD1 também é um bom
estimador quando pontos contaminados estão no centro e canto inferior esquerdo. Para dependência mais
fraca, pode-se escolher o URIAD1 assim como o URAD12.
Tabela 2.1
Modelos de Cópula Clayton ϵ-contaminadas: Média e Erro Quadrático Médio (MSE)
dos MLE, WMLE, e as Três Melhores Estimativas WMDE de 1.000 Simulações
Tabela 2.2 – Continuação: Resultados para Modelos de Cópula Clayton ϵ-contaminadas

Tabela 2.3
Modelos de Cópula Normal ϵ-contaminadas: Média e Erro Quadrático
Médio (MSE) dos MLE, WMLE, e as Três Melhores Estimativas WMDE de 1.000 Simulações
Tabela 2.4 – Continuação: Modelos de Cópula Normal ϵ-contaminadas: Média e Erro Quadrático
Médio (MSE) dos MLE, WMLE, e as Três Melhores Estimativas WMDE de 1.000 Simulações
Cópula Gumbel:
(i) Sob nenhuma contaminação: o MLE é o melhor estimador, mas é seguido de perto pelo IAD1.
(ii) Sob contaminações: para ambos os tamanhos de amostra e valores de τ, o MLE apresentou um enorme
vício quando contaminações estão localizadas nos cantos LR e UL. Nestas situações, o WMLE foi
muito acurado. O AD1 mostrou uma performance muito boa, exceto no caso em que a contaminação
foi próxima do canto LL. Neste caso, a melhor opção é o URAD1.
Cópula Husler Reiss:
(i) Sob nenhuma contaminação: para ambos os tamanhos de amostras, o MLE é o melhor estimador.
(ii) Sob contaminações: para ambos os tamanhos de amostras, o WMLE teve uma performance ruim.
Novamente, quando pontos contaminantes foram alocados nos cantos LR e UL, o MLE apresentou um
vício grande. Na prática, sugerimos que, quando as estimativas URAD1, IAD1 e URAD12 discordam do
MLE, o analista deve usar o estimador WMDE. Isto também é recomendado no caso de dependência
mais fraca, quando o IAD1 deve ser preferido.
Cópula Joe:
(i) Sob nenhuma contaminação: o MLE é o melhor estimador. Porém, observamos que o estimador WMDE
URAD1 é uma alternativa tão boa quanto para todos os experimentos de simulação considerados.
(ii) Sob contaminações: para amostras pequenas e grandes, o MLE não mostrou boa performance.
Melhores escolhas são o URAD1, para amostras pequenas, e URIAD12, para grandes amostras.
Cópula BB4: vencedor geral é o LLAD1.
(i) Sob nenhuma contaminação: o MLE não é o melhor estimador. O WMLE e LLAD1 apresentaram me-
lhores performances para ambos os tamanhos de amostra.
(ii) Sob contaminações: em geral, as melhores opções são LLAD12 e LLAD1. Porém, quando os pontos
contaminantes estão no canto inferior esquerdo, o MLE e WMLE apresentam boa performance.
Cópula BB5: vencedor geral é o URIAD12.
(i) Sob nenhuma contaminação: o MLE apresentou uma boa performance, mas URIAD12 e IAD1 também
apresentaram um baixo MSE.
(ii) Sob contaminações: para ambos os tamanhos de amostra, os melhores estimadores são URIAD12 e
URAD1. O AD1 também mostrou uma boa performance em alguns experimentos. Os estimadores WMDE
LLIAD1 e LLIAD12 deram bons resultados, especialmente quando a contaminação está localizada no
canto direito superior.
Cópula BB6:
(i) Sob nenhuma contaminação: para τ = 0.50, as melhores opções são os estimadores URIAD12 e URIAD22.
Porém, quando o τ = 0.25, URAD1 é o vencedor para ambos os tamanhos de amostra.
(ii) Sob contaminações: para amostras pequenas e grandes, o URAD1 e o URIAD12, respectivamente, apre-
sentaram boa performance.
Cópula Tawn:
(i) Sob nenhuma contaminação: para pequenas amostras, URAD1 obteve os menores MSE. Para grandes
amostras, o vencedor foi URIAD12.
(ii) Sob contaminações: para pequenas amostras, exceto quando a contaminação está no canto superior
direito, o melhor estimador foi o URAD1. Para grandes amostras, o vencedor geral é URIAD12.
A Tabela 2.5 apresenta um resumo dos resultados para todos os modelos de cópulas. A Tabela dá o(s)
vencedor(es) sob nenhuma contaminação e para modelos contaminados. Os resultados tipicamente não de-
pendem do tamanho da amostra e da força de dependência. A eficiência de todos os estimadores aumenta
com o tamanho da amostra. Podemos dizer que quando se ajusta cópulas possuindo dependência de cauda
superior, devem ser usadas as versões superior direito (UR) dos estimadores AD ou IAD. As versões inferior
esquerdo (LL) dos mesmos estimadores WMDE devem ser preferidas para cópulas possuindo dependência
de cauda inferior. Finalmente, quando ajustamos cópulas elípticas ou aquelas que não possuem dependência
de cauda, devem ser selecionados os estimadores WMLE ou IAD1.
Tabela 2.5
Resumo dos Resultados das Simulações. Vencedores sob Nenhuma Contaminação e sob Contaminação
SS – Sample size (tamanho da amostra), EV – Extreme value (valores extremos).

Dados Reais
Nesta seção, aplicamos os métodos robustos aqui propostos para estimar a estrutura de dependência
de um pequeno conjunto de dados, com somente 20 pontos, previamente usado por Rousseeuw e Leroy
(1987). É o conjunto de dados Woodmod em Wood Specific Gravity da biblioteca sobre robustez do SPlus.
De acordo com o arquivo de ajuda, as colunas 1 e 2, e as colunas 4 e 5 têm um pequeno grupo de 4 outliers
bi-dimensionais em um de seus cantos. Ambos os conjuntos de outliers não são visíveis quando se observa
os dados ao longo de uma dimensão.
Nós usamos as colunas 1 e 2, que são, respectivamente, o número de fibras por milímetro quadrado
em Springwood (codificado pela divisão por 1000), e o número de fibras por milímetro quadrado em
Summerwood (codificado pela divisão por 104). A correlação de Pearson para estes dados é −0.1416. Depois
de inspecionar os dados univariados, decidimos usar a função de distribuição empírica para obter dados
pseudo Uniforme(0,1): (u1, v1),..., (u20 , v20). Os dados transformados não mostram evidência de dependência
de cauda. Nossa escolha de cópula foi a Normal. Note que o coeficiente de correlação para os dados trans-
formados com e sem os 4 outliers são, respectivamente, −0.1203 e 0.7147.
De acordo com nossos resultados de simulação, devemos aplicar o método WMLE. Por questão de
comparação, também calculamos o IAD1 e o MLE. A estimativa MLE é −0.13, calculada usando (u1, 1 −
v1),...,(u20 , 1 − v20). O WMLE resultou em uma estimativa de 0.3003, com erro padrão de 0.2182. O IAD1
não pôde lidar com 20% de contaminação e subestimou com um valor de −0.007. É interessante notar que
os outliers foram corretamente identificados usando os pesos dados pelo estimador robusto de matriz de
covariância.
Discussões
Quando ajustados modelos de cópulas a dados reais, o analista enfrenta (pelo menos) dois problemas
críticos. O primeiro é a escolha da família paramétrica, o segundo, a escolha do método de estimação. Ins-
peção gráfica dos dados e uma mistura de conhecimento prévio teórico e experiência ajudam na solução do
problema. O segundo problema é geralmente negligenciado e a maioria dos analistas aplica o procedimento
de máxima verossimilhança. Porém, mesmo dados de alta qualidade apresentam uma pequena proporção
de pontos contaminantes. Neste artigo, propomos duas classes de estimadores robustos para cópulas, com
o intuito de dar um guia para modelagem de dados reais.
O primeiro tipo de estimador robusto proposto é baseado na minimização de estatísticas de qualidade
do ajuste selecionadas. Algumas estatísticas bem conhecidas baseadas na distância são ponderadas para
introduzir robustez, o que gerou 24 diferentes estimadores. A segunda proposta é um procedimento em
dois passos, onde os pesos retornados por um estimador robusto de covariância são usados para identificar
pontos outliers. Para estes pontos, são designados pesos zero, e as estimativas de máxima verossimilhança
baseadas em dados reduzidos são calculadas (WMLE) no segundo passo. Deve-se notar que pontos atípi-
cos extremos são de grande importância e requerem mais investigação para serem considerados outliers.
Quando o interesse é a identificação de potenciais outliers, as distâncias robustas obtidas no passo 1 podem
ser usadas. Ambos os métodos podem ser estendidos para estimação em dados de alta dimensionalidade.
As estatísticas WMDE dependerão de uma definição da cópula empírica para dimensões maiores que 2.
Foram considerados experimentos de simulação para acessar a performance dos estimadores propostos
sob modelos de cópula ϵ-contaminados. Consideramos 11 famílias de cópulas paramétricas, contaminadas
com alguma proporção de erros brutos. Para qualquer outra família de cópula não considerada aqui, os
experimentos de simulação podem ser facilmente implementados e executados relativamente rápido.
Estes experimentos indicam que alguns dos estimadores propostos têm uma performace boa, apesar
da proporção de contaminação. Sob nenhuma contaminação, sempre pudemos encontrar um estimador
WMDE tão bom quanto MLE. Para os modelos contaminados, os estimadores robustos sempre apresentam
performance superior. Os resultados tipicamente não dependem do tamanho da amostra e na força de de-
pendência. A eficiência de todos os estimadores aumenta com o tamanho da amostra. Podemos dizer que
quando ajustamos cópulas possuindo dependência de cauda superior, devem ser usadas as versões UR dos
estimadores AD ou IAD. As versões LL dos mesmos estimadores WMDE deveriam ser preferidas para có-
pulas possuindo dependência de cauda inferior. Finalmente, quando ajustamos cópulas elípticas ou aquelas
possuindo dependência de cauda, dever-se-ia selecionar os estimadores WMLE ou o IAD1. Parece que a
cópula não é determinante para se achar o estimador mais robusto, mas sim se há dependência de cauda
inferior ou superior.
Deve-se notar que consideramos pequenas proporções de contaminação. Não sabemos como seria a
performace dos estimadores WMDE sob grandes proporções de contaminação. Adicionalmente, os resultados
relativos ao WMLE podem mudar com o estimador robusto de covariância usado. É recomendado o uso do
estimador Donoho-Stahel. Já que consideramos cenários sem contaminação, outro resultado deste artigo é
a performance dos estimadores MLE para parâmetros de cópula com amostras pequenas e grandes.
Nossos procedimentos podem ser usados na prática para identificação de outliers. Dado um conjunto
de dados e tendo escolhido a família de cópula paramétrica (note que não abordamos o difícil problema de
selecionar a cópula correta para os dados), pode-se calcular o melhor estimador WMDE, assim como o WMLE
e o MLE. Caso as estimativas robustas difiram substancialmente do MLE, deve-se verificar os resultados do
WMLE para identificar pontos outliers. Depois de se decidir se os pontos são ou não são outliers, o analista
deve manter tanto a estimativa robusta quanto a clássica.
Nós mostramos uma aplicação usando dados reais, que realmente enfatizam o problema de se escolher
uma família de cópula para algum conjunto de dados disponível. Considerações teóricas e inspeção gráfica
ajudaram a decidir quais famílias de cópulas para usar, e nossos resultados de simulação sugeriram qual
estimador robusto utilizar. Calculamos também o MLE, seguindo a conhecida regra: “Sempre compare o
ajuste clássico com o robusto.”
Apêndice: Famílias de Cópulas
Cópula Normal: a cópula Gaussiana ou normal é a cópula associada à distribuição multivariada normal,
e pertence à classe das cópulas elípticas. É dada por:
(2.33)
onde θ é o coeficiente de correlação linear entre duas variáveis aleatórias.
Cópula BB1: família de 2-parâmetros dada em Joe (1997). É denotada por:
(2.34)
onde θ > 0 e δ ≥ 1. Os coeficientes de dependência de cauda são dados por λL = 2−1/(δθ) e λU = 2 − 21/δ. A
cópula Kimeldorf e Sampson (KS) é um caso especial da cópula BB1 quando δ = 1.
Cópula Gumbel: a conhecida cópula Gumbel (Gumbel, 1960) é uma cópula de Valores Extremos (EV)
assim como uma cópula Arquimediana. Sua estrutura de dependência corresponde ao modelo logístico
simétrico (veja Ghoudi, Khoudraji e Rivest, 1998), e tem a seguinte forma:
(2.35)
para θ ≥ 1. O coeficiente de dependência de cauda é dado por λU = 2 − 21/θ.
Cópula Galambos: a cópula Galambos (Galambos, 1975) é uma cópula de Valores Extremos (EV):
(2.36)
para θ ≥ 0. Tem dependência de cauda superior dado por λU = 2 − 21/θ.
Joe cópula: a cópula Joe (Joe, 1993) é uma cópula Arquimediana e tem a forma
(2.37)
onde θ ≥ 1. O coeficiente de dependência de cauda superior é dado por λU = 2−21/θ.

Cópula Husler Reiss: a cópula Husler-Reisss (Husler e Reiss, 1989) é uma cópula de Valores Extremos
dado por:
(2.38)
onde û = −log u, v = −log v, θ ≥ 0 e Φ é a distribuição acumulada da normal padrão. Tem coeficiente de

dependência de cauda superior dado por λU = 2 −2Φ(1/θ).
Cópula Frank: a cópula Frank (Frank, 1979) é uma cópula Arquimediana dada por:
(2.39)
onde θ > 0 e η = 1 − e−θ. Para a cópula Frank λL = λU = 0.
Cópula Tawn: a cópula Tawn (Tawn, 1988, 1997) é uma cópula de Valores Extremos e uma extensão
não simétrica da cópula Gumbel. Uma cópula de valores extremos tem a forma:
(2.40)
onde A(t) é a função de dependência. Para a cópula Tawn:
(2.41)
onde 0 ≤ α, β ≤ 1 e θ ≥ 1.
Cópula BB4: Capéraà et al. (2000) combinaram classes de cópulas EV e Arquimedianas em uma úni-
ca classe chamada cópulas Archimax. As cópulas Archimax são cópulas que podem ser representadas da
seguinte forma:
(2.42)
onde A(t) é uma função de dependência válida e ϕ um gerador Arquimediano válido. Cópulas Archi-
max reduzem para cópulas Arquimedianas para A(t) = 1 e para cópulas EV para ϕ(t) = −log(t). Capéraà et
al. (2000) provaram que é uma cópula válida para qualquer combinação de uma função válida ϕ(t) e A(t).
A cópula BB4 é um exemplo desta classe de cópula com: ϕ(t) = t−θ − 1 e A(t) =1 − (t−δ + (1 − t)−δ)−1/δ.
A função de distribuição é dada por:
(2.43)
onde θ ≥ 0, δ > 0. O coeficiente de dependência de cauda superior é dado por λU = 2−1/δ.

Cópula BB5: a cópula BB5 (Joe, 1997), uma cópula EV, é uma extensão de dois parâmetros da cópula
Gumbel e tem a forma:
(2.44)
onde û = −log u, v = −log v, δ > 0 e θ ≥ 1.
Cópula BB6: a cópula BB6 (Joe, 1997), uma cópula Arquimediana, tem a forma
(2.45)
onde θ ≥ 1 e δ ≥ 1.
Bibliografia
ANÉ, T., KHAROUBI, C. Dependence structure and risk measure. Journal of Business 76(3):411-438, 2003.
CAPÉRAÀ, P., FOUGÈRES, A. L., GENEST, C. A nonparametric estimation procedure for bivariate extreme value copulas.
Biometrika 84(3):567-577, 1997.
CAPÉRAÀ, P., FOURGÈRES, A. L., GENEST, C. Bivariate distributions with given extreme value attractor. Journal of Multi-
variate Analysis 72, p. 30-49, 2000.
DEHEUVELS, P. La funcion de dépendance empirique et ses propriétés. Un test non paramétrique d’indépendance. Acad. R.
Belg., Bull. Cl. Sci. Série 65, 5:247-292, 1979.
DEHEUVELS, P. A Kolmogorov-Smirnov type test for independence and multivariate samples. Rev. Roum. Math. Pures et Appl.
Tome XXVI, 2:213-226, 1981a.
DEHEUVELS, P. A nonparametric test for independence. Publicacions de l’ISUP 26:29-50, 1981b.
DONOHO, D. L. Breakdown Properties of Multivariate Location Estimators. Ph.D. Thesis. Department of Statistics, Harvard
University, Cambridge, MA, 1982.
DURRLEMAN, V., NIKEGHBALI, K., RONCALLI, T. Which copula is the right one? Working paper. Paris: Credit Lyonnais,
Groupe de Reserche Opérationnelle, 2000.
FERMANIAN, J.-D. Goodness of fit tests for copulas. Journal of Multivariate Analysis 95:119-152, 2005.
FERMANIAN, J.-D., SCAILLET, O. Nonparametric estimation of copulas for time series. Journal of Risk 5(4):25-54, 2003.
FERMANIAN, J.-D., RADULOVIC, D., WEGKAMP, M. Weak convergence of empirical copula processes. Bernoulli 10:847-
860, 2004.
FRAHM, G., JUNKER, M., SCHMIDT, R. Estimating the tail-dependence coefficient: Properties and pitfalls. Mathemat. Meth.
Operat. Res. 55(2):301-327, 2004.
FRANK, M. J. On the simultaneous associativity of F(x, y) and x + y – F(x, y). Aequationes Math 19:194-226, 1979.
FREES, E. W., VALDEZ, E. Understanding relationships using copulas. North American Actuarial Journal 2:1-25, 1998.
GALAMBOS, J. Order statistics of samples from multivariate distributions. Journal American Satistical Association 70:674-680, 1975.
GENEST, C. Frank’s family of bivariate distributions. Biometrika 74:549-555, 1987.
GENEST, C., RIVEST, L.-P. Statistical inference procedures for bivariate Archimedean copulas. Journal American Statistical
Association 88, p.:1034-1043, 1993.
GENEST, C., GHOUDI, K., RIVEST, L.-P. A semiparametric estimation procedure of dependence parameters in multivariate
families of distributions. Biometrika 82(3):543-552, 1995.
GHOUDI, K., KHOUDRAJI, A., RIVEST, L.-P. Proprietes statistiques des copules de valeurs extremes bidimensionnelles.
Canadian Journal of Statistics 26:187-197, 1998.
HÜSLER, J., REISS, R.-D. Maxima of normal random vectors: between independence and complete dependence. Statist. Probab.
Lett. 7:283-286, 1989.
JOE, H. Parametric families of multivariate distributions with given margins. Journal of Multivariate Analysis 46:262-
282, 1993.
JOE, H. Multivariate Models and Dependence Concepts. London: Chapman & Hall, 1997.
JOE, H., Xu, J. The estimation method of inference function for margins for multivariate models. Technical Report No. 166.
Department of Statistics, Vancouver: University of British Columbia, 1996.
JURI, A., WÜTHRICH, M. V. Tail dependence from a distributional point of view. Preprint. Available at http://www.math.ethz.
ch/juri/publications.html, 2002.
KIMELDORF, G., SAMPSON, A. R. Uniform representation of bivariate distributions. Communication in Statististics 4:617-
627, 1975.
MARONNA, R. A., YOHAI, V. J. The behavior of the Stahel-Donoho robust multivariate estimator. J. American Statistical
Association 90:330-341, 1995.
MENDES, B. V. M. Asymmetric extreme interdependence in emerging equity markets. Appl. Stochastic Mod. Bus. Industry
V21(6):483-498, 2005.
MORETTIN, P. A., TOLOI, C. M. C., CHIANN, C., MIRANDA, J. C. S. Nonlinear wavelet estimation of copulas for time series.
Proc. 2nd. Brazilian Conf. Insurance and Finance, Maresias, SP, 2005.
NELSEN, R. B. An Introduction to Copulas. New York: Springer, 2006.
ROCKE, D. M. Robustness properties of S-estimators of multivariate location and shape in high dimension. Ann. Statist. 24(3),
p.: 1327-1345, 1996.
ROUSSEEUW, P. J. Multivariate estimation with high breakdown point. In: Grossmann, W., Pflug, G., Vincze, I., Wertz, W., eds.
Mathematical Statistics and Applications. Vol. B. Reidel: Dordrecht, pp. 283-297, 1985.
ROUSSEEUW, P. J., LEROY, A. M. Robust Regression and Outlier Detection. New York: Wiley, 1987.
SHIH, J., LOUIS, T. Inferences on the association parameter in copula models for bivariate survival data. Biometrics 51,
p.: 1384-1399, 1995.
SKLAR, A. Fonctions de répartition á n dimensions et leurs marges. Publ. Inst. Statist. Univ. Paris 8:229-231, 1959.
STAHEL, W. A. Breakdown of covariance estimators. Research Report 31. Fachgruppe für Statistik, ETH, Zürich, 1981.
STEPHENS, M. A. EDF statistics for goodness of fit and some comparisons. Journal American Statistical Association 69:730-
737, 1974.
TAWN, J. A. Bivariate extreme value theory: models and estimation. Biometrika 75:397-415, 1988.
TSUKAHARA, H. Semiparametric estimation in copula models. Canad. J. Statist. 33(3):357-375, 2005.
VALDEZ, E. A. Modelling Dependence with Copulas in Insurance and Finance. Brussels: KVBA-ARAB Presentation, 2003.
WOLFOWITZ, J. Estimation by the minimum distance method. Ann. Instit. Statist. Math. 5:9-23, 1953.
WOLFOWITZ, J. The minimum distance method. Ann. Math. Statist. 28:75-88, 1957.
Estimação Local de Valor em
Risco Baseado em Cópulas
RESUMO
Neste artigo, é proposto o método de máxima verossimilhança local para estimar parâmetros de có-
pulas dinamicamente. Nós estudamos as propriedades de estimativas locais e derivamos a expressão
para suas variâncias assintóticas para o caso de cópulas Gaussianas. As estimativas locais são usadas
para detectar mudanças temporais na força de dependência entre ativos. Estas dinâmicas são então
incorporadas na estimação do Valor em Risco (VaR) com um modelo GARCH para cada marginal.
A performance das estimativas propostas é investigada por meio de experimentos de simulação de
Monte Carlo. Em aplicações utilizando dados reais, os testes fora-da-amostra indicaram que a nova
metodologia pode ser melhor que o modelo de cópula global quando se estima Valor em Risco.
Palavras-chave: Cópulas; Estimação por máxima verossimilhança local; Valor em Risco.
31
Estimação Local de Valor em Risco Baseado em Cópulas • 33
Introdução
Neste artigo, usamos estimação local para acessar tendências no tempo em medidas de risco baseadas
em cópulas. Foi selecionado o conhecido Valor em Risco (VaR) para ilustrar esta nova metodologia.1
Para portifólios multivariados, compostos por 2 ou mais ativos, o VaR pode ser computado pela es-
timativa da distribuição multivariada dos d ativos compondo o portfólio. Sob esta abordagem, assume-se
explicitamente a estrutura de dependência dos d ativos do portfólio. A técnica mais comumente usada por
analistas é baseada na hipótese simplificadora de normalidade multivariada.
Todos os problemas na hipótese de normalidade multivariada estão bem documentados na literatura.
O uso de modelos de volatilidade variante no tempo e cópulas pode resolver parte destas falhas.
Entretanto, de forma a capturar toda a dinâmica encontrada na distribuição multivariada de retornos fi-
nanceiros, o ajuste de volatilidades variantes no tempo nas margens não é suficiente. De alguma maneira
também é necessária a modelagem de mudanças temporais na estrutura de dependência. Isto pode ser con-
seguido pelo uso de modelos GARCH multivariados (Engle, 2000 e Tse e Tsui, 2002), ou coeficientes de
correlação variantes no tempo (Cherubini et al. (2004)), ou cópulas variantes no tempo (Dias e Embrechts
(2004), Mendes (2005) e Van den Goorbergh et al. (2005)). Deve-se notar que, além da estimação do VaR, a
estimação no tempo de distribuições multivariadas é a base de muitas importantes aplicações em finanças,
como por exemplo, precificação de opções e modelos de precificação de ativos.
Cópulas se tornaram ferramentas padrões nos campos de finanças e seguros (veja Georges et al. (2001),
Embrechts et al. (2003), Cherubini et al. (2004), Fermanian e Scaillet (2004), entre outros). Aplicações usando
cópulas dinâmicas foram propostas mais recentemente. Patton (2001) estendeu a definição clássica de cópula
para o caso condicional. Assim, ele introduziu a teoria de cópulas para modelar dependência condicional
variante no tempo. Modelando taxas de câmbio, ele assumiu uma cópula Gaussiana bivariada condicional
com o coeficiente de correlação seguindo um modelo GARCH. Ele considerou também quebras estruturais
e cópulas assimétricas. Fermanian e Scaillet (2004) introduziram o conceito de pseudo-cópulas. Eles mos-
traram que modelos de cópula definidos em Patton (2001) e Rockinger e Jondeau (2001) são todas pseudo-
cópulas. Eles propuseram um estimador não paramétrico para as pseudo-cópulas condicionais, derivaram
suas distribuições normais assintóticas e construíram estatísticas de teste de qualidade do ajuste.
Cherubini et al. (2004), seguindo ideias de Patton (2001) ajustou modelos GARCH(1,1) para as margens
e modelou a estrutura de dependência com cópula Gaussiana com coeficiente de correlação variante no
tempo. Eles assumiram a função modificada logística para manter ρt no intervalo (−1,1). Dias e Embrechts
(2004) aplicaram modelos GARCH univariados e o modelo de cópula t-Student com correlação variante no
tempo em dados de alta frequência. Mendes (2005) estendeu Rockinger e Jondeau (2001) que modelam e
assumem uma pseudo-cópula paramétrica condicional à posição de lag 1 e 2 no quadrado unitário. Van den
Goorbergh et al. (2005) permitiu que o coeficiente de correlação de Kendall evoluísse no tempo de acordo
com valores das variâncias condicionais das margens.
1
De forma geral, o VaR de um portfólio é um valor grande o suficiente que cubra suas perdas em N dias com uma
probabilidade de (1−α). O mais importante no cálculo do VaR é a estimação do quantil (1−α) da distribuição F do
portfólio. Uma vez que F é desconhecida, o problema se reduz á estimação de F. O VaR histórico ou empírico, por
exemplo, é calculado usando-se a função de distribuição empírica como uma estimativa de F.
Neste artigo, usamos uma abordagem alternativa para investigar tendências nos parâmetros da cópula
ligando os ativos que compõem o portfólio. Nós propusemos o uso de estimação local para capturar a di-
nâmica dos parâmetros de uma forma não paramétrica.
Para isto, na Seção “Cópulas e Estimação Clássica”, faremos uma revisão breve das definições de có-
pulas e estimação clássica. Na Seção “Estimação Por Máxima Verossimilhança Local”, revisamos a teoria
em estimação por máxima verossimilhança local e suas propriedades. Foram propostas as estimativas de
máxima verossimilhança local, derivamos suas distribuições assintóticas e analiticamente achamos suas
variâncias assintóticas no caso de cópulas Gaussianas. Na Seção “Simulações”, executamos experimentos
de simulação para investigar a qualidade do procedimento de estimação local quando capturamos tendên-
cias lineares. Nesta Seção, também damos um exemplo ilustrativo do método proposto usando uma cópula
Gaussiana de forma a avaliar seus efeitos no cálculo do VaR condicional no tempo. Na Seção “Aplicações”,
aplicamos a metodologia a 10 portfólios igualmente ponderados compostos de índices internacionais. Uma
vez encontrada tendência no tempo nos parâmetros da cópula, esta informação pode ser incorporada no
modelo paramétrico que pode ser então usado para previsões e para calcular o VaR estimado de forma local.
Também executamos testes fora-da-amostra (teste Kupiec e índice da função de perda) para avaliar a per-
formance do procedimento de estimação proposto. Finalmente, na Seção “Considerações Finais”, fazemos
algumas considerações a respeito dos resultados do artigo.
Cópulas e Estimação Clássica
De forma a simplificar a notação, de agora em diante fixamos d = 2 embora o método de inferência

desenvolvido no artigo pretenda e trabalhe para dimensões d ≥ 2. Considere (X1,X2) uma variável aleatória
contínua no ℜ2 com distribuição conjunta (cdf) F e distribuições marginais Fi, i = 1, 2. Considere a trans-
formação da integral de probabilidade de X1 e X2 em variáveis aleatórias uniformemente distribuídas (rvs)
em [0, 1] (denotado por Uniforme (0, 1)), ou seja, (U1,U2) = (F1(X1), F2(X2)). A cópula C pertencente à F é
a função de distribuição acumulada de (U1,U2). Cópulas são invariantes sob transformações estritamente
crescentes de (X1,X2) e têm um importante papel quando construímos dependência multivariada com mar-
ginais univariadas.
Para variáveis aleatórias contínuas (Teorema de Sklar, Sklar 1959), existe uma única cópula C bi-
dimensional tal que para todos (x1, x2) ∈ [−∞,∞]2:
F(x1, x2) = C(F1(x1), F2(x2)) (3.1)
Para medir dependência monotônica, pode-se usar coeficiente de correlação τ de Kendall baseado em
cópula. O τ de Kendall não depende das distribuições marginais e é dado por:
(3.2)
Esta propriedade de invariância não é compartilhada pelo coeficiente linear de correlação de Pearson
ρ. Para medir dependência de cauda superior, pode-se usar o coeficiente de dependência de cauda superior
definido como:
dado que o limite λU ∈ [0, 1] exista, e onde Fi−1 é a inversa generalizada, i.e., Fi−1 (ui) = sup{xi|Fi(xi) ≤ ui}, para
i = 1, 2. O coeficiente de dependência de cauda inferior λL é definido de forma similar. Ambos os coeficientes
de dependência de cauda inferior e superior podem ser expressos usando a cópula pertinente:
se estes limites existirem. As medidas λU ∈ (0, 1] (e λL ∈ (0, 1]) quantificam a dependência extrema dentro
da classe das distribuições assintoticamente dependentes. Se λU = 0 (λL = 0), as duas variáveis X1 e X2 são
ditas assintoticamente independentes na cauda superior (inferior).
Dado um conjunto de n observações bivariadas independentes e identicamente distribuídas (iid) de
uma distribuição bivariada com cópula Cθ, θ ∈ Θ, ambos os parâmetros das marginais e cópula podem ser
obtidos por meio do método IFM (Joe, 1997). Há duas versões principais: a abordagem completamente
paramétrica e a semiparamétrica, detalhada em Genest et al. (1993), Shi e Louis (1995) e Chebrian et al.
(2002). A abordagem completamente paramétrica começa com a estimação das distribuições marginais.
Os dados transformados em Uniforme(0,1) são usados para maximizar a função de verossimilhança da cópula
com respeito a θ. Os resultados finais são bastante sensíveis à correta especificação da todas as margens,
mas, como mostrado por Genest, Ghoudi, e Rivest (1995), e Shih e Louis (1995), o estimador resultante é
consistente e assintoticamente normal distribuído. No método semiparamétrico, os dados padronizados no
primeiro passo são obtidos como distribuições acumuladas empíricas. Embora, sendo preferido por muitos
autores para evitar problemas na especificação das distribuições marginais (Frahm, Junker, Schmid, 2004),
este procedimento de estimação sofre de perda de eficiência, veja Geneste Rivest (1993).
O comportamento dos estimadores de máxima verossimilhança dos parâmetros de cópula foi investigado
por meio de simulações por Capéraà (1997) no caso do modelo Gumbel ou logístico, por Genest (1987) no
caso da família Frank, e conforme o primeiro artigo desta tese no caso das cópulas Joe, Clayton, Galambos
e Husler-Reiss. Genest (1987) investigou a performance de quatro estimadores considerando tamanhos de
amostra de 10 a 50, e encontrou que o estimador pelo método de momentos tem menor erro quadrático
médio que o estimador de máxima verossimilhança.
Na próxima seção, propomos estimar parâmetros de cópula usando estimativas de máxima verossimi-
lhança local.
Estimação por Máxima Verossimilhança Local
Nesta seção, são introduzidas as estimativas de máxima verossimilhança local para modelos de cópu-
la. Estas estimativas (veja Tibshirani e Hastie, 1987) maximizam a função de verossimilhança ponderada,
onde os pesos são dados por uma função kernel. Neste sentido, assumindo que o parâmetro da cópula θ é
localmente constante no tempo, o estimador de máxima verossimilhança no tempo t satisfaz:
(3.3)
onde Ti é um processo de ponto indicando o tempo de ocorrência de (ui, vi), e c(ui, vi|θ(t)) é a função de
densidade da cópula dado Ti = t e onde θ = θ(t) é uma função suave de t. A função kernel K é uma função
positiva simétrica cuja variabilidade é governada por um intervalo temporal h > 0. A função kernel K apli-
cada à separação de tempo t−Ti determina os pesos. Assim, em diferentes tempos, as estimativas podem
ser vistas como uma generalização das ideias de médias ponderadas.
Neste artigo, consideramos K como uma função de densidade normal com média zero e desvio padrão h.
Na prática, a escolha de h é viesada na combinação de informação prévia ou algum tipo de conhecimento no
campo de aplicação, e no acesso visual do trade-off vício-variância, que pode ser feito pela experimentação
de variadas escolhas para h. As estimativas finais deveriam ter um viés pequeno (local) e ainda capturar a
dinâmica na estrutura de dependência.
Uma característica atraente deste método é sua simplicidade: pode ser aplicado para qualquer família
de cópula contínua e é facilmente estendida para os casos θ ∈ R k onde k > 1.
A incerteza na estimação local pode ser quantificada pelo uso de amostras bootstrap (veja Davison &
Ramesh, 2000). De acordo com Davison & Hinkley (1997), sob hipóteses fracas, se o número de amostras
bootstrap for suficientemente grande, então a variabilidade empírica na reamostragem dará a mesma boa
aproximação para a incerteza do próprio estimador de verossimilhança. Entretanto, devido à presença de viés
nas estimativas, a construção de intervalos de confiança nas estimativas de parâmetros se torna complicada.
De forma a levar em conta este vício, Deciccio & Romano (1988) propuseram métodos para a construção de
intervalos de confiança, que requer um grande número de amostras bootstrap. Bowman & Azzalini (1997)
chamam a atenção para o fato de que intervalos de confiança podem ser construídos sem a correção para
o vício, embora, neste caso, a variabilidade dos limites cobre em vez de . A variabilidade das
estimativas locais para cópulas pode também ser investigada por meio de sua distribuição assintótica.
Propriedades Teóricas dos Estimadores Locais de Cópulas
Nesta subseção, derivamos a distribuição assintótica do estimador local constante do parâmetro da

cópula no caso θ ∈ ℜ. A generalização para parâmetros k-dimensionais é direta. Seguimos Hall e Tajvidi
(2000) e consideramos um processo estacionário {(Wi, Yi, Si), i ≥ 1}, para descrever os dados {(Ui, Vi, Ti), i ≥
1}, onde Si é um processo de ponto análogo ao processo definido anteriormente Ti.
Dado um inteiro φ ≥ 1, e um intervalo compacto I que pegamos, sem perda de generalidade, com tama-
nho unitário, consideramos que {(Ui, Vi, Ti), 1 ≤ i ≤ N} denota aqueles valores de (Wj , Yj , Sj) para os quais 1
≤ j ≤ φ e Sj ∈ I. Consideramos (U, V, T) e (W, Y, S) valores genéricos dos processos (Ui, Vi, Ti) e (Wi, Yi, Si),
respectivamente. Usaremos a seguinte notação:
g(·, · | θ) = log c(·, · | θ),
onde c(·, · | θ) é a densidade da cópula de (W, Y) condicional em S = t, t ∈ I (equivalentemente, de (U, V )

condicional em T = t). Também definimos
Seguindo os passos na derivação da distribuição assintótica de estimativas de máxima verossimilhança,

denotamos por V, V = V(t), o recíproco de E[g′((U,V)|θ(T))2|T=t]. Uma vez que E[g′((U, V )|θ(T))2|T = t] =
−E[g′′((U,V)|θ(T))|T=t], podemos escrever
(3.4)
Se considerarmos κ2 = ∫u2K(u)du, κ = ∫K2 e assumirmos as seguintes condições: (a) p ≡ P(Si ∈ I) > 0,

a distribuição de Si, condicional em Si ∈ I, é absolutamente contínua com densidade contínua ξ; (b) ξ tem
derivada contínua na vizinhança de t e satisfaz ξ(t) > 0; (c) para todos os valores de θ na vizinhança de θ(t),
c(.|θ) satisfaz as condições de regularidade de Lehmann (1983), que são suficientes para o intervalo inferior
de Cramer-Rao para ser atingido na mesma vizinhança; (d) θ(.) tem duas derivadas contínuas na vizinhança
de t; (e) K é uma densidade de probabilidade simétrica compactamente suportada e (f) h = h(φ) → 0 e φ →
∞ de forma que φh → ∞. Então φλ, onde λ ≡ pξ, iguala a intensidade do processo de ponto T1, ..., TN em I.
Na formulação dos resultados abaixo, suprimimos o argumento t de λ, θ, θ′ , θ′′ e V .
Teorema 1 Assumindo as condições prévias (a)-(f), se t é um ponto no interior de I então satisfaz:
(3.5)
onde Z é assintoticamente Normal N(0, κV ).
Consideração (Termos correspondentes a viés e variância). Os termos de tamanho h2 no lado direito

de (3.5) representam as contribuições dominantes do erro sistemático e viés. Os termos de tamanho (φh)−1/2
denotam as contribuições dominantes do erro estocástico, ou erro sobre a média. Quando h = φ−1/5, os termos
de erro sistemático e estocástico são de ordens idênticas.2 Neste caso, um tamanho ótimo de intervalo é obtido.
A variância de Z é a variância de máxima informação associada com o limite inferior de Cramer-Rao.
Propriedades do Estimador sob o Modelo de Cópula Gaussiana
No caso de cópulas Gaussianas, θ = ρ e a densidade da cópula c(u, v|ρ) é dada por:
onde ζ1 = Φ−1(u) e ζ2 = Φ−1(v). Uma vez que ρ(t) é a correlação de Pearson entre U(t) e V (t), considere
o estimador local constante de ρ(t) e P = P(t) seja a variância de condicional no tempo T = t:
Teorema 2 Para cópulas Gaussianas, o Teorema 1 vale e a variância das estimativas locais de máxima
verossimilhança é dada por:
onde κ = 1/(2hπ1/2).
Prova: O resultado pode ser obtido pela aplicação do Teorema 1 a este caso particular. Aqui explicitamos
os detalhes. A estimativa de máxima verossimilhança satisfaz a equação da log-verossimilhança:
Pelo teorema do valor médio,
onde ρ∗ é um ponto entre e ρ. Utilizando a equação da log-verossimilhança, obtemos:
(3.6)
2
Se h = φ-1/5, então (φh)-1/2= φ-2/5 = h2.
Considerando:
R N =N−1Σ[g′′(Ui,Vi|ρ*)Ki(h)−E[g′′(Ui,Vi|ρ)Ki(h)]]/E[g′′(U,V|ρ)K(h)], e que E[g′′(U,V|ρ)K(h)](1 − R N) é

igual a:
Assim, podemos reescrever (3.6) como:
(3.7)
Sob as condições assumidas de regularidade e para N grande, N−1Σ[g′′(Ui,Vi|ρ*)Ki(h)] se comporta como

N−1Σ[g′′(Ui,Vi|ρ)Ki(h)], e pela lei dos grandes números N−1Σ[g′′(Ui,Vi|ρ)Ki(h)] → E[g′′(U,V|ρ)K(h)]. Então, R N
converge em probabilidade a zero. Além disso, a informação de Fisher baseada em um par de variáveis
aleatórias é dada por:
(3.8)
e, geralmente, vale que:
E[g′(U, V | ρ)K(h)] = 0.
Aplicando o Teorema do Limite Central e o Teorema de Slutsky (Bickel e Doksum, 1977) ao lado direito
de (3.7), concluímos que tende a uma variável normal com variância dada por 1/IN (ρ).
De forma a encontrar a expressão da variância, precisamos encontrar os valores esperados na

equação (3.8).
onde κ = 1/(2hπ1/2).
É importante notar que as variâncias dos estimadores para todas as famílias de cópula podem ser inves-
tigadas por meio do uso de reamostragem ou técnicas de bootstrap. É um processo simples, mas que pode
ser demorado ou computacionalmente intensivo, dependendo do tamanho da série temporal.
Simulações
Nesta seção, apresentamos alguns experimentos de simulação executados para acessar a performance
de estimativas de máxima verossimilhança local sob diferentes situações hipotéticas. Na subseção “Esti-
mativas Locais de Tendências Lineares”, reportamos os resultados de 7 experimentos de simulação, onde o
verdadeiro processo gerador assume uma tendência linear para o parâmetro da cópula no tempo. As famílias
das cópulas consideradas são: Normal, Gumbel, Galambos, Husler Reiss, Clayton (Kimeldorf Sampson),
Joe e Frank (veja fórmulas no Apêndice do capítulo anterior). Algumas dessas cópulas permitem depen-
dência na cauda. Todos os experimentos foram implementados no pacote estatístico S-Plus. Na subseção
“Estimativas locais de Valor em Risco”, é mostrado um exemplo ilustrativo onde o VaR é avaliado baseado
em um modelo de cópula Gaussiana estimada tanto globalmente quanto localmente.
Estimativas Locais de Tendências Lineares
Suponha que o vetor aleatório (U, V ) segue modelo de cópula geral:
(Ut, Vt) ~ Cθ(t)(U, V ) , e: θ(t) = θ(0) + βt and t = 1, · · · , T. (3.9)
Como antecipado, investigamos a performance das estimativas locais quando são detectadas tendências
nos dados. Para cada experimento, o intervalo de valores para o parâmetro θt da cópula foi fixado de tal
forma que o tau de Kendall (τ ) varia de 0.00 a 0.50 em 500 dias. Assim:
• Experimento 1: Para cópula Gaussiana, θ(t) ∈ {0.0000, 0.0014, 0.0028, · · · , 0.7070} e verdadeiro
β = 1.414 10−3.
• Experimento 2: Para cópula Clayton, θ(t) ∈ {0.0000, 0.0040, 0.0080, · · · , 2.0000} e verdadeiro
β = 4.000 10−3.
• Experimento 3: Para cópula Gumbel, θ(t) ∈ {1.0000, 1.0020, 1.0040, · · · , 2.0000} e verdadeiro
β = 2.000 10−3.
Outros experimentos de simulação foram também executados para as famílias de cópulas: Galambos,
Husler-Reiss, Joe e Frank, totalizando 7 experimentos. Foram executados 1000 simulações para cada um.
Para cada simulação, obtemos uma série temporal ( ) das estimativas de máxima verossimilhança
local. Os β’s foram então estimados por meio de mínimos quadrados ordinários (OLS) em um modelo de
regressão linear com coeficientes angular e linear. Na Tabela 3.1, mostramos os verdadeiros modelos con-
siderados e a média e o desvio padrão das estimativas ( ) assim como as médias das somas dos quadrados
da regressão (R2).
Tabela 3.1
Resultados dos Experimentos de Simulação. é a Média e éo
Desvio Padrão de todos os das 1.000 Simulações. é a Média de R2s
Dos experimentos de simulação, observamos que para todas as cópulas, a estimação local com o in-
tervalo escolhido (h = 25) pôde corretamente inferir a tendência linear imputada aos parâmetros de acordo
com a equação (3.9). Os modelos estimados são muito próximos dos verdadeiros, como confirmado pelas
estimativas pontuais estatisticamente significantes, e os altos valores de R2.
Estimativas Locais de Valor em Risco
Nós agora reportamos, por meio de um exemplo ilustrativo, o uso do método de estimação local para
o cálculo do VaR de um portfólio hipotético. Para isto, usamos uma das séries simuladas do Experimento
1 da seção anterior, onde o parâmetro θ varia linearmente no intervalo [0.00, 0.71] em 500 dias (β = 0.0014
na equação (3.9)). Foram gerados dados bivariados de tamanho 500 baseados nestas hipóteses e estimamos
VaRs (1%) globais e locais de um portfólio de dois ativos igualmente ponderados. As distribuições margi-
nais são escolhidas como t-Student com 6 e 4 graus de liberdade. A linha reta contínua na Figura 3.1 é o
VaR(1%) avaliado usando procedimento de estimação por máxima verossimilhança global.
Figura 1 – Gráfico das medidas VaR (1%) no tempo, considerando estimação por máxima verossimilhança local e
global (linha contínua) para uma posição vendida em um portfólio igualmente ponderado de dois ativos
Por meio do exemplo ilustrativo, fica clara a diferença entre os VaRs quando a estimação por máxima
verossimilhança global é usada no caso onde a força de dependência muda no tempo.
Aplicações
Nesta seção, usamos 10 pares de índices de ações de mercado para mostrar empiricamente como
mudanças temporais nos parâmetros da cópula interferem nas estimativas de Valor em Risco. Além disso,
testes estatísticos indicam que melhores estimativas podem ser obtidas quando uma tendência temporal é
detectada e incorporada na previsão k-passos à frente, k ≥ 1.
Nós analisamos uma amostra de 3130 log-retornos diários de 5 índices de mercado de ações de 3 de
janeiro de 1994, a 30 de dezembro de 2005. Os índices são: (i) S&P500 (US), (ii) FTSE (UK), (iii) IBOVESPA
(BR), (iv) MERVAL (AR) e (v) IPC (MX). Para investigar a performance de nossa metodologia, separamos os
dados em uma amostra de estimação e outra de validação, esta última contendo as últimas 250 observações.
A amostra de validação é usada para comparar, via um teste retrospectivo fora-da-amostra, o VaR baseado
em cópula estimada localmente com o VaR baseado em cópula estimada globalmente.
Modelos GARCH (1,1) univariados são ajustados por máxima verossimilhança para modelar as mé-
dias e variâncias condicionais dos log-retornos na amostra de estimação. A escolha da distribuição do erro
condicional para cada margem foi baseada no critério AIC e resultou em: (i) S&P500, t-student (νSP500 = 8),
(ii) FTSE, t-student (νFTSE = 13), (iii) IBOVESPA, t-student (νIBOVESPA = 7), (iv) MERVAL, t-student (νMERV
= 5) e (v) IPC, t-student (νIPC = 5), onde ν representa o número de graus de liberdade. Estas distribuições
são usadas para obter os valores pseudo-uniformes (0, 1) para o ajuste de cópulas. Por exemplo, a Figura 2
mostra no lado esquerdo o gráfico de dispersão dos log-retornos do IBOVESPA e IPC e a no lado direito
os dados padronizados.
Figura 2 – No lado esquerdo, gráfico de dispersão dos log-retornos do IBOVESPA e IPC, e no lado direito, os dados
padronizados Uniforme (0;1)
A cópula Gaussiana é então ajustada para os dados padronizados usando métodos de máxima veros-
similhança global e local.3 Por exemplo, para o par IBOVESPA-IPC (BR-MX), o ajuste global resultou
em uma estimativa de = 0.32. O caminho estimado das estimativas locais é mostrado na Figura 3.
Podemos suspeitar de uma tendência positiva indicando que a força de dependência aumenta no tempo,
requerendo modelos dinâmicos.
Para estimar o VaR para os 250 períodos de tempo restantes (para t = 2881,...,3130), implementamos
o seguinte algoritmo:
(i) adicionar a observação no tempo t para a amostra de estimação.

(ii) ajuste do modelo GARCH (1,1) para cada margem.
(iii) transformação dos resíduos obtidos em dados Uniforme (0,1).
(iv) estimação do parâmetro da cópula Gaussiana de forma global e local.
(v) utilização das mais recentes 42 estimativas locais (aprox. 2 meses comerciais) e cálculo por
mínimos quadrados do coeficiente angular da tendência.
(vi) simulação de 1.000 observações de uma cópula Gaussiana baseada na estimativa local mais a tendên-
cia. Simulação de 1.000 observações de uma cópula Gaussiana baseada na estimativa global.
(vii) aplicação da função de distribuição acumulada inversa para ambos os dados simulados de acordo com
as distribuições t-student condicionais usadas em (ii) e,
(viii) formar um portfólio igualmente ponderado para cada conjunto de dados, computando os VaRs α%
de uma posição comprada.
Para todos os portfólios, as duas séries de 250 previsões de VaR são comparadas com os valores ob-
servados em um teste retrospectivo fora-da-amostra.
Uma cópula t-Student poderia ter sido ajustada aos dados. Porém, para a aplicação, que enfoca as comparações entre
3
modelos de VaR dinâmico e constante, a cópula Gaussiana faz o trabalho com custo computacional muito menor.
Figura 3 – Evolução no tempo das estimativas de correlação de Pearson entre IBOVESPA e IPC para o ajuste
Gaussiano
Deve-se notar que a dinâmica na série de VaR vem do modelo heteroscedástico condicional assim como
do modelo de cópula local. Com o propósito de verificar a acurácia das medidas de risco, aplicamos o teste
de Kupiec e o índice de função de perda nas taxas de falhas empíricas. O teste de Kupiec (Kupiec, 1995)
é baseado na teoria binomial e testa a diferença entre o número observado e esperado de excessos ao VaR
das perdas efetivas do portfólio.
É sabido que a medida VaR é baseada em um nível de confiança de 1 − α. Assim, quando observamos
N perdas em excesso ao VaR em T observações, é obtida uma proporção N/T de perdas excessivas. O teste
de Kupiec diz que se N/T é estatisticamente diferente de α, em outras palavras, se o VaR é adequado para
aquele nível de confiança. Seguindo a distribuição binomial, a probabilidade de se observar N falhas em T
observações é:
Então, o teste da hipótese nula H0: α = α* é dado por uma estatística de teste de razão da verossimi-
lhança (detalhes em Kupiec, 1995) distribuída como χ12 sob H0. É bem sabido que o poder deste teste, que
é a habilidade para rejeitar um modelo ruim, aumenta com T. Neste artigo, estamos trabalhando com 250
observações. Assumindo uma cópula Gaussiana, as excessos reais ao VaR e os p-valores do teste de Kupiec
são reportados na Tabela 3.2.
Tabela 3.2
Análise dos Testes Retrospectivos de VaR (baseados em
Cópula Gaussianas Estimadas Localmente e Globalmente)
RE – Percentual de excessos reais % e (p-valor) do teste Kupiec.
A hipótese nula foi rejeitada somente para o par MX – US quando o parâmetro da cópula foi estimado
globalmente para o nível de confiança de α = 1%. Em geral, os resultados do teste de Kupiec dos VaRs esti-
mados localmente são bem similares aos apresentados pelos VaRs estimados globalmente. Porém, quando
eles são diferentes, o VaR estimado localmente apresenta melhor performance. Uma vez que os números de
exceções são pequenos, assim como os resultados do teste de Kupiec são quase iguais, também comparamos
as medidas de risco baseadas em diferentes métodos de estimação por meio do índice de função de perda.
Este procedimento foi primeiramente introduzido por Lopez (1998). A forma geral destas funções de
perda é:
onde f(x, y) e g(x, y) são funções arbitrárias tais que f(x, y) ≥ g(x, y) para um dado y. O “score” da amostra
completa é:
Quanto mais acuradas as estimativas de VaR, menor o score B será gerado. Neste artigo, consideramos
a sugestão de Blanco e Ihle (1999) para a função de perda:
onde Lt é o retorno do portfólio para o dia t. Os resultados para este índice são reportados na Tabela 3.3.
Baseado na função de perda considerada acima, pode ser observada uma melhor performance dos VaR
localmente estimados quando comparados com os globalmente estimados.
Tabela 3.3
Performance dos VaRs de acordo com a Estimação Global e Local de
Cópulas Gaussianas. Resultado Total do Índice da Função de Perda (B)
Considerações Finais
Neste artigo, propusemos um método dinâmico para estimação da estrutura de dependência de um

conjunto de retornos financeiros. Nossa estratégia de modelagem permite que as margens sigam algum tipo
de modelo GARCH, enquanto a estrutura de dependência dada pela cópula muda no tempo e é estimada
localmente. Nossa exposição foi restrita ao caso bivariado, mas modelos podem ser facilmente implemen-
tados e rodam relativamente rápido para dimensões maiores.
Há muitas questões abertas para cópulas variantes no tempo. Muitas aplicações naturalmente aparecerão.
Neste artigo, mostramos evidências empíricas que a estrutura de dependência (dada por sua cópula) entre
retornos de ativos pode ser mais bem tratada pelo uso de métodos de estimação local.
Por meio de experimentos de simulação e testes fora-da-amostra, como o teste Kupiec e o uso de um
índice de função de perda, mostramos, baseados em portfólios reais, que a estimação do Valor em Risco
pode ser melhorada pelo uso de procedimentos de estimação local. Estes resultados podem ser usados pelos
investidores para selecionar componentes de portfólio ou por gestores de fundos, melhorando a acurácia
de suas medidas de risco.
Bibliografia
BLANCO, C., IHLE, G. How good is your VaR? Using backtesting to assess system performance. Financial Engineering News,
August, 1-2, 1999.
BOWMAN, A.W., AZZALINI, A. Applied Smoothing Techniques for Data Analysis: The Kernel Approach with S-Plus
Illustrations, Oxford University Press, Oxford, 1997.
CAPÉRAÀ, P., FOURGÈRES, A. L., GENEST, C. A nonparametric estimation procedure for bivariate extreme value copulas.
Biometrika 84(3), p.567-577, 1997.
CHEBRIAN, A., DENUIT, M., SCAILLET, O. Testing for concordance ordering. DP FAME, 41, 2002.
CHERUBINI, U., LUCIANO, E., VECCHIATO, W. Copula Methods in Finance. Wiley Finance, Chichester, 2004.
DAVISON, A.C., HINKLEY, D.V. Bootstrap methods and their application. Cambridge University Press, 1997.
DAVISON, A.C, RAMESH, N.I. Local likelihood smoothing of sample extremes. Journal of the Royal Statistical Society, Series
B 62, Part 1, pp.191-208, 2000.
DECICCIO, T.J., ROMANO, J.P. A Review of Bootstrap Confidence Intervals, Journal of the Royal Statistical Society Series B
50, pp.338-354, 1988.
DIAS, A., EMBRECHTS, P. Dynamic cópula models for multivariate highfrequency data in finance. Discussion paper, 2004.
EMBRECHTS, P., LINDSKOG, F., MCNEIL, A. Modelling dependence with copulas and applications to risk management.
In Rachev, S. T., editor, Handbook of Heavy Tailed Distributions in Finance. Elsevier, North Holland: Amsterdam, 2003.
ENGLE, R.F. Dynamic conditional correlation: a simple class of multivariate GARCH models. University of California, Dept.
of Economics, 2000.
FERMANIAN, J.-D., SCAILLET, O. Some statistical pitfalls in cópula modeling for financial applications. FAME. Paper No.
108, 2004. Available at http://www.crest.fr/pageperso/fa/fermanian/ fermanian.htm.
FRAHM, G., JUNKER, M. and SCHMIDT, R. Estimating tail dependence coefficient: properties and pitfalls. Research paper,
University of Bonn, 2004.
GENEST, C. Frank’s family of bivariate distributions. Biometrika 74, p.549-555, 1987.
GENEST, C., GHOUDI, K., RIVEST, L.-P. A semiparametric estimation procedure of dependence parameters in multivariate
families of distributions. Biometrika 82(3), p.543-552, 1995.
GENEST, C., RIVEST, C. Statistical inference procedures for bivariate Archimedean copulas. Journal of the American
Statistical Association 88, pp.134-143, 1993.
GEORGES, P., LAMY, A.-G., NICOLAS, G., QUIBEL, G., RONCALLI, T. Multivariate survival modeling: A unified approach
with copulas. Working paper, Credit Lyonnais, 2001. Available at http://gro.creditlyonnais.fr/content/rd/home copulas.htm.
HALL, P. and TAJVIDI, N. Nonparametric analysis of temporal trend when fitting parametric models to extreme-value data.
Statistical Science Vol. 15, No. 2, pp.153-167, 2000.
KUPIEC, P. Techniques for verifying the accuracy of risk measurement models. Journal of Derivatives 2, pp.173-184, 1995.
LEHMANN, E. L. Theory of Point Estimation. Wiley, New York, 1983.
LOPEZ, J. A. Methods for evaluating value-at-risk estimates, Federal Reserve Bank of New York, research paper n. 9802, 1998.
MENDES, B.V.M. Computing conditional VAR using time-varying copulas. Revista Brasileira de Finanças (3) n.2, 2005.
NELSEN, R. B. An Introduction to Copulas. Springer, New York, 1999.
PATTON, A. Modelling time-varying exchange rate dependence using the conditional cópula. UCSD WP 2.001-09, 2001.
PATTON, A. Modelling asymmetric exchange rate dependence. Financial Econometric Research Center, WP04-03, 2003. Avai-
lable at http://users.wbs.ac.uk/group/ferc/home.
ROCKINGER, M., JONDEAU, E. Conditional dependency of financial series: An application of copulas. HEC Paris DP 723, 2001.
SHI, J., LOUIS, T. Inferences on the association parameter in cópula models for bivariate survival data. Biometrics (51), pp.1384-
1399, 1995.
TIBSHIRANI, R.J., HASTIE, T.J. Local Likelihood Estimation, Journal of the American Statistical Association 82, pp.559-567, 1987.
TSE, Y.K., TSUI, A.K.C A Multivariate GARCH Model with Time-Varying Correlations. Journal of Business Economics and
Statistics, 2002.
VAN DEN GOORBERGH, R. J., GENEST, C., WERKERC, J. Bivariate option pricing using dynamic cópula models. Insurance:
Math. and Econ. 37, p.101-114, 2005.
Estimação Local de Modelos
Dinâmicos de Cópulas
RESUMO
É um fato estilizado que a força de dependência em mercados de ações geralmente aumenta com a
volatilidade e tem mudado devido ao fenômeno da globalização. Neste artigo, usamos modelos de
cópulas para analisar o comportamento conjunto dinâmico de séries de retornos logarítmicos. Variáveis
exploratórias baseadas em volatilidades GARCH são consideradas como potenciais regressores para
explicar mudanças determinísticas nas séries de estimativas locais de máxima verossimilhança de
parâmetros de cópulas. Os modelos de regressão resultantes são estimados por mínimos quadrados
e métodos robustos. As estimativas paramétricas locais e globais finais podem ser usadas para o
cálculo de medidas de risco, para simular comportamento de portfólio, entre outras. Nosso método
é ilustrado usando dois índices americanos de ações e mostramos que o modelo dinâmico tem uma
performance melhor que as estimativas globais de VaR’s dentro da amostra.
Palavras-chave: Cópulas; Estimação por máxima verossimilhança local; Valor em Risco.
49
Estimação Local de Modelos Dinâmicos de Cópulas • 51
Introdução
Estimar e simular a evolução de diversos produtos no mercado financeiro requer uma modelagem
acurada da dependência entre os ativos objetos. Para capturar todos os possíveis diferentes tipos de asso-
ciação linear e não linear entre estes componentes é necessário o uso de modelos de cópulas. Uma cópula
é uma distribuição multivariada com distribuições marginais uniforme padrão. A modelagem utilizando
cópulas permite a fatorização da distribuição multivariada conjunta em suas distribuições univariadas
marginais e uma cópula. Na prática, este fato simplifica tanto a especificação da distribuição multivariada
quanto sua estimação.
Em finanças, a estimação de momentos marginais variantes no tempo pode ser eficientemente feita por
alguma combinação de modelos do tipo ARFIMA e FIGARCH (Engle (1982), Bollerslev (1986), Bollerslev
e Mikkelsen (1996), Baillie, Bollerslev e Mikkelsen (1996)). Entretanto, podem ser encontrados resíduos
com características dinâmicas na estrutura de dependência, o que requer uma modelagem própria. Evidência
empírica de mudanças de regime em correlações foi reportada por Longin e Solnik (2001), que notaram
que o nível de correlação pode estar relacionado ao nível de volatilidade do mercado. Entretanto, mode-
los dinâmicos não foram usados. Em vez disto, modelos de valores extremos multivariados para modelar
dependência foram empregados. Todas as tentativas iniciais para a modelagem multivariada dinâmica em
finanças foram baseadas em modelos GARCH multivariados (Engle (2000), Tse e Tsui (2002)). A estimação
destes modelos, porém, ainda demanda cuidados. Tudo isto motiva a pesquisa em modelos dinâmicos para
cópulas combinados com modelagem GARCH univariada.
Patton (2001) introduziu a cópula condicional no caso bivariado. Modelando taxas de câmbio, ele assumiu
uma cópula condicional Gaussiana bivariada com coeficiente de correlação que segue um modelo ARMA
baseado na transformação logística. Ele considerou também quebras estruturais e cópulas assimétricas. Este
artigo foi posteriormente circulado como Patton (2003) e finalmente publicado como Patton (2006).
Rockinger e Jondeau (2001) assumiram uma cópula paramétrica condicional na posição de observações
conjuntas passadas no quadrado unitário, combinado com a estimação prévia das marginais com modelos
do tipo GARCH com assimetria e curtose variantes no tempo. Usando a distribuição t-student generalizada
de Hansen (1994) como a distribuição de erro para modelos GARCH e a cópula de Plackett, eles forneceram
evidências empíricas que a dependência entre retornos financeiros pode evoluir no tempo.
Fermanian e Wegkamp (2004) introduziram o conceito de pseudo-cópulas. Eles mostraram que os
modelos de cópulas definidos em Patton (2001), Rockinger e Jondeau (2001) são todas pseudo-cópulas.
Eles propuseram um estimador não paramétrico das pseudo-cópulas condicionais, derivaram sua distribuição
assintótica normal, e construíram uma estatística de teste de qualidade do ajuste. O conceito de pseudo-
cópulas formalizou e unificou as tentativas anteriores na direção da modelagem de estrutura de dependência
variante no tempo com o uso de cópulas.
Cherubini et al. (2004) ajustou um modelo GARCH (1,1) para as margens e modelou a estrutura de
dependência com uma cópula Gaussiana com um coeficiente de correlação variante no tempo. De forma
a manter o coeficiente de correlação entre −1 e 1, uma transformação logística do parâmetro de cópula foi
considerada. Dias e Embrechts (2004) aplicaram modelos GARCH univariados e o modelo da cópula t-
student com correlação variante no tempo para dados de alta frequência.
Mendes (2005) estendeu Rockinger e Jondeau (2001) e assumiu uma pseudocópula condicional à
posição das observações de lag 1 e lag 2 conjuntas no quadrado unitário, combinado com a estimação
FIGARCH das distribuições univariadas dos retornos logarítmicos. O Valor em Risco variante no tempo
foi calculado e comparado aos modelos de cópula estática.
Van Den Goorbergh, Genest e Werker (2005) estudaram o comportamento de preços de opções bi-
variadas quando a estrutura de dependência dos ativos objetos segue um modelo de cópula dinâmica.
O parâmetro da cópula é estimado com base em uma janela móvel e tendências são detectadas como função
de volatilidades passadas.
Neste artigo, para acessar completamente a estrutura de dependência dinâmica existente entre ativos,
aplicamos estimação por máxima verossimilhança local para parâmetros de cópulas. A definição de esti-
madores locais constantes para modelos de cópulas e a derivação de distribuições assintóticas podem ser
encontradas em Melo e Mendes (2007). Aqui, revemos a definição e estendemos o modelo. Em particular,
consideramos as volatilidades passadas e atuais como variáveis explicativas, e também uma função indi-
cadora agindo como um termo de alavancagem. Isto aumentaria o poder preditivo do modelo de cópula.
Para ilustrar, calculamos um portfólio igualmente ponderado e estimamos o VaR um passo à frente,
combinando uma previsão do parâmetro de cópula e uma previsão para as médias e variâncias condi-
cionais marginais.
O artigo está organizado da seguinte forma. Na Seção “Cópulas e Estimação Clássica”, damos uma breve
revisão de definições de cópulas e métodos de inferência. Na Seção “Estimação Dinâmica de Modelos de Có-
pula”, revemos a definição de estimativas locais. Utilizando dados bivariados de retornos logarítmicos do índice
SP500 e Nasdaq para ilustrar os passos para estimação, desenvolvemos as extensões de modelos dinâmicos de
cópulas. Na Seção “Conclusões”, discutimos os resultados e também algumas considerações finais.
Cópulas e Estimação Clássica
Para simplificar a notação, de agora em diante fixamos d = 2, embora os métodos de inferência no artigo
funcionem para dimensões d ≥ 2.
Considere um processo estacionário (X1,t,X2,t )t ∈ Z. No caso da lei conjunta de (X1,t,X2,t ) ser independente
de t, a estrutura de dependência de (X1,X2 ) é dada por uma cópula (constante) C. Se (X1,X2 ) for uma variável
aleatória contínua com distribuição conjunta F e distribuições marginais F1 e F2, então há uma única cópula
C pertencente a F, definida em [0,1]2 tal que:
C(F1(x1), F2(x2)) = F(x1, x2)
vale para qualquer (x1, x2) ∈ R2.
A cópula C resume a estrutura de dependência de F, independentemente da especificação das distribui-

ções marginais. É invariante sob transformações estritamente crescentes de (X1,X2) sendo, portanto, muito
conveniente para o estudo da estrutura de dependência com ferramentas sem relação com escala.
Uma cópula dependente no tempo pode não satisfazer todas as propriedades de uma cópula (veja
Nelsen, 2006). Agora, considere (X1,X2) como um vetor aleatório de (Ω,A, P) em R2, onde A é a sigma álgebra
gerada por toda a informação passada, e consideramos a amostra (x1,1, x2,1), · · · , (x1,N , x2,N). No contexto de
séries temporais:
At = σ{x1,t−1, x2,t−1, x1,t−2 , x2,t−2 ,…} t = 1,...,N
representa a informação passada até o tempo t.
O teorema de Sklar (Sklar, 1959) pode ser estendido:
F(x1,t, x2,t | At) = Ct(F1,t(x1,t | At), F2,t(x2,t | At)), (4.1)
onde Ct é a cópula nos tempos t. Note que em geral os dados matriciais amostrais podem não representar T
observações de mesma distribuição conjunta. O mesmo conjunto condicionante para cada marginal e para
a cópula condicional garante que cada variável transformada é independente da informação no conjunto
condicionante de suas distribuições marginais.
Estimação paramétrica de cópulas pode ser feita em dois passos. No primeiro passo, as distribuições
marginais são estimadas, os , i = 1, 2, são usados para calcular os dados pseudo Uniforme(0,1), que são
usados no segundo passo para estimar os parâmetros da cópula.
A estimação marginal no primeiro passo pode ser baseada em um modelo paramétrico ou simples-
mente calculada usando a distribuição empírica. Alguns autores preferem a estimação empírica para evitar
problemas de identificações (Frahm, Junker e Schmid, 2004). No contexto de observações independentes
e identicamente distribuídas, além do método de máxima verossimilhança (Joe, 1997), as estimativas de
parâmetros de cópula no segundo passo podem ser obtidas por estimadores robustos e de distância mínima
(ver Tsukahara (2005), e o primeiro artigo desta tese), ou semi-parametricamente (Vandenhende e Lambert
(2005), onde uma nova família de cópula semiparamétrica é proposta e estimada usando um método de
mínimos quadrados com penalizações).
Estimações dinâmicas de modelos de cópula são geralmente executadas assumindo algum modelo
autorregressivo que é estimado por máxima verossimilhança, tanto considerando o banco de dados inteiro
(como em Patton (2005), ou em Cherubini et al. (2004)), ou considerando uma janela móvel, como em Van
Den Goorbergh, Genest e Werker (2005).
Estimação Dinâmica de Modelos de Cópula
Nesta seção, desenvolvemos uma metodologia para estimação de cópulas dinamicamente. Os métodos
são construídos com base nas estimativas locais de máxima verossimilhança para parâmetros de cópulas.
Nós iniciamos pela revisão da definição de estimativas locais, e então derivamos os modelos ilustrando
com dados do mercado de ações.
Considere (Ut1 , Vt1), · · · , (UtN , VtN ) uma possível série temporal bivariada com dependência fraca.
É assumido que no tempo tj a distribuição contínua de (Utj , Vtj) tem densidade de cópula c(utj , vtj ; θj), onde
θj ∈ Rd, d ≥ 2, é uma função suave de tj. Por exemplo, os dados de cópula (Ut1 , Vt1), · · · , (UtN , VtN) poderiam
ser a distribuição empírica ou baseada em modelo dos resíduos padronizados não correlacionados de ajustes
marginais GARCH aos retornos logarítmicos. Como veremos, qualquer dependência residual em dados de
cópula poderia ser capturada usando alguma especificação baseada em, por exemplo, volatilidades passa-
das. Como em qualquer aplicação de métodos de máxima verossimilhança local, sob fraca dependência
dos estimadores, os vícios de primeira ordem permanecem imutáveis, embora as variâncias assintóticas
possam diferir (veja as propriedades assintóticas das estimativas locais de cópula em Melo e Mendes (2007)).
Referências conhecidas para inferência local são Tibshirani e Hastie (1987), Fan e Gijbels (1996), e diversos
artigos publicados com aplicações em diferentes áreas.
Um elemento chave do método de máxima verossimilhança local é a função de peso kernel simétrica
K, que no tempo tj dá pesos para os tempos tJ , J = 1,...,N, de acordo com K[(tJ − tj )/ h ], onde h > 0 é a ban-
da temporal. A escolha da banda h afeta tanto o vício quanto a variância do estimador. O estimador local
constante é o valor θ no espaço de parâmetro da cópula maximizando
(4.2)
Uma generalização direta do estimador local constante (4.2) é o estimador linear local, onde o parâmetro
da cópula é formulado como um polinômio em função do tempo. Neste artigo, não consideramos esta ex-
tensão. Em vez disto, exploramos o fato estilizado em finanças, já mencionado, que a força de dependência
entre séries de log retornos pode depender da volatilidade (Embretchs et al. (2001), Longin e Solnik (2001),
Mendes e Kolev (2007), entre outros).
Para motivar nossos modelos, analisamos uma amostra de 5 anos composta por 1304 pares de retornos
logarítmicos diários do SP500 e Nasdaq, de 3 de junho de 2002 a 31 de maio de 2007, obtidos do Datastream.
Primeiro ajustamos por máxima verossimilhança modelos do tipo GARCH (Engle (1982), Bollerslev (1986),
Baillie, Bollerslev, e Mikkelsen (1996)) com inovações Gaussianas para cada margem. Como apontado por
Patton (2001, 2003), assumimos que os modelos marginais são especificados condicionais a um conjunto
de informações passadas, para garantir que a distribuição condicional conjunta é uma cópula.
A Tabela 4.1 mostra os melhores modelos encontrados para cada margem considerando somente memória
curta na volatilidade (painel superior), e também memória longa na volatilidade (painel inferior). O gráfico
superior da Figura 1 mostra as séries temporais dos retornos diários do Nasdaq. Esta figura também mostra
as volatilidades GARCH estimadas para ambos os índices (SP500 em preto e Nasdaq em azul). Os retornos
padronizados são então usados para obter a cópula empírica,1 que estima suas distribuições conjuntas não
1
Definição de cópula empírica: Considere (X1;t,X2;t), t = 1,...,N, sejam N cópias independentes de (X1,X2) com distri-
buição conjunta F, marginais contínuas F1 e F2, e possuindo cópula C. A função de distribuição empírica bivariada
é dada por:
onde I{A} é a função indicadora do evento A. Suas funções de distribuição marginal empírica associadas Fi;N (x), i = 1,
2, são definidas por F1;N = FN (x,+∞) e F2;N (y) = FN (+∞, y). Considere que F-i;N representa a inversa generalizada de Fi;N,
ou seja, F–i;N (u) = sup{t ∈ R: Fi;N (t) ≤ u, 0 ≤ u ≤ 1}. A função cópula empírica (Fermanian, Radulovic, e Wegkamp,
2004) é definida por:
condicionais. As estimativas amostrais do tau de Kendall baseado nos dados pseudo-uniformes dos ajustes
GARCH e FIEGARCH são, respectivamente, 0.7041 e 0.7000. A Figura 4.2 mostra no lado esquerdo o
gráfico de dispersão dos retornos diários, e no lado direito o conjunto de suporte para a cópula empírica de
inovações padronizadas GARCH. Observamos associações positivas assim como dependência caudal.
Tabela 4.1 – Estimativas “Quasi-máxima” Verossimilhança (Erros Padrões) de Modelos

GARCH e FIEGARCH Ajustados para os Processos Marginais de Índices de Retorno
Figura 4.1 – Série temporal dos retornos diários do Nasdaq (painel superior), e as volatilidades GARCH estimadas
(painel inferior) para ambos os índices (SP500 em preto e Nasdaq em azul)
Figura 4.2 – Gráfico de dispersão dos retornos diários (esquerdo), e o conjunto suporte para a cópula empírica das
inovações GARCH padronizadas (direito)
Para contabilizar a dependência caudal, ajustamos a cópula t-Student para os valores pseudo-uniformes.
O melhor ajuste assumindo dependência estática resultou em estimativas de máxima verossimilhança
(global) do coeficiente de correlação = 0.8884, e os graus de liberdade = 8.
De forma a ajustar o modelo local, primeiro escolhemos h. Em finanças, parece razoável escolher uma
banda subjetivamente, baseada tanto em uma informação a priori sobre o intervalo sob os quais tendências
poderiam ser estimadas, ou baseada em julgamento visual da validade dos valores de parâmetros ajustados
produzidos por diferentes bandas. Depois de alguma experimentação, na qual incluímos julgamento visual
do trade-off vício-variância e uma comparação formal entre valores de AIC, fixamos h no intervalo 15 −
20 dias comerciais. Isto está em linha com a janela móvel de tamanho de 2 meses considerada por Van
Den Goorbergh, Genest e Werkerc (2005). O intervalo para os graus de liberdade foi de 5 a 12. O melhor
ajuste final foi baseado em h = 20 e, uma vez que não há muita variação nos graus de liberdade, de agora
em diante mantemos ν fixo e igual a 8.
Os erros padrões das estimativas locais podem ser facilmente obtidos usando métodos de bootstrap
(veja, por exemplo, Davison e Ramesh (2000), Davison e Hinkley (1997)). É sugerido que seja feita um
grande número de replicações. Alternativamente, resultados assintóticos podem ser usados para construir
intervalos de confiança.
O lado esquerdo da Figura 3 mostra a evolução no tempo das estimativas locais constantes durante
o período considerado (as 40 observações iniciais foram podadas). Procuramos por tendências ou qualquer
outra relação no tempo. Neste momento, se uma tendência no período amostral for detectada, poderia ser
estimada usando:
= c0 + γ tj , j = 1,...,N.
Para nosso conjunto de dados, encontramos que a estimativa γ não é estatisticamente diferente de zero.
Agora consideramos incluir em nosso modelo local a variação no tempo do parâmetro da cópula como
uma função das volatilidades condicionais estimadas. Muitos estudos empíricos reportaram o aumento na
dependência durante períodos de alta volatilidade. Portanto, o valor do parâmetro da cópula no tempo tj
pode ser composto por um valor local constante ρj* mais um componente dependente do tempo devido a
volatilidades passadas:
ρj = ρj* + γ ((σ1,j , σ2,j), (σ1,j−1, σ2,j−1), ...) , (4.3)
para alguma função γ e onde σi,j são volatilidades do tipo GARCH nos tempos tj e para o índice i, i = 1, 2.
Para investigar a forma funcional de γ() e os melhores regressores, fizemos o gráfico das séries
( ) versus diversas funções de ( , )e( , ), incluindo a volatilidade média, cada uma
separadamente, a máxima, e o log do máximo entre as duas volatilidades, sendo a última usada por Van
Den Goorbergh, Genest e Werkerc (2005). Para o conjunto de dados em consideração, os gráficos sugerem
uma fraca associação linear entre as estimativas locais constantes e as log(max( , )) (coeficien-
te de correlação igual a 0.1881), e as log(max( , )) (coeficiente de correlação igual a 0.1906). O
lado direito da Figura 3 mostra as séries de estimativas locais constantes versus log(max( , ))
do ajuste GARCH.
Figura 4.3 – Evolução no tempo das estimativas locais constantes (esquerdo). No lado direito as estimativas locais
constantes ρj versus log(max( , )) do modelo GARCH

Assim, estimamos o modelo de regressão linear
(4.4)
com εj , j = 1,...,N sendo uma sequência de erros i.i.d., usando ambos o método clássico de mínimos qua-
drados e o estimador robusto MM.
Para o conjunto de dados de um modelo GARCH de memória curta, ambas as estimativas clássica e
robusta de γ1 e γ2 em (4.4) não foram significantes (p-valores clássicos 0.4780 e 0.2092). A razão para isto
é provavelmente a colinearidade nos dados, cujo coeficiente de correlação é 0.9963. Nós então ajustamos
modelos mais simples considerando cada regressor por vez. Em ambas as equações, as estimativas de mí-
nimos quadrados de γ1 foram altamente significativos, respectivamente, 0.0164(0.0026) e 0.0167(0.0026), e
optamos pelo modelo com menor AIC
(4.5)
com εj , j = 1,...,N, para qual a estimativa robusta MM foi 0.0135(0.0033).
Poderia então ser fixado γ1 = 0.0167, assumido (4.3), e reestimando os localmente usando as vola-
tilidades como regressores. Isto significa a maximização (4.2) onde, para cada tempo tj , o parâmetro da
cópula é dado por:
(4.6)
O painel superior da Figura 4.4 compara a evolução no tempo das estimativas locais finais às estimativas
locais de Van Den Goobergh. Notamos que as estimativas clássica e robusta γ1 baseadas nas volatilidades
FIEGARCH passadas são respectivamente 0.0328(0.0020) e 0.0148(0.0014).
Figura 4.4 – Painel superior: Evolução no tempo das estimativas locais constantes (painel superior). Painel inferior:
evolução no tempo do portfólio igualmente ponderado (somente perdas) e Valor em Risco (1% e 5%) baseado na cópula
local e volatilidades FIEGARCH
Finalmente, consideramos a extensão:
(4.7)
onde a função indicadora 1[−−] é igual a 1 quando ambos os retornos passados são negativos, e onde εj,
j = 1,...,N é uma sequência i.i.d.. Se qualquer um dos novos parâmetros δ1 ou δ2 for positivo e significante,
temos o conhecido efeito alavancagem que modela o efeito de notícias ruins. Para o conjunto de dados
usado no artigo, não encontramos efeito alavancagem, mas encontramos um muito pequeno aumento no
nível, pois δ1 foi significante.
As estratégias de modelagem propostas podem ser utilizadas para a previsão e cálculo de medidas de
risco condicionais. Para ilustrar, calculamos o Valor em Risco (VaR) condicional um passo à frente dentro
da amostra2 de um portfólio igualmente ponderado com base nos índices SP500 e Nasdaq. A Figura 4 mos-
tra no painel inferior a evolução no tempo do portfólio (só as perdas) e o VaR dentro da amostra (1% e 5%)
calculado com base nas estimativas locais de cópula e nas volatilidades FIEGARCH.
Para computar os VaRs condicionais dentro da amostra, as inovações dos retornos foram obtidas
com base em simulações da cópula condicional. Em cada tempo tj um total de 100.000 replicações foram
feitas. Ao final das séries, nosso modelo permitiu a previsão do VaR um passo à frente. O algoritmo é
dado no Apêndice.
2
O VaR de um portfólio é o valor grande o suficiente para cobrir suas perdas sobre um período de N dias com uma probabilidade
de (1−α), geralmente denotado por VaR(α, N), ou simplesmente VaR α quando N = 1.
A Tabela 4.2 mostra o percentual de vezes que as estimativas de VaR subestimaram a perda observada.
Por questões de comparação, também reportamos o VaR não condicional. Para os dados analisados, quando
se move de modelos univariados GARCH e estimativas globais de cópula para modelos univariados GARCH
e estimativas locais de cópula, observamos uma pequena melhora. Para os dados analisados, não observamos
melhora na estimação do VaR dentro da amostra pela modelagem de memória longa na volatilidade.
Tabela 4.2
Proporção de Vezes dentro da Amostra que as Estimativas de VaR 1% e 5%
de um Portfólio Igualmente Ponderado Falhou ao Estimar a Perda Observada
Estimação Dinâmica de Valores Extremos Conjuntos
De forma a generalizar nossos resultados, damos agora uma ilustração da estimação local usando cópula
de valores extremos Gumbel. A cópula Gumbel é de uma família de cópulas de um parâmetro (δ ≥ 1), onde
independência corresponde a δ = 1. É o modelo assintótico para seus componentes de máxima que, por sua
vez, assintoticamente segue a distribuição generalizada de valores extremos (GEV).
Nós iniciamos pela coleta de mínimos mensais e máximos bi-semanais de cada série. Os melhores ta-
manhos de blocos foram baseados em análises cuidadosas dos resultados de estimação da GEV, incluindo
a significância das estimativas de parâmetros. Os dados pseudo-uniformes(0,1) foram obtidos pela inserção
das estimativas de máxima verossimilhança na função acumulada GEV.
As estimativas de máxima verossimilhança global da cópula Gumbel são respectivamente 2.7058 e
2.7983 para mínimos e máximos. Notamos que os correspondentes coeficientes de dependência caudal são,
respectivamente, 0.7080 e 0.7189, confirmando a forte dependência caudal para perdas extremas e ganhos
extremos.
Também notamos que as estimativas de máxima verossimilhança global implicam em estimativas de
tau de Kendall de 0.6304 para os dados conjuntos de mínimo, e 0.6426 para os dados conjuntos de máximo.
Ambas as estimativas de tau de Kendall diferem da estimativa geral de 0.6964 calculada pela maximização
da verossimilhança global ρ da cópula t-Student.
A escolha da banda h para a estimação local foi baseada no julgamento visual do trade-off entre vício
e variância. A Figura 5 mostra a evolução no tempo das estimativas locais constantes para h = 4, 5, 6.
O painel superior corresponde ao ajuste mensal de mínimos e o painel inferior corresponde ao ajuste de
máximo bisemanal. Escolhemos h=5. A linha pontilhada corresponde às estimativas globais.
Figura 4.5 – Evolução no tempo das estimativas locais constantes de uma cópula Gumbel ajustada para os extremos
do SP500 e Nasdaq. O painel superior corresponde ao ajuste mensal dos mínimos e o painel inferior corresponde ao
ajuste bi-semanal de máximos. As linhas pontilhadas correspondem às estimativas globais
Observamos uma leve tendência de baixa nas estimativas locais. Para os dados de mínimo, o coeficiente
angular por mínimos quadrados é −0.005 e o p-valor é 0.001. Para os máximos, estes valores são respectiva-
mente −0.002 e 0.032. Para máximos bi-semanais, observamos que durante um período de aproximadamente
18 meses a força de dependência cresceu estavelmente, embora isto não tenha sido observado para os dados
diários (veja Figura 4.5). A persistência observada nas estimativas também indica que um modelo ARMA
(p, q) poderia ser adequado para modelagem posterior do parâmetro de cópula δ.
Conclusões
A principal motivação para a estimação dinâmica de uma distribuição multivariada está no campo de
finanças. Distribuição multivariada variante no tempo pode ser então usada para calcular e prever medidas
de risco, para simular o comportamento de preços de opções, para selecionar componentes de portfólio
entre outras.
Neste artigo, exploramos algumas possibilidades para estimativas locais baseadas na modelagem di-
nâmica de cópulas. Nossa estratégia de modelagem permite que as margens sigam algum tipo de modelo
GARCH enquanto a estrutura de dependência é estimada localmente e varia com o tempo.
Para o conjunto de dados usado para ilustração, possivelmente melhores ajustes marginais poderiam ser
obtidos ao se assumir uma distribuição condicional t-Student para as inovações GARCH, e isto impactaria
a performance das estimativas de medidas de risco. Algumas questões não foram endereçadas no artigo:
(i) sensibilidade dos resultados à escolha de h; e (ii) sensibilidade dos resultados à escolha da função Kernel.
Uma possibilidade é uma função assimétrica para cuidar de assimetrias extremas. Um modelo de cópula
dinâmico seria assumir que seus parâmetros θ seguem um modelo ARFIMA (p, d, q). O artigo a respeito
deste assunto está a caminho. Estimativas locais são úteis para a detecção de modelos mais complexos.
Modelagem adicional pode ir de simples modelos de regressão aos mais sofisticados modelos ARMA.
Muitas aplicações naturalmente surgirão.
Bibliografia
BOLLERSLEV, T. Generalized Autoregressive Conditional Heteroskedasticity. J. of Econometrics, 31, 307-327, 1986.
BAILLIE, R.T., BOLLERSLEV, T. and MIKKELSEN, H.O. Fractionally Integrated Generalized Autoregressive Conditional
Heteroskedasticity. J. of Econometrics, 74, 3-30, 1996.
BOLLERSLEV, T. and MIKKELSEN, H.O. Modeling and pricing long memory in stock market volatility. J. of Econometrics,
73, 151-184, 1996.
DAVISON, A.C., HINKLEY, D.V. Bootstrap methods and their application. Cambridge University Press, 1997.
DAVISON, A.C, RAMESH, N.I. Local likelihood smoothing of sample extremes. J. of the Royal Statistical Society, Series B 62,
Part 1, pp. 191-208, 2000.
DEMARTA, S. and MCNEILL, A.J. The t-copula and related copulas. ETH. Zurich, 2004.
DIAS, A., EMBRECHTS, P. Dynamic copula models for multivariate highfrequency data in finance. Discussion paper, 2004.
ENGLE, R.F. Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation. Econometrica, 50,
p.: 987-1008, 1982.
ENGLE, R.F. Dynamic Conditional Correlation - A Simple Class of Multivariate, 2000.
GARCH Models, J. of Business and Economic Statistics, V20N3, July 2002.
FAN, J. and GIJBELS, I. Local Polynomial Modelling and its Applications. Chapman and Hall, London, 1996.
FERMANIAN, J-D., RADULOVIC, D., and WEGKAMP, M. Weak convergence of empirical copula processes, Bernoulli, 10,
847-860, 2004.
FERMANIAN, J-D., WEGKAMP, M. Time dependent copulas. Working paper, 2004. Available at http://www.crest.fr/pageperso/
lfa/fermanian/fermanian.htm.
GENEST, C., RIVEST, C. Statistical inference procedures for bivariate Archimedean copulas. J. of the American Statistical As-
sociation, 88 p.134-143, 1993.
LONGIN, F. and SOLNIK, B. Extreme correlation of international equity markets. J. of Finance, 56, pp. 649-76, 2001.
Melo, E.F.L. and MENDES, B.V.M. Assessing Temporal Trends in Copula Based Value-at-Risk Using Local Estimation. Techni-
cal Report, COPPEAD/UFRJ, 2007.
MENDES, B.V.M. Computing Conditional VaR Using Time-varying Copulas, Brazilian Finance Review Vol. 3, No. 2, p. 249-
263, 2005.
MENDES, B.V.M., KOLEV, N.V. Does Long Memory in Volatility Increase Interdependence? International Review of Financial
Analysis, 15(4), 2007.
NELSEN, R. B. An Introduction to Copulas. Springer, New York, 2006.
PATTON, A. Modelling Asymmetric Exchange Rate Dependence, International Economic Review, 47(2), 527-556, 2006. This
paper was previously circulated as Patton, A. Modelling Time-Varying Exchange Rate Dependence Using the Conditional Copula,
University of California, San Diego, Discussion Paper 01-09, 2001.
ROCKINGER, M. and JONDEAU, E. Conditional dependency of financial series: An application of copulas. HEC Paris DP
723, 2001.
SHI, J., LOUIS, T. Inferences on the association parameter in copula models for bivariate survival data. Biometrics (51), pp.1384-
1399, 1995.
TIBSHIRANI, R.J., HASTIE, T.J. Local Likelihood Estimation, J. of the American Statistical Association, 82, pp.559-567, 1987.
TSE, Y.K., TSUI, A.K.C A Multivariate GARCH Model with Time-Varying Correlations. J. of Business Economics and Sta-
tistics, 2002.
TSUKAHARA, H. Semiparametric estimation in copula models. The Canadian J. of Statistics, 33, 3, 357-375, 2005.
VAN DEN GOORBERGH, R. W. J., GENEST, C., WERKERC, J. Bivariate option pricing using dynamic copula models. Insu-
rance: Mathematics and Economics, 37 p.101-114, 2005.
VANDENHENDE, F, and LAMBERT, P. Local dependence estimation using semiparametric Archimedean copulas. The Cana-
dian J. of Statistics, 33, 3, 377-388, 2005.
Apêndice
Algoritmo para o cálculo do Valor em Risco.
Para todo tempo t, t = 1,...,N − 1 fazer:
• No tempo t estimar o coeficiente de correlação da cópula para o tempo t + 1 usando

.
• Simular 100.000 observações bivariadas de uma cópula t com 8 graus de liberdade e coeficiente de
correlação .
• Encontrar os valores de quantis correspondentes nas distribuições marginais Gaussianas (usar a distri-
buição normal inversa).
• Usar a volatilidade estimada GARCH (e FIEGARCH) e a média predita condicional (para cada margem)
para o dia t + 1 computar os (100.000) retornos bivariados preditos para o dia t + 1.
• Formar o portfólio como a média destas duas séries. O resultado final é uma série de tamanho 100.000.
• Computar o quantil desejado (VaR), 1% e 5%. Estes são os valores de VaR para o tempo t + 1.
Precificação de Garantias Mínimas
com Modelagem por Opções e Cópulas
RESUMO
Planos de previdência e seguros de vida que oferecem garantias mínimas de performance são muito
comuns em mercados internacionais. No Brasil, além destas garantias mínimas, os participantes de
planos de contribuição definida com reversão de excedente financeiro têm o direito de receber, sobre
seus investimentos, a diferença positiva entre o retorno de um fundo específico, geralmente um fundo
de renda fixa, e uma taxa mínima, definida como a composição de uma taxa de juros fixa e uma taxa
de inflação. Este instrumento pode ser caracterizado como uma opção de troca de um ativo, a taxa
mínima garantida, por outro, o retorno do fundo de investimento. Neste artigo, assumindo norma-
lidade bivariada, é derivada uma fórmula fechada para avaliação desta obrigação que depende de
duas taxas estocásticas. Além disto, foram executados experimentos de simulação de Monte Carlo
assumindo outras funções de cópulas a fim de se comparar o efeito das especificações das marginais
e das cópulas no preço das opções. Para a modelagem das estruturas a termo da taxa de juros e da
taxa de inflação foi utilizado o modelo de Vasicek.
Palavras-chave: Opções de taxas de juros; Cópulas; Opção de troca de ativo; Garantias mínimas.
65
Precificação de Garantias Mínimas com Modelagem por Opções e Cópulas • 67
Introdução
Planos de previdência e seguros de vida que oferecem garantias mínimas de performance são muito
comuns em mercados internacionais. No Brasil, além destas garantias mínimas, os participantes destes
planos de contribuição definida têm o direito de receber, sobre seus investimentos, a diferença positiva en-
tre o retorno de um fundo específico, geralmente um fundo de renda fixa, e uma taxa mínima, comumente
definida como a composição de uma taxa de juros fixa e uma taxa de inflação. Esta característica diferencia
os produtos brasileiros de outros vendidos em mercados internacionais, onde a taxa mínima garantida se
constitui somente de uma taxa fixa de retorno.
Os planos de previdência complementar aberta e seguros de vida têm tido um crescimento extraordinário
nos últimos 6 anos. Parte deste sucesso é atribuível ao crescimento nas vendas dos planos de contribuição
definida. Um tipo de plano muito comum no mercado brasileiro dá ao participante o retorno de um fundo
de investimento com uma taxa de retorno mínima garantida, que é a composição de uma taxa de juros fixa
com uma taxa de inflação. Este instrumento pode ser caracterizado como uma opção de troca de um ativo,
a taxa mínima garantida, por outro, o retorno de um fundo de investimento. Margrabe (1978) foi o pri-
meiro autor a apresentar fórmulas fechadas para a avaliação de uma opção de troca de um ativo por outro.
Baseado na abordagem de Black-Scholes, as fórmulas derivadas dependem também da correlação linear
entre os retornos dos ativos objetos.
Neste artigo, são derivadas fórmulas fechadas para avaliar esta obrigação que depende de duas taxas
estocásticas. O modelo utilizado para as estruturas a termo de taxa de juros e de inflação é o de Vasicek.
Além disso, foi considerada normalidade multivariada para a distribuição conjunta destas variáveis, hipótese
comum aos modelos para derivação de fórmulas fechadas de opções. No artigo são mostrados exemplos
de precificação assumindo outras funções de cópulas, usando ferramentas de simulação de Monte Carlo, e
comparando os efeitos das especificações da cópula e das distribuições marginais no preço da opção. Para
isto, foram utilizadas a cópula t-Student e as distribuições t-Student. Estas distribuições são frequentemente
usadas para modelagem de retornos financeiros.
Nos anos recentes, muitos autores têm aplicado a teoria de precificação por não arbitragem para cal-
cular o valor de opções presentes em contratos de seguros de vida e planos de previdência. Inicialmente,
o trabalho estava centrado na avaliação de garantias de retorno em apólices de seguro “ligadas” a índices
de ações, veja, por exemplo, Brennan e Schwartz (1976), Hipp (1996), Boyle e Hardy (1997) e Bacinello e
Persson (2002). Em contratos deste tipo, a garantia mínima de retorno pode ser identificada como uma opção
de venda sobre a ação, e então, o modelo clássico de Black e Scholes (1973) de precificação de opções pode
ser usado para determinar o valor da garantia.
Para outros trabalhos na literatura que tratam da avaliação de instrumentos financeiros presentes em
contratos de seguro e planos de previdência por meio da modelagem por opções, referimos a Aase e Persson
(1997), Grosen e Jorgensen (1997, 2000 e 2002), Pelsser (2003), Vellekoop, Kamp e Post (2006), Coleman,
Li e Patron (2006) e Bauer et al. (2006). Para a modelagem e hedging de opções de garantia de anuidade
(GAO, em inglês), referimos a Ballotta e Haberman (2003, 2006). Com relação à avaliação de garantias
mínimas, há alguns trabalhos sobre contratos de investimento garantido (GIC, em inglês) vendidos por
bancos de investimento, veja Walker (1992) e Milevsky e Kim (1997).
Miltersen e Persson (1999) avaliam fórmulas fechadas para a precificação de garantias de retorno em
uma abordagem de Heath-Jarrow-Morton, mas as fórmulas apresentadas estão baseadas em opções de um
ativo objeto. Van den Goorbergh et al. (2005) utilizam cópulas dinâmicas para a precificação de opções
bivariadas sob dois índices de ações. Neste artigo, derivamos uma fórmula fechada para a precificação
de uma opção de troca bivariada com ativos objetos determinados pelas taxas de juros e de inflação.
Para isto, na Seção “Fluxo de Caixa das Opções”, os fluxos de caixa que caracterizam as opções são mostrados.
Na Seção “Modelagem das Taxas de Juros e Inação”, apresentamos modelos para a estrutura a termo de taxas
de juros e de inflação. Na Seção “Derivação de Fórmula Fechada Considerando Normalidade Bivariada”,
derivamos uma fórmula fechada para esta opção. Na Seção “Fórmula Fechada: Resultados e Análise de
Sensibilidade”, mostramos alguns exemplos numéricos e análise de sensibilidade. Na Seção “Simulações
de Cópulas Elípticas”, apresentamos alguns resultados de simulação utilizando funções de cópulas para a
modelagem da estrutura de dependência e distribuições t-Student para as marginais, e, finalmente, na Seção
“Considerações Finais”, concluímos o artigo.
Fluxo de Caixa das Opções
De forma a caracterizar o fluxo de caixa da opção, devemos primeiro definir, no tempo discreto:
e (5.1)
onde CT representa o valor de mercado no tempo T de uma unidade monetária onde os juros são ganhos
de acordo com o retorno do fundo de investimento (IF). representa o valor de mercado no tempo T de
uma unidade monetária onde os juros são ganhos de acordo com a taxa de inflação e um retorno fixo ( f ).
Então, o fluxo de caixa de uma opção de troca de ativo (tipo “call”), que representa o excesso de retorno
(exc), no tempo T é:
(5.2)
onde β é o percentual de excesso de retorno que o segurador repassa ao segurado (0 ≤ β ≤ 1). O fluxo de
caixa de uma opção de troca de ativo (tipo “put”), que representa a garantia mínima (gar), no tempo T é:
(5.3)
Não importa o que aconteça, a opção Otexc nunca poderá valer mais que Ct, para todo t. Considerando β = 1,
se esta relação não for verdadeira, em um mercado completo, poderia haver arbitragem ao se comprar Ct e
vender a opção, representando, então, um limite superior para seu preço. Para derivarmos um limite inferior,
devemos considerar duas carteiras:
• Portfólio 1: uma opção “call”de troca (opção de excesso de retorno) + Ctg .

• Portfólio 2: Ct.
O valor do Portfólio 1 no tempo T é igual à max(CT ,CTg ). O Portfólio 2 vale no mesmo tempo CT .
Logo, o Portfólio 1 sempre valerá no mínimo o valor do Portfólio 2 na maturidade. Assim: Otexc + Ctg ≥ Ct
≥ 0 ou Otexc ≥ (Ct − Ctg)+.
Modelagem de Taxa de Juros e Inflação
A incerteza na economia é caracterizada por um espaço de probabilidade filtrado (Ω, (Ft)t>0, F, P)

satisfazendo as condições usuais. Nós também assumimos a existência de uma medida de precificação Q
sob a qual os preços dos títulos descontados são martingais. O mercado é representado por um processo
de Itô bi-dimensional cujas dinâmicas sob a medida neutra ao risco (medida equivalente martingal Q) são
descritas pelas seguintes equações:
P(t) = (Ct,Ctg ) para 0 ≤ t ≤ T
com
(5.4)
(5.5)
Em um espaço de probabilidade filtrado que suporta dois processos de movimento browniano padrão
Wr(t) e Wg(t) com coeficiente de correlação ρ*, definimos as seguintes equações diferenciais estocásticas das
taxas de curto prazo em uma estrutura a termo Vasicek:
dr(t) = α(η − r(t))dt + γdWr(t) (5.6)
dg(t) = κ(θ − g(t))dt + σdWg(t) (5.7)
dWrdWg = ρ*dt.
Para (5.4)-(5.7), t denota o tempo, W processo de Wiener, r a taxa de juros de curto prazo, g a taxa de
inflação de curto prazo, σ e γ denotam as volatilidades. De agora em diante, utilizaremos a seguinte notação:
x(t) = xt.
As equações (5.6) e (5.7) são processos estocásticos da taxa de juros e de inflação de curto prazo, co-
nhecidos como processos de Ornstein-Uhlenbeck com reversão à média, também usado, entre outros, por
Vasicek (1977) e Jamshidian (1989). Para a modelagem das taxas de juros de curto prazo, estes processos
têm a desvantagem de permitir que as taxas se tornem negativas. Isto não é um problema para a modelagem
da taxa de inflação de curto prazo, já que elas podem, de fato, assumir valores negativos.
Além disso, de acordo com Duffie (1996), modelos Gaussianos de taxas de curto prazo são úteis e
frequentemente usados, já que a probabilidade de taxas de juros negativas com escolhas razoáveis para as
funções dos coeficientes é relativamente pequena. Uma vez que qualquer modelo é apenas uma aproximação
da realidade, pode haver muitas aplicações para o qual vale a pena o problema de se ter valores negativos
de taxa de juros se a tratabilidade que é oferecida em retorno é suficientemente alta. Finalmente, entre os
inúmeros modelos para inflação propostos na literatura, referimos a Chan (1998), que modela o comporta-
mento da taxa de inflação diretamente com processos de difusão de Ornstein-Uhlenbeck.
Se aplicarmos o lema de Itô à função r t1, obtemos a distribuição de:
(5.8)
Deve-se notar que CT representa o resultado de um investimento de $Ct unidades monetárias na taxa
de juros de curto prazo rt, que assumimos como representativo do retorno de um fundo de investimento em
renda fixa (IFt), durante o período de [t, T]. De fato, aplicando-se o lema de Itô a ln[Ct]:
(5.9)
A equação (5.9) representa a acumulação de taxas de juros no tempo. Neste sentido, pode ser entendida
como no tempo contínuo. Estes cálculos são análogos para a taxa de inflação. Então, o fluxo de caixa de
OTexc pode ser escrito como:
(5.9)
De forma a derivar uma fórmula fechada para esta expressão, devemos obter a distribuição de e
, que é obtida pelo Lema A1 no Apêndice. A variável Y(t, T) = é normalmente distribuída com
média (n) e variância (k ) sob Q dados por:
2
Ainda, de acordo com este lema, a variável X(t, T) = tem uma distribuição Gaussiana com média
m = m(gt, (T − t), κ, θ, σ) e variância j = j ((T −t), κ, σ) sob a medida de probabilidade Q. Então:
2 2
1
Defina uma função h(t, rt) = eαtα(η − rt), encontre a equação diferencial estocástica para dh(t, rt) por meio do lema
de Itô, isole rt e aplique a isometria de Itô.
Lema 1. O coeficiente de correlação ρ entre Y(t, T) = e X(t, T) = é dado por:
Prova. Sabemos que:
Assim:
onde τ = (T − t).
Derivação de Fórmula Fechada Considerando Normalidade Bivariada
Para encontrar os preços das opções de excesso de retorno (“call”) e garantia (“put”), precisamos achar:
de acordo com resultados de Harrison e Kreps (1979) e Harrison e Pliska (1981, 1983), onde B(t, T) é o
fator de desconto livre de risco. Então:
B(t, T) = e–R(t, T) (T – t),
onde R(t, T) é a taxa de mercado para o período [t, T]. Sabemos que Y (t, T) e X(t, T) são Gaussianas. Portanto:
onde z e w são variáveis padrões Gaussianas. Então fQ (w, z) é a densidade de uma distribuição normal
bivariada.
onde ρ é o coeficiente de correlação linear entre z e w. Baseado nestas hipóteses, derivamos analiticamente
as seguintes fórmulas para a opção de excesso de retorno (exc).
(5.11)
onde:
A fórmula fechada para a opção “put” também é analiticamente obtida e é dada por:
(5.12)
onde:
De (5.11) e (5.12), derivamos a paridade entre as duas opções:

Os parâmetros n e m podem ser especificados como funções de k e j, respectivamente, como mostrado

abaixo:
Analogamente, podemos derivar a fórmula para m. Considere BG (t,T) = e−G(t,T)(T−t), onde G(t, T) é a taxa
de mercado da inflação para o período [t, T]. Então:
Fórmula Fechada: Resultados e Análise de Sensibilidade
Os resultados obtidos nas seções anteriores foram usados para estudar o comportamento das opções
sob diferentes cenários. Por toda a seção, a menos que seja indicado de outra forma, o conjunto básico de
parâmetros é:
β = 1; Ctg = Ct = 1; T − t = 5; α = 0.30; γ = 0.01; κ = 0.01; σ = 0.02 ; ρ* = 0.00; r0 = 14.59%; g0 = 3.30%; f = 6%.
As taxas de mercado de juros e inflação para maturidade da opção são 15.05% e 6.05%, respectiva-
mente. Assim:
Os parâmetros para a precificação das opções podem ser estimados de variadas formas. Os valores
apresentados acima são somente para fins ilustrativos. Entretanto, eles podem ser obtidos por meio da
minimização de erros quadráticos ou até mesmo pela aplicação do filtro de Kalman para a formulação
de espaço de estado do modelo. Nós referimos a Rogers e Stummer (2000) e Babbs e Nowman (1999) para
mais detalhes sobre o ajuste de modelos Vasicek.
Os preços unitários das opções sob estas condições são Oexc = 0.1128 e Ogar = 0.0162. No resto da seção,
nosso foco será na variação dos preços das opções, devido às variações nas volatilidades das taxas de curto
prazo (γ e σ) e o coeficiente de correlação (ρ).
As Figuras 5.1 e 5.2 abaixo nos ajudam a entender como o comportamento das opções varia em função
de movimentos em γ e σ em conjunto com mudanças no ρ. Dependendo de ρ, o comportamento dos preços
a variações nas volatilidades não é monotônico. A Figura 1 mostra a sensibilidade dos valores das opções
de excesso de retorno (“call”) e garantia (“put”) a movimentos nos valores de γ e σ para três diferentes
níveis de coeficientes de correlação (ρ = −0.50, 0.00 e +0.50). A primeira coluna se refere à opção “call” e
a segunda à opção “put”.
Figura 5.1 – Sensibilidade à volatilidade da taxa de juros e inflação de curto prazo para: ρ = −0.50 (primeira linha),
ρ = 0.00 (segunda linha) e ρ = +0.50 (terceira linha)
Figura 5.2 – Sensibilidade à volatilidade (γ) da taxa de juros de curto prazo (primeira linha) e à volatilidade (σ) da
taxa de inflação de curto prazo (segunda linha) para diferentes níveis de correlação
*Cada linha denota um diferente nível de correlação, que são 0.90, 0.75, 0.60, 0.45, 0.30, 0.15, 0.00, -0.15, -0.30, -0.45,
-0.60, -0.75 e -0.90, respectivamente, no sentido inferior-superior de cada gráfico.
A linha grossa indica o maior nível de correlação na análise, que é 0.90. De acordo com os gráficos na
Figura 5.2, observamos que quanto maior a correlação, menor os preços das opções. Abaixo, apresentamos
as derivadas parciais das opções excesso de retorno e garantia relativas a ρ:
onde:
e onde φ é a função de densidade da distribuição normal padrão. Da paridade introduzida na seção an-
terior, temos:
O termo (k2 − 2ρkj + j2)−1/2 é o inverso do desvio padrão de Y (t, T) −X(t, T). Intuitivamente, pode-se
pensar que quanto maior a correlação, mais proximamente os caminhos das taxas de juros e inflação de
curto prazo serão, diminuindo a possibilidade de maiores fluxos de caixa para ambas as opções.
Com relação à sensibilidade para γ e σ, de forma geral, o valor da opção de excesso de retorno aumenta
com o valor da volatilidade da taxa de juros de curto prazo (γ) e o valor da opção garantia aumenta com σ.
Mas, para altos valores de ρ, este comportamento não é monotônico para a opção excesso de retorno neste
conjunto de parâmetros. Uma forma de analisar tais relações é por meio das derivadas parciais das opções
relativas a γ e σ. Mas, sua derivação necessitaria ser expressa em longas e tediosas fórmulas. Para elas,
restringiremos a análise aos gráficos apresentados nas Figuras 5.1 e 5.2.
Estas figuras mostram um comportamento ambíguo com relação aos movimentos no preço da opção
de excesso de retorno relativo à volatilidade da taxa de inflação de curto prazo, σ. Se ρ é negativo, para altos
valores de σ, um aumento na volatilidade da taxa curta de inflação aumentará o preço da opção excesso
de retorno, já que os valores das taxas tenderão a divergir, incrementando a probabilidade de altos valores de
taxas de juros e baixos valores de taxas de inflação. Quando a correlação é positiva, o oposto é observado.
Neste caso, a inflação (g) e os juros (r) tenderão a “andar” conjuntamente, diminuindo o valor da opção
excesso de retorno.
Observando a primeira coluna da Figura 1, quando a volatilidade γ da taxa de juros de curto prazo é
muito baixa, um aumento em σ aumenta o preço da opção de excesso de retorno. Neste caso, r pode ser
considerado quase uma taxa determinística. Então, esta opção pode ser vista como uma opção garantia
comum (“plain put”) sobre a conta rentabilizada pela taxa de inflação (Cg), tal que um aumento no valor da
volatilidade σ resultará em um aumento no valor da opção.
Para o valor da opção garantia, é observado um comportamento de crescimento duplo. Quanto maiores
os valores das volatilidades, maiores são os valores da opção. Com respeito à sensibilidade a coeficientes de
correlação, o comportamento da opção garantia é diferente do apresentado pela opção excesso de retorno,
principalmente porque a opção está bem “fora do dinheiro” com o conjunto de parâmetros considerados.
Simulações de Cópulas Elípticas
Considere que (dWr; dWg) seja uma variável aleatória continua (va) em R2 com distribuição conjunta (cdf)
F e marginais Fr e Fg. Considere a transformação de probabilidade integral de dWr e dWg em va’s uniforme-
mente distribuídas em [0; 1] (denotada por uniforme (0; 1)), ou seja, (Ur; Ug) = (Fr(dWr); Fg(dWg)). A cópula
C pertencente a F é a distribuição conjunta de (Ur; Ug). Como distribuições multivariadas com marginais
uniforme (0; 1), cópulas provêm modelos muito convenientes para o estudo da estrutura de dependência
com ferramentas que não dependem da escala.
Considere (wr,wg) uma realização de (dWr;dWg). Como definição alternativa, para todo (wr,wg) ∈ [−∞,∞]2,
considere o ponto em [0, 1]3 com coordenadas (Fr (wr); Fg (wg); F(wr;wg)). Este mapeamento de [0, 1]2 para
[0, 1] é uma cópula bidimensional. Do teorema de Sklar (Sklar, 1959), sabemos que para va’s contínuas,
existe uma única cópula bidimensional C tal que para todos (wr,wg) ∈ [−∞,∞]2,
F(wr;wg) = C(Fr(wr); Fg(wg)). (5.13)
A fim de se medir a dependência de cauda superior, pode-se utilizar o coeficiente de dependência de

cauda superior, definida como:
se este limite existir, e onde Fi−1 é a inversa generalizada de Fr ou Fg, i.e., Fi−1 (ui) = sup{wi|Fi(wi) ≤ ui}, para i
= r, g. O coeficiente de dependência de cauda inferior L é definido de forma similar. Ambos os coeficientes
de dependência de cauda inferior e superior podem ser expressos usando a cópula pertinente:
se o limite existir. As medidas λU ∈ (0, 1] (ou λL ∈ (0, 1]) quantificam a dependência extrema dentro da
classe de distribuições assintoticamente dependentes. Se λU = 0 (λL = 0), as duas variáveis dWr e dWg são
ditas assintoticamente independentes na cauda superior (inferior).
A hipótese de normalidade multivariada feita na seção 5.3 é a mesma que uma hipótese de estrutura
de dependência Gaussiana (cópula) ligando dWr e dWg e marginais Gaussianas. Nos mercados financeiros,
frequentemente é observada dependência em altos quantis (q), ou seja, aqueles para os quais F(q) é perto
de zero ou um. Este comportamento não é modelado por uma distribuição normal multivariada. Para mo-
delar esta característica, deve-se usar uma cópula que possua dependência de cauda, por exemplo, a cópula
t-Student. Esta é a cópula pertencente à classe das distribuições t-Student multivariadas. Sendo simétricas
radialmente, os coeficientes de dependência de cauda inferior e superior são iguais e dados por:
onde é a função de distribuição t-Student sobrevivente com ν graus de liberdade. Note que este coeficiente
também depende do número de graus de liberdade ν (veja Embrechts, Lindskog e McNeil, 2001). A Tabela
5.1 abaixo mostra os coeficientes de dependência de cauda para diferentes ν e ρ*:
Tabela 5.1
Coeficientes de Dependência de Cauda (λU = λL) para
Cópulas t-Student, Dado o Número de Graus de Liberdade (ν) e ρ*
Outra situação comum observada em aplicações financeiras é a má especificação de distribuições

marginais quando a normalidade é assumida. Caudas pesadas são mais bem ajustadas por distribuições
t-Student que por distribuições Gaussianas. Nesta seção, testamos estas possibilidades e investigamos seus
efeitos no preço das opções. Os algoritmos para simular valores das distribuições das cópulas Gaussianas
e t-Student estão no Apêndice 2.
Deve-se notar que as cópulas usadas neste artigo são as cópulas neutras a risco ou cópulas na medida
Q. Para o leitor interessado neste assunto, referenciamos Coutant et al. (2001). Os autores mostram que, em
um mundo Black-Scholes, se o “drift”, volatilidade e o preço de mercado do risco são não-estocásticos, a
cópula neutra a risco CQ e a cópula objetiva CP são as mesmas. Especificamente, para o modelo Vasicek,
a condição suficiente para este fato é o preço de mercado do risco não ser estocástico. Outro importante
resultado é que as distribuições marginais da distribuição conjunta neutra a risco são necessariamente as
distribuições risco neutras univariadas.
Para o cálculo analítico dos preços das opções usando diferentes cópulas e distribuições marginais, a
integral seguinte deve ser resolvida:
onde Y (t, T) e X(t, T) são funções de dWr e dWg, respectivamente. Esta formulação pode ser encontrada
em Cherubini et al. (2004). Outra forma para calcular estes preços é através de simulação. Para avaliar os
efeitos da especificação das cópulas e distribuições marginais nos preços das opções, foram executados 30
experimentos de simulação usando o pacote estatístico S-Plus. O conjunto de parâmetros é o mesmo usado
na seção anterior. Em todos os experimentos, simulamos as equações diferenciais estocásticas (5.6) e (5.7)
com a seguinte discretização temporal:
onde consideramos Δt = 0.01. As variáveis aleatórias (wr,wg) com variância unitária são simuladas de distri-
buição conjunta com correlação ρ*, dependência dada por uma cópula Gaussiana ou t-Student e distribuições
marginais Gaussianas ou t-Student.
Baseados nas taxas de curto prazo geradas, simulamos as duas contas rentabilizadas pela taxa de ju-
ros de curto prazo (r) e pela taxa de inflação de curto prazo (g) mais a taxa fixa de retorno ( f ). O preço de
cada opção é a média dos fluxos de caixa finais descontados pela taxa de juros de mercado (R(t, T)) para a
maturidade da opção (5 anos).
Nós consideramos três diferentes coeficientes de correlação (ρ* = −0.50, 0.00 e 0.50). Como base para
comparações, também avaliamos o preço das opções excesso de retorno (“call”) e garantia (“put”) usando
a fórmula fechada. No primeiro conjunto de parâmetros, simulamos de uma cópula Gaussiana com margi-
nais Gaussianas. No segundo conjunto, usamos uma cópula Gaussiana, mas duas margens t-Student com
diferentes graus de liberdade (ν = 5, 7 e 9). Então, testamos a cópula t-Student, considerando diferentes
graus de liberdade (ν = 5, 7 e 9), com margens Gaussianas. E finalmente, no quarto conjunto de experi-
mentos, simulamos de uma cópula t-Student, considerando 7 graus de liberdade, com cada distribuição
marginal possuindo diferentes graus de liberdade (ν = 5, 7 e 9). Os graus de liberdade são os mesmos para
as distribuições de wr e wg. Os graus de liberdade escolhidos são comumente encontrados na modelagem
de séries financeiras temporais com excesso de curtose e coeficiente positivo de dependência de cauda (ver,
por exemplo, Jondeau e Rockinger, 2006). O número de simulações para cada experimento foi de 2000.
Os resultados são apresentados na Tabela 5.2.
Tabela 5.2
Preços de Opções Excesso de Retorno (Garantia) Obtidos por Meio da Fórmula
Fechada e dos Quatro Conjuntos de Experimentos de Simulação Baseados em
Diferentes Coeficientes de Correlação de Pearson (ρ* = −0.50, ρ* = 0.00, ρ* = 0.50),
Distribuições Marginais Gaussianas e t-Student e Cópulas Gaussianas e t-Student
Como esperado, os valores obtidos com o uso das cópulas Gaussianas com distribuições marginais
Gaussianas são bastante similares com aqueles produzidos pela fórmula fechada. Os resultados não mudam
muito com o uso de marginais t-Student. Entretanto, quando introduzimos cópulas t-Student, é observado
um salto nos valores das opções excesso de retorno e garantia para os três níveis de coeficiente de correlação
ρ*. Este salto é ainda maior quando cópulas t-Student são usadas com distribuições marginais t-Student.
Este resultado pode ser explicado pelo significante valor dos coeficientes de dependência de cauda
superior (λU) e inferior (λ L) apresentados pelas cópulas t-Student com um pequeno número de graus
de liberdade, como as usadas nos experimentos de simulação. Deve-se notar que a correta especificação
destas distribuições pode ter um enorme impacto na avaliação destes compromissos para as seguradoras.
Outro ponto que deve ser considerado é o número de simulações para o caso em que são utilizadas cópulas
t-Student com margens t-Student. Nestas situações, a variabilidade das amostras geradas pode se tornar
grande, requerendo, assim, técnicas de redução de variância.
Considerações Finais
Planos de previdência e seguros de vida oferecendo garantias mínimas de performance são muito comuns
em mercados internacionais. No Brasil, além da taxa mínima garantida, os consumidores destes planos de
contribuição definida têm o direito de receber, sobre o investimento, a diferença positiva entre o retorno
de um fundo de investimento específico, geralmente um fundo de renda fixa, e a taxa de garantia mínima,
comumente definida como a composição de uma taxa de retorno fixa e uma taxa de inflação. Este instru-
mento pode ser caracterizado como uma opção de troca de um ativo, a taxa mínima garantida, por outra,
o retorno do fundo de investimento. Neste artigo, foi derivada uma fórmula fechada para esta obrigação.
O modelo faz uso da abordagem uni-fatorial de Vasicek para as estruturas a termo de taxa de juros (r)
e de inflação (g). Então, normalidade multivariada é assumida. Além da hipótese de normalidade para as
marginais (de acordo com o modelo de Vasicek), também é assumida uma cópula Gaussiana para a mode-
lagem da estrutura de dependência. Alguns ajustes na especificação da distribuição multivariada podem
ser feitos a fim de se achar uma fórmula fechada. Para este propósito, podem ser usadas funções de cópulas
para a modelagem da estrutura de dependência entre as taxas de juros e de inflação. Além da especificação
das cópulas, também é possível especificar diferentes marginais para estas taxas, separadamente. O desafio
nestes casos é se chegar a fórmulas fechadas amigáveis ao resolver as integrais.
Esta é a razão pela qual utilizamos simulações para a precificação das opções quando assumimos mar-
ginais t-Student ou cópula t-Student. Estas distribuições apresentam algumas características interessantes
como o bom ajuste de caudas grossas e dependência extrema de cauda superior e inferior, respectivamente.
Os resultados mostrados na Tabela 5.1 indicam a importância da correta especificação da estrutura de de-
pendência entre as taxas de juros e inflação assim como da especificação das marginais. Os valores destas
opções sofrem grandes impactos quando cópulas t-Student são introduzidas em conjunto com as marginais
t-Student.
Bibliografia
AASE, K., PERSSON, S. Valuation of the minimum guaranteed return embedded in life insurance products. Journal of Risk and
Insurance 64 (4), 599-617, 1997.
BABBS, S. H., NOWMAN, K. B. Kalman filtering of Generalized Vasicek Term Structure Models.The Journal of Financial and
Quantitative Analysis 34 (1), 115-130, 1999.
BACINELLO, A., PERSSON, S. Design and pricing of equity-linked life insurance under stochastic interest rates. Journal of
Risk Finance 3 (2), 6-21, 2002.
BALLOTTA, L., HABERMAN, S. Valuation of guaranteed annuity conversion options. Insurance: Mathematics and Economics
33, 87-108, 2003.
BALLOTTA, L., HABERMAN, S. The Fair Valuation Problem of Guaranteed Annuity Options: the Stochastic Mortality Envi-
ronment Case. Insurance: Mathematics and Economics 33, 87-108, 2006.
BAUER, D., KIESEL, R., KLING, A., RUB, J. Risk-neutral valuation of participating life insurance contracts. Insurance: Math-
ematics and Economics 39, 171-183, 2006.
BLACK, F., SCHOLES, M. The pricing of options and corporate liabilities. Journal of Political Economy 81 (3), 637-654, 1973.
BOYLE, P., HARDY, M. Reserving for maturity guarantees: two approaches. Insurance: Mathematics and Economics 21, 113-
127, 1997.
BRENNAN, M.J., SCHWARTZ, E.S. The pricing of equity-linked life insurance policies with an asset value guarantee. Journal
of Financial Economics 3, 195-213, 1976.
CHAN, T. Some applications of Levy processes to stochastic investment models for actuarial use. Astin Bulletin 28, 77-93, 1998.
COLEMAN, T. F., LI, Y., PATRON, M. C. Hedging guarantees in variable annuities under both equity and interest rate risks.
Insurance: Mathematics and Economics 38, 215-228, 2006.
COUTANT, S., DURRLEMAN, V., RAPUCH, G., RONCALLI, T. Copulas, multivariate risk-neutral distributions and implied
dependence functions. Working paper. Groupe de Recherche Operationnelle, Credit Lyonnais, 2001.
DUFFIE, D. Dynamic Asset Pricing Theory, second edition, Princeton University Press: New Jersey, 1996.
EMBRECHTS, P., LINDSKOG, F., MCNEIL, A. J. Modelling dependence with copulas and applications to risk management,
ETH Zurich, preprint, 2001.
GROSEN, A., JORGENSEN, P.L. Valuation of early exercisable interest rate guarantees. Journal of Risk and Insurance 64, 481-503, 1997.
HARRISON, J.M., KREPS, D.M. Martingales and arbitrage in multiperiod securities markets. Journal of Economic Theory 20,
381-408, 1979.
HARRISON, J.M., PLISKA, S.R. Martingales and Stochastic Integrals in the Theory of Continuous Trading. Stochastic Processes
and their Applications 11, 215-260. Addendum: Harrison and Pliska, 1981.
HARRISON, J.M., PLISKA, S.R. A stochastic calculus model of continuous trading; complete markets. Stochastic Processes
and their Applications 15, 313-316, 1983.
HIPP, C. Options for Guaranteed Index-Linked Life Insurance in: Proceedings from AFIR (Actuarial Approach for Financial
Risks). Sixth International Colloquium, vol. 2, Nurnberg, Germany, pp. 1463-1483, 1996.
JAMSHIDIAN, F. An exact bond option formula. Journal of Finance 44, 205-209, 1989.
JONDEAU, E., ROCKINGER, M. The cópula-GARCH model of conditional dependencies: An internal stock market application.
Journal of International Money and Finance v. 25 (5), 827-53, 2006.
MARGRABE, W. The value of an option to exchange one asset for another. Journal of Finance 33, 177-186, 1978.
MILEVSKY, M. A., KIM, Sharon. The Optimal Choice of Index-Linked GICs: Some Canadian Evidence. Financial Services
Review 6(4), p. 271-284, 1997.
MILTERSEN, K. R., PERSSON, S. A. Pricing rate of return guarantees in a Heath-Jarrow-Morton framework. Insurance: Ma-
thematics and Economics 25, 307-25, 1999.
PELSSER, A. Pricing and hedging guaranteed annuity options via static option replication. Insurance: Mathematics and Eco-
nomics 33, 283-296, 2003.
ROGERS, L. C. G., STUMMER, W. Consistent fitting of one-factor models to interest rate data. Insurance: Mathematics and
Economics 27, 45-63, 2000.
SKLAR, A. Fonctions de répartition á n dimensions et leurs marges. Publ. Inst. Statist. Univ. Paris 8, 229-231, 1959.
VAN DEN GOORBERGH, R., GENEST, C., WERKER, B. Bivariate option pricing using dynamic copula models. Insurance:
Mathematics and Economics 37, 101-114, 2005.
VASICEK, O. An equilibrium characterization of the term structure. Journal of Financial Economics 5, 177-188, 1977.
VELLEKOOP, M. H., KAMP, A. A. Vd., POST, B. A. Pricing and hedging guaranteed returns on mix funds. Insurance: Mathe-
matics and Economics 38, 585-598, 2006.
WALKER, K.L. Guaranteed Investment Contracts: Risk Analysis and Portfolio Strategies, Richard D. Irwin, Homewood, Illinois
60430, USA, 1992.
Apêndice 1 – Lema
A variável Y(t, T) = tem uma distribuição Gaussiana com média n = n(rt, (T −t), α, η, γ) e
variância k = k ((T −t), α, γ) sob a medida de probabilidade Q. Então:
2 2
Prova. Sabemos de (5.10):

Agora, precisamos encontrar a média e variância de Y(t, T) = . Assim:
Apêndice 2 – Cópulas
Cópula Gaussiana. Para simular valores desta cópula, seguimos o algoritmo:
a) Encontrar a matriz A, que é a decomposição Cholesky da matriz de correlação R.

b) Simulação de 2 valores de variáveis aleatórias independentes z = (z1, z2)′ da N(0, 1).
c) Fixar x = Az.
d) Fixar u = Φ(x1) e v = Φ(x2), onde Φ denota a função de distribuição univariada Normal padrão.
Cópula T-Student. Para simular valores desta cópula, seguimos o algoritmo:
a) Encontrar a matriz A, que é a decomposição Cholesky da matriz de correlação R.

b) Simulação de 2 valores de variáveis aleatórias independentes z = (z1, z2)′ de N(0, 1).
c) Fixar y = Az.
d) Simulação de um valor de variável aleatória independente s de χ2ν independente de z.
e) Fixar x = y.
f) Fixar u = Tν(x1) e v = Tν(x2), onde T denota a função de distribuição univariada t-Student com ν graus
de liberdade.
O Autor
Eduardo Fraga Lima de Melo é Professor Doutor de Atuária do Instituto de Matemática e Estatística
da Universidade do Estado do Rio de Janeiro (UERJ). Professor em programas de pós-graduação como
Mestrado e MBA. Doutor (D.Sc.) e Mestre (M.Sc.) em Finanças pela COPPEAD/UFRJ com pesquisa na
área de modelagem estocástica de riscos, precificação de opções e estrutura de dependência. Fez estágio de
doutorado na Cass Business School da City University em Londres, Reino Unido. Graduado Magna Cum
Laude em Ciências Atuariais pelo Instituto de Matemática da UFRJ. É palestrante em diversos eventos de
gestão de riscos, solvência, atuária, estatística e finanças. Publica artigos sobre estes assuntos em diversos
periódicos científicos, tais como North American Actuarial Journal, Journal of Theoretical and Applied
Finance, Journal of Economics and Business, Latin American Business Review, Revista Brasileira de Finan-
ças, Communication in Statistics, Economia Aplicada e na Revista Brasileira de Risco e Seguro. Analista
Técnico da SUSEP desde 2002.
O autor gostaria de receber sugestões, críticas e comentários sobre a dissertação:

eduardo.melo@susep.gov.br
85
86 • Cadernos de Seguro – Teses – Proposta de modelo de intermediação financeira

FUNENSEG - MELO, E. F. L., 2012 - Modelagem de Estrutua de Dependência Por Cópulas para Gestão de Riscos PDF

Enviado por

Dados do documento

Título original

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

FUNENSEG - MELO, E. F. L., 2012 - Modelagem de Estrutua de Dependência Por Cópulas para Gestão de Riscos PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Modelagem de Estrutura de

Dependência por Cópulas

Cadernos de Seguro – Teses

Eduardo Fraga Lima de Melo

Impresso no Brasil/Printed in Brazil

M485m Melo, Eduardo Fraga Lima de

O presente livro é resultado da Tese (Doutorado) – Universidade Federal do Rio de Janeiro

1. Gestão de risco – Dissertação. 2. Solvência – Seguradoras – Dissertação. 3. Gestão de risco

0012-1097 CDU 614.8 (043.3)

À Mariana, Guilherme e Manuela

Aos pais e irmã

Agradeço o amor e educação recebidos, os valores passados, os exemplos, enfim, tudo.

Sem sólido conhecimento científico, o desenvolvimento não é possível.

2 AJUSTES ROBUSTOS A MODELOS DE CÓPULAS, 5

3 ESTIMAÇÃO LOCAL DE VALOR EM RISCO BASEADO EM

5 PRECIFICAÇÃO DE GARANTIAS MÍNIMAS COM MODELAGEM

Rio de Janeiro, 2012.

Eduardo Fraga Lima de Melo, Prof. Dr.

1. Para todo u1, u2 pertencentes a I:

2. Para cada u1, u2, v1, v2 em I tais que u1 ≤ u2 e v1 ≤ v2:

F(x1, x2) = CF( F1(x1), F2(x2) ) (1.3)

NELSEN, R. B. An Introduction to Copulas. Springer: New York, 1999.

Palavras-chave: distribuições contaminadas; cópula empírica; estimadores de distância mínima;

A estrutura de dependência invariante a mudanças de escala de uma distribuição multivariada é mais

Estimativas Robustas para Cópulas

Brevemente, revisaremos a definição de cópula. Para simplificar a notação, consideraremos d = 2,

Estimadores Robustos de Distância Mínima Ponderados (WMDE)

A função de distribuição bivariada empírica é dada por:

F1,T = FT (x, +∞) e F2,T (y) = FT (+∞, y)

Deheuvels (1979, 1981a,b) também estudaram as propriedades assintóticas da estatística de

Estimadores Robustos de Máxima Verossimilhança Ponderada (WMLE)

(a) para grandes amostras e/ou fraca dependência, a escolha é o IAD1;

Tabela 2.2 – Continuação: Resultados para Modelos de Cópula Clayton ϵ-contaminadas

Cópula Husler Reiss:

Cópula BB4: vencedor geral é o LLAD1.

Cópula BB5: vencedor geral é o URIAD12.

SS – Sample size (tamanho da amostra), EV – Extreme value (valores extremos).

Apêndice: Famílias de Cópulas

onde θ é o coeficiente de correlação linear entre duas variáveis aleatórias.

Cópula BB1: família de 2-parâmetros dada em Joe (1997). É denotada por:

para θ ≥ 1. O coeficiente de dependência de cauda é dado por λU = 2 − 21/θ.

para θ ≥ 0. Tem dependência de cauda superior dado por λU = 2 − 21/θ.

onde θ ≥ 1. O coeficiente de dependência de cauda superior é dado por λU = 2−21/θ.

onde û = −log u, v = −log v, θ ≥ 0 e Φ é a distribuição acumulada da normal padrão. Tem coeficiente de

onde θ > 0 e η = 1 − e−θ. Para a cópula Frank λL = λU = 0.

onde A(t) é a função de dependência. Para a cópula Tawn:

onde θ ≥ 0, δ > 0. O coeficiente de dependência de cauda superior é dado por λU = 2−1/δ.

onde û = −log u, v = −log v, δ > 0 e θ ≥ 1.

DEHEUVELS, P. A nonparametric test for independence. Publicacions de l’ISUP 26:29-50, 1981b.

GENEST, C. Frank’s family of bivariate distributions. Biometrika 74:549-555, 1987.

NELSEN, R. B. An Introduction to Copulas. New York: Springer, 2006.

TSUKAHARA, H. Semiparametric estimation in copula models. Canad. J. Statist. 33(3):357-375, 2005.

Palavras-chave: Cópulas; Estimação por máxima verossimilhança local; Valor em Risco.

Cópulas e Estimação Clássica

De forma a simplificar a notação, de agora em diante fixamos d = 2 embora o método de inferência

F(x1, x2) = C(F1(x1), F2(x2)) (3.1)

Estimação por Máxima Verossimilhança Local

Propriedades Teóricas dos Estimadores Locais de Cópulas

Nesta subseção, derivamos a distribuição assintótica do estimador local constante do parâmetro da

g(·, · | θ) = log c(·, · | θ),

onde c(·, · | θ) é a densidade da cópula de (W, Y) condicional em S = t, t ∈ I (equivalentemente, de (U, V )

Seguindo os passos na derivação da distribuição assintótica de estimativas de máxima verossimilhança,

Se considerarmos κ2 = ∫u2K(u)du, κ = ∫K2 e assumirmos as seguintes condições: (a) p ≡ P(Si ∈ I) > 0,