1
Modelos de previsão de risco
F. B. de Lucca e H. Oliveira
 matéria-prima, produção e demanda, também são um grande
Resumo – Existem diversos métodos que dimensionam o risco
envolvido num investimento, esses métodos normalmente
utilizam indicadores tais como o Value at Risk (VaR) e o Expect
Shortfall (ES). Esses indicadores podem no mercado de energia
para previsão da probabilidade de perda e quantidade esperada
da perda. Para o cálculo desses indicadores, vários modelos são
propostos. No presente artigo, serão abordados diversos modelos
existentes utilizados para o cálculo do VaR e do ES, com maior
ênfase no modelo Exponencially Weighted Quantile Regression
(EWQR).
Palavras chave– Value at risk, Expect Shortfall, previsão de
risco, risk modeling, EWQR.
I. NOMENCLATURA E ACRÔNIMOS
VaR – Value at risk
ES – Expect shortfall
EWQR – Exponencially Weighted Quantile Regression
GJR-GARCH– Generalized autoregressive Heterokedasticity
GARCH – Generalized AutoRegressive Heterokedasticity
CAViaR – Conditional AutoRegressive Value at Risk
UHE – Usina hidrelétrica
UTE – Usina termelétrica
ONS – Operador nacional do Sistema
II. INTRODUÇÃO
O Investimento feito em usinas geradoras de energia
elétrica deve ser feito após diversas analises técnicas,
econômicas e ambientais, para que a instalação seja viável, a
operação continua e haja retorno financeiro satisfatório. Caso
o investimento seja em usinas já existentes, ainda assim
existem riscos envolvidos, os quais devem estar previstos para
que a chance do investimento danoso seja reduzida ao
máximo.
Para que o risco do investimento seja dimensionado,
utilizam-se comumente indicadores como o VaR e o ES.
O mercado de energia é muito complexo, logo, todas as
commodities envolvidas como combustíveis e a energia
elétrica possuem seus preços atrelados à diversos fatores, nem
sempre interligados. Esses preços afetam diretamente tanto
consumidores quanto os produtores de energia. Prever o
comportamento desses preços é algo muito complexo, pois
tem relação direta com questões diplomáticas e políticas, as
quais em certos casos podem mudar repentinamente. Além
disso, questões econômicas como a escassez ou excesso de
F. B. de Lucca é graduando em Engenharia de Energia pela Universidade
Federal de Itajubá, Brasil (e-mail: felipeblucca@yahoo.com.br)
H. Oliveira é graduando em Engenharia de Energia pela Universidade
Federal de Itajubá, Brasil (e-mail:hendriuseen@gmail.com)
risco para investidores, no entanto, de acordo com o tipo de
usina geradora (por exemplo, UHE ou UTE), é possível
utilizar softwares de análise que dão uma boa resposta.
III. MEDIDAS DE RISCO
Value at Risk (VaR)
De acordo com [1], VaR deve ser interpretado como “[...] a
perda mínima ocorrida nos α% piores casos do portfolio”.
A definição formal de VaR é dada por:
𝑉𝑎𝑅𝛼 = 𝑠𝑢𝑝𝑥𝑡 {𝑥𝑡 |𝑃(𝑋 ≥ 𝑥𝑡 ) ≥ 𝛼}
Onde 𝑥𝑡 representa o quantil (1 − 𝛼)-ésimo da distribuição da
fução perda 𝑋.
O VaR é bastante popular, contudo se deve ter cautela
quanto ao seu uso, pois seu valor varia em função do método
usado, dos dados considerados e das hipóteses feitas. Além,
esse indicador não fornece o valor da perda, somente a
probabilidade de haver uma perda maior que o VaR (ignora
todo valor de perda acima do VaR).
Expected Shortfall (ES)
O ES é o valor esperado da perda, que é maior que o VaR.
A definição forma de ES é dada por:
𝐸𝑆𝛼 = 𝐸[𝑥𝑡 |𝑋 > 𝑉𝑎𝑅𝛼 (𝑋)]
As desvantagens do ES são seus maiores erros e
dificuldade de modelá-lo precisamente.
IV. MODELOS DE PREVISÃO DE RISCO
Alguns modelos utilizados por [2] para cálculo do VaR são:
GARCH com 4 distribuições de erro diferentes, GJR-GARCH
com 4 distribuições de erro diferentes, 5 especificações
CAViaR e EWQR, totalizando 14 modelos. Para o ES foram
utilizados os modelos os mesmos modelos com excessão dos
modelos CAViaR, que não permitem a obtenção do ES de
maneira simples, totalizando 9 modelos.
Foi observado que o modelo que apresentou os melhores
resultados, tanto para o VaR quanto para o ES, foi o modelo
EWQR [2]. Portanto esse será o modelo escolhido para ser
detalhado nesse trabalho
Exponencially Weighted Quantile Regression (EWQR)
O EWQR é um modelo de regressão quantil que considera
pesos exponenciais, priorizando dados mais recentes.
O parâmetro de peso 𝜆 é na formula de minimização da
regressão quantil, que pode ser expressa por:
 2

𝑇 Foram mencionados 23 modelos (14 para o VaR e 9 para o

̂𝛼,𝑇+1 − 𝑥𝑡 ) (𝛼 − 𝐼(𝑥𝑡 > ̂
min ∑ 𝜆𝑇−𝑡 (𝑉𝑎𝑅 𝑉𝑎𝑅𝛼,𝑇+1 )) ES). O modelo detalhado foi o modelo EWQR, pois possui o
̂ 𝛼,𝑇+1
𝑉𝑎𝑅
𝑡=1 melhor desempenho de previsão, tanto para o VaR quando
Dessa expressão a previsão do VaR é obtida diretamente e o para o ES.
ES pode ser facilmente obtido por: O NEWAVE e DECOMP não são modelos de previsão de
𝑇
1 risco contudo são modelos utilizados para previsão do preço
̂ 𝛼,𝑇+1 =
𝐸𝑆 ̂𝛼,𝑇+1 − 𝑥𝑡 ) (𝛼
∑ 𝜆𝑇−𝑡 (𝑉𝑎𝑅 da energia, motivo pelo qual foram destacados aqui também.
𝛼 ∑𝑇𝑡=1 𝜆𝑇−𝑡
𝑡=1 Eles são utilizados no Brasil, onde o mercado de energia não é
̂𝛼,𝑇+1 ))
− 𝐼(𝑥𝑡 > 𝑉𝑎𝑅 dinâmico, mas sim regulado.

V. NO BRASIL: NEWAVE E DECOMP VII. REFERÊNCIAS BIBLIOGRÁFICAS

[1] C. Acerbi; Tasche D.”Expected Shortfall: A Natural Coherent
No Brasil, a matriz energética é predominantemente Alternative to Value at Risk”. Economic Notes. v. 31, n. 2, pp 379-388
hidrelétrica, com as termelétricas representando uma parte [2] E. N. Almli; T. Rege. “Risk Modelling in Energy Markets: A Value at
pequena, mas significativa. A operação das UHE dependem Risk and Expected Shortfall Approach”. Industrial Economics and
Technology Management. NTNU, 2011.
das chuvas e da quantidade de água nos reservatórios, assim
como as termelétricas dependem do tipo de combustível
utilizado.
Através dos modelos NEWAVE e DECOMP, é possível
fazer uma previsão de como ficará a produção de energia por
essas usinas em um certo horizonte de tempo, a fim de tomar
decisões preventivas como o aumento do uso das hidrelétricas
para corrigir eventuais problemas energéticos no futuro
O modelo NEWAVE, desenvolvido em conjunto pela
Eletrobrás e CEPEL é utilizado para o planejamento da
operação em médio prazo, para 5 anos com discretização
mensal.
O modelo trabalha com a hipótese de reservatórios
equivalentes para cada subsistema elétrico brasileiro (nordeste,
norte, sul e sudeste-centroeste). Apesar de trazer maior
simplicidade para a resolução de problemas, ele não lida com
restrições operativas de cada UHE separadamente, bem como
desconsidera o acoplamento hidráulico entre usinas.
Já o modelo DECOMP atua na resolução de problemas de
curto prazo, com horizonte de 1 ano com discretização
semanal no primeiro mês da simulação.
Ele soluciona o problema da consideração de reservatórios
equivalentes utilizado pelo NEWAVE, desagregando os custos
futuros obtidos por ele para cada reservatório individual.
A figura 1 mostra um esquema sobre como se dá a
interação entre os modelos NEWAVE e DECOMP e como
ocorre a saída de dados para a posterior utilização do ONS.

Figura 1: acoplamento NEWAVE-DECOMP. Fonte: Medeiros, 2003

[1].

VI. CONCLUSÃO
Nesse trabalho foram discutidos os indicadores e modelos
de previsão de risco.
Os indicadores de risco usados foram o Value at Risk
(VaR), que é da probalidade de ocorrerem perdas maiores que
VaR nos casos piores que 𝛼%, e o Expected Shortfall, que é o
valor da perda esperada em dado caso pior que 𝛼%. Portanto,
é aconselhável que os dois indicadores sejam usados
simulataneamente, visto que o VaR fornece a probabilidade da
perda e o ES fornece o valor da perda.