Aula 3

Value at
š Risk
Asset Allocation
Dr. Andrea Ugolini
15 de Abril de 2019
Universidade do Estado do Rio de Janeiro, Brasil
email: andreaugolini@me.com
A. Ugolini 15 de Abril de 2019 1 / 37

Outline
1 Primeira Parte
2 Medir o risco de mercado com Value-at-Risk
3 Distribuição Normal e Lognormal
4 VaR no modelo paramétrico normal
5 VaR e horizonte temporal no modelo paramétrico normal
6 Expected Shortfall no modelo paramétrico normal

Primeira Parte
Primeira Parte
Definição: Asset allocation e portfólio
Definição: Profit & Loss, rendimentos simples e logarı́tmicos
Distribuição Profit & Loss
Medidas de risco sintético: Value at Risk, Expected Shortfall
Medir o VaR e ES
Metodo normal
Estimar o VaR e avaliar a precisão da estimativa.
O Problema da agregação temporal.

Medir o risco de mercado com Value-at-Risk
A seguir vamos medir o risco de mercado utilizando o Value-at-Risk sob a

hipótesis:
Paramétrica (Assumindo distribuição Gaussiana dos rendimentos)
Não Paramétrica (Assumindo distribuição Empı́rica dos rendimentos)

A hipótese paramétrica gaussiana
Seja r(t + ∆) o rendimento logarı́tmico no perı́odo t, t + ∆
P (t + ∆)
r(t + ∆) = ln
P (t)
A hipótese paramétrica Gaussiana consiste em assumir que os retornos diários
têm uma distribuição normal
2
r(t) ∼ N (µ∆ , σ∆ ), ∀t > 0
2
com media µ∆ e variância σ∆ .

Distribuição Normal e Lognormal
Distribuição Normal
La distribuzione
Definição normale
de Variável Aleatória Normal
Diz-se DeÖnition (V.A.continua
que a variável Normale) X tem a distribuição normal com os parâmetros µ
e σ2 , X ∼ N (µ, σ 2
) se tiver função denormale
Si dice che la v.c. X ha distribuzione densidade:
con parametri µ e s2 ,
! "
X ! N µ, s2 , se ha funzione di densit‡:
1 x−µ
!2
1 −
1 x $µ 2
fX (x) √p 1 e e $22 ( s σ) , x
fX (x=) = ∈ (−∞,
x •,
2 ,($ +•) $∞)
2πσ 22
2ps
2.0
1.5
1.0
0.5
-1.0 -0.5 0.5 1.0

x
c
G. Fusai ! (SEMEQ) Stima Parametrica del VaR e dellí ES Asset Allocation 4 / 106
La distribuzione normale
Função de Repartição
Funzione di ripartizione
Z
Z x
x 1 1 " 1−( s21"(µ s−µ
2 2
) ds
FXF(x)
X (x=
)= Pr (X≤!x)
Pr(X x) =
= p√ e e2 s )σds.
" • 2
2πσ
2ps 2
−∞
1.0
y
0.8
0.6
0.4
0.2
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
x
c
Propriedade
Os parâmetros µ e σ 2 da distribuição normal são exatamente a média e o
variância de X
E(X) = µ, Var(X) = σ 2
Além disso, todos os momentos centrais da ordem ı́mpar da distribuição são
nulos
E (X − µ)2n+1 = 0

enquanto os momentos centrais de ordem uniforme são

(2n)! σ 2n
E (X − µ)2n =
n! 2n
O parâmetro de assimetria da distribuição normal é nulo

E (X − µ)3
skew(X) = =0
σ3

Propriedade
O parâmetro kurtosis é igual a 3:

E (x − µ)4
kurt(X) = =3
σ4
Se X ∼ N (0, 1) diz-se que X é um variável continua normal padrão.
Se X ∼ N (µ, σ 2 ) e Y = a + bX então
Y ∼ N a + bµ, b2 σ 2


Distribuição Log-Normal
La distribuzione log-normale
Definição
DeÖnitionde(V.A. Variável Aleatória Log-Normal
Lognormale)
Diz-se
Si dice que
che! laa v.c.
variável continua X log-normale
tem a distribuição log-normal
µ e s2 , com os parâmetros
2 " X ha distribuzione
2 ! " conparametri
2
µX e!σLN , X µ,∼sLN 2 , se
(µ,
logσX),!se
N log s2 ∼
µ, X N µ,laσfunzione
. Inoltre . Além disso, adi função
di densit‡ una v.a.de
lognormale de
densidade Ë: um variável aleatoria lognormal é: tiver função de densidade:
# $2
ln x %µ
1 11 %1
p √ e1 2 es− 12 ( , xσ2 ()0,,+x•∈) .(0, +∞)
ln x−µ 2
= =
fX (fxX) (x)
x 2ps 2
x 2 2πσ
2.0
1.5
1.0
0.5
0.0
1 2
x
c

Distribuição Log-Normal
Propriedade

Se log X1 ∼ N µ, σ 2 , então
2
1
σ2
E (X1n ) = enµ+ 2 n

Se log X1 ∼ N µ1 , σ12 e log X2 ∼ N µ2 , σ22 , então X1 X2 é ainda
log-normal.

Estimativa paramétrica do VaR diário com retornos

logarı́tmico
(método exato)
O VaR pode ser calculado utilizando os retornos logarı́tmico.

Todas as vezes que temos que calcular o VaR em âmbito paramétrico
Gaussiano temos lembrar as seguinte hipótese sobre os retornos logarı́tmico:
Estacionária em média
Estacionária em variância
Ausência de correlação serial
2

R(t,t+∆) ∼ N µ∆ , σ∆


logarı́tmico
(método exato)
Se essa hipótese é verdadeira e sendo o VaR um quantil posso escrever dessa

forma:

P r R(t,t+∆) < −V aRα (t, t + ∆) = 1 − α
padronizando
 
 R(t,t+∆) − µ∆
 
−V aRα (t, t + ∆) − µ∆ =1−α
Pr  p
2
< p
2

 σ∆ σ∆ 

| {z } | {z }
N (0,1) z1−α
onde z1−α è o quantil no nivel 1 − α da N (0, 1).


logarı́tmico
(método exato)
q
V aRα (t, t + ∆) = − µ∆ + 2z
σ∆ 1−α
Obviamente µ∆ e σ∆ não são conhecidos e devem ser estimados.

Se µ̂∆ e σ̂∆ são seus valores estimados, então a estimativa correspondente do
V aRα (t, t + ∆) é:
q
V âRα (t, t + ∆) = − µ̂∆ + σ̂∆ 2z
1−α
Lembrando que o método Gaussiano tem limites enormes mas com uma
simple formula me permite calcular a exposição ao risco.

VaR no modelo paramétrico normal
Calcular o VaR no modelo gaussiano

(método aproximado: )
Lembrando que
P (t + ∆) = P (t)er(t+∆)
e o P&L é igual a

P (t + ∆) − P (t) = P (t) er(t+∆) − 1
≈ P (t)r(t + ∆)
Aproveitando as propriedades do normal temos
P &L ∼ N P (t)µ∆ , P (t)2 σ∆

2



VaR Riskmetrics
P &L
Como o P&L tem a distribuição normal, podemos calcular −V aRα (t, t + ∆)
usando o percentil no nı́vel α da normal de média de P (t)µ e variância P 2 (t)σ 2 e
obtemos
P &L
−V aRα (t, t + ∆) ≈ P (t)µ∆ + z1−α P (t)σ∆ = P (t) (µ∆ + z1−α σ∆ )
onde zα é o percentil no nı́vel α normal padrão.
Obviamente µ∆ e σ∆ não são conhecidos e devem ser estimados.

Se µ̂∆ e σ̂∆ são seus valores estimados, então a estimativa correspondente do
V aRα (t, t + ∆) é:
P &L log −ret

V[
aRα (t, t + ∆) ≈ −P (t) (µ̂∆ + zα σ̂∆ ) = P (t) × V[
aRα (t, t + ∆)
| {z }
log −ret
−V
[ aR


Líapprossimazione e x ! 1 " x
Aproximação ex − 1 ∼ x
2
y
-1.0 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 1.0
x
-1
e x ! 1 # x, x !0

Estimativa paramétrica do VaR diário

(método exato)
No caso anterior, fizemos uma aproximação (ex − 1 ≈ x), que nos permitiu
determinar a distribuição do P&L.
No entanto, essa aproximação não é necessária.
O percentil do P&L diário pode, de fato, ser expresso em termos percentual
do rendimento logarı́tmico diário
log −ret

V aRαP &L
(t, t + ∆) ≈ −P (t) e−V aRα (t,t+∆)
−1
x
log −ret
Em particular, sendo V aRα (t, t + ∆) igual a − (µ̂∆ + zα σ̂∆ ), se
consegue
d α (t, t + ∆) = −P (t) eµ̂∆ +zx σ̂∆ − 1

VaR

Exemplo em R
Código em R: EstParametricaVaR.R

Exemplo
(método aproximado)
Imaginamos que você tenha um tı́tulo com:
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
Se α = 95% então
z5% = −1.644853
Então, supondo que você tenha uma posição unitária em tı́tulo e sendo
P (t) = 29.3, temos
V âRα (t, t + ∆)

0.0130 2.3683
≈ − 29.3 × − − 1.644853 ×
100 100
| {z }
−0.03882
= − 29.3 × (−0.03882)
=1.137569$
Exemplo
(método exato)
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
Se α = 95% então
z5% = −1.644853
P (t) = 29.3, temos
V âRα (t, t + ∆)
0.030 23683

= − 29.3 × e− 100 −1.644853× 100 − 1
= − 29.3 × e−0.03882 − 1

=1.1158$

VaR e horizonte temporal no modelo paramétrico normal
Estimativa paramétrica do VaR periódico
Se nos referimos ao cálculo do VaR em qualquer horizonte, lembre-se que,

P (T ) = P (t) er(t,T ) − 1
onde
n
X
r(t, T ) = r(s + (j − 1)∆, s + j∆)
j=1
onde n∆ = T − t
Portanto, é necessário derivar a distribuição de r(t, T ) e, portanto, de P (T ).

A square–root rule
Se faço a hipótese de que

2

r(s, s + ∆) ∼ N µ∆ , σ∆
e que os retornos são i.i.d., então pode ser mostrado que

2

r(t, T ) ∼ N µ∆ n, σ∆ n
Observou–se que se aplica em particular a chamada regra da square–root rule
√
SDev(r(t, T )) = SDev(r(t, t + ∆)) n

Exemplo
A square-root rule
µ̂∆ = −0.0130%
σ̂∆ = 2.3683%
Volatilidade numa base anual (250 dias durante o ano) é

√
σ̂(t, T ) = σ̂(t, t + ∆) 250
√
= 0.023683 ∗ 250
= 37.446%

Estimativa do VaR periódico
Voltando ao que foi feito anteriormente, obtemos as fórmulas exatas e

aproximadas para o cálculo do VaR em qualquer horizonte.
VaR periódico
Se µ̂∆ e σ̂∆ são as estimativas diárias do rendimento médio logarı́tmico e do seu
desvio padrão, então o VaR em um horizonte T − t (expresso em dias) e um nı́vel
de confiança α é igual a
√
V âRα (t, t + ∆) = −P (t) eµ̂∆ n+zx σ̂∆ n − 1 (exato)
√
' −P (t) µ̂∆ n + zα σ̂∆ n (aproximado RM )


com retornos logarı́tmico
2

R(t,t+k∆) ∼ N Kµ∆ , Kσ∆

P r R(t,t+k∆) < −V aRα(t,t+k∆) = 1 − α
q
2z
V aRα (t, t + k∆) = − kµ∆ + kσ∆ 1−α
q
ˆ 2
V aRα (t, t + k∆) = − k µ̂∆ + kσ̂∆ z1−α

Exemplo em R
Código em R: EstParametricaVaR.R

Exemplo
hipótese de normalidade
Ele pretende estimar V aR95% a 10 dias (α = 95% e z5% = 1.644853).

µ̂∆ = −0.0130%, σ̂∆ = 2.3683%, n = 10
P (t) = 29.3, temos
√

10 0.0130 2.3083

V̂aRα t, t + = −29.3× e− 100 ×10−1.644853× 100 × 10 − 1 = 3.4295
250
Ou aproximadamente, temos
2.3683 √

0.0130
−29.3 × − 10 − 1.644853 10 = 3.6475
100 100

Expected Shortfall no modelo paramétrico normal
Expected Shortfall para variável aleatoria continua
Se X = −P &L ∼ F(x) então o é Expected Shortfall:

Z ∞
1
E(X|X > V aRα ) = xfX (x)dx
1 − α V aRα

Se as P&L são distribuı́da normalmente então

√
X = P &L(t, t + ∆) ∼ N (µ∆, σ ∆)
Então a distribuição das perdas no caso Gaussiano é:

 2
1 x − µ∆
− √ 
1

√ e 2 σ ∆
fX (x) = √
2πσ ∆
Então posso reescrever o Expected Shortfall como:
 2
1 x − µ∆
Z ∞ − √ 
1

√ 2 σ ∆
ES = √ xe dx
2πσ ∆ a

Expected Shortfall
Relativamente ao Expected Shortfall (em termos de rendimento) é possı́vel
obter (a demonstração foi feita em aula e deve conhecê-la) uma expressão
analı́tica na hipótese da normalidade log-retornos:
φ Φ−1 (α)

ESαret (t, t + ∆) = −µ∆ + σ∆
1−α
onde φ(x) é a densidade do normal padrão e Φ−1 (x) é o inverso da
distribuição cumulativa da normal.
Uma estimativa também é feita
φ Φ−1 (α)

ret
ES α (t, t + ∆) = −µ̂∆ + σ̂∆ ×
d
1−α
e obteremos uma estimativa enviesada quanto ao VaR.
Para a estimativa de n perı́odos, aplica-se a regra de transformação
φ Φ−1 (α)

ret √
ES α (t, t + n∆) = −µ̂∆ n + σ̂∆ n ×
d
1−α
Expected Shortfall
Também é possı́vel derivar uma expressão aproximada para o ES em termos

de P&L.
De feito, aproveitando
P (t + ∆) − P (t) ≈ P (t)r(t + ∆)
temos
P &L ret
ES
dα (t, t + ∆) ≈ P (t) × ES
dα (t, t + ∆)
!
φ Φ−1 (α)
= P (t) × −µ̂∆ + σ̂∆ ×
1−α

Exemplo em R
Código em R: EstParametricaES.R

Aula 3

Enviado por

Dados do documento

Descrição 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

Aula 3

Enviado por

Direitos autorais:

Formatos disponíveis

Value at

Dr. Andrea Ugolini

Universidade do Estado do Rio de Janeiro, Brasil

A. Ugolini 15 de Abril de 2019 1 / 37

2 Medir o risco de mercado com Value-at-Risk

3 Distribuição Normal e Lognormal

4 VaR no modelo paramétrico normal

5 VaR e horizonte temporal no modelo paramétrico normal

6 Expected Shortfall no modelo paramétrico normal

A. Ugolini 15 de Abril de 2019 2 / 37

Definição: Asset allocation e portfólio

Definição: Profit & Loss, rendimentos simples e logarı́tmicos

Distribuição Profit & Loss

Medidas de risco sintético: Value at Risk, Expected Shortfall

Estimar o VaR e avaliar a precisão da estimativa.

O Problema da agregação temporal.

A. Ugolini 15 de Abril de 2019 3 / 37

Medir o risco de mercado com Value-at-Risk

A seguir vamos medir o risco de mercado utilizando o Value-at-Risk sob a

A. Ugolini 15 de Abril de 2019 4 / 37

A hipótese paramétrica gaussiana

Seja r(t + ∆) o rendimento logarı́tmico no perı́odo t, t + ∆

A. Ugolini 15 de Abril de 2019 5 / 37

-1.0 -0.5 0.5 1.0

enquanto os momentos centrais de ordem uniforme são

A. Ugolini 15 de Abril de 2019 8 / 37

A. Ugolini 15 de Abril de 2019 9 / 37

A. Ugolini 15 de Abril de 2019 10 / 37

A. Ugolini 15 de Abril de 2019 11 / 37

Estimativa paramétrica do VaR diário com retornos

O VaR pode ser calculado utilizando os retornos logarı́tmico.

A. Ugolini 15 de Abril de 2019 12 / 37

Estimativa paramétrica do VaR diário com retornos

Se essa hipótese é verdadeira e sendo o VaR um quantil posso escrever dessa

onde z1−α è o quantil no nivel 1 − α da N (0, 1).

A. Ugolini 15 de Abril de 2019 13 / 37

Estimativa paramétrica do VaR diário com retornos

Obviamente µ∆ e σ∆ não são conhecidos e devem ser estimados.

A. Ugolini 15 de Abril de 2019 14 / 37

Calcular o VaR no modelo gaussiano

P &L ∼ N P (t)µ∆ , P (t)2 σ∆

A. Ugolini 15 de Abril de 2019 15 / 37

Calcular o VaR no modelo gaussiano

Obviamente µ∆ e σ∆ não são conhecidos e devem ser estimados.

P &L log −ret

A. Ugolini 15 de Abril de 2019 16 / 37

Calcular o VaR no modelo gaussiano

A. Ugolini 15 de Abril de 2019 17 / 37

Estimativa paramétrica do VaR diário

d α (t, t + ∆) = −P (t) eµ̂∆ +zx σ̂∆ − 1

A. Ugolini 15 de Abril de 2019 18 / 37

A. Ugolini 15 de Abril de 2019 19 / 37

A. Ugolini 15 de Abril de 2019 21 / 37

Estimativa paramétrica do VaR periódico

Se nos referimos ao cálculo do VaR em qualquer horizonte, lembre-se que,

A. Ugolini 15 de Abril de 2019 22 / 37

Se faço a hipótese de que

e que os retornos são i.i.d., então pode ser mostrado que

A. Ugolini 15 de Abril de 2019 23 / 37

Imaginamos que você tenha um tı́tulo com:

Volatilidade numa base anual (250 dias durante o ano) é

A. Ugolini 15 de Abril de 2019 24 / 37

Estimativa do VaR periódico