Gestão do Risco de Mercado

Valeu at Risk (VaR)

Educação Continuada ANBIMA

Data: 24/01/2019

1
Sumário
VAR ................................................................................................................................................ 3

2.1. O QUE É VAR? .................................................................................................................... 3

2.2. MEDINDO O VAR – MODELOS PARAMÉTRICOS ..................................................... 4
2.3. MEDINDO O VAR – MODELOS NÃO PARAMÉTRICOS.......................................... 14
2.4. REFERÊNCIAS ................................................................................................................. 17
APÊNDICE 1 ................................................................................................................................ 18
APÊNDICE 2 ................................................................................................................................ 25

2
VAR

2.1. O QUE É VAR?

O ser humano tem uma necessidade intrínseca de quantificação. No nosso dia a dia,
muitas vezes, não nos damos por satisfeitos apenas com ideias do tipo “fulano é alto ou
baixo”, “o carro é rápido ou lento”, etc. Queremos saber quão alta é uma pessoa, ou
quão rápido é um automóvel e, dessas questões, surgiram as grandezas comprimento e
velocidade como respostas. Analogamente, é interessante saber o quanto um
investimento é mais arriscado que outro. Nesse caso, a solução não é tão simples. O
objetivo deste capítulo é estudar um dos modos mais aceitos atualmente de medição
do risco: o Value at Risk (VaR).
Em outubro de 1994, o banco J.P. Morgan tornou pública sua metodologia para o cálculo
do risco e o conceito do VaR. Essa atitude, além de ter sido inédita, fugia totalmente ao
padrão. Tudo o que se referia a esse assunto era guardado a sete chaves e considerado
de alto valor. Hoje, essa é uma metodologia amplamente aceita e usada por bancos,
fundos de investimento e legisladores do sistema financeiro de todo o mundo.
Podemos definir o Value at Risk, ou valor em risco, como sendo o valor monetário das
perdas no valor presente a que uma carteira está sujeita, a um determinado nível de
confiança e dentro de um horizonte de tempo. Se dissermos que nossa carteira de ações
tem um VaR de R$ 130 mil, em um dia e para um nível de confiança de 95%, isso equivale
a dizer que há 5% de probabilidade de nossa carteira perder mais de R$ 130 mil em um
dia. Ou a dizer que, em um a cada 20 dias, iremos perder mais do que R$ 130 mil. Ou,
ainda, que, com 95% de confiança, a perda não será superior a
R$ 130 mil. Note-se que, em termos de VaR, o lucro esperado é ignorado.
O VaR sintetiza a perda máxima esperada, medida em valores monetários, dentro de
determinado intervalo de tempo e dada uma probabilidade de ocorrência. Portanto,
devemos sempre associar essa medida a:
1. Uma moeda (valor monetário)
2. Um intervalo de tempo (quando devemos notar essa perda)
3. Uma probabilidade (com que frequência essa perda será notada)
O VaR de uma posição comprada em R$ 1 milhão em ações de Petrobras pode ser de R$
60 mil para um dia com uma probabilidade de 98% ou de R$ 45 mil para um dia com
uma probabilidade de 94%, ou até de R$ 90 mil para cinco dias com uma probabilidade
de 95%. Podemos denotar essa medida de risco de várias maneiras, dependendo de
nossas necessidades.
Note que o tamanho da carteira, ou valor do ativo, é muito importante. Vamos supor
que determinada carteira contenha apenas ações e que o VaR de um dia para um
intervalo de confiança de 95% foi de R$ 3.250,00. Esse número é grande ou pequeno?
Se essa carteira possui apenas uma ação no valor de R$ 100 mil, podemos dizer que ele
é muito grande. Entretanto, se a carteira é composta por muitas ações em um montante

3
de R$ 1 milhão, o VaR é pequeno. O risco, medido dessa forma, está diretamente ligado
ao valor da carteira ou ao montante do ativo que possuímos.
Feitas essas observações preliminares, definiremos o VaR de uma carteira de valor X t,
no período t, como:

P(∆𝑋𝑡 ≤ 𝑉𝑎𝑅) =∝
Equação (2.1)

Onde:
P = probabilidade de ocorrência de um evento
α = nível de significância adotado, tendo (1 – α) como nível de confiança
ΔXt = variação no valor da carteira de preço Xt.
VaR = valor em risco para o horizonte de tempo t
Em outras palavras, na fórmula 2.1, α indica qual a probabilidade de a variação da
carteira ser menor ou igual ao VaR.

2.2. MEDINDO O VAR – MODELOS PARAMÉTRICOS

Como podemos notar, o conceito do VaR não é difícil, não emprega nada de estranho,
e seu resultado é em unidades monetárias. Entretanto, medi-lo (ou melhor, estimá-lo)
é outro problema. Quanto mais complexos forem os instrumentos que compõem a
carteira, mais difícil será medir seu risco. Medir o risco de uma ação é relativamente
fácil; já o de sua opção de compra é um problema mais complicado.
Podemos dividir os modelos para o cálculo do VaR em dois grandes grupos:
- Modelos paramétricos
- Modelos não paramétricos
Nesta seção, estudaremos os primeiros e, na seção 2.3, serão considerados os não
paramétricos.
O método paramétrico consiste em atribuir uma distribuição de probabilidade
conhecida aos retornos dos ativos que compõem a carteira e, a partir daí, empregar as
propriedades dessa distribuição e a Equação 2.1, para estimar o VaR.
Uma das distribuições mais empregadas para esse fim é a distribuição normal ou
Gaussiana. Ela serve como uma excelente aproximação para uma grande classe de
distribuições que têm enorme importância prática. Portanto, vamos, primeiro, fazer
uma breve apresentação sobre a distribuição normal.

4
2.2.1. A distribuição normal
Uma variável X tem distribuição normal quando o aspecto de sua densidade de
probabilidade é uma curva em forma de sino, semelhante à da Figura 1. A maior parte
dos dados que compõem essa série histórica encontra-se em torno da média. À medida
que nos afastamos dela, tanto para mais como para menos, a probabilidade de
ocorrência de um resultado diminui de uma forma simétrica. Dessa forma, pode-se
inferir que a curva de distribuição normal é uma curva simétrica em relação à sua média
µ.

Figura 1 – Distribuição normal – influência do desvio-padrão

Essa curva de distribuição normal permite uma interpretação interessante para o

desvio-padrão. Considerando que uma série histórica X qualquer seja normalmente
distribuída com média µ e desvio-padrão Ơ:
- A probabilidade de observarmos um dado dessa série no intervalo da curva
formado por a [µ-Ơ, µ+Ơ] é igual a 68,26% ou um desvio-padrão.
- A probabilidade de observarmos um dado dessa série no intervalo da curva
formado por a [µ-3Ơ, µ+3Ơ] é igual a 99,74% ou três desvios-padrões.
Para determinar a probabilidade de um dado da série histórica X estar, por exemplo,
entre dois valores a e b (sendo a < b), temos de integrar a Função Densidade de
Probabilidade (FDP) de X de a até b, ou seja, temos de determinar a área sob a curva
normal situada entre a e b. Como essa integral não pode ser calculada pelos caminhos
comuns e necessita de métodos de integração numérica, uma forma alternativa consiste
em usar tabelas de distribuição normal.

5
Essas tabelas contêm os valores das probabilidades (denotada pela letra grega α) de
uma distribuição normal-padrão Z ser menor ou igual que um dado Zα. A Tabela 1
apresenta uma tabela de distribuição normal.

zα α = P [Z ≤ Zα]
-3 0,00135
-2 0,02275
-1 0,15865
0 0,50000
Tabela 1 – Tabela de distribuição normal

A partir dela é possível demonstrar que:

- se X tem distribuição normal N (µ, Ơ2), então:

𝑋−𝜇
tem distribuição normal-padrão
Ơ

Usando essa evidência e a tabela de distribuição normal-padrão, podemos calcular

probabilidades para qualquer distribuição normal. Por exemplo, suponha que a altura H
de um brasileiro adulto seja distribuída normalmente com média µ = 170 cm e variância
Ơ2 = 100 cm2. Com o auxílio da Equação 2.1, é possível determinar a probabilidade de a
altura de um brasileiro sorteado ao acaso ser maior que 2,0 m (= 200 cm).
Tomando-se a Equação 2.1 e considerando que há simetria em ambos os lados da curva
de distribuição normal, temos que o lado esquerdo da equação é representado por
P[H>200] e o lado direito é representado por P[H-170<30]. Então: P[H>200]= P[H-
170>30]

Assim: P(∆𝑋𝑡 ≤ 𝑉𝑎𝑅) = ∝

P[H>200] = P[H-170>30]
H−170
P( > 3) = P [Z > 3]
10

Respeitando a simetria: P [Z > 3] = P [Z > -3]

Consultando a tabela, temos: P [Z > -3] = 0,00135 ou 0,135%

6
2.2.2. VaR de um único ativo
Para simplificar a análise, imaginemos que a nossa carteira seja composta por um único
ativo (uma ação com boa liquidez). Em primeiro lugar, deveremos modelar
estatisticamente o comportamento do preço da ação, ou seja, deveremos determinar a
distribuição de probabilidade do seu preço. A experiência é simples: listar os desvios
(acréscimos ou decréscimos de preço) verificados em um período fixo de dias. Anota-se
o preço do ativo hoje, amanhã e depois, e verifica-se quanto o preço se desviou de um
dia para outro. Assim, obtemos que o VaR de um dia do ativo é:

VaR   X 0 z1     .
Equação (2.2)

Onde:
X0 = valor presente ou marcado a mercado investido no ativo
z1= constante relativa ao número de desvios-padrões para o nível de confiança
desejado, isto é, o quantil correspondente a (1 – α) de uma distribuição normal-
padrão
 = desvio-padrão ou volatilidade diária do retorno do ativo
 = retorno esperado de um dia para o ativo

O sinal negativo no lado direito da Equação 2.2 aparece porque estamos considerando
a distribuição dos ganhos. Sendo o VaR uma medida de perda, corresponde a um ganho
negativo. De agora em diante, apresentaremos as fórmulas para cálculo do VaR sem o
sinal de subtração (-), subentendendo que se trata de uma perda (caso o VaR seja
positivo, o pior resultado dentro do intervalo de confiança considerado corresponde a
um ganho).
Para horizontes de tempo curtos (tipicamente de um dia), o retorno esperado é bem
pequeno, podendo ser aproximado para zero. Assim, a Equação 2.3 simplifica-se para:

VaR = - X 0 z1-α Ơ
Equação (2.3)

O VaR calculado com a ajuda da Equação 2.2 é chamado de VaR Relativo (perda relativa
à média). Já o VaR determinado pela Equação 2.3 é denominado de VaR Absoluto. O
número z1-α depende do nível de confiança (1 - α) e é calculado a partir da integração da
função densidade de probabilidade da distribuição normal:

∞
∝= ∫ 𝑁(0,1)𝑑𝑥
𝑍1−∝

7
Onde:
N(0,1) é a função densidade de probabilidade normal com média 0 e desvio-
padrão 1

A Tabela 2 apresenta alguns valores de Z 1-α para os níveis de confiança mais adotados
na prática:

1-α 99,50% 99,00% 97,50% 95,00% 90,00%

Z 1-α 2,58 2,33 1,96 1,65 1,28
Tabela 2 – Valores de Z 1-α para uma distribuição normal

2.2.2.1. Marcação a mercado

O valor marcado a mercado de um ativo é o seu valor justo (fair value). E o que seria um
valor justo? Não há regras ou normas estabelecidas para definir esse valor. Como
orientação geral, o valor justo seria o valor que as contrapartes (comprador e vendedor)
estariam dispostos a negociar para o ativo ou o contrato. Se for um título negociado em
mercado secundário com boa liquidez, o valor de mercado pode, simplesmente, ser
considerado como o valor médio das negociações realizadas no dia ou, ainda, o da
última negociação. Se não há boa liquidez, pode-se, por exemplo, avaliar o título por
meio de consultas a mesas de operações de instituições financeiras, verificando o preço
a que estariam dispostos a fechar uma transação.
Em determinados casos, a avaliação a mercado de um contrato pode ser vista como um
valor de reposição desse contrato. Supondo um contrato de swap, é possível avaliá-lo
considerando, como valor justo, o valor de um novo contrato com mesmo vencimento
e mesmas condições contratuais. Pode-se, também, avaliar um ativo ou contrato pelo
cálculo do valor presente do seu fluxo de caixa futuro, descontando pagamentos ou
recebimentos futuros por taxas de juro de mercado (veja o Capítulo 3). Por último, na
ausência de parâmetros de mercado, a avaliação pode ser obtida pelo emprego de
fórmulas e modelos matemáticos, como no caso do emprego do modelo de Black-
Scholes (veja o Capítulo 4).
A avaliação a mercado é imprescindível para a atividade de mensuração do risco de
mercado. De nada adianta calcular determinadas medidas de risco (VaR, por exemplo)
sobre carteiras que não estejam devidamente avaliadas a mercado. As estimativas de
possíveis perdas estariam inteiramente equivocadas.

2.2.2.2. Exemplo de cálculo do VaR para uma carteira formada por uma única ação
Imagine que estamos interessados em calcular o VaR de uma posição de 10 mil ações de
uma empresa com alta liquidez (ação A), para um dia, com um nível de confiança de
95%. Marcar a mercado essa carteira (isto é, obter X0 para essa carteira) não é problema:
8
basta observar a cotação de fechamento do dia da ação e multiplicá-la pela quantidade
de ações na carteira.
Para estimar a volatilidade (e também a média) dos retornos dessa ação, podemos
utilizar um procedimento conhecido como média móvel simples. Esse método consiste
em fixar uma janela temporal e estimar a volatilidade usando como dados amostrais os
retornos observados nesse período.
A partir dos dados do retorno da ação A colhidos no Apêndice 1 e tomando uma janela
de 60 dias (de 01/09/17 a 30/11/17), obtemos uma média de 0,16% e um desvio padrão
de 1,88%. Considerando a última cotação dessa ação, o valor financeiro da carteira é de:

X0 = 45,83 x 10.000 = 458.300

Então:

VaR Absoluto: VaR = - X 0 z1-α Ơ

458.300 x 1,65 x 1,88% = R$ 14.181

VaR Relativo: VaR   X 0 z1     .

458.300 x (1,65 x 1,88% - 0,16%) = R$13.435

A diferença entre o VaR absoluto e o relativo será tão menor quanto menor for o retorno
médio para o horizonte de tempo definido. A Figura 2 ilustra graficamente o VaR dessa
ação para um intervalo de confiança de 95%.

VaR=R$ 14.181

5%

R$ 444.118 R$ 458.300

Figura 2 – VaR da ação

9
2.2.2.3. Distribuição log-normal
Até o momento, estamos considerando a hipótese de que os retornos são distribuídos
normalmente. No entanto, essa hipótese apresenta uma imperfeição, pois permite a
ocorrência de preços negativos: uma alta de 120% tem a mesma probabilidade de uma
baixa de 120%, o que implica uma cotação menor que zero para a ação.
A melhor forma de contornar esse problema é utilizar um fator; isso permitirá que os
preços tenham a mesma probabilidade de variar tanto para cima quanto para baixo.
Utilizando, por exemplo, um fator de 1,10, o preço teria iguais probabilidades de subir
1,10 vezes seu valor (ou seja, aumentar em 10%), ou cair 1,10 vezes seu valor (ou seja,
uma baixa de 9,09%). Uma alta de 200% (três vezes seu valor) teria a mesma
probabilidade de uma redução por três (uma baixa de 66,67%). Por maior que seja um
fator, ele jamais levará um preço a ser negativo.
Para modelar matematicamente uma distribuição na qual as probabilidades de alta e de
baixa por um mesmo fator são iguais, temos de usar uma distribuição log-normal. Como
faremos isso? Vamos admitir que a diferença entre o logaritmo natural da cotação da
ação em um dia e o logaritmo natural da cotação da ação no dia anterior obedece a uma
distribuição normal.
Em outras palavras, agora iremos estudar a diferença ln(S0) - ln(S1), onde S0 é preço de
fechamento hoje e S1 é o preço de fechamento ontem.
Essa diferença é chamada de retorno geométrico1, em contraste com o retorno
aritmético (ou simplesmente retorno), que é a variação percentual no preço do ativo. O
retorno geométrico é o retorno utilizado na teoria de finanças, já o retorno aritmético é
empregado em aplicações financeiras práticas.
Se a distribuição da diferença entre o logaritmo dos preços é normal, então um fator de
alta de 1,10 (uma alta de 10%) tem a mesma probabilidade que um fator de baixa de
1,10 (uma baixa de 9,09%). Isso porque a distância entre o logaritmo de 100 e o de 100
x 1,10 = 110 é a mesma entre o logaritmo de 100 e o de 100 ÷ 1,10 = 90,90:

ln(110) - ln(100) = 0,095

ln(100) - ln(90,90) = 0,095

Portanto, o retorno geométrico é igual ao logaritmo natural do retorno aritmético

acrescido de uma unidade. Para retornos aritméticos pequenos (menores que 5%), o
retorno geométrico e o aritmético são praticamente iguais. Por exemplo, um retorno
aritmético igual a 3% equivale a um retorno geométrico de ln(0,03 + 1) = 0,0296 = 2,96%.
Em suma, uma alternativa à Equação 2.3 pode ser obtida partindo-se do pressuposto de
que a distribuição de probabilidade do retorno geométrico de um ativo é normal. O
documento técnico do banco J.P. Morgan, RiskMetrics (veja

1
O retorno geométrico é também chamado de retorno logarítmico.
10
https://www.msci.com/documents/10199/5915b101-4206-4ba0-aee2-
3449d5c7e95a), que introduziu o conceito de VaR, usa essa abordagem. Assim:

𝑉𝑎𝑅 = 𝑥0 (1 − 𝑒 −𝑧 . 𝜎𝑔 + 𝜇𝑔
)
Equação (2.7)

Onde:
g = desvio-padrão do retorno geométrico de um dia
g = média do retorno geométrico de um dia
e x = função exponencial natural calculada no ponto x

Para os mesmos dados do exemplo anterior, temos g = 1,88% e g = 0,15%. Logo, o VaR
segundo a abordagem do RiskMetrics é:

VaR Absoluto (VaRa) = 458.300 x (1 - e-1,65 x 1,88% + 0,15%) = R$ 13.331

VaR Relativo (VaRR) = 458.300 x (1 - e-1,65 x 1,88%) = R$ 13.977

Sendo: Ơg = 3,027% e µg = -0,030%

2.2.3. VaR de uma carteira

Se tivermos apenas um ativo em nossa carteira, podemos empregar as fórmulas
anteriormente apresentadas; entretanto, se nossa carteira possui mais de um ativo,
teremos de levar em conta o efeito da correlação entre os ativos. Isto é, teremos de
considerar se os ativos que compõem a carteira têm um comportamento semelhante
(quando um sobe, o outro tende a subir), oposto (quando um cai, o outro tende a subir)
ou se não existe associação entre o comportamento dos ativos (quando um sobe, o
outro pode subir ou cair com igual probabilidade).
Conforme visto no Capítulo 1, uma medida do grau de associação entre o retorno de
dois ativos é o coeficiente de correlação. Supondo que as condições de derivação da
Equação 2.3 são válidas, temos:

𝑉𝑎𝑅𝑐 = √𝑉𝑎𝑅12 + 𝑉𝑎𝑅22 + 2ƿ1,2 . 𝑉𝑎𝑅1 . 𝑉𝑎𝑅2

Equação (2.8)

Onde:
VaRc = Value at Risk da carteira

11
 VaR1 = Value at Risk do ativo 1 da carteira
VaR2 = Value at Risk do ativo 2 da carteira
ƿ12 = coeficiente de correlação entre o ativo 1 e o ativo 2

Por exemplo, considerando os dados do Apêndice 1 para uma carteira formada por
20.000 ações, sendo 10.000 ações A e 10.000 ações B, no dia 10/11/17, o VaR de um dia
com um nível de confiança de 95% é obtido do seguinte modo:
VaRa = R$ 13.331,04
VaRb = R$ 8.275,30
Ƿ = 31,24%

VaRC  13331,042  8275,302  2 * 31,24% *13331,04 * 8275,30  R$ 17.751,66

Observe que o VaR da carteira é menor que a soma dos VaRs das duas ações
(R$ 21.606). Esse fato é conhecido como efeito diversificação.

2.2.4. Melhoramentos na estimação da volatilidade – EWMA e GARCH

2.2.4.1. Método da média móvel simples

O método da média móvel simples para o cálculo da volatilidade apresentado na seção
anterior possui um problema: todas as observações possuem a mesma importância. O
dia D-30 contribui da mesma forma que o dia D-1 na estimação da volatilidade.
Algumas vezes, desejamos que os últimos dias tenham um peso maior, em outras
palavras, estaremos fazendo a suposição bem razoável de que o dia de ontem influi mais
no comportamento do ativo hoje do que os dias anteriores.
Matematicamente, expressamos isso atribuindo pesos às observações diárias, com os
dias mais recentes recebendo maiores pesos. Essa ideia, empregada pelo RiskMetrics, é
conhecida como metodologia do decaimento exponencial ou EWMA (Exponentially
Weighted Moving Average).
Quanto menor for o fator de decaimento, maior será o peso das observações mais
recentes. Portanto, se desejamos aumentar a importância das observações mais
recentes, devemos diminuir o fator de decaimento. Por exemplo, em uma mudança
abrupta da conjuntura macroeconômica, como a troca do regime cambial do país de fixo
para flutuante, é interessante fazer com que nosso modelo reflita mais rapidamente
essa nova situação; logo, deveremos diminuir o fator de decaimento.

12
2.2.4.2. Método da média móvel ponderada
O método da média móvel ponderada possui duas vantagens importantes sobre o
modelo simples.
Primeiro, a volatilidade reage mais rapidamente a choques no mercado quando as
observações mais recentes têm mais peso que os dados no passado distante; segundo,
após um movimento extremo, a volatilidade declina exponencialmente à medida que o
peso da observação do choque diminui.
Em contraste, o uso de média móvel simples leva a mudanças relativamente abruptas
no desvio-padrão, uma vez que os movimentos extremos saem da amostra considerada
de forma não suavizada. Consequentemente, a estimativa da volatilidade por esse
método tende a se comportar na forma de platôs.

2.2.4.3. Comparação entre os dois métodos

0,180%

0,160% Platô
Assimilação rápida do
movimento Queda gradual da
0,140% extremo volatilidade
Queda brusca da
volatilidade
0,120%
Volatilidade diária

0,100%

0,080%

0,060%

0,040%

0,020%

0,000%
30/01

01/02

31/03

30/04

30/05

29/06

29/07

28/08

27/09

27/10

26/11

26/12

25/01

24/02

26/03

25/04

25/05

24/06

24/07

23/08

Tempo

Simples - 60 dias EW MA - Lambda 0,94

Figura3 - Comparação entre volatilidades do dólar estimadas pelos métodos simples e EWMA

A Figura 3 ilustra graficamente o comportamento da volatilidade do dólar comercial de

venda (PTAX800) calculada pelos métodos simples e pelo decaimento exponencial. No
13
fim de outubro de 1997, ocorreu a crise nos mercados asiáticos, fazendo com que
houvesse uma procura maior pelo dólar, ocasionando o seu fortalecimento perante o
real. A volatilidade estimada segundo o EWMA, rapidamente, detectou esse evento,
levando a um aumento de sua estimativa. Entretanto, com o passar do tempo, essa
estimativa caiu lentamente, pois passou a assimilar de forma gradual a queda de
volatilidade nos meses seguintes. Por outro lado, a estimativa da volatilidade utilizando
o método simples com uma janela de 60 dias demorou mais tempo para registrar os
movimentos extremos ocorridos e manteve-se alta por cerca de três meses (apesar de
o mercado ter se estabilizado), quando finalmente caiu abruptamente no instante em
que os retornos extremos saíram da amostra.

2.2.4.4. GARCH
Uma forma mais sofisticada de capturar a dependência entre os retornos diários de um
ativo pode ser obtida com os modelos da família GARCH (Generalized Autoregressive
Conditional Heteroskedasticity). Informalmente falando, heterocedasticidade significa
“mudança da variância ao longo do tempo”, condicional implica uma dependência da
variância com as últimas observações e autorregressiva significa um mecanismo de
feedback que incorpora as observações passadas ao presente. Uma série temporal
apresenta heterocedasticidade condicional quando períodos de alta volatilidade se
entrelaçam com períodos de tranquilidade. Como essa situação é geralmente
verdadeira para muitos ativos, podemos imaginar a grande utilidade dos modelos
GARCH em finanças. Diversos tipos diferentes de modelos GARCH têm sido propostos
na literatura acadêmica, mas somente alguns deles têm encontrado aplicações práticas.

2.3. MEDINDO O VAR – MODELOS NÃO PARAMÉTRICOS

Existem determinados mercados em que a pressuposição de uma distribuição normal

para os retornos dos ativos compromete muito a precisão do risco calculado. Um bom
exemplo foi o mercado de dólares no Brasil pré-crise cambial de janeiro de 1999. Como
o câmbio era administrado, assumir uma distribuição normal para esse mercado
naquela época seria atribuir uma grande probabilidade para eventos que eram quase
impossíveis de ocorrer (valorizações ou desvalorizações muito grandes), em detrimento
daqueles que possuíam uma grande chance de ocorrência.
Ao contrário, nos mercados em que existem maiores ocorrências de observações longe
da média (distribuições com caudas gordas), assumir uma distribuição normal iria
causar, inevitavelmente, uma distorção no cálculo do risco para um valor inferior ao real,
ou seja, seriam atribuídas probabilidades de ocorrência menores do que as observadas,
ou esperadas, para grandes variações. Essa deficiência se agrava, principalmente, nos
casos de haver uma tendência na distribuição (uma cauda mais gorda do que a outra).
Em estatística, distribuições com caudas gordas são chamadas de leptocúrticas. Uma
medida da extensão dos dados observados que caem perto do centro ou nas caudas de
uma distribuição é dada pela curtose. A curtose de uma distribuição normal é zero

14
(dizemos que a distribuição é mesocúrtica). Uma curtose maior que zero (leptocúrtica)
indica uma distribuição com grandes picos, caudas grossas e poucos dados
intermediários. Já uma curtose menor que zero (platicúrtica) significa que a distribuição
possui muitos dados de magnitude intermediária e um pico pequeno.
Outro problema bastante sério dos modelos paramétricos ocorre quando a carteira a
ser analisada é uma função não linear de pelo menos um dos fatores de risco. Como será
visto no Módulo 4, isso acontece com a opção: dada uma variação no preço do ativo
objeto, podemos apenas aproximar a variação no prêmio por uma função linear.
Buscando solucionar esses problemas, foram desenvolvidos os modelos não
paramétricos que consistem, basicamente, em recalcular o valor da carteira segundo
uma série de cenários definidos. Estudando os resultados obtidos, determinamos a
distribuição de probabilidade do retorno dos instrumentos, que pode ou não ser normal.
A chave para essa metodologia é a obtenção das diversas condições de mercado com as
quais a carteira será reavaliada.
Para a determinação dos cenários, podemos usar tanto os dados históricos quanto
modelos probabilísticos, normalmente a simulação estruturada de Monte Carlo.
Portanto, podemos subdividir esse método não paramétrico em dois grupos: a
simulação história e a estruturada de Monte Carlo. Neste capítulo, estudaremos a
técnica de simulação histórica; a simulação estruturada de Monte Carlo será vista no
Capítulo 4.

2.3.1. Simulação histórica

Na simulação histórica, devemos definir um período de tempo e estudar as variações de
preços ocorridas nesse período. Empregamos essas variações para reavaliar a carteira e
obtemos um conjunto de retornos. Esse conjunto de retornos irá determinar nossa
distribuição; com base nela e no intervalo de confiança desejado, iremos obter o VaR.
Vamos voltar ao nosso exemplo e obter o VaR da carteira formada pela ação A usando
simulação histórica. A Tabela 3 ilustra o procedimento. A primeira coluna da tabela é o
número do cenário gerado. A segunda contém a data que servirá de base para a
formação de um cenário histórico. A terceira é o retorno do ativo de um dia para o outro.
A quarta indica o ganho ou perda da posição atual, supondo o cenário de retornos do
dia da coluna 1. As duas últimas colunas representam as colunas 2 e 4 classificadas em
ordem crescente da perda ou ganho da posição atual.
Em outras palavras, o primeiro cenário a ser simulado impõe que o comportamento do
ativo no dia 30/11/17 seja idêntico ao do dia 17/07/17, o segundo cenário impõe que o
ativo no dia 29/11/17 se comporte da mesma forma que no dia 03/10/17 e assim
sucessivamente.

15
 Perda ou Data Perda ou ganho
Cenário Data Retorno
ganho (reordenada) (reordenado)
1 30/11/2017 0,50% 2.312 17/07/2017 -20.046
2 29/11/2017 3,26% 14.945 03/10/2017 -19.342
3 28/11/2017 0,52% 2.399 11/09/2017 -18.223
4 27/11/2017 -0,84% -3.828 23/08/2017 -14.527
5 24/11/2017 0,23% 1.037 20/07/2017 -13.546
6 23/11/2017 -0,56% -2.578 14/09/2017 -13.256
... ... ... ... ... ...
101 07/07/2017 -0,83% -3806 24/07/2017 17.206
Tabela 3 – Simulação histórica da ação A

Para um intervalo de confiança de 95%, o VaR é de R$ 13.256, que é o 5% percentil da

última coluna. A Figura 2.10 ilustra o histograma dos cenários simulados apresentados
na Figura 3 para a carteira da ação A.
A quantidade de cenários a serem simulados é uma questão que depende muito da
situação particular, mas deve atender a dois requisitos antagônicos:
1. Para investimentos de prazo não muito longo, como os realizados pela
tesouraria de um banco, você não deve usar muitos cenários. Por exemplo,
escolher mil cenários para simulação em geral não é uma boa ideia, porque
dados de um passado muito distante farão parte da simulação. A situação
econômica e financeira da empresa (e também a conjuntura macroeconômica)
de quatro anos (cerca de mil dias úteis) pode ser muito diferente da de hoje. Ou
seja, você pode estar simulando cenários que não refletem, de modo algum, a
situação atual.
2. Usar poucos cenários também não é recomendável. Por exemplo, se você usar
apenas 20 cenários, muito provavelmente a qualidade da estimação será ruim.
Lembre-se: quanto maior o tamanho da amostra, melhor a qualidade da
estimação.
Os modelos não paramétricos funcionam muito bem para qualquer tipo de distribuição.
Repare que utilizamos a própria distribuição do ativo para o cálculo de seu risco. Essa
metodologia é muito versátil se quisermos saber o risco ou conhecer o comportamento
da carteira: dada determinada circunstância de mercado, basta alimentar a simulação
com os preços desejados.
Imagine que detemos uma carteira e gostaríamos de saber como ela se comportaria em
uma circunstância de estresse, como a ocorrida na época da crise do México ou na crise
dos países asiáticos. Para tanto, basta escolher o período correspondente, calcular os
retornos dos ativos e as variações nas taxas que determinam os preços dos instrumentos
da carteira, tais como taxas de juros nacional e internacional (para simular CDBs, NTN
cambiais) e taxas de câmbio (para determinar o valor de contratos de câmbio e ativos
denominados em moeda estrangeira), alimentar essas variações nos modelos de
16
avaliação e verificar a perda ou o ganho na carteira para o cenário de crise simulado.
Voltaremos a esse assunto em mais detalhes no Capítulo 5.

2.4. REFERÊNCIAS

ALEXANDER, Carol. The Handbook of Risk Management and Analysis. Chichester: John
Wiley & Sons, 1996.
DOWD, Kevin. Beyond Value at Risk – The New Science of Risk Management. John
Wiley & Sons, 1998.
INOUE, Oscar. Modelos para Estimativa do Risco de Mercado em Carteiras de
Derivativos. Escola Politécnica da USP, 2008.
JORION, Philippe. Value at Risk: The New Benchmark for Controlling Market Risk. 2a
ed, New York: McGraw-Hill, 2011.
NETO, Lauro A. S. Derivativos: Definições, Emprego e Risco. São Paulo: Editora Atlas,
1998.
SECURATO, José R. e outros. Cálculo Financeiro das Tesourarias - Bancos e Empresas.
1a ed., São Paulo: Editora Saint Paul, 1999.
SOUZA FILHO, Gonzaga. Manual do Agente Autônomo de Investimento. Rio de Janeiro:
G10 Consultoria & Treinamento, 2016.

17
Apêndice 1

COTAÇÕES E RETORNOS DE WILSON SONS BDR E

BRASIL ON

Cotação fechamento Retorno aritmético Retorno geométrico

Data
WSON33.SA BBAS3.SA WSON33.SA BBAS3.SA WSON33.SA BBAS3.SA

13/12/2016 44,52 33,29 -1,97% -1,44% -1,99% -1,45%

14/12/2016 44,66 32,37 0,32% -2,78% 0,32% -2,82%

17/12/2016 44,28 32,61 -0,84% 0,75% -0,85% 0,75%

18/12/2016 45,32 34,56 2,34% 5,98% 2,31% 5,81%

19/12/2016 46,07 34,9 1,66% 0,99% 1,65% 0,98%

20/12/2016 45,03 33,49 -2,27% -4,05% -2,29% -4,13%

21/12/2016 45,38 34,75 0,79% 3,78% 0,79% 3,71%

26/12/2016 46,26 34,8 1,93% 0,14% 1,91% 0,14%

27/12/2016 47,67 36,06 3,05% 3,61% 3,00% 3,55%

28/12/2016 48,09 35,58 0,89% -1,32% 0,88% -1,33%

02/01/2017 48,18 36,17 0,20% 1,64% 0,20% 1,63%

03/01/2017 48,51 37,1 0,68% 2,59% 0,68% 2,55%

04/01/2017 48,21 37,34 -0,62% 0,63% -0,62% 0,63%

07/01/2017 49,27 37,48 2,18% 0,39% 2,16% 0,39%

08/01/2017 48,87 36,8 -0,80% -1,82% -0,80% -1,84%

09/01/2017 48,23 36,08 -1,31% -1,96% -1,32% -1,98%

10/01/2017 47,92 34,75 -0,64% -3,67% -0,65% -3,74%

11/01/2017 47,2 34,66 -1,51% -0,28% -1,52% -0,28%

14/01/2017 45,46 33,34 -3,69% -3,80% -3,75% -3,87%

15/01/2017 45,18 32,84 -0,60% -1,49% -0,60% -1,50%

16/01/2017 45,22 33,24 0,08% 1,22% 0,08% 1,21%

17/01/2017 45,88 33,93 1,46% 2,08% 1,44% 2,06%

18/01/2017 46 33,93 0,27% 0,00% 0,27% 0,00%

21/01/2017 45,41 33,34 -1,29% -1,75% -1,30% -1,77%

22/01/2017 45,13 32,71 -0,62% -1,90% -0,62% -1,92%

23/01/2017 44,85 33,63 -0,62% 2,83% -0,63% 2,79%

24/01/2017 44,16 33,53 -1,53% -0,29% -1,54% -0,29%

28/01/2017 45,73 32,95 3,56% -1,74% 3,49% -1,76%

29/01/2017 44,86 31,2 -1,91% -5,33% -1,93% -5,47%

30/01/2017 44,75 30,99 -0,23% -0,66% -0,23% -0,66%

18
31/01/2017 45,22 31,18 1,05% 0,60% 1,04% 0,60%

01/02/2017 45,32 30,66 0,21% -1,66% 0,21% -1,67%

04/02/2017 45,03 29,83 -0,62% -2,70% -0,62% -2,74%

05/02/2017 45,02 30,71 -0,04% 2,94% -0,04% 2,90%

06/02/2017 45,79 30,71 1,71% 0,00% 1,70% 0,00%

07/02/2017 45,41 30,46 -0,82% -0,79% -0,82% -0,80%

08/02/2017 44,71 30,03 -1,53% -1,44% -1,54% -1,45%

13/02/2017 46,63 31,39 4,29% 4,55% 4,20% 4,45%

14/02/2017 47,01 32,09 0,81% 2,24% 0,80% 2,21%

15/02/2017 47,34 31,88 0,70% -0,67% 0,70% -0,67%

18/02/2017 46,82 31,73 -1,09% -0,46% -1,10% -0,46%

19/02/2017 46,82 31,78 0,00% 0,15% 0,00% 0,15%

20/02/2017 47,15 32,46 0,70% 2,15% 0,70% 2,12%

21/02/2017 48 33,19 1,79% 2,25% 1,78% 2,23%

22/02/2017 48,8 33,73 1,67% 1,62% 1,65% 1,60%

25/02/2017 49,89 35,29 2,24% 4,62% 2,21% 4,52%

26/02/2017 50,58 35,08 1,39% -0,58% 1,39% -0,58%

27/02/2017 52,08 35,78 2,96% 1,97% 2,91% 1,95%

28/02/2017 52,74 34,85 1,28% -2,59% 1,27% -2,62%

01/03/2017 54,44 35,48 3,21% 1,82% 3,16% 1,80%

04/03/2017 54,91 35,48 0,86% 0,00% 0,86% 0,00%

05/03/2017 53,59 33,1 -2,40% -6,73% -2,43% -6,97%

06/03/2017 52,84 31,26 -1,40% -5,54% -1,41% -5,70%

07/03/2017 53,12 30,56 0,53% -2,25% 0,53% -2,27%

08/03/2017 52,92 31,54 -0,37% 3,19% -0,37% 3,14%

11/03/2017 53,69 31,14 1,46% -1,27% 1,45% -1,28%

12/03/2017 54,2 32,32 0,95% 3,79% 0,94% 3,72%

13/03/2017 54,62 32,35 0,78% 0,09% 0,78% 0,09%

14/03/2017 55,27 31,29 1,19% -3,25% 1,18% -3,31%

15/03/2017 56,42 32,41 2,08% 3,58% 2,05% 3,52%

18/03/2017 56,69 32,46 0,48% 0,15% 0,48% 0,15%

19/03/2017 56,69 31,83 0,00% -1,95% 0,00% -1,97%

20/03/2017 56,22 31,78 -0,83% -0,15% -0,83% -0,15%

21/03/2017 55,28 30,62 -1,67% -3,65% -1,69% -3,72%

22/03/2017 54,91 29,73 -0,68% -2,90% -0,68% -2,94%

25/03/2017 55,39 28,99 0,87% -2,49% 0,87% -2,52%

26/03/2017 56,12 29,82 1,32% 2,86% 1,31% 2,82%

27/03/2017 56,75 29,2 1,13% -2,09% 1,13% -2,11%

19
28/03/2017 56,41 28,49 -0,60% -2,44% -0,60% -2,47%

01/04/2017 57,64 29,44 2,18% 3,35% 2,16% 3,30%

02/04/2017 56,95 29,25 -1,20% -0,66% -1,21% -0,66%

03/04/2017 56,46 29,05 -0,86% -0,67% -0,86% -0,67%

04/04/2017 56,65 29,44 0,35% 1,34% 0,35% 1,33%

05/04/2017 55,87 29,15 -1,38% -0,99% -1,39% -1,00%

08/04/2017 56,46 28,6 1,05% -1,87% 1,04% -1,89%

09/04/2017 54,57 29,53 -3,34% 3,24% -3,40% 3,19%

10/04/2017 54,7 30,07 0,23% 1,85% 0,23% 1,83%

11/04/2017 54,41 29,89 -0,54% -0,62% -0,54% -0,62%

12/04/2017 53,94 31,14 -0,86% 4,17% -0,87% 4,09%

15/04/2017 54,42 30,51 0,89% -2,00% 0,88% -2,02%

16/04/2017 54,81 30,76 0,72% 0,80% 0,72% 0,80%

17/04/2017 55,58 30,9 1,41% 0,48% 1,40% 0,47%

18/04/2017 55,11 30,72 -0,84% -0,60% -0,85% -0,60%

19/04/2017 54,62 30,34 -0,89% -1,24% -0,89% -1,25%

22/04/2017 54,41 29,43 -0,39% -2,99% -0,39% -3,03%

23/04/2017 54,7 29,73 0,54% 1,03% 0,54% 1,02%

24/04/2017 54,99 31,12 0,54% 4,66% 0,53% 4,55%

25/04/2017 54,07 31,03 -1,69% -0,28% -1,70% -0,28%

26/04/2017 52,92 30,61 -2,11% -1,35% -2,14% -1,36%

29/04/2017 53,72 30,29 1,51% -1,05% 1,50% -1,06%

30/04/2017 53,65 29,9 -0,15% -1,29% -0,15% -1,30%

02/05/2017 51,96 28,85 -3,15% -3,51% -3,20% -3,57%

03/05/2017 52,92 29,19 1,86% 1,18% 1,84% 1,17%

06/05/2017 51,87 28,89 -1,99% -1,03% -2,01% -1,03%

07/05/2017 51,77 28,75 -0,19% -0,48% -0,19% -0,49%

08/05/2017 53,33 29,45 3,02% 2,43% 2,97% 2,41%

09/05/2017 52,37 28,31 -1,81% -3,87% -1,83% -3,95%

10/05/2017 51,76 28,05 -1,16% -0,92% -1,16% -0,92%

13/05/2017 50,48 28,15 -2,47% 0,36% -2,50% 0,36%

14/05/2017 51,18 29 1,39% 3,02% 1,38% 2,97%

15/05/2017 50,79 29,45 -0,76% 1,55% -0,77% 1,54%

16/05/2017 52,75 30,3 3,85% 2,89% 3,77% 2,85%

17/05/2017 52,85 30,26 0,19% -0,13% 0,19% -0,13%

20/05/2017 53,72 30,06 1,66% -0,66% 1,65% -0,66%

21/05/2017 54,12 30,19 0,73% 0,43% 0,72% 0,43%

22/05/2017 53,92 29,4 -0,36% -2,62% -0,36% -2,65%

20
23/05/2017 54,99 29,9 1,99% 1,70% 1,97% 1,69%

24/05/2017 54,8 29,91 -0,36% 0,03% -0,36% 0,03%

27/05/2017 54,6 30,58 -0,36% 2,24% -0,36% 2,22%

28/05/2017 54,51 31,1 -0,18% 1,70% -0,18% 1,69%

29/05/2017 54,04 31,86 -0,86% 2,44% -0,86% 2,41%

31/05/2017 53,26 31,87 -1,45% 0,03% -1,46% 0,03%

03/06/2017 53,24 31,1 -0,04% -2,42% -0,04% -2,45%

04/06/2017 54,21 30,81 1,83% -0,93% 1,82% -0,94%

05/06/2017 54,12 31,55 -0,18% 2,40% -0,18% 2,37%

06/06/2017 52,94 30,6 -2,17% -3,01% -2,19% -3,06%

07/06/2017 52,15 31,4 -1,49% 2,61% -1,51% 2,58%

10/06/2017 52,55 32,8 0,77% 4,46% 0,76% 4,36%

11/06/2017 51,77 31,15 -1,49% -5,03% -1,50% -5,16%

12/06/2017 50,94 30,51 -1,60% -2,05% -1,62% -2,08%

13/06/2017 49,96 30,05 -1,92% -1,51% -1,94% -1,52%

14/06/2017 48,19 29,5 -3,56% -1,83% -3,62% -1,85%

17/06/2017 48,52 29,91 0,69% 1,39% 0,69% 1,38%

18/06/2017 48,11 29,86 -0,85% -0,17% -0,85% -0,17%

19/06/2017 47,38 28,83 -1,52% -3,45% -1,53% -3,51%

20/06/2017 44,74 27,4 -5,57% -4,96% -5,73% -5,09%

21/06/2017 41,22 25,65 -7,86% -6,39% -8,19% -6,60%

24/06/2017 42,79 27,15 3,82% 5,85% 3,74% 5,68%

25/06/2017 44,64 27 4,31% -0,55% 4,22% -0,55%

26/06/2017 47,52 26,5 6,46% -1,85% 6,26% -1,87%

27/06/2017 48,44 27,85 1,93% 5,09% 1,91% 4,97%

28/06/2017 47,96 28,3 -0,99% 1,62% -0,99% 1,60%

01/07/2017 46,89 27,2 -2,24% -3,89% -2,27% -3,96%

02/07/2017 46,19 26,72 -1,48% -1,76% -1,49% -1,78%

03/07/2017 45,72 26,41 -1,01% -1,16% -1,02% -1,17%

04/07/2017 45,86 26,4 0,30% -0,04% 0,30% -0,04%

05/07/2017 45,35 26,3 -1,11% -0,38% -1,11% -0,38%

08/07/2017 44,77 27,11 -1,29% 3,08% -1,30% 3,03%

10/07/2017 43,76 26,8 -2,25% -1,14% -2,27% -1,15%

11/07/2017 43,96 27,64 0,45% 3,13% 0,45% 3,09%

12/07/2017 44,31 27,85 0,80% 0,76% 0,80% 0,76%

15/07/2017 43,37 26,9 -2,12% -3,41% -2,14% -3,47%

16/07/2017 43,96 26,5 1,35% -1,49% 1,34% -1,50%

17/07/2017 44,66 26,88 1,60% 1,43% 1,59% 1,42%

21
18/07/2017 43,66 27,09 -2,23% 0,78% -2,26% 0,78%

19/07/2017 43,04 26,5 -1,43% -2,18% -1,44% -2,20%

22/07/2017 40,05 24,39 -6,95% -7,96% -7,20% -8,30%

23/07/2017 39,07 23,61 -2,44% -3,20% -2,47% -3,25%

24/07/2017 41,02 23,85 4,98% 1,02% 4,86% 1,01%

25/07/2017 39,71 23,2 -3,19% -2,73% -3,24% -2,76%

26/07/2017 38,06 21,5 -4,16% -7,33% -4,25% -7,61%

29/07/2017 37,61 21,85 -1,18% 1,63% -1,19% 1,61%

30/07/2017 38,19 22,4 1,56% 2,52% 1,55% 2,49%

31/07/2017 39,96 23,8 4,63% 6,25% 4,53% 6,06%

01/08/2017 40,93 24,3 2,42% 2,10% 2,39% 2,08%

02/08/2017 42,3 24,3 3,34% 0,00% 3,29% 0,00%

05/08/2017 40,27 22,46 -4,78% -7,57% -4,90% -7,87%

06/08/2017 40,34 24,3 0,17% 8,19% 0,17% 7,87%

07/08/2017 40,44 24,79 0,24% 2,02% 0,24% 2,00%

08/08/2017 43,08 25,98 6,52% 4,80% 6,32% 4,69%

09/08/2017 43,96 24,7 2,04% -4,93% 2,02% -5,05%

12/08/2017 42,13 23,63 -4,16% -4,33% -4,24% -4,43%

13/08/2017 39,75 23,11 -5,66% -2,20% -5,82% -2,23%

14/08/2017 39,46 23,45 -0,71% 1,47% -0,72% 1,46%

15/08/2017 39,9 22,7 1,11% -3,20% 1,11% -3,25%

16/08/2017 39,8 23,49 -0,24% 3,48% -0,25% 3,42%

19/08/2017 38,97 23,25 -2,09% -1,02% -2,11% -1,03%

20/08/2017 38,49 22,67 -1,25% -2,49% -1,26% -2,53%

21/08/2017 39,07 23,06 1,52% 1,72% 1,51% 1,71%

22/08/2017 40,16 24,39 2,77% 5,77% 2,74% 5,61%

23/08/2017 40,34 24,4 0,46% 0,04% 0,46% 0,04%

26/08/2017 41,71 25,79 3,39% 5,70% 3,33% 5,54%

27/08/2017 42,83 26,3 2,69% 1,98% 2,66% 1,96%

28/08/2017 42,74 26,15 -0,23% -0,57% -0,23% -0,57%

29/08/2017 42,59 26,7 -0,34% 2,10% -0,34% 2,08%

30/08/2017 42,98 26,4 0,92% -1,12% 0,91% -1,13%

02/09/2017 43,09 26,39 0,25% -0,04% 0,25% -0,04%

03/09/2017 43,66 25,59 1,34% -3,03% 1,33% -3,08%

04/09/2017 44,25 25,35 1,34% -0,94% 1,33% -0,94%

05/09/2017 43,96 24,49 -0,66% -3,39% -0,66% -3,45%

06/09/2017 44,38 24,64 0,96% 0,61% 0,95% 0,61%

09/09/2017 44,74 25,1 0,81% 1,87% 0,81% 1,85%

22
10/09/2017 45,81 25,08 2,40% -0,08% 2,37% -0,08%

11/09/2017 46,33 25,5 1,13% 1,67% 1,12% 1,66%

12/09/2017 46,3 25,4 -0,06% -0,39% -0,06% -0,39%

13/09/2017 46,99 25,2 1,50% -0,79% 1,49% -0,79%

16/09/2017 46,11 24,63 -1,89% -2,26% -1,91% -2,29%

17/09/2017 43,98 24,3 -4,62% -1,34% -4,73% -1,35%

18/09/2017 43,47 23,61 -1,16% -2,84% -1,16% -2,88%

19/09/2017 41,61 23,45 -4,27% -0,68% -4,36% -0,68%

20/09/2017 42,69 24,3 2,58% 3,62% 2,55% 3,56%

23/09/2017 41,31 23,1 -3,23% -4,94% -3,28% -5,06%

24/09/2017 40,29 23,39 -2,46% 1,26% -2,49% 1,25%

25/09/2017 38,93 23,41 -3,39% 0,09% -3,45% 0,09%

26/09/2017 38,78 23,31 -0,38% -0,43% -0,38% -0,43%

27/09/2017 35,16 21,7 -9,35% -6,91% -9,81% -7,16%

30/09/2017 36,04 21,36 2,53% -1,57% 2,50% -1,58%

01/10/2017 38,75 22,03 7,51% 3,14% 7,24% 3,09%

02/10/2017 38,68 21,67 -0,18% -1,63% -0,18% -1,65%

03/10/2017 39,75 22,49 2,75% 3,78% 2,72% 3,71%

04/10/2017 39,71 23,06 -0,10% 2,53% -0,10% 2,50%

07/10/2017 38,14 21,86 -3,94% -5,20% -4,02% -5,34%

08/10/2017 38,58 21,71 1,15% -0,69% 1,15% -0,69%

09/10/2017 38,29 21,15 -0,76% -2,58% -0,76% -2,61%

10/10/2017 37,5 21,59 -2,07% 2,08% -2,09% 2,06%

11/10/2017 36,19 21,6 -3,49% 0,05% -3,55% 0,05%

14/10/2017 34,33 20,39 -5,13% -5,60% -5,26% -5,76%

15/10/2017 34,34 20,4 0,03% 0,05% 0,03% 0,05%

16/10/2017 34,38 20,16 0,11% -1,18% 0,11% -1,18%

17/10/2017 37,41 21,6 8,81% 7,14% 8,44% 6,90%

18/10/2017 38,1 21,89 1,83% 1,34% 1,81% 1,33%

21/10/2017 38,34 22,13 0,64% 1,10% 0,64% 1,09%

22/10/2017 38,97 22,89 1,66% 3,43% 1,64% 3,38%

23/10/2017 41,22 24,59 5,76% 7,43% 5,60% 7,16%

24/10/2017 42,09 24,55 2,11% -0,16% 2,09% -0,16%

25/10/2017 42,4 24,8 0,74% 1,02% 0,74% 1,01%

28/10/2017 41,03 23,2 -3,25% -6,45% -3,30% -6,67%

29/10/2017 40,44 23,16 -1,43% -0,17% -1,44% -0,17%

30/10/2017 42,49 24,7 5,07% 6,65% 4,95% 6,44%

31/10/2017 43,27 25,19 1,84% 1,98% 1,82% 1,96%

23
01/11/2017 43,17 24,83 -0,25% -1,43% -0,25% -1,44%

04/11/2017 41,82 24,57 -3,12% -1,05% -3,17% -1,05%

05/11/2017 41,22 24,5 -1,42% -0,28% -1,44% -0,29%

06/11/2017 40,72 23,9 -1,21% -2,45% -1,22% -2,48%

07/11/2017 42 23,89 3,14% -0,04% 3,09% -0,04%

08/11/2017 42,59 24,27 1,40% 1,59% 1,39% 1,58%

11/11/2017 42,92 24,15 0,78% -0,49% 0,78% -0,50%

12/11/2017 42,12 23,7 -1,87% -1,86% -1,88% -1,88%

13/11/2017 42,31 23,83 0,45% 0,55% 0,45% 0,55%

14/11/2017 43,45 24,34 2,69% 2,14% 2,66% 2,12%

18/11/2017 44,1 24,6 1,50% 1,07% 1,48% 1,06%

19/11/2017 43,75 25,1 -0,79% 2,03% -0,80% 2,01%

20/11/2017 44,74 25,9 2,26% 3,19% 2,24% 3,14%

21/11/2017 45,89 26 2,57% 0,39% 2,54% 0,39%

22/11/2017 45,3 26,05 -1,29% 0,19% -1,29% 0,19%

25/11/2017 44,16 25,95 -2,52% -0,38% -2,55% -0,38%

26/11/2017 43,28 25,7 -1,99% -0,96% -2,01% -0,97%

27/11/2017 43,1 25,79 -0,42% 0,35% -0,42% 0,35%

28/11/2017 43 25,75 -0,23% -0,16% -0,23% -0,16%

29/11/2017 44,45 26,8 3,37% 4,08% 3,32% 4,00%

02/12/2017 44,8 27,51 0,79% 2,65% 0,78% 2,61%

03/12/2017 45,09 27,4 0,65% -0,40% 0,65% -0,40%

04/12/2017 45 27,35 -0,20% -0,18% -0,20% -0,18%

05/12/2017 44,5 26,45 -1,11% -3,29% -1,12% -3,35%

06/12/2017 44,49 26,53 -0,02% 0,30% -0,02% 0,30%

09/12/2017 43,8 26,06 -1,55% -1,77% -1,56% -1,79%

10/12/2017 43,4 25,88 -0,91% -0,69% -0,92% -0,69%

11/12/2017 44,2 26,5 1,84% 2,40% 1,83% 2,37%

12/12/2017 45,2 26,37 2,26% -0,49% 2,24% -0,49%

13/12/2017 45,1 26,27 -0,22% -0,38% -0,22% -0,38%

24
Apêndice 2

TAXAS DE JUROS PARA O PRAZO DE 60 DIAS

Data Taxa - 60 dias Data Taxa - 60 dias

09/04/2018 26,07% 29/05/2018 25,86%
10/04/2018 26,24% 30/05/2018 25,92%
11/04/2018 26,23% 02/06/2018 25,92%
14/04/2018 26,25% 03/06/2018 25,93%
15/04/2018 26,20% 04/06/2018 25,81%
16/04/2018 26,16% 05/06/2018 25,85%
17/04/2018 25,93% 06/06/2018 25,75%
22/04/2018 25,83% 09/06/2018 25,66%
23/04/2018 25,88% 10/06/2018 25,79%
24/04/2018 25,93% 11/06/2018 25,85%
25/04/2018 25,76% 12/06/2018 25,73%
28/04/2018 25,66% 13/06/2018 25,37%
29/04/2018 25,65% 16/06/2018 25,27%
30/04/2018 25,78% 17/06/2018 25,20%
02/05/2018 25,89% 18/06/2018 25,28%
05/05/2018 25,96% 20/06/2018 25,27%
06/05/2018 25,97% 23/06/2018 25,13%
07/05/2018 25,84% 24/06/2018 25,01%
08/05/2018 25,72% 25/06/2018 24,98%
09/05/2018 25,85% 26/06/2018 24,96%
12/05/2018 25,91% 27/06/2018 24,90%
13/05/2018 25,66% 30/06/2018 24,79%
14/05/2018 25,64% 01/07/2018 24,72%
15/05/2018 25,72% 02/07/2018 24,74%
16/05/2018 25,79% 03/07/2018 24,64%
19/05/2018 25,73% 04/07/2018 24,52%
20/05/2018 25,72% 07/07/2018 24,52%
21/05/2018 25,73% 08/07/2018 24,38%
22/05/2018 25,78% 10/07/2018 24,42%
23/05/2018 25,93% 11/07/2018 24,47%
26/05/2018 25,93% 14/07/2018 23,88%
27/05/2018 25,86% 15/07/2018 23,86%
28/05/2018 25,87% 16/07/2018 23,73%

25
EXPEDIENTE

Texto
José Valentim Machado Vicente
Andréa Sá de Oliveira

Revisão
Gonzaga de Souza Filho
Hilton Hostalacio Notini

Apoio Técnico
Patrícia Guedes

Gerência de Certificação e Educação Continuada

Daniel Pfannemuller

Superintendência de Educação e Informações Técnicas

Ana Claudia Leoni

Superintendência Geral
José Carlos Doherty

Copyright © 2018
Todos os direitos reservados.
É proibida a reprodução total ou parcial sem autorização da ANBIMA.
ANBIMA - Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais

Praia de Botafogo, 501 - Bloco II, conjunto 704 CEP: 22250-911 - Botafogo, Rio de Janeiro - RJ
Tel.: (21) 3814-3800 / Fax: (21) 3814-3960
Av. das Nações Unidas, 8.501 - 21º andar CEP: 05425-070 - São Paulo - SP
Tel.: (11) 3471-4200 / Fax: (11) 3471-4240
http://www.anbima.com.br/pt_br/educar/educar.htm

26
27