Escolar Documentos
Profissional Documentos
Cultura Documentos
Ambima 2
Ambima 2
Data: 24/01/2019
1
Sumário
VAR ................................................................................................................................................ 3
2
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.
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.
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
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:
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:
Então:
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
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:
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:
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%
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.
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.
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
Figura3 - Comparação entre volatilidades do dólar estimadas pelos métodos simples e EWMA
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.
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.
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
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
18
31/01/2017 45,22 31,18 1,05% 0,60% 1,04% 0,60%
19
28/03/2017 56,41 28,49 -0,60% -2,44% -0,60% -2,47%
20
23/05/2017 54,99 29,9 1,99% 1,70% 1,97% 1,69%
21
18/07/2017 43,66 27,09 -2,23% 0,78% -2,26% 0,78%
22
10/09/2017 45,81 25,08 2,40% -0,08% 2,37% -0,08%
23
01/11/2017 43,17 24,83 -0,25% -1,43% -0,25% -1,44%
24
Apêndice 2
25
EXPEDIENTE
Texto
José Valentim Machado Vicente
Andréa Sá de Oliveira
Revisão
Gonzaga de Souza Filho
Hilton Hostalacio Notini
Apoio Técnico
Patrícia Guedes
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