Académique Documents
Professionnel Documents
Culture Documents
Rio de Janeiro
Junho de 2013
Para Miguel.
Agradecimentos
Agradeo aos Professores Jorge Zubelli e Beatriz Mendes pela orientao no desenvolvimento
deste trabalho e pelos conhecimentos transmitidos.
Agradeo aos meus colegas do BNDES, que sempre me apoiaram e incentivaram ao longo
do curso.
Agradeo tambm ao Srgio, Rodrigo, Carlos, Osvaldo, Vincius, Matheus e Bruna por
terem ajudado em inmeras situaes, e tambm pelo companheirismo nessa jornada.
E, em especial, agradeo a meu marido e minha famlia por terem compreendido minha
ausncia e por tudo que tm feito por mim. Ter vocs ao sempre meu lado tornou as vitrias
mais especiais e os momentos difceis mais leves.
iii
Resumo
A mensurao adequada dos riscos financeiros uma atividade fundamental na gesto de carteiras de ativos. Para tal, existem diversas medidas de risco e metodologias para modelar as
perdas de uma carteira. Porm, a variedade dos instrumentos financeiros e as condies de
mercado cada vez menos estveis tornam este problema no trivial. Por isso, importante
usar tcnicas adequadas para comparar e avaliar modelos de risco. Os backtests so a principal
ferramenta para esse fim, e consistem em testes de hiptese que comparam as medidas de risco
com as perdas histricas da carteira.
Neste contexto, o presente trabalho tem como objetivo analisar e comparar diferentes mtodos de backtesting. Foram implementados trs mtodos de backtesting aplicveis ao Value-atRisk (VaR) e um mtodo de backtesting genrico, que pode ser aplicado tanto ao VaR quanto
ao Expected Shortfall. Atravs de simulaes, verificou-se que uma limitao destes mtodos
o baixo poder quando sries de um ou dois anos de dados so utilizadas. Por fim, os testes
foram executados para diferentes modelos de riscos aplicados a sries nanceiras reais, ilustrando
a utilizao prtica dos testes aqui estudados.
Key words: Backtesting, Medidas de Risco, Modelos de Risco, Value at Risk, Expected
Shortfall
Sumrio
Contents
vii
1 Introduo
1.1
Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Estrutura do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Modelos de risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1
2.1.2
Modelos de varincia-covarincia . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3
2.1.4
Medidas de Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1
2.3
3 Backtesting
3.1
3.2
21
Teste de Kupiec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2
3.1.3
Resultados da simulao . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4 Estudo de casos
35
4.1
4.2
4.3
4.4
5 Concluso
. . . . . . . . . . . . . . . . . . . 42
47
vii
viii
Bibliography
SUMRIO
48
SUMRIO
Captulo 1
Introduo
Medidas de risco tm como objetivo expressar o potencial de perdas de uma carteira de
ativos em dados um horizonte de tempo t com um nvel de probabilidade . Dois exemplos de
perguntas que podem ser respondidas atravs de medidas de risco so:
1. Que valor de perda no ser ultrapassado com nvel de certeza?
2. Qual o valor esperado de perda, dado que a perda maior que um determinado limiar?
Para determinar com exatido esses valores, seria necessrio conhecer a distribuio de
probabilidades das perdas da carteira. Porm, na prtica, essa distribuio desconhecida, e
por isso a perda potencial da carteira deve ser estimada atravs de um modelo de risco. O
modelo de risco consiste de dois elementos: a modelagem da distribuio das perdas dos ativos
que compem a carteira e um mtodo de clculo para a medida de risco.
A escolha do modelo de risco determinante para a confiabilidade da medida de risco
obtida. Para avaliar a confiabilidade da medida de risco, as seguintes caractersticas devem ser
observadas:
Propriedades tericas [1]: o modelo possui propriedades desejadas para uma medida de
risco, como sub-aditividade, monotonicidade e invarincia translao?
Desempenho do modelo [8]: as perdas estimadas pelo modelo so compatveis com o
histrico de perdas?
A ferramenta mais utilizada para avaliao de medidas de risco o backtesting que, em linhas
gerais, consiste em comparar, atravs de testes estatsticos, as perdas histricas de uma carteira
de ativos com as medidas de risco geradas pelo modelo. A maioria dos mtodos de backtesting
encontrados na literatura so mtodos baseados em violaes. Esses mtodos utilizam como
informao apenas se as perdas ocorridas de fato ultrapassaram o limiar de perdas calculado
para cada dia. Mtodos mais recentes levam em considerao a dimenso das perdas quando
1
CAPTULO 1. INTRODUO
comparadas medida de risco. Um problema comum a todos os mtodos o baixo poder dos
testes estatsticos, o que pode ser justificado pelo pequeno nmero de observaes extremas nas
amostras utilizadas. Isso poderia inviabilizar o uso de backtest para comparao e escolha de
modelos de risco.
Assim, o principal objetivo deste trabalho analisar e comparar diferentes mtodos de
backtesting, de forma a entender as aplicaes e limitaes de cada mtodo. Para tal, duas
abordagens sero utilizadas: primeiramente, o poder dos testes ser avaliado atravs de simulaes, e em um segundo momento, os testes sero aplicados a diferentes modelos de riscos, com
a utilizao de sries financeiras reais. Com isso, espera-se responder a questes como: qual
o tamanho mnimo de amostra para obter resultados confiveis; que caractersticas do modelo
de risco e das sries financeiras impactam nos resultados do backtest; e como os resultados de
diferentes mtodos de backtesting se comparam quando aplicados s mesmas sries e modelos
de risco.
1.1
Motivao
O hedge uma posio tomada para mitigar riscos decorrentes da variao de preos.
1.2
Estrutura do trabalho
CAPTULO 1. INTRODUO
O Captulo 4 consiste em estudos de casos, onde alguns modelos de risco sero avaliados
atravs das metodologias de backtesting estudadas no Captulo 3.
O Captulo 5 conclui o trabalho.
Captulo 2
Medidas e modelos de risco
Como j mencionado na introduo, um modelo de risco compreende a escolha de um modelo
probabilstico para o retorno da carteira e um mtodo para estimar a distribuio de probabilidade dos retornos. As medidas de risco (como quantis ou esperanas condicionais) so
extradas a partir desta distribuio.
Alm da escolha da famlia de distribuio dos retornos da carteira e das medidas de risco
que sero utilizadas, diversas outras decises devem ser tomadas ao se utilizar um modelo de
risco. Uma lista no extensiva destas decises seria:
O retorno da carteira ser explicado apenas por sua srie histrica ou por outras variveis
econmicas? Neste caso, quais variveis sero escolhidas, e como o retorno da carteira ser
modelado em funo destas variveis? Por exemplo, para representar o retorno de uma
carteira de aes, podemos usar como variveis explicativas ndices setoriais ou as sries
de retornos das aes que compem a carteira; j para ttulos de renda fixa, devemos
escolher que vrtices das curvas de juros sero utilizados.
Qual ser o tamanho das sries histricas utilizadas nas estimativas? Sries muito pequenas podem no ser estatisticamente significantes, enquanto sries muito grandes podem
conter mudanas de regime que prejudicariam as estimativas.
Que modelos sero usados para precificar os ativos da carteira? O modelo de apreamento
dos ativos vai influenciar diretamente na medida de risco obtida, seja no clculo dos
retornos hipotticos da carteira, seja na funo que relaciona a variao do preo do ativo
ao retorno dos fatores de risco subjacentes.
A preciso das medidas de risco dependem tanto do modelo escolhido como de sua estimao.
Neste captulo, descreveremos os modelos de risco que sero avaliados nos estudos de caso
do Captulo 5. Os modelos apresentados neste trabalho so frequentemente usados na indstria
para mensurao de risco com horizontes de tempo curtos (como um ou dez dias teis) [18]. Em
5
seguida, sero apresentadas duas medidas de risco: Valor em Risco (VaR) e Perda Esperada (PE), tambm conhecido como Expected Shortfall , Conditional Value-at-Risk (CVaR)
ou Average Value-at-Risk [20]. A escolha destas medidas tambm deveu-se sua popularidade
e grande diversidade de trabalhos acadmicos sobre as mesmas.
cada ativo e seus valores em cada data da srie). Ao invs destes, usaremos sries de retornos
hipotticos.
A srie de retornos hipotticos obtida fixando-se as posies da carteira na data t e
calculando o seu valor conforme as variveis de mercado observadas nas para as ltimas n
datas. Denotando por v(t,ti) , 0 i n o valor da carteira com as posies da data t e
variveis de mercado da data t i, temos que o retorno hipottico da carteira com posies da
data t e dados de mercado de t i dado por:
h(t,ti) = log(v(t,ti) ) log(v(t,ti1) ), i {0, 1, 2, ..., n 1}
O motivo para a utilizao dos retornos hipotticos em detrimento dos retornos reais fica
claro com o seguinte exemplo. Suponha que desejamos modelar a distribuio do retorno de
uma carteira de aes de hoje at o prximo dia til, e o desvio padro deste retorno seja
estimado pelo desvio padro amostral dos ltimos 5 retornos. Suponha agora que a composio
da carteira e os valores das aes A e B sejam dadas conforme a Tabela 2.1 (coluna Qtde.
para as quantidades e P.U. para os preos unitrios da ao). Se usamos o retorno real da
carteira, estamos considerando aplicaes, resgates e mudanas em sua composio na formao
dos retornos, o que no reflete a volatilidade estimada da posio da carteira na data t. Assim,
para estimar o desvio padro desta carteira composta por 3 aes A e 7 aes B em t, deve-se
observar como uma carteira fixa com estas posies se comportaria no tempo, e para isso,
preciso usar os retornos hipotticos. Observe na ltima linha da tabela a diferena na estimativa
do desvio padro usando retornos reais e hipotticos.
Tabela 2.1: Comparao da estimativa de volatilidade usando retornos reais e hipotticos.
Data
t
t
t
t
t
-5
-4
-3
-2
-1
t
D.P.
2.1
Qtde.
10
8
7
7
5
3
Ao A
P.U.
$5.00
$4.80
$4.60
$4.70
$5.10
$4.90
Ret.
-4.1%
-4.3%
2.2%
8.2%
-4.0%
5.51%
Qtde.
0
1
3
3
5
7
Ao B
P.U.
$7.00
$7.00
$6.90
$7.20
$6.80
$7.00
V. Real
R. Real
V. Hip. R. Hip.
Ret.
0.0%
-1.4%
4.3%
-5.7%
2.9%
3.91%
$50.00
$45.40
$52.90
$54.50
$59.50
$63.70
-9.7%
15.3%
3.0%
8.8%
6.8%
9.25%
$64.00
$63.40
$62.10
$64.50
$62.90
$63.70
-0.9%
-2.1%
3.8%
-2.5%
1.3%
2.62%
Modelos de risco
(2.1.1)
2.1.1
Uma maneira simples de estimar medidas de risco de uma carteira modelar seu log-retorno
Xt+1 atravs de uma distribuio paramtrica univariada. Essa distribuio estimada a partir
da srie de retornos hipotticos da carteira. Na prtica, modelos multivariados costumam
apresentar melhores resultados por explicitarem as correlaes entre os ativos de risco que
compem a carteira, mas apresentaremos primeiramente os modelos univariados para ilustrar
alguns conceitos importantes para os demais modelos.
=
N i=1
N
1 X
=
(xti )2 =
N i=1
PN
i=1
x2ti
Distribuies como a t de Student podem apresentar um ajuste melhor aos dados por terem
caudas mais pesadas. Mas, a menos que o nmero de graus de liberdade desta distribuio seja
pr-fixado, ele precisa ser estimado atravs de mtodos de otimizao.
Uma desvantagem dos mtodos no-condicionais pode ser observada na Figura 2.1, que ilustra as volatilidades do dlar de 2007 a 2011 estimadas por diversos mtodos. um fato estilizado
conhecido que sries financeiras apresentam heteroscedasticidade condicional (ou clusters de
volatilidade), como ocorreu na crise de 2008. Podemos observar o efeito desse perodo na linha
em vermelho do grfico (b), que mostra a srie de volatilidade do dlar estimada pelo mtodo
no condicional com janela de um ano de dados. Como todas as amostras da janela tm o
mesmo peso, picos de volatilidade na amostra causaro um aumento sbito na estimativa, que
ir persistir enquanto o perodo de crise estiver na janela de amostragem. Aps sua sada,
a volatilidade cair abruptamente e permanecer em valores baixos, at que ocorra um novo
perodo de estresse na srie.
Modelo EWMA
Para contornar esse efeito, modelos condicionais podem ser utilizados. Uma possibilidade
usar o modelo EWMA (Exponentially Weighted Moving Average). Este modelo foi proposto
pela equipe do JP Morgan dentro de sua metodologia RiskMetricsT M de avaliao de riscos
financeiros [19]. O EWMA atribui pesos diferentes aos retornos da janela de amostragem, onde
pesos maiores so atribudos a retornos mais recentes, e o decaimento dos pesos ao longo do
tempo se d exponencialmente.
A varincia t+1 estimada recursivamente no modelo EWMA como:
t+1 =
t + (1 )(xt )2
= (1 )
N
X
i (xti )2
i=0
onde 0 < < 1 o fator de alisamento exponencial, sendo tipicamente prximo a 0.95, e N
o tamanho da janela. Quanto menor for , menor ser a persistncia do modelo, e maior ser
a sensibilidade a variaes recentes. A soma dos pesos atribudos a cada variao igual a 1.
0.05
2010
2011
2012
2007
2008
2009
2010
2011
2012
2007
2008
2009
2010
2011
2012
2007
2008
2009
2010
2011
2012
0.03
0.05
0.005
0.015
0.025
2009
0.01
(b) Volatilidade
2008
0.06
(c) Volatilidade
2007
0.03
0.00
(d) Volatilidade
0.05
10
Figura 2.1: Log-retornos do dlar de 2007 a 2011 (a) e volatilidades estimadas pelos modelos
no-condicional (b), EWMA (c) e GARCH(1,1). Em (b), o tamanho da janela de 6 meses na
linha azul e 1 ano na linha vermelha. Em (c), o fator de decaimento do EWMA de 0.9 em
azul, e 0.97 em vermelho. E (d), a janela usada para estimativa do GARCH de 1 ano.
O grfico (c) da Figura 2.1 ilustra a volatilidade do dlar estimada pelo mtodo EWMA.
Observe que a volatilidade responde mais rpida e intensamente a grandes variaes que o modelo no-condicional. Em contrapartida, a volatilidade cai mais rapidamente, onde a velocidade
desta queda dada pelo fator de decaimento, e no pelo tamanho da janela utilizada. Vale
notar que no mtodo EWMA o tamanho da janela determina apenas onde a srie de pesos
ser truncada. Idealmente, esse tamanho deve ser ajustado para ser o menor possvel em que
a soma dos pesos esteja suficientemente prxima de 1, adotando uma soluo de compromisso
entre eficincia computacional e preciso da estimativa.
11
Modelo GARCH
O modelo GARCH (Generalized Auto-Regressive Conditional Heteroskedasticity) foi proposto
por Bollerslev em [5], e base para um grande nmero de modelos de sries temporais amplamente utilizados em finanas.
Definio 1. Seja {Zt }tZ um rudo branco1 com mdia zero e desvio padro 1. {Xt }tZ
um processo GARCH(p,q) se estritamente estacionrio e satisfaz, para todo t Z e algum
processo {t }tZ , a:
Xt = t Zt
t2
= 0 +
p
X
i=1
2
i Xti
q
X
2
j tj
j=1
A equao da definio 1 adequada para modelar sries com clusters de volatilidade. Como
exemplo, observe no modelo do GARCH(1,1) que |Xt | tende a assumir um valor maior quando
a volatilidade t for maior, o que pode ocorrer quando |Xt1 | ou t1 so grandes. Em outras
palavras, o modelo implica em persistncia de altas volatilidades.
Algumas propriedades matemticas de processos GARCH valem destaque:
Mdia e varincia condicionais:
Seja Ft = (Xs : s t) a -lgebra que representa o processo at o tempo t. A definio
1 garante que t Ft -mensurvel. Com isso, temos que:
E[Xt |Ft1 ] = E[t Zt |Ft1 ] = t E[Zt |Ft1 ] = t E[Zt ] = 0
E[Xt2 |Ft1 ] = E[t2 Zt2 |Ft1 ] = t2 E[Zt2 |Ft1 ] = t2
Essa propriedade mostra que o modelo heteroscedstico, j que a varincia condicional
do processo muda ao longo do tempo.
Condio para estacionariedade:
Um processo {Xt }tZ estritamente estacionrio se para todo t1 , ... tn , k Z e todo
n N, os vetores (Xt1 , ..., Xtn ) e (Xt1 +k , ..., Xtn +k ) possuem a mesma distribuio. Em
particular, o processo GARCH(1,1) estritamente estacionrio se E[ln(1 Zt2 + )] < 0.
1
Um rudo branco um processo estacionrio de segunda ordem com autocorrelao nula para lags diferentes
de zero.
12
Sries financeiras costumam ser melhor ajustadas a modelos GARCH de ordens baixas,
sendo o GARCH(1,1) uma escolha bastante frequente. As inovaes Zt so tipicamente modeladas com distribuio normal ou t de Student, onde esta ltima tem a vantagem de capturar
as caudas pesadas de retornos financeiros, mas pode demandar o ajuste de um parmetro adicional (o grau de liberdade da distribuio). Um contorno para isso fixar o nmero de graus
de liberdade. Em [6], Bollerslev conclui que 8 graus de liberdade so, de modo geral, uma boa
parametrizao para sries financeiras.
O modelo GARCH permite ainda uma srie de variaes. Em [7], Bollerslev cita mais de
100 modelos inspirados no ARCH e no GARCH. Em [13], so comparados 330 modelos e suas
possveis variaes da famlia GARCH para modelar retornos intra-dirios de cmbio de Marco
Alemo por Dlar e de aes da IBM. Surpreendentemente, os autores no puderam identificar
nenhum modelo significativamente superior ao GARCH(1,1).
Passemos agora ao ajuste de um modelo GARCH(1,1) a uma srie histrica. Suponha que a
distribuio condicional de Xt+1 ser estimada com base nos t + 1 ltimos retornos observados
x0 , x1 , ..., xt . Os parmetros 0 , 1 e de um modelo GARCH(1,1) so estimados por mxima
verossimilhana, onde a densidade conjunta de probabilidade dada por:
L(0 , 1 , |x0 , x1 , ..., xn ) = fX1 ,...,Xt |X0 ,0 (x1 , ..., xt |x0 , 0 )
t
Y
=
fXi |Xi1 ,...,X0 ,0 (xi |xi1 , ..., x0 , 0 )
=
i=1
t
Y
i=1
1
g
i
Xi
i
(2.1.2)
(2.1.3)
(2.1.4)
= 0
1 1
1
+ 1 0 X02 + 1 02
= 0 + 1 X02 + 02
13
e, por induo:
2
2
t2 = 0 + 1 Xt1
+ t1
"
#
t1
t1
X
1
2
2
= 0 + 1 Xt1
+ 0
+ 1
t1i Xi1
+ t1 02
1
i=1
"
#
t1
t1
X
1
2
2
+ 1 Xt1
+
t1i Xi1
+ t 02
= 0 1 +
1
i=1
t
t
X
1
2
+ 1
+ t 02
= 0
ti Xi1
1
i=1
Como 0 no pode ser estimado, seu valor deve ser arbitrado. Duas escolhas so para 0 so
a varincia amostral de X0 , X1 , ..., Xt , ou simplesmente assum-lo como zero. Para uma amostra
suficientemente grande, essa escolha no ter impacto relevante, j que o termo que multiplica
0 t , que tende a zero quando t tende a infinito. Substituindo-se essa equao em 2.1.2,
obtemos a expresso de verossimilhana que deve ser maximizada para estimar os parmetros
do GARCH. Note que dependendo da distribuio assumida para as inovaes, pode ser que
parmetros adicionais desta distribuio tambm precisem ser estimados.
2.1.2
Modelos de varincia-covarincia
d
X
wi Zi,t
(2.1.5)
i=1
14
t =
zti
N i=1
N
X
t = 1
(zti
)T (Zti
)
N i=1
Tipicamente, assume-se que zero, j que um fato estilizado conhecido que sries de retornos
financeiros tm mdias aproximadamente nulas.
O modelo EWMA tambm pode ser estendido para um modelo multivariado normal. Neste
caso, o estimador da matriz de varincias-covarincias assume a seguinte forma:
t+1 =
t + (1 )(Zt )(Zt )T
= (1 )
N
X
i1 (Zti )T (Zti )
i=0
2.1.3
15
0.0
0.00
0.2
0.05
0.4
0.6
0.10
0.8
1.0
0.15
Este teorema requer que duas hipteses sejam assumidas: primeiro, que os retornos hipotticos sejam independentes e identicamente distribudos, o que classifica o mtodo como
no-condicional. A segunda hiptese diz respeito ao nmero de amostras, que deve ser suficientemente grande para que a diferena entre as distribuies real e emprica seja satisfatria. A
Figura 2.2 ilustra a influncia do tamanho da amostra: as quatro distribuies foram obtidas
da mesma srie (de dlar), com tamanhos de amostra entre 6 meses e 5 anos de dados, sendo
que a ltima data de todas as amostras a mesma (30/12/2011). A linha pontilhada equivale
a 5% de probabilidade, e permite visualizar a diferena no quantil para diferentes tamanhos de
amostra.
0.02
0.01
0.00
0.01
0.02
0.020
0.016
0.012
Figura 2.2: Distribuies empricas do dlar para amostras de 6 meses, 1, 2 e 5 anos de dados
(respectivamente, as linhas preta, vermelha, verde e azul).
Apesar das condies acima no serem satisfeitas, este mtodo apresenta duas vantagens
em relao aos anteriores: de fcil implementao e no requer que nenhuma hiptese sobre a
distribuio dos retornos seja feita. O clculo do VaR e da Perda Esperada a partir dos retornos
ordenados particularmente fcil, como ser visto a seguir.
2.1.4
Uma alternativa para o mtodo de simulao histrica a simulao de Monte Carlo. Este
mtodo tambm se baseia na distribuio emprica dos retornos da carteira. Mas, ao invs
de usar retornos hipotticos, o mtodo utiliza retornos gerados por um nmero elevado de
simulaes.
A gerao dos retornos consiste nos seguintes passos:
16
Para que o primeiro passo seja realizado, preciso que o retorno da carteira possa ser expresso
em termos dos retornos de fatores de risco (como retornos de aes, de ndices e de vrtices
de curvas de juros), e que a distribuio conjunta destes fatores de risco seja estimada. A
complexidade computacional do mtodo depende do nmero de cenrios simulados, do nmero
de fatores de risco e da complexidade da estimativa da distribuio dos fatores de risco.
2.2
Medidas de Risco
Em diversos trabalhos [15], [3], [18] encontra-se a seguinte definio matemtica para risco:
Definio 3. Seja um espao de probabilidade m = (, F, P), onde o conjunto dos possveis
estados da economia, F uma -lgebra e P uma medida de probabilidade P : F [0, 1].
Um risco X(), uma varivel aleatria real definida em .
Em termos concretos, podemos entender retornos de ativos e de carteiras em um determinado instante t como riscos: essas grandezas so variveis aleatrias reais cujo valor depende
do estado da economia at o momento em que forem observados. Artzner aponta em [3] que o
risco est relacionado com a variao do valor futuro de uma carteira, j que apenas valores no
futuro esto sujeitos a incertezas. No contexto da definio 3, Kerkhof define medida de risco
de uma maneira bastante genrica:
Definio 4. Seja M(m) o conjunto dos possveis riscos definidos em . Uma medida de
risco uma funo : M(m) R {}.
Em outras palavras, a medida de risco resume um risco atravs de um valor real.
Nesta seo, sero apresentadas duas medidas de risco: o Valor em Risco (VaR) e Perda
Esperada (PE). Em linhas gerais, o VaR de uma carteira representa um quantil superior da
perda estimada da carteira (ou, analogamente, um quantil inferior do retorno), sendo a medida
de risco recomendada por Basileia II e adotada como padro por diversas instituies financeiras
e rgos reguladores no Brasil. A Perda Esperada, como o nome j indica, o valor esperado
da perda dado que essa perda foi superior ao VaR. H uma tendncia que a Perda Esperada
passe a ser a medida de risco recomendada pelas prximas verses de Basileia, uma vez que ela
mais informativa sobre a real dimenso das perdas extremas da carteira.
2.2.1
17
1
E XI(,Q (X)] + Q (X)( P(X Q (X)))
(2.2.3)
Se F(X) uma funo contnua, ento P(X Q (X)) = , e a expresso acima se reduz a:
PE (X) =
1
E XI(,Q X]
(2.2.4)
e 22 dx =
PE (X) =
18
Figura 2.3: VaR e Perda Esperada de nvel 10% para retornos com distribuio normal padro.
A rea cinza corresponde a 10% de probabilidade.
Exemplo 2: VaR e Perda Esperada de um ativo com distribuio t de Student
Seguindo o mesmo raciocnio que no exemplo anterior, temos que se X t(, , ):
VaR (X) = t1
()
g (t1
())
PE (X) =
2
+ (t1
())
1
0.2
0.4
0.6
0.8
1.0
19
0.0
Distribuio de Probabilidade
Retorno
2.3
20
Conforme demonstrado em Artzer [2], a Perda Esperada uma medida coerente. J o Valor
em Risco monotnico, positivamente homogneo e invariante translao, mas no subaditivo, e portanto, no uma medida de risco coerente. possvel mostrar esse fato a partir de
um exemplo simples: sejam 100 debntures, todas emitidas por empresas diferentes, e cada uma
com 2% de probabilidade de inadimplncia. O preo de cada debnture $100 e os eventos
de inadimplncia das debntures so independentes entre si. No havendo inadimplncia, o
retorno de cada debnture de $5, e havendo, todo o valor perdido (ou seja, o retorno de
-$100). Denotando por Ii o evento de inadimplncia da debnture i, temos que o retorno da
P
carteira com N debntures dado por X = N
i 5(1 Ii ) 100Ii .
Sejam agora duas carteiras: a carteira A possui uma das debntures, e a carteira B
composta pelas outras 99 debntures. O Var de nvel 5% da carteira A igual a -$5, enquanto
o da carteira B o equivalente a 4 empresas inadimplentes em 992 , o que d uma perda de
4 $100 (99 4) $5 = $75. Por fim, o VaR da carteira (A+B) equivale a 4 inadimplncias
em 100, com uma perda de 5 $100 (100 5) $5 = $25. Ou seja, VaR(A+B) = $25 >
Var(A) + VaR(B) = (-$5) + (-$75) = -$80, contradizendo a sub-aditividade.
Por fim, vale notar que se a distribuio das carteiras normal, vale a sub-aditividade do
VaR.
Captulo 3
Backtesting
Modelos de risco so usados na tomada de decises tanto por gestores de investimentos, que
desejam adequar a relao entre o retorno desejado e o risco incorrido, como por autoridades
reguladoras, que devem observar se as instituies financeiras esto assumindo mais riscos que
seu patrimnio pode suportar. Por isso, as estimativas de perda fornecidas pelos modelos de
risco devem ser constantemente avaliadas atravs de backtesting, que compara as estimativas
de risco com perdas ocorridas de fato atravs de testes estatsticos.
Os mtodos mais populares de backtesting, como os propostos em [16], [9] e [10], analisam
a srie de violaes do VaR, ou seja, em que momentos a perda incorrida foi maior que o VaR
estimado pelo modelo de risco. Como a probabilidade de violao do VaR de nvel igual
a , ento podemos afirmar que se o modelo de risco estiver correto, a srie de violaes ser
uma srie i.i.d. de variveis aleatrias com distribuio Bernoulli com parmetro . Os dois
trabalhos citados acima usam testes de razo de verossimilhana para verificar essa hipteses. Dependendo da propriedade que est sendo avaliada, os backtests baseados em violaes
so classificados na literatura como testes de cobertura incondicional, testes de independncia ou testes de cobertura condicional (que avaliam conjuntamente o nvel do VaR e a
independncia das violaes).
Por desconsiderar a magnitude das perdas, mtodos de backtesting baseados em sries de
violaes no podem ser aplicados ao Expected Shortfall. H poucos trabalhos na literatura
sobre backtesting desta medida de risco. Em um deles, Kerkhof e Melenberg desenvolveram
um framework para backtesting de uma medida de risco qualquer [15], que consiste em um
teste de hiptese cuja estatstica observada a diferena entre a medida de risco proveniente
do modelo de risco e a medida aplicada distribuio histrica das perdas.
Uma das crticas aos mtodos de backtesting apresentados a seguir a baixa taxa de rejeio
de modelos mal especificados. Como ser mostrado a seguir, o poder dos testes pode ser
indesejavelmente baixo quando o tamanho da amostra usada no backtest pequena. Outro
problema que os mtodos so baseados na distribuio assinttica das estatsticas de teste.
21
22
CAPTULO 3. BACKTESTING
Essa distribuio pode ter uma diferena significativa para a distribuio real.
Nas prximas sees, sero estudados diversos modelos de backtesting. Foram selecionados
mtodos amplamente utilizados no mercado, como o mtodo de Kupiec [16] e de Christoffersen
[9], ou mtodos que se propem a corrigir deficincias observadas nos mtodos mais populares,
como o testes baseados em duration [10] e o mtodo de Kerkhof e Melenberg [15].
Para simplificar a apresentao dos mtodos a seguir, consideraremos o horizonte de tempo
de um dia, exceto quando explicitado. A extenso para outros horizontes de tempo ser descrita ao final do captulo, e alteraes de posies na carteira de um dia para o outro sero
desconsideradas.
3.1
Seja {Yt }Tt=1 a srie dos retornos observados, e {VaRt }Tt=1 a srie das estimativas de VaR de
nvel . Diz-se que houve uma violao na data t quando a perda da carteira em t foi maior
que o VaR estimado para essa data. Assim, a sequncia de violaes {Yt }Tt=1 dada por:
(
It =
1, se Yt < VaRt
0, caso contrrio
3.1.1
Teste de Kupiec
O teste de Kupiec consiste em um teste de hiptese sobre o nvel do VaR estimado pelo
modelo de risco:
H0 : =
H1 : 6=
Sob a hiptese nula, {It } tem distribuio Bernoulli(), e portanto o total de violaes V
tem distribuio binomial:
T
X
V =
It Binomial(T, )
t=1
O autor prope usar o teste da razo de verossimilhana para testar a hiptese nula em
23
T
Teste 1% Teste 5%
1% 250
[0, 7]
[1, 6]
1% 500
[1, 11]
[2, 9]
1% 1000
[4, 19]
[5, 16]
1% 2000 [10, 32]
[12, 29]
5% 250
[5, 22]
[7, 19]
5% 500
[14, 38]
[17, 35]
5% 1000 [34, 68]
[38, 64]
5% 2000 [76, 126] [82, 119]
(V ) = 2 ln
L( | V )
V
(1 )(T V )
, se V > 0
2 ln
V (1
)(T V )
2 ln (1 )T
, se V = 0
24
CAPTULO 3. BACKTESTING
onde:
a hiptese alternativa tem a forma = a ;
[Vmin , Vmax ] o intervalo de confiana para o nmero de violaes, conforme o nvel de
confiana do teste.
A Figura 3.1 mostra o poder deste teste para diversas hipteses alternativas e para vrios
tamanhos de amostra T . Neste grfico, percebe-se que o poder de teste depende fortemente
do tamanho da amostra: no teste de nvel de 5%, quando o tamanho da amostra de 2000
dias, so rejeitados mais de 90% dos modelos com nvel de VaR de 2% (ou seja, 2 vezes mais
que o nvel de VaR da hiptese nula). J se o tamanho da amostra de 250 dias, essa taxa de
rejeio cai para pouco mais de 20%.
Figura 3.1: Poder do teste de Kupiec com nvel de confiana de 5%(abaixo) para VaR de 1% e
diversos tamanhos de amostra
3.1.2
Como observado por Mandelbrot em [17], grandes variaes [nos preos de ativos financeiros]
tendem a ser seguidas por grandes variaes, em qualquer direo, e pequenas variaes tendem a ser seguidas por pequenas variaes. desejvel que o modelo VaR capture esse fato
25
estilizado, sendo maior (e portanto, mais conservador) nos perodos de mais turbulncia no
mercado. Se o modelo de risco considera a volatilidade como sendo constante, provvel que
as violaes ocorram com frequncia maior que o esperado em perodos de maior volatilidade,
e com menor frequncia nos demais perodos.
Christoffersen props em [9] e [10] testes estatsticos para verificar se a srie de violaes
temporalmente independente, indicando que a variao de volatilidade da srie foi capturada
pelo modelo de risco.
A primeira abordagem do autor uma simplificao do problema, e testa a independncia
entre duas datas consecutivas na srie de violaes. Se essa dependncia existe, e se datas no
consecutivas so independentes, a srie pode ser interpretada como uma Cadeia de Markov de
primeira ordem cuja matriz de probabilidades de transio :
"
(1 01 ) (1 11 )
=
01
11
(3.1.1)
Alternativamente, possvel fazer um teste de cobertura condicional atravs um teste de hiptese similar:
H0 : 01 = 11 =
H1 : 01 6= 11
(3.1.2)
Assim, sejam:
T0 =
T1 =
T 1
X
t=1
T
1
X
t=1
(1 It )
It
T01 =
T11 =
T 1
X
t=1
T
1
X
It+1 (1 It )
It+1 It
t=1
Ou seja, T0 e T1 so, respectivamente, o nmero de no-violaes e de violaes, desconsiderando o ltimo elemento da srie {It }; T01 o nmero de violaes que sucedem uma
no-violao e T11 o nmero de violaes que sucedem uma violao. Novamente, T01 e T11
26
CAPTULO 3. BACKTESTING
possuem distribuio binomial. Logo, para testar a hiptese de independncia em 3.1.1, o teste
da razo de verossimilhana tem a forma:
sup {L(01 , 11 | I) : 01 = 11 }
(01 ,11 )
IND (V ) = 2 ln
(01 ,11 )
T01 +T11
T0 +T1
(T01 +T11 ) (1
)(T0 +T1 T01 T11 )
2 ln
, se T01 + T11 > 0
T01 (1
)(T0 +T1 T01 )
IND (V ) =
2 ln
, se T11 = 0
T01
(T0 T01 )
(1
)
01
01
T11
(1
)(T0 +T1 T11 )
2 ln
, se T01 = 0
27
determinada:
= P(It = 1)
= P(It = 1|It1 = 1)P(It1 = 1) + P(It = 1|It1 = 0)P(It1 = 0)
= 11 + 01 (1 )
01 =
(1 11 )
1
A Tabela 3.2 mostra o poder estimado pelas simulaes para um teste com nvel de 5% de
confiana e nvel de VaR de 1%. Para cada combinao de T e 11 , foram geradas 10.000 sries.
Tabela 3.2: Poder do teste de Christoffersen baseado em cadeias de Markov
11 (%) 250
500
1000 2000
1
1.53 1.28 1.62 1.49
2
2.71 2.84 4.34 5.14
5
7.38 9.42 15.13 24.57
10
15.27 21.01 35.87 56.59
20
28.41 43.5 66.92 87.3
Os resultados encontrados por Christoffersen em [10] tambm apontam para o baixo poder
deste mtodo de backtesting.2 Neste trabalho, Christoffersen aplica a metodologia de VaR
histrico sries de retornos Yt geradas pelo modelo GARCH(1,1)-t(d):
r
Yt+1 = t
d2
zt+1
d
r
2
t+1
= + t2
d2
zt+1
d
!2
+ t2
3.1.3
Backtests baseados em cadeias de Markov de primeira ordem apresentam uma fragilidade ntida:
no capturam dependncias de ordens superiores. Para corrigir esse problema, Christoffersen
props em [10] um segundo mtodo de backtesting baseado na srie de durations. Esta srie
obtida a partir da srie de violaes, e cada elemento representa o nmero de dias entre duas
2
O teste realizado em [9] no utiliza VaR. Ao invs disso, considera como violaes os retornos fora de um
intervalo de confiana bilateral de 75%. Como essa configurao bastante atpica quando comparada ao VaR,
preferimos citar os resultados obtidos em [10]
28
CAPTULO 3. BACKTESTING
violaes consecutivas:
Di = ti ti1
(3.1.3)
29
N
1
X
ln(f (Di ))
i=2
30
CAPTULO 3. BACKTESTING
Para o caso exponencial, possvel obter os estimadores de mxima verossimilhana analiticamente. A distribuio exponencial dada por f (d) = aead , e sua funo de sobrevivncia
S(d) = ead . Assim, temos que:
a
=
(N C1 CN )
PN
i=1 Di
Mas uma desvantagem do teste baseado em durations que no h frmula fechada para os
estimadores de mxima verossimilhana da distribuio Weibull (assim como para as demais
distribuies Gamma e EACD). A necessidade de utilizao de um algoritmo de otimizao
numrica torna o mtodo computacionalmente mais complexo quando comparado com o teste
baseado em cadeias de Markov. Porm, especificamente para a distribuio Weibull, possvel
explicitar uma relao entre os parmetro no ponto timo:
a
=
N C1 CN
PN
b
i=1 Di
!1/b
3.2
31
(3.2.1)
Q1 ()
x dQ(x) + Q1 ()
!!
Q1 ()
dQ(x)
(3.2.2)
1
% (Q) :=
Q1 ()
!
x dQ(x)
(3.2.3)
(3.2.4)
32
CAPTULO 3. BACKTESTING
Se %(Q) Hadamard-diferencivel, podemos aplicar o mtodo do delta-funcional [23]:
T
1X
T (%(QT ) %(Q)) = T
t (Q) + op (1),
T t=1
Et (Q) = 0,
(%(QT ) %(Q)) d
T p
N (0, 1)
E 2 (Q)
(3.2.5)
EV2 aR (Q) =
(1 )
q 2 (Q1 ())
(3.2.6)
1
(x Q1 ())I(,Q1 ()] (x) P E(Q) + V aR(Q)
1 2
1
1
2
= 2 E x I(,Q1 ()] (x)
+ 3 (VaR(Q)) 2
+ 3 VaR(Q)PE(Q)+3(PE(Q))2
(3.2.7)
Sob a hiptese nula H0 : Q N (0, 1), as expresses acima possuem frmulas fechadas em
termos da funes de distribuio e densidade da normal padro. A funo de distribuio ser
33
denotada por (x), e a funo densidade, por (x). Temos, ento, que:
VaR (Q) = 1 ()
(1 ())
PE (Q) =
2
E x I(,Q1 ()] (x) = 1 ()(1 ())
(3.2.8)
(3.2.9)
(3.2.10)
3.2.1
Resultados da simulao
Inicialmente, verificamos o tamanho do teste, simulando 1.000 sries de retornos {Xt }Tt=1 , Xt
N (0, 1) para vrios tamanhos de T e verificando quantas foram rejeitadas. A importncia
deste teste verificar a velocidade de convergncia da estatstica de teste para sua distribuio
assinttica normal.
Para avaliar o poder do teste da mesma forma como foi feito para o teste de Kupiec,
preciso definir o desvio padro que gera o mesmo nvel de violao. Assim, devemos encontrar
34
CAPTULO 3. BACKTESTING
Tabela 3.3: Tamanho
Teste 1%
T
VaR
1% 250
11
1% 500
21
1% 1000
9
1% 2000
10
5% 250
14
5% 500
14
5% 1000
15
5% 2000
5
do teste de Kerkhof
Teste 5%
PE
VaR
PE
3
47
38
11
75
56
9
57
46
5
34
37
6
54
40
8
52
44
9
69
43
6
42
35
Figura 3.2: Poder do teste de Kerkhof com nvel de confiana de 5% para VaR de 1% e diversos
tamanhos de amostra
Captulo 4
Estudo de casos
4.1
Para realizar os estudos de caso, foram utilizadas 35 sries financeiras brasileiras de log-retornos,
sendo 5 sries de cmbio para real (dlar, euro, libra, iene e franco suco), e 3 curvas de juros
(pr-fixados, cupom de IPCA e DIxDlar) com 10 vrtices cada (1, 2, 3 e 6 meses, 1, 2, 3, 4,
5 e 10 anos). Todas as sries apresentaram valor mdio significativamente inferior ao desvio
padro: no pior caso, a relao valor mdio/desvio padro foi de 0.12 para o vrtice de um ms
da curva de juros pr-fixados.
Como era esperado, a volatilidade das taxas de cmbio geralmente maior que a das curvas
de juros, exceto para vrtices longos. A volatilidade das taxas de cmbio foi similar para as
cinco moedas, ficando dentro do intervalo de 0.945% a 1.24%, enquanto que os vrtices at
3 anos das curvas de juros apresentaram volatilidades menores que 0.42%. Alm disso, as
volatilidades dos vrtices das trs curvas de juros aumentaram com o prazo (Figura 4.1), sendo
que o vrtice de 10 anos da curva de juros pr-fixado apresentou a maior volatilidade, de 2.5%.
Para analisar a variao da volatilidade ao longo do tempo, cada srie foi dividida em
blocos de um ano e a volatilidade de cada bloco foi calculada. A evoluo das volatilidades
pode ser vista na Figura 4.2. Percebe-se um pico de volatilidade em todas as sries no ano de
2008, especialmente nas sries de cmbio. Os vrtices longos de juros pr-fixados apresentaram
volatilidades bastante elevadas em 2004, mostrando tendncia de queda com o passar dos anos.
O Grfico 4.3 mostra a funo de autocorrelao para os lags de 1 a 10 das curvas de juros
e das moedas. Cada vrtice est representado por uma cor, e a linha pontilhada em azul o
intervalo de confiana de 95% para a hiptese nula de que a autocorrelao zero. Observa-se
que a hiptese nula foi descartada para os vrtices mais curtos da curva de juros pr-fixados,
havendo uma autocorrelao positiva significativa em todos os lags. Tambm possvel notar
uma correlao negativa no lag 1 para os vrtices curtos das curvas de DIxDolar e Cupom de
IPCA. Para as sries de moeda, a hiptese nula de autocorrelao igual a zero no foi descartada
35
0.000
0.015
0.030
36
20
40
60
80
100
120
Figura 4.1: Volatilidade mdia das curvas de juros para vrtices de 1 a 120 meses. A linha
preta a curva de juros pr-fixado, a vermelha, de DIxDolar, e a azul, de cupom de IPCA.
0.010
0.000
0.000
0.010
0.020
Cupom IPCA
0.020
Juros Pr
2004
2006
2008
2010
2012
2004
2008
2010
2012
0.010
0.000
0.000
0.010
0.020
USD,EUR,LIB,IEN,CHF
0.020
DIxDOL
2006
2004
2006
2008
2010
2012
2004
2006
2008
2010
2012
Figura 4.2: Evoluo da volatilidade mdia anual de cada fator de risco. Cada linha das curvas
de juros representa um vrtice.
para a maioria dos lags.
4.2
Para iniciar o estudo de casos, tomaremos a srie de dlar como exemplo, e analisaremos os
resultados dos backtests para cinco modelos de estimativa de VaR e perda esperada: modelo
37
38
paramtrico normal no-condicional, modelo paramtrico normal com decaimento EWMA, modelo de simulao histrica, modelo GARCH(1,1) com distribuies Normal e t de Student com
8 graus de liberdade 1 . As configuraes para os modelos paramtrico normal, de simulao
histrica e GARCH correspondem a trs tamanhos de janela de dados (T=250, 500 ou 1000),
e o modelo EWMA foi testados com parmetros =0.94 e 0.97.
A Tabela 4.1 mostra os p-valores dos backtests aqui tratados para as diferentes configuraes
modelos de risco, utilizando nvel de confiana do VaR e da Perda Esperada de 1%. O backtest
foi realizado para uma srie de 4 anos de dados (de 2008 a 2011, 1000 pontos). As tabelas a
seguir mostram os p-valores dos testes de Kupiec, teste de independncia de primeira ordem de
Christoffersen (Chr.98), teste baseado em duration (Chr.04), e teste de Kerkhof e Melenberg
para VaR (KM VaR) e Perda Esperada (KM PE).
Tabela 4.1: Resultados de backtests para VaR e PE (nvel 1%) para uma carteira de dlar
utilizando 1000 pontos. Valores em negrito representam no-rejeio no teste com nvel de
confiana de 95%, e em itlico, no-rejeio para nvel de confiana de 99%.
Modelo
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
O nico modelo de risco no rejeitado em nenhum dos testes foi o Paramtrico Condicional
com decaimento EWMA (para ambos os valores de =0.94). Todos os demais modelos foram
rejeitados pelos testes de Kerkhof e Melenberg aplicados ao VaR e Perda Esperada. Considerando apenas os testes baseados em violaes, os modelos no rejeitados por nenhum teste
foram os dois EWMA e as trs configuraes do modelo GARCH(1,1) com inovao normal. A
no rejeio do modelo GARCH-t nos testes de Christoffersen sugere que o modelo conseguiu
capturar as variaes de volatilidade das sries, mas a rejeio no teste de Kupiec indica que o
nvel do VaR no foi capturado corretamente.
1
Em [6], Bollerslev afirma que essa uma boa parametrizao para sries financeiras.
39
40
Tabela 4.2: Resultados de backtests para VaR e PE (nvel 1%) para uma carteira de dlar
utilizando 250 pontos para a estimativa do modelo e 250 para o backtest.
Ano
2008
2009
Par. Normal
2010
2011
2012
2008
2009
EWMA, =0.94 2010
2011
2012
2008
2009
EWMA, =0.97 2010
2011
2012
2008
2009
Sim. Hist
2010
2011
2012
2008
2009
GARCH-Normal 2010
2011
2012
2008
2009
GARCH-t
2010
2011
2012
Modelo
41
Tabela 4.3: Resultados de backtests para VaR e PE (nvel 5%) para uma carteira de dlar
utilizando 1000 pontos.
Modelo
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
testes das medidas de risco ao nvel de 1%, o teste de Kupiec deixou de rejeitar os modelos
paramtrico no condicional e de simulao histrica. Como o poder dos testes maior neste
caso, o resultado sugere que as medidas de risco so modeladas mais adequadamente para um
nvel maior
Uma ltima observao sobre os testes acima que, apesar do artigo de Christoffersen
[10] sugerir que o teste de duration tem um poder maior quando comparado aos demais, no
foi possvel notar diferenas significativas entre os dois testes de independncia de violaes,
exceto pelo fato de que o teste de duration foi invivel para um grande nmero de testes
quando uma amostra de um ano de dados foi utilizado. Como este ltimo teste tem ainda a
implementao mais complexa, o teste de independncia de primeira ordem permanece como
uma opo interessante para o uso prtico.
4.3
Os backtests foram aplicados a outras sries de moedas (Euro, Yen, Libra e Franco Suo)
usando-se 1000 pontos (4 anos) para backtest, nvel de confiana do VaR de 1%, nvel de
confiana do teste de 5%. Os resultados desta e das prximas sees sero mostrados de
maneira agregada, indicando no mais o p-valor de um nico teste. Ao invs disso, ser indicado
quantas rejeies um determinado modelo sofreu. Assim, cada modelo foi ajustado a cada uma
das cinco sries de moeda, e esses cinco ajustes foram testados por todos os backtests. Os
valores da Tabela 4.4 indicam o percentual de rejeies dentre os 5 testes realizados para cada
42
combinao de modelo e teste. Por exemplo, se um modelo foi rejeitado no teste de Kupiec
para as sries de Yen e de Libra, o valor exibido para o teste de Kupiec aplicado a esse modelo
ser de 40% (2 de 5 moedas).
Tabela 4.4: Percentual de rejeies nos backtests aplicados a 5 sries de moedas.
Modelo
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
4.4
Uma pergunta natural se os resultados sero similares tambm para outras sries financeiras,
como as sries de retornos associados a taxas de juros. Como visto na primeira seo deste
captulo, estas sries possuem caractersticas diversas das sries de moedas, como autocorrelao
significativa no primeiro lag e menor volatilidade nos vrtices de vencimentos mais curtos.
Para responder a essa pergunta, os mesmos modelos foram aplicados a 3 grupos de 10 sries
cada: juros pr-fixados, cupom de DIxDlar e cupom de IPCA. As sries correspondem aos
43
44
Tabela 4.5: Percentual de rejeies nos backtests aplicados a juros pr-fixados, cupom DIxDlar
e cupom de IPCA (10 vrtices para cada curva).
Curva
Modelo
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Pr
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
DIxDOL Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
IPCA
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
45
Tabela 4.6: Percentual de rejeies nos backtests aplicados a juros, vrtices agrupados por
vencimento (1 a 6 meses, e 1 a 10 anos)
Vcto.
1-6m
1-10a
Modelo
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
Par. Normal, T=250
Par. Normal, T=500
Par. Normal, T=1000
EWMA, =0.94
EWMA, =0.97
Sim. Hist, T=250
Sim. Hist, T=500
Sim. Hist, T=1000
GARCH-Normal , T=250
GARCH-Normal , T=500
GARCH-Normal , T=1000
GARCH-t, T=250
GARCH-t, T=500
GARCH-t, T=1000
46
Captulo 5
Concluso
Nos ltimos anos, a estabilidade do sistema financeiro tem sido o foco de diversas recomendaes por Basileia e pelos Bancos Centrais, e um dos pilares destas recomendaes mensurao
adequada dos riscos decorrentes das oscilaes do mercado. Os backteskts tm um papel fundamental neste contexto, j que so as principais ferramentas de avaliao de modelos de risco.
Assim, o objetivo deste trabalho foi estudar algumas metodologias de backtesting para Valueat-Risk e Perda Esperada, e analisar aspectos tericos e de implementao dos modelos de risco
mais populares na indstria financeira, j que estes aspectos contribuem para a adequao do
modelo.
A maioria dos trabalhos sobre backtesting presentes na literatura utiliza como informao a
srie de violaes do VaR. Entre estes, foram analisados trs metodologias: o teste de Kupiec
[16], que mede o nvel de violaes do VaR, e duas metodologias propostas por Christoffersen
para avaliao da independncia temporal das violaes [9, 10]. Atualmente, a mtrica adotada
por Basileia para avaliar modelos de risco utiliza apenas o nmero de violaes nos ltimos 250
dias, sendo similar ao teste de Kupiec, mas o teste de Christoffersen proposto em [9] tambm
utilizado na indstria com frequncia.
Existem ainda poucas metodologias de backtesting para Perda Esperada. Uma destas metodologias foi proposta por Kerkhof e Melenberg, e consiste em um teste estatstico aplicvel a
qualquer medida de risco (dentre elas o VaR e a Perda Esperada). Porm, esta metodologia tem
algumas desvantagens, como no ser aplicvel ao modelo de simulao histrica (ou qualquer
outro onde no seja possvel normalizar as perdas histricas), e no usar a ordenao da srie
de perdas normalizadas como informao. A popularizao de modelos de backtest para Perda
Esperada um requisito essencial para a adoo desta medida de risco por parte de instituies
financeiras e rgos reguladores, e este trabalho visa contribuir para um maior entendimento
destas metodologias.
O poder dos backtests aqui estudados foi calculado analiticamente (no caso do teste de
Kupiec) ou atravs de simulaes (para os demais testes). Verificou-se que a taxa de rejeio
47
48
CAPTULO 5. CONCLUSO
Referncias Bibliogrficas
[1] C. Acerbi and D. Tasche, Expected shortfall: a natural coherent alternative to value at risk,
Economic Notes 31 (2002), no. 2, 379388.
[2] Carlo Acerbi and Dirk Tasche, On the coherence of expected shortfall, Journal of Banking
& Finance 26 (2002), no. 7, 14871503.
[3] P. Artzner, F. Delbaen, J.M. Eber, and D. Heath, Coherent measures orf risk, Mathematical Finance 9 (1999), no. 3, 203228.
[4] J Berkowitz, Testing density forecasts, with applications to risk management, Journal of
Business and Economic Statistics 19 (2001), no. 4, 465474.
[5] Tim Bollerslev, Generalized autoregressive conditional heteroskedasticity, Journal of econometrics 31 (1986), no. 3, 307327.
[6]
[7]
, A conditionally heteroskedastic time series model for speculative prices and rates
of return, The review of economics and statistics (1987), 542547.
, Glossary to arch (garch), CREATES Research Paper 49 (2008).
[8] S.D. Campbell, A review of backtesting and backtesting procedures, Divisions of Research
& Statistics and Monetary Affairs, Federal Reserve Board, 2005.
[9] P Christoffersen, Evaluating interval forecasts, International Economic Review (1998),
no. 39, 841862.
[10] P. Christoffersen and D. Pelletier, Backtesting value-at-risk: A duration-based approach,
Journal of Financial Econometrics 2 (2004), no. 1, 84108.
[11] K Dowd, Back-testing: a bootstrap back-test, Risk 15 (2002), no. 10, 9394.
[12] Jean-Marie Dufour, Monte carlo tests with nuisance parameters: A general approach to
finite-sample inference and nonstandard asymptotics, Journal of Econometrics 133 (2006),
no. 2, 443477.
49
50
REFERNCIAS BIBLIOGRFICAS
[13] Peter R Hansen and Asger Lunde, A forecast comparison of volatility models: does anything
beat a garch (1, 1)?, Journal of Applied Econometrics 20 (2005), no. 7, 873889.
[14] P. Jorion, Value at risk: the new benchmark for managing financial risk, New York (2000).
[15] J. Kerkhof and B. Melenberg, Backtesting for risk-based regulatory capital, Journal of
Banking & Finance 28 (2004), no. 8, 18451865.
[16] P. Kupiec, Techniques for verifying the accuracy of risk measurement models, (1995).
[17] B. B. Mandelbrot, The variation of certain speculative prices, Journal of Business 36
(1963), 392417.
[18] A.J. McNeil, R. Frey, and P. Embrechts, Quantitative risk management: Concepts, techniques and tools, Princeton University Press, 2005.
[19] JP Morgan, Riskmetrics: technical document, Morgan Guaranty Trust Company of New
York, 1996.
[20] G. C. Pflug, On distortion functionals, Statistics & Decisions 24 (2006), no. 1/2006, 4560.
[21] R.T. Rockafellar and S. Uryasev, Optimization of conditional value-at-risk, Journal of Risk
2 (2000), 2142.
[22] A. W. van der Vaart and J. A Wellner, Weak convergence and empirical processes, SpringerVerlag, 1996.
[23] A.W. Van der Vaart, Asymptotic statistics, Cambridge University Press, 1998.