Metodologias de Clculo de VaR

Luiz Alvares Rezende de Souza

lalvares@ibmec.br


1.1 Definio de Valor em Risco (Value-at-Risk)


Define-se genericamente o Valor em Risco (value-at-risk) VaR
t
, de uma carteira de
valor
t
, no perodo t, como:


% } Pr{ =
t t
VaR



Isto , o VaR a perda mxima esperada da carteira, a um nvel de significncia de
% (ou nvel de confiana de 1-%), dentro de um horizonte de tempo determinado.
importante observar que se trata de uma medida monetria, dado que a varivel
aleatria, nesse caso, a variao de valor da carteira. Por exemplo, um VaR dirio
de R$100.000 com um nvel de significncia de 5%, equivale a dizer que uma perda
maior ou igual a R$100.000 deve ser registrada a cada 20 dias, ou ainda, que de
cada 100 dias, apenas cinco deles devem ter perdas superiores a R$ 100 mil.

Definindo os retornos da carteira como
1
1

=
t
t t
t
r , pode-se trabalhar com o
VaR em termos da distribuio dos retornos da carteira, isto :


{ } % 1 Pr % Pr
1
1 1
1
= =

|
|

\
|

t t t t t
t
t
VaR r VaR


E pode-se definir um novo
*
t
VaR em termos de retornos:

{ } % 1 Pr
*
=
t t
VaR r

sendo que o VaR monetrio pode ser facilmente obtido como:

1
*

=
t t t
VaR VaR

O VaR pode se referir a diferentes horizontes de tempo. Pode ser calculado em
bases semanais, mensais, anuais, etc.. Nesse caso, ser um VaR multiperodo se
onde:
t
= variao no valor da carteira de preo
t

% = nvel de significncia
RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 2
for estimado com dados de frequncia maior do que o perodo de interesse. Seria o
caso de se utilizar retornos dirios para estimar um VaR semanal (5 dias ou
perodos). Modelos mais complexos so exigidos para esse tipo de previso, dado
que necessria a agregao das perdas esperadas em cada um dos perodos,
levando em conta a eventual dependncia temporal entre elas. Modelos da famlia
ARCH desempenham bem esse papel. Uma alternativa mais simples a utilizao
de um VaR de um nico perodo, mas estimado com base em retornos do perodo
de interesse, nesse caso, retornos a cada 5 dias.

A grande vantagem da utilizao do VaR o fato de representar uma medida de
risco de mercado
1
em apenas um nmero. O que no pode ser esquecido, contudo,
que se trata de uma medida probabilista. Ela no diz nada a respeito da magnitude
das grandes perdas. Isso quer dizer que no exemplo acima de um VaR de
R$100.000 a cada 20 dias, pode-se ter 19 dias com lucros, ou perdas menores do
que R$100.000, mas no ltimo dia registrar-se um perda de R$1.000.000 sem que o
VaR seja violado.


1.2 Metodologias Paramtricas versus No-Paramtricas


A definio de VaR dada acima bem geral, e as variaes entre os diversos
modelos de estimao de valor em risco se daro atravs de como especificado o
clculo da probabilidade { }
*
Pr
t t
VaR r . Suponha que essa probabilidade seja dada
por:
{ }


= =
*
% ) ( Pr
*
t
VaR
t t t t
dr r f VaR r

Ser a especificao de ) ( f , ou parametrizao de ) ( f , que deteminar o valor
de
*
t
VaR . Nesse caso, tem-se um VaR paramtrico, dependente basicamente das
hipteses feitas respeito da distribuio da varivel aleatria r
t
. Supondo-se que os
retornos da carteira sejam normalmente distribudos, com mdia
t
e varincia
t
2
,
pode-se escrever
2
:

= =

%
2
%
2
1
Pr
2
%

Z
x
t
t t
dx e Z
r


onde
%
Z o quantil correspondente a % de uma Normal Padro. Por exemplo, se
% =5%, 65 . 1
% 5
Z .

1
Todas as menes palavra risco feitas nesse trabalho referem-se estritamente ao risco de mercado, a menos se
especificado em contrrio.
2
Aqui tanto o parmetro da mdia quanto o da varincia so indexados por t para se manter o carter de
generalidade. Por exemplo, se a hiptese de normalidade for feita sobre a distribuio condicional dos retornos,
i.e., sobre
1
|

t t
r , pode-se ter um modelo que descreva o comportamento tanto da mdia quanto da varincia
condicionais, como o caso dos modelos Garch. Nesse caso, as estimativas de e variariam ao longo do
tempo.
RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 3
Supondo-se nula a mdia dos retornos
3
, o valor em risco da carteira seria dado por
4
:
t t t t
Z VaR

65 . 1
%
*
= + = e
1
65 . 1

=
t t t
VaR .

De outra forma, para uma amostra de tamanho T, de retornos i.i.d., suponha que:

{ } %
1
Pr
1
} {
*
*
= =

=
<
T
i
VaR r
t t
t t
I
T
VaR r

onde:
} {
I a funo indicador:

<
=
<
contrrio caso em , 0
caso , 1
*
} {
*
t t
VaR r
VaR r
I
t t


isto , que a probabilidade da ocorrncia de um retorno menor do que VaR* seja
dada pela distribuio emprica observada de r. Trata-se de um caso tpico de um
VaR no-paramtrico. Nesse caso especfico, a nica escolha a ser feita diz respeito
ao tamanho da amostra T a ser utilizada
5
.

So muitas as possibilidades de especificao paramtrica e no paramtrica de
{ }
*
Pr
t t
VaR r sendo que cada uma apresenta suas prprias hipteses, vantagens e
desvantagens. As mais comuns sero tratadas a seguir.


1.3 VaR sob a Hiptese de Normalidade


A hiptese usual a de qie os retornos dos fatores de risco so normais. Isso
permite escrever o VaR de uma carteira como:



%) (
% 1 1
= Z VaR
t


onde Z
1-%
o quantil de uma normal padro (z
95%
=1.65, z
99%
=2.33).

Nesse caso, para uma amostra (ou janela) de T observaes, o estimador no
condicional de
t

= =
T
t
t t
r r
T
1
2
) (
1
1
, onde

=
=
T
t
t
r
T
r
1
1
.


3
A hiptese de que
t
= 0 bastante comum, e fundamenta-se na observao emprica. Isso pode ser verificado
em mais detalhes no captulo 3, onde se mostra que as quatro sries estudadas neste trabalho apresentam mdia
nula. Na literatura a hiptese de mdia nula d origem ao conceito de VaR absoluto. O VaR relativo aquele que
considera a mdia diferente de zero na estimao.
4
Lembrando-se que: { } { } % Pr Pr
%
*


= + = Z r VaR r
t t t t t

5
A determinao de T apresenta-se como um problema tpico de largura de banda (bandwidth) de estimao
no-paramtrica. A estimao do VaR sensvel ao tamanho da janela utilizada, e no claro se todas as
informaes disponveis devem ser utilizadas, dado que podem estar bastante distantes no tempo e ter muito
pouco a dizer sobre as caractersticas da distribuio dos retornos da carteira no momento presente. Por outro
lado uma janela muito pequena produzir excessivas flutuaes no valor de
*
t
VaR .
RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 4
Note que o VaR dado pelo limite inferior do intervalo de confiana unicaudal para o
retorno da carteira ao assumir-se
6
que ) , ( ~
2
r N r
t
.

A hiptese de retornos normais i.i.d., contudono apresenta aderncia com a
realidade. A alternativa substitu-la por uma hiptese sobre a distribuio
condicional dos retornos:

) , ( ~
2
t t
N r

Um processo adequado para modelar a varincia condicional poderia ser um mode
um modelo do tipo GARCH(p,q) (Generalized Autoregressive Conditional
Heterokedasticity):

t t t
r = , ) 1 , 0 ( ~ N
t


=

+ + =
p
j
j t j
q
i
i t i t
r
1
2
1
2 2
, 0 > , 0 ,
j i
, 1
1
< +

=
p
j
j
q
i
i


A sugesto proposta no RiskMetrics, e largamente a mais utilizada no mercado a
do EWMA (Exponencially Weighted Moving Average):

2
1
2
1
2
) 1 (

+ =
t t t
r

Observando atentamente, o EWMA nada mais do que uma restrio sobre o
modelo GARCH(p,q), onde:

p =1, q =1, =0, =1 - , e =

O inconveniente que este modelo implica distribuio no-condicional degenerada
para os retornos.


1.4 Simulao Histrica


Supondo-se que a distribuio dos retornos seja no-padro, e que no se queira
fazer hipteses adicionais sobre ela, pode-se utilizar a prpria distribuio dos
retornos realizados da carteira, a fim de se calcular no-paramtricamente o quantil
correspondente ao nvel de significncia do VaR de % desejado.


6
Existe a possibilidade de se considerar distribuies alternativas. A primeira que surge mente a de uma
distribuio t-Student, que permite caudas mais pesadas e tem o importante apelo de ser o candidato natural
modelagem da varivel aleatria
t t
r se os retornos forem assumidos normais, pois
t
desconhecido e deve
ser estimado. Nesse caso, o VaR seria dado pelo limite inferior do intervalo:

) ( %) (
% 1
v t VaR
t
= ,
onde ) (
%
v t

o quantil de uma t com os v graus de liberdade utilizados para estimar . Repare que esse valor
converge para o de uma Normal se T for muito grande.
RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 5
Isto , dada uma amostra de retornos { }
T T
X X ,...,
1
= , ordenam-se as observaes
7

T
X X X
2 1
e toma-se o estimador de
2

] 1 % [ ] % [
%
+
+
=
T T
X X
X

para T par
8
.

A partir da estimativa do quantil emprico X
%
dos retornos, possvel contruir-se o
VaR(%) como
% 1

%) (

X VaR
t
= .

Apesar do nome de simulao histrica, num estgio simples como esse, no h
simulaes envolvidas. A idia se utilizar a prpria distribuio emprica dos
retornos passados da carteira ou ativo, com o argumento de que ela reproduz da
melhor maneira possvel a verdadeira distribuio. O mtodo robusto a
distribuies de caudas pesadas, mas baseia-se numa nica realizao do processo
gerador dos dados (uma nica trajetria de preos observada na prtica).
necessria a hiptese de retornos i.i.d. (independentes e identicamente distribudos),
exigindo-se portanto que a distribuio permanea estvel ao longo do tempo.


1.4.1 Estimador de Bootstrap das Estatsticas de Ordem

Apesar de a simulao histrica ser uma alternativa no normalidade dos retornos,
ela sofre de um mal que a elevada varincia das estatsticas de ordem,
principalmente nos extremos, alm de se basear numa nica realizao do
processo. Uma forma de amenizar esse problema utilizar-se o estimador de
bootstrap do quantil X
%
. Ele pode ser calculado sorteando-se, aleatoriamente, n
subamostras { }
* *
1
*
1 1
,...,
T T
X X = , de tamanho T
1
( T
1
< T ), e com reposio, a partir
de
T
. A partir da, ordena-se crescentemente cada uma das n amostras,
estimando-se X
%
da maneira mencionada em 2.4, para cada uma delas, obtendo-
se uma estimativa de X

. para cada subamostra. possvel mostrar atravs do

teorema central do limite que a distribuio do estimador de bootstrap

=
=
n
i
i
X
n
X
1
) (
% %

, converge para uma

n
X V
X N
) (
,
%
%

. Obtm-se assim um
estimador com menor varincia para a estatstica de ordem X
%
. A idia que o
bootstrap permite a obteno de estatsticas de ordem de melhor qualidade,
principalmente quando as amostras so pequenas. Porm, continua o problema de
no se ter muito a dizer sobre a probabilidade de perdas maiores do que o valor
mnimo observado na amostra.



7
As observaes ordenadas desta maneira recebem o nome de estatsticas de ordem. A definio formal
encontra-se na seo 4.1.1.
8
Os colchetes [.] definem a parte inteira da operao.
] % [ T
X

, portanto, refere-se ao retorno que ocupa a
posio correspondente a % das observaes, numa amostra ordenada de maneira crescente. Para T mpar
utiliza-se
] 1 % [ %

+
=
T
X X

.
RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 6
1.5 Simulao de Monte-Carlo


A simulao de Monte-Carlo indicada apenas quando as abordagens tradicionais
como a simulao histrica e o VaR normal no so apropriadas. Isso se deve
principalmente ao custo computacional de implementao e processamento.

Para compreender a metodologia, comecemos pelo caso do VaR de um nico ativo
(ou fator de risco) cujos logaritmos dos preos sigam um processo bem simples:

t t
dZ dp =


Onde p descreve o logaritmo do preo do ativo (ou fator de risco), s a volatilidade e
Z uma varivel aleatria normal padro.

Tomando-se uma discretizao aproximada para essa equao, quando dt=1:

t t t t t
Z p t Z p p + = + =
1 1


Para simular o preo do ativo entre o perodo atual e h perodos frente, obtm-se:

=
+ +
+ =
h
j
j t t h t
Z p p
1
1 1



Dessa forma, a partir do ltimo preo disponvel para o ativo (ou fator de risco), de
sua volatilidade e de realizaes aleatrias de Z, possvel a cada simulao, obter-
se um preo para o ativo, h perodos frente (no caso do VaR multiperodo).
Repetindo-se este processo alguns milhares de vezes, possvel obter-se a
distribuio inteira de suas perdas e tomar-se o quantil de % como o seu VaR.

No caso de uma opo, por exemplo, deve-se reprecific-la em cada uma das
simulaes no dia t+h e utilizar-se a distribuio dos preos da opo e no do ativo.

A extenso para carteiras bastante direta, e o maior problema advm do aspecto
computacional de reavaliao da carteira em cada um dos cenrios gerados por
Monte-Carlo:

Para o caso se uma carteira (ou conjunto de fatores de risco):

t k
t
t
k k k k
k
k
t k
t
t
t k
t
t
Z
Z
Z
a a a
a a a
a a a
p
p
p
p
p
p
,
, 2
, 1
, 2 , 1 ,
, 2 2 , 2 1 , 2
, 1 2 , 1 1 , 1
1 ,
1 , 2
1 , 1
,
, 2
, 1

Em notao matricial:

t t t
AZ p p + =
1
ou
t t t
AZ p p + =
1

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 7

E onde A obtida a partir da decomposio de Cholesky da matriz de covarincias
dos ativos (fatores de risco), isto , A tal que:

T
AA =


A idia que A ser uma "matriz raiz quadrada" de , e far o papel de padronizar
os choques aleatrios para que os retornos dos diversos fatores apresentem as
mesmas volatilidades e correlaes que os dados originais.

De posse dos cenrios de preos gerados, reavalia-se a carteira em cada um deles,
obtendo-se a distribuio de suas perdas, como no caso de um nico ativo.



1.6 Agregao do VaR tradicional para uma carteira de Ativos


Tudo o que foi dito at aqui para o clculo de VaR de um nico ativo pode ser
facilmente estendido para carteiras. A raiz do problema da agregao do VaR de
portflios est no fato de que os movimentos dos preos dos ativos componentes de
uma carteira so correlacionados uns com os outros. Isso implica que se A e B
compem uma carteira, e se seus retornos possurem, por exemplo, correlao
negativa, a queda no preo de A deve ser acompanhada de um aumento no preo
de B, reduzindo a oscilao de preo da carteira como um todo, e produzindo um
menor nvel de risco em relao soma dos riscos individuais.

Suponha que a carteira de valor e retorno r
p
seja formada por um conjunto de
ativos n i ,..., 1 = , de retornos [ ]

=
n
r r r , , ,
2 1
R , e participaes [ ]

=
n
w w w , , ,
2 1
w , tais
que 1
1
=

=
n
i
i
w .

Alm disso, definindo [ ] ) )( ( ) ( = = R R R R R E E E COV como a matriz de
covarincia dos retornos, ) (R C CORR = como a sua matriz de correlao, e
[ ]
n
diag , , ,
2 1
= como uma matriz diagonal com desviospadro dos retornos.

Definindo-se ps retornos da carteira como

R w =
p
r

tem-se que a varincia dos retornos da carteira ser

w w ) (
2
= =
p p
r VAR ou w C w
2
=
p


RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br) 8
Assumindo-se que os retornos sigam distribuio Normal
9
, possvel como em 2.3,
tomar-se o limite inferior do intervalo de confiana de r
p
para o clculo do VaR:

% 1
*

= Z VaR
p t
e
1 % 1
=
t p t
Z VaR



Alm disso, lembrando que:

1 % 1 1 % 1


= =
t t
p
t
Z Z VaR

w w w C w

e que o VaR de um ativo i pode ser escrito como:

i
t i i
i
t
w Z VaR
1 % 1
=



ento o VaR agregado da carteira p dado por:

t t
p
t
VaR VaR C R Va =
onde ( )

=
n
t t t t
VaR VaR VaR
2 1
VaR

isto , a partir da matriz de correlao dos retornos, e do VaR individual (no
diversificado) da posio de cada ativo da carteira, possvel obter-se o VaR
agregado de todo o portflio.


9
Neste caso isso implica distribuio Normal Multivariada para R: ( ) 0 R , ~ N