A - Avaliação Estimativa Risco de Merc Ações Compra Petrobras Usando VaR

AVALIAO DA ESTIMATIVA DO RISCO DE MERCADO DE AES E OPES
DE COMPRA DA PETROBRS UTILIZANDO A METODOLOGIA VALUE AT RISK

(VaR) COM SIMULAO DE MONTE CARLO
Fbio Luiz de Oliveira Bezerra 1
Av. Prof. Moraes Rego, 1235 Cidade Universitria
CEP: 50670-901 Recife/PE Brasil
E- mail: carmona@npd.ufpe.br
Charles Ulises De Montreuil Carmona 1
Av. Prof. Moraes Rego, 1235 Cidade Universitria
Tel: (81) 3271.8368
E- mail: carmona@ufpe.br
1
Universidade Federal de Pernambuco - UFPE

Departamento de Cincias Administrativas
Resumo:
Este trabalho tem o intuito de avaliar a capacidade da abordagem Value at Risk com
simulao de Monte Carlo (SMC), na previso do risco de mercado da ao da Petrobrs
(PETR4) e das opes de compra da PETR4 (PETRJ39, PETRH6, PETRH5). Compara-se a
performance da SMC com os mtodos denominados paramtricos: para a carteira de aes,
considera-se o modelo do desvio padro, e, para as opes, utilizam-se aproximaes Delta e
Delta-Gama. A SMC para as opes obtida pelos seguintes modelos de precificao do
valor da carteira: o de Black & Scholes (SMC Univariada), o de Hull & White, que inclui
volatilidade estocstica (SMC Bivariada), e, por ltimo, a incluso da taxa de juros tambm
estocstica atravs do modelo de Rendleman e Bartter (SMC Trivariada). As evidncias
empricas sugerem que a estimativa do VaR pela simulao de Monte Carlo supera a dos
mtodos paramtricos, notadamente em carteiras no-lineares.
Palavras-chave: Risco de mercado, Value at Risk, simulao de Monte Carlo.
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

utilizando a metodologia Value at Risk (var) com simulao de Monte Carlo
AVALIAO DA ESTIMATIVA DO RISCO DE MERCADO DE AES E OPES

DE COMPRA DA PETROBRS UTILIZANDO A METODOLOGIA VALUE AT RISK
(VaR) COM SIMULAO DE MONTE CARLO
1. Introduo
A abordagem Value at Risk (VaR) tem sido uma das tcnicas mais utilizadas no
gerenciamento de risco tornando-se padro na indstria bancria. Uma grande vantagem da
estimativa do risco atravs do VaR consiste na capacidade de mensurar e agregar diversas
posies de risco de toda a instituio em um nico valor. Isso torna a compreenso muito
mais fcil do nvel de risco da empresa para seus diretores, acionistas e investidores.
Embora a abordagem do VaR para a estimativa do risco de mercado seja de fcil
entendimento, existem diversas metodologias para sua obteno, cada uma apoiando-se em
suposies diferentes quanto s caractersticas dos fatores de risco de mercado e adequandose melhor a diferentes perfis de composio da carteira. Conforme destacam Hull e White
(1987), os modelos matemticos e estatsticos mais utilizados para o clculo do VaR
(metodologia paramtrica) admitem que retornos dirios das variveis de mercado (preo de
ativos, taxas de juros, cmbio) seguem uma distribuio de probabilidade do tipo normal. Na
prtica, as sries de retornos dirios dessas variveis apresentam assimetria e significativos
graus de curtose.
Por outro lado, a simulao de Monte Carlo parece ser uma metodologia confivel
e abrangente para a mensurao de riscos financeiros, e capaz de capturar uma grande
variedade de riscos, inclusive de preo, de volatilidade e de crdito.
conveniente, portanto, realizar uma anlise de acuidade das metodologias para o
clculo do VaR, comparando-se a estimativa de perda potencial de uma carteira medida pelo
VaR com a perda efetiva ou real observada aps a passagem do tempo.
2. Referencial terico
Jorion (2000) estabelece uma definio formal para tal medida: o VaR mede a
pior expectativa de perda durante um certo perodo de tempo, sob condies normais de
mercado e com um dado nvel de confiana. Considerando-se VC0 o valor da carteira no
momento inicial e R a sua taxa esperada de retorno no final do horizonte de tempo, o valor
esperado da carteira aps o horizonte determinado ser de VC = VC0 (1 + R ) , tambm define
VaR como a perda da carteira relativa ao seu valor esperado:
VaR = VC VC * = VC0 ( R R * )
Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona
onde VC* o valor esperado mnimo admitido para a carteira referente ao nvel de
significncia desejado, e R* o retorno associado a VC*.
O VaR pode ser definido como a perda absoluta da carteira, ou seja, relativa a
zero ou sem referncia com o valor esperado da carteira:
VaR = VC0 VC * = VC0 R *
Esta ltima forma a comumente utilizada no meio acadmico e de mercado,

pois representa a perda real da carteira em relao ao momento em que est se medindo o
VaR.
Para encontrar o valor mnimo esperado, necessita-se estabelecer um nvel de
confiana e conhecer a funo de distribuio de probabilidade futura da carteira de ativos ou
do retorno da carteira, respectivamente quando se calcula o VaR do valor da carteira ou de
retorno. Considerando a funo de distribuio de probabilidade do valor futuro da carteira,
f(x), a determinado nvel de confiana, q , deseja-se descobrir a pior realizao possvel para a
carteira, VC* , tal que a probabilidade de exceder esse valor seja q:
q=
f ( x ) dx
VC *
ou tal que a probabilidade de um valor menor que VC* , p = P( x VC * ) , seja 1-q:

VC *
1 q =
f ( x ) dx = P ( x VC *) = p
Portanto, tem-se que VC * = F 1 ( p ) , que corresponde ao valor do quantil de

probabilidade p, onde F 1 a funo inversa de densidade de probabilidade. Da:
VaR = VC 0 VC * = VC 0 F 1 ( p )
Se no h a funo de distribuio de probabilidade analiticamente, deve-se

proceder empiricamente construo da distribuio do valor da carteira e calcular o quantil
pela ordenao direta das freqncias de ocorrncias dos valores.
Como se v, o VaR obtido do quantil da funo de distribuio de probabilidade
da carteira, logo sendo aplicado a qualquer distribuio, seja ela normal ou no, discreta ou
contnua, com cauda grossa ou fina. Se a distribuio for normal, considerando e ,
respectivamente, mdia e desvio padro, o quantil genrico p a funo inversa de
distribuio normal cumulativa de probabilidade 1 ( p) . Para as distribuies normais, o
VaR dado por:
VaR = VC0
(2-1)
3

onde desvio normalizado para a significncia selecionada, o desvio padro e VC0 o
valor inicial da carteira do momento do cmputo do VaR.
Para carteira com vrios fatores de risco, a funo de distribuio de probabilidade
da carteira obtida a partir da distribuio dos fatores de risco ou variveis financeiras aos
quais est exposta a carteira. Considerando-se que as variveis aleatrias que representam os
fatores de risco so dados por X 1 ,..., X d , a funo que representa o valor da carteira, que
pode ser uma funo perda ou modelo de precificao da carteira, ser dada por
= L( X 1 , X 2 ,..., X 3 ) . Denota-se
FL como a funo de distribuio cumulativa de
probabilidade da funo perda, FL (l ) = Pr( < l ) . Considerando G a funo de distribuio

multivariada das variveis X 1 ,..., X d , a funo de distribuio cumulativa :
l R d
(l ) = Pr( L( X 1 ,..., X d ) < l ) =
[ L( X
,..., X d )]dG ( X 1 ,..., X d )
(2-2)
O clculo do VaR consiste, ento, na estimativa do quantil: para um dado p,

encontrar l p tal que FL (l p ) = p . Ento VaR dado por l p = FL1 ( p ) . Portanto, para calcular
o VaR preciso aproximar a inversa da funo de distribuio cumulativa de probabilidade da
funo de perda da carteira.
2.1 Modelos de precificao de opes
Para calcular o VaR de contratos no- lineares como, por exemplo, contratos de
opes, torna-se fundamental determinar o modelo de precificao dos mesmos, que,
subtrado do valor inicial da carteira, representa a funo perda do valor da carteira.
Existe uma srie de modelos matemticos para o clculo dos prmios de opes.
O modelo proposto por Black & Scholes (1973) B&S foi a primeira soluo para a
frmula de equilbrio geral na avaliao do prmio de opes. No caso de opes do tipo
europia, B&S apresentaram as seguintes frmulas para a avaliao dos seus prmios:
Para opo de compra:
c = S N ( d ) K e R( T t ) N ( d T t ) (2-3)
Para opo de venda:

p = S N ( d ) + K e R( T t ) N ( T t d )
Como sabemos, o modelo B&S parte do pressuposto de que o ativo objeto tem um
comportamento estocstico contnuo, na forma de movimento geomtrico browniano. Isto
quer dizer que se assume que a distribuio probabilstica dos preos do ativo objeto, em uma
data futura, log- normal e, por conseguinte, a distribuio probabilstica das taxas de retorno
4
calculadas continuamente, e composta entre duas datas. O preo da ao a soluo da

seguinte equao diferencial estocstica:
dS t = S t dt + S t dw(t )
onde S ( 0) = S 0 > 0 , w(t) um processo de Wiener, com tendncia instantnea e desvio dados,
respectivamente, por e .
Um modelo alternativo ao B&S o proposto por Hull e White (1987), no qual
pressupem-se as mesmas hipteses de B&S, exceto a que se refere ao comportamento do
preo e da volatilidade. Neste, o preo de uma ao assume um processo estocstico mais
geral e a volatilidade assumida como estocstica, da seguinte forma:
dS t = ( S t , t , t ) S t dt + t S t dw(t )
dV t = ( t , t )Vt dt + ( t , t )Vt dz (t )
onde Vt = t2 a varincia instantnea dos retornos, w(t) e z(t) so dois processos de Wiener
independentes entre si, e S t o preo da ao no instante t.
Hull e White (1987) demonstram que, quando a volatilidade no correlacionada
com o preo da ao, pode-se escrever o valor de uma opo de compra europia em t como:
c ( S t , t , t ) = c BS (V ) f (V | t2 ) d V
onde c BS (V ) a frmula de B&S, f(.) a funo de densidade de probabilidade de V , e V o

valor mdio da taxa de varincia definido como:
1 T 2
V=
ds
T t t t
Isto , o preo da opo a esperana condicional em t do preo B&S, utilizandose o valor da integral acima como parmetro de volatilidade. Pode-se usar uma aproximao
do modelo de H&W que o torna to prtico como o de B&S, utilizando-se como parmetro de
volatilidade na frmula de B&S a raiz quadrada da mdia das previses da volatilidade ao
quadrado at T-t passos frente (Duffie e Pan, 1997).
Considerar a taxa de juros determinstica pode no ser to realista, assim, o ideal
seria relaxar esta hiptese e abrir a possibilidade de juros estocsticos. Hull (2000) atesta que,
em geral, a taxa de curto prazo descrita, num modelo neutro ao risco, pelo processo de It,
da seguinte forma:
dR = m ( R) dt + s( R) dz

Assume-se que o desvio instantneo m(R) e a tendncia s(R) sejam funes de R,

mas independentes do tempo. Esse modelo implica que todas as taxas se movem da mesma
direo durante qualquer intervalo de tempo, mas no na mesma proporo.
No modelo de Rendleman e Bartter (1980), considera-se que m(R)=R e o
s(R)=R, onde a taxa de crescimento esperada e a volatilidade da taxa de juros, levando
a crer que devido ao comportamento da economia, as taxas de juros tenham tendncia de
reverso mdia em longo prazo.
2.2 Simulao de Monte Carlo

Para as distribuies de probabilidade, nas quais no h os valores da funo de
distribuio cumulativa de probabilidade em forma analtica ou pelo menos tabulados,
necessita-se utilizar os mtodos numricos de integrao, para o clculo do quantil que
representa o VaR. Uma das tcnicas possveis o mtodo de Monte Carlo. A aplicao mais
comum do mtodo de Monte Carlo o clculo de integrais, embora seja tambm utilizado
para outras finalidades como, por exemplo, a resoluo de equaes.
Considera-se, primeiramente, a seguinte integral definida:
= f ( x ) dx
b
O problema de calcular a integral torna-se um problema de estimativa da mdia,

^
E(f(Y)). Um estimador para a mdia dado pela frmula: = ( b a )

onde
f ( yi )
n
y i so valores de uma amostra aleatria de tamanho n retirada da distribuio de
probabilidade uniforme sob o intervalo [a, b].

A varincia dessa estimativa dada por:
(b a )
Var ( ) =
^
. f ( x ) f (t ) dt dx
O desvio padro est diretamente associado ao erro de convergncia, e, da

equao anterior, conclui-se que a ordem do erro de n 1 / 2 .
Uma importante propriedade do desvio padro da estimativa pelo mtodo Monte
Carlo a independncia com a dimenso da integral. Os erros normalmente so dependentes
da dimenso d: n
1
2d
(Gentle, 1998).
O mtodo de Monte Carlo tambm bastante utilizado na precificao de opes:

simulam-se as trajetrias dos fatores de risco at o prazo de vencimento da opo, aplicam-se
esses valores na funo que representa o valor da opo e desconta at a data desejada a uma
taxa de juros livre de risco.
O preo atual de uma opo de compra europia, considerando as hipteses de
B&S, o valor esperado da opo numa situao de indiferena ao risco, descontado a uma
taxa de juros livre de risco:
ct = eR(T t) E[ g(ST t )]
(2-4)
onde T-t o tempo at o vencimento da opo, S t o preo do ativo no tempo t, e g(.) a

funo pay-off da opo e R a taxa livre de risco. Por simplificao algbrica, supe-se que
t=0.
Num mundo neutro ao risco, ln S T possui uma distribuio de probabilidade
normal onde o preo da ao num tempo futuro T ser dado pela expresso, conforme
destacado em Boyle (1977):
ST = S0 e ( R(
/ 2 ))T + T
(2-5)
onde uma varivel aleatria com distribuio normal padro, R a taxa livre de risco e
ST o preo do ativo no tempo T.

Aplicando esta ltima equao na funo do valor esperado da opo (Eq. 2.4),
tem-se (Joy, Boyle e Tan, 1996):
c =e
RT
((R(
g[S0e
/ 2))T+ T )
1
2
e / 2d
2
Atravs da inversa da funo de distribuio de probabilidade da varivel normal

, transforma-se a integral de menos infinito a mais infinito para uma integral com
distribuio uniforme sobre o intervalo [0,1]:
c = h( )
1
2
2 / 2
d = h( ( x))dx = f (x)dx
0
Esta simplificao permite obter uma aproximao eficiente para a integral pela
seleo apropriada de amostras de pontos no intervalo [0,1]. Pela simulao de Monte Carlo,
geram-se n valores de variveis com distribuio uniforme e o valor da opo ser dado por:

c=
1 n
f ( i ) , onde i ~ U (0,1)
n i =1
Pode-se optar pela gerao de valores de variveis normais e o valor da opo tornar:
c=
1 n
h( i ) , onde i ~ N (0,1) .
n i=1
Ser visto em item posterior que, com os nmeros pseudo-aleatrios, o erro da

estimativa acima ser da ordem de n 1 / 2 , enquanto que , com os nmeros quase-aleatrios
ser da ordem de
(log( n ) )d
n
2.3 Gerando nmeros aleatrios

Pode-se classificar os nmeros aleatrios em trs grupos:
a) Aleatrios. Os nmeros aleatrios so os nmeros puramente aleatrios, que so
selecionados por meio no determinstico, que no envolvem algoritmos ou funes, e
normalmente so obtidos por intermdio de eventos naturais ou fsicos. Nesta
classificao, enquadram-se os geradores de nmeros aleatrios (Sobol, 1994).
b) Pseudo-aleatrios. So os obtidos por meio de algoritmos, de tal forma que apresentem
um ciclo de repetio to alto quanto possvel, de modo a simular uma distribuio
verdadeiramente randmica. Neste grupo, enquadram-se os mtodos de congruncia linear
abordados por Gentle (1998).
c) Quase-aleatrios. Conhecidos como seqncias de baixa discrepncia, so tambm
obtidos por procedimentos matemticos.
Desenhando um conjunto de nmeros pseudo-aleatrios em duas dimenses, v-se
que os mesmos no preenchem regularmente os espaos (figura 2.1), verificando-se regies
onde no h pontos, ou seja, os nmeros pseudo-aleatrios no so distribudos
uniformemente no espao (Paskov e Traub, 1995). Para tornar melhor a estimativa da
integrao pela sua mdia (Sobol, 1994), seria conveniente que os nmeros aleatrios
pudessem ser distribudos uniformemente a cada amostra subseqente.
Seqncia de Sobol
Seqncia de Pseudo-Aleatrios
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
0.2
nmeros de 1 a 128
0.4
0.6
0.8
nmeros de 1 a 128
Seqncia de Sobol
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
0.2
nmeros de 129 a 512
0.4
0.6
0.8
nmeros de 129 a 512
Seqncia Sobol
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
nmeros de 1 a 512
nmeros de 1 a 512
Figura 2.1. Distribuio em 2(duas) dimenses de seqncias de nmeros pseudoaleatrios gerados pela funo ran2 e de quase-aleatrios gerados pelo algoritmo de
Sobol.
H um conceito em teoria dos nmeros denominado discrepncia, que mede o
desvio da uniformidade de um conjunto de pontos em uma dimenso d. A questo em saber
qual conjunto de pontos em uma dimenso d tem a discrepncia mais baixa ainda no foi
resolvida, porm h vrias seqncias de pontos de baixa discrepncia conhecidas.
Conforme Papageorgious e Paskov (1999), o erro de aproximao utilizando
nmeros determinsticos o produto da varincia, Var ( l ) , da funo l , com a
discrepncia da amostra Dn , D n = C d
(log( n) ) d
n
, onde C d uma constante que depende da
seqncia de baixa discrepncia e d a dimenso do problema.

Percebe-se que o erro de convergncia para pontos de baixa discrepncia

proporcional ao inverso da quantidade de nmeros utilizados, sugerindo que este mtodo
superior que o mtodo de Monte Carlo (Paskov, 1994). Esta vantagem diminui com o
aumento da dimenso d e alguns pesquisadores relatam que esta vantagem terica desaparece
para d > 30 (Paskov e Traub, 1995).
2.4 Critrios de avaliao dos modelos VaR
Os critrios devem identificar a ocorrncia de falhas nas previses, importando
para a avaliao os pontos onde a previso foi inferior efetivamente ocorrida (caudas da
distribuio de retornos). Critrios de avaliao que procurem captar o desempenho da
previso ao longo de toda a curva de distribuio dos retornos no necessariamente sero os
melhores do ponto de vista do risco, principalmente quando a abordagem o VaR.
Os critrios baseados em funes-objetivo avaliam a capacidade do modelo em
estimar a curva de distribuio de retornos, contudo, a grande preocupao com o risco a
capacidade de prever excees, j que o VaR procura capturar os piores cenrios. Dessa
forma, as caudas da distribuio de probabilidade so mais importantes do ponto de vista do
risco e optou-se por avaliar a estimativa do VaR pelo critrio de backtesting, proposto pelo
Comit de Basilia, conjugado com o teste de proporo de falhas proposto por Kupiec
(1995).
Kupiec desenvolveu um modelo que serve para verificar se o nmero de vezes em
que as perdas efetivas superaram as perdas estimadas pelo VaR pode ser considerado
aceitvel.
Ele considerou, para vrios perodos, intervalos de no rejeio da hiptese nula de que p a
correta probabilidade da proporo (nmero de falhas dividido pelo total de dias) a um nvel
de significncia de 5%, conforme indicado na tabela abaixo.
Tabela 2.1. Intervalos de no-rejeio da hiptese nula Ho de que a proporo de falhas

p* igual a p, a 5% de confiana
O nmero x indica a quantidade de insucessos que poderia se observado numa

amostra de tamanho n, sem rejeitar a hiptese nula de que p a correta probabilidade a um
10
nvel de significncia 5%. Kupiec tambm fornece outra maneira de testar o modelo de VaR,
atravs da quantidade mxima que a amostra utilizada dever conter para rejeitar a hiptese
anterior, ressalta que a tcnica de avaliao das estimativas de VaR s ser confivel com um
grande nmero de observaes.
3. Metodologia
Foram formuladas as seguintes hipteses a serem testadas:
H1: A simulao de Monte Carlo (SMC) com gerador de nmeros quase-aleatrios
apresenta maior convergncia que com nmeros pseudo-aleatrios, na estimativa do VaR
das aes e das opes da Petrobrs S/A.
H2: O VaR calculado pela simulao Monte Carlo (SMC) e gerador de nmeros quasealeatrios apresenta-se adequado na previso da variao de tais ativos.
H3: A simulao de Monte Carlo (SMC) apresenta melhor desempenho na avaliao do
VaR do que os mtodos paramtricos.
A base de dados empregada neste trabalho composta pelos preos observados da
ao preferencial nominativa da Petrobrs S/A, nos mercados vista (PETR4), e de contrato
de opes de compra da PETR4 (PETRJ39, PETRH5 e PETRH6). Os dados da ao PETR4
foram coletados no perodo de 4 de julho de 1994 a 18 de agosto de 2000, enquanto foram
obtidos os preos das opes de compra de sries negociadas no perodo de 20 de abril de
1998 a 18 de agosto de 2000. Utilizam-se as cotaes dirias de fechame nto da ao e da
opo de compra como realizao do processo estocstico dos preos (Taylor, 1986).
Para a anlise proposta por este trabalho, utilizou-se uma carteira linear hipottica
composta de uma ao PETR4 e uma carteira no-linear hipottica composta por uma opo
de compra da PETR4.
O retorno foi calculado pela forma logartmica, que dado por:
F
r t = ln t
Ft1
onde: Ft o valor do fator de risco no instante t.
Para o clculo do prmio da opo utilizaram-se os modelos de B&S, H&W e o
modelo de H&W associado com o modelo de Rendleman e Bartter (1980), que considera a
taxa de juros como varivel estocstica, para a avaliao dos prmios de contratos de opo.
E, para representar a taxa de retorno do ativo livre de risco, utilizou-se a taxa de juros SELIC,
que reflete o custo mdio das operaes com ttulos pblicos federais.
11

A carteira hipottica composta de opes de compra da ao PETR4, no entanto

a posio pode ser comprada ou vendida, e, a depender desta, a ava liao do desempenho dos
mtodos em prever a pior perda na carteira ser diferente. conveniente, ento, analisar as
duas situaes.
3.1 VaR - Simulao de Monte Carlo

Para a carteira linear, formada apenas com aes vista, basta simular os valores
da ao utilizando trajetrias de preo. Como foi visto, num mundo neutro ao risco,
ln S T possui a seguinte distribuio de probabilidade, e pela equao 2.5 pode-se escrever uma
frmula recursiva, discretizada no intervalo t , para o preo da ao da seguinte forma:
S t = S t 1e( R(
/ 2)) t + t
(3-6)
onde uma varivel aleatria com distribuio normal padro, R a taxa livre de risco e
S t o preo do ativo na etapa t.
Para a carteira de opes, no modelo de B&S, simulam-se as trajetrias de preo
da ao para o momento de tempo desejado, e aplica-se a frmula de precificao para obter
uma distribuio emprica do valor da opo. O VaR ento medido diretamente pelo quantil
da significncia desejada.
No modelo H&W, simulam-se as trajetrias de preo e de volatilidade implcita, e
aplica-se o modelo de precificao para obter o valor esperado da opo para o momento em
que se estar estimando a perda da carteira. No terceiro modelo analisado, alm dessas duas
trajetrias, tambm simula o processo estocstico da taxa de juros pelo modelo de Rendleman
e Bartter (1980).
Quando h mais de um fator de risco, ter-se- a seguinte expresso:
X t j = X t j1 e
( R (
2
j
/ 2 )) t + j
onde X ti so os valores no instante t dos fatores de risco j, sejam preo da ao, volatilidade
ou taxa de juros, e so variveis aleatrias independentes entre perodos de tempo e entre as
sries j.
Entretanto, os fatores de risco so geralmente correlacionados, e, para modelar
essa correlao, utiliza-se a fatorao de Cholesky para as variveis aleatrias.
O componente essencial de um gerador de nmeros pseudo-aleatrios uma
distribuio uniforme sobre o intervalo [0,1], que produz uma varivel aleatria x. A partir de
12
uma distribuio uniforme, pode-se transformar esta em diversas distribuies desejadas. No

caso de integrao de funes, que corresponde ao procedimento de inverso da funo de
distribuio para estimar o quantil, utilizam-se distribuies uniformes. Para simular as
trajetrias de preos dos fatores de risco, partindo da suposio de que seguem o movimento
browniano geomtrico, precisa-se de uma distribuio normal padronizada.
Existem vrios mtodos para transformar uma distribuio uniforme em normal
padro. Um dos mais utilizados o mtodo de Box Miller (Press et al., 1992), no entanto
apresenta perda de eficincia em seqncias quase-aleatrias (Galanti e Jung, 1997) que ser
de fundamental importncia para este trabalho, como ser visto logo a seguir. Utilizar-se- o
mtodo proposto por Moro (1995). Este mtodo transforma o nmero aleatrio com
distribuio uniforme na distribuio desejada, atravs da inversa da funo de distribuio de
probabilidade cumulativa.
Como geradores de nmeros aleatrios, utiliza-se a funo ran2 (Press et al.,
1992), que baseado no mtodo de congruncia linear, e, como gerador de nmeros quasealeatrios, utiliza-se a seqncia de Sobol (Press et al.,1992), implementados em Fortran.
Estes algoritmos fornecem variveis uniformes e para proceder a transformao
em varivel aleatria normal, utiliza-se o algoritmo de Moro (1995).
As variaes de valor para contratos lineares podem ser totalmente explicadas
pelos termos de primeira ordem da expanso da srie de Taylor, j que os de maiores so
nulos. Para a carteira hipottica composta da ao PETR4, assumiu-se que o retorno seguir
uma distribuio normal, de modo a utilizar a seguinte frmula do VaR apresentada no
referencial terico, a que denomina-se de mtodo paramtrico do desvio padro:
VaR = VC0 , onde desvio normalizado para a significncia selecionada, o desvio

padro ou volatilidade do preo da ao e VC0 o valor de mercado da carteira. Utiliza-se o
desvio padro amostral em janelas mveis de tamanho de 100 dias como estimador da
volatilidade do preo.
Para derivar uma expresso analtica do VaR para a carteira no- linear composta
de opo de compra, recorre-se ao modelo de precificao de Black&Scholes (equao 2.3),
que relaciona o valor de uma opo a vrios fatores de risco:
c = g ( S , , R, t ) = S N (d ) K e Rt N ( d T t )
Utilizando os primeiros termos da expanso de Taylor para esta funo g(.), a

variao no valor da opo pode ser escrita da seguinte forma:
13

g
g
g
1 2 g 2 g
dc = dS+
dS + d + dr+ dt
2
S
2 S
r
t
comum definir as derivadas parciais da funo g(.) do valor da opo pelas
seguintes letras gregas:
Delta da opo:
g
= N (d )
S
Gama da opo:
2g
(d )
=
2
S
S T t
Vega da opo:
g
= S T t (d )
R da opo:
g
= Ke R (T t) (T t ) n( d T t )
r
O grande fator de risco da opo sem dvida o preo da ao. por isso que
normalmente se usa a aproximao linear do Delta para a anlise do risco da opo. A grande
vantagem da aproximao Delta a adio, ou seja, se temos uma carteira com vrias opes,
o risco pode ser analisado como a soma das posies Delta de cada opo.
Considerando s o Delta, a variao do valor do prmio da opo, dc, ser:
dc = dS
Var ( dc) = 2Var ( dS )
e portanto:
Considerando a volatilidade das variaes do preo da ao, (dS/S), e

recorrendo a equao do processo de It, dS = Sdt + Sdz , tem-se que :
Var ( dS ) = S
Supondo agora que a distribuio dessa variao normal, pode-se aplicar a

frmula do VaR dada pela equao 2.1. Ento, o VaR da variao do valor da opo ser:
VaR( dc) = S
Considerando que a variao do prmio da opo est inserida nas gregas Delta e Gama, da
srie de Taylor, a variao do prmio da opo ser: dc = dS +
1
dS 2
2
Se a varivel dS for normalmente distribuda, obtm-se:

Var ( dc) = 2Var (dS ) +
1
(Var ( dS ) ) 2
2
Considerando a volatilidade das variaes do preo da ao, (dS/S), o VaR da

opo ser:
14
VaR( dc) = 2 S 2 2 +
1
S 2 2
2
A composio Delta-Gama fornece uma aproximao muito melhor para as

variaes na opo, entretanto sempre se estar incorrendo em erro, devido ao fato de os
termos de ordens maiores que o Gama estarem sendo desprezados.
Utiliza-se a volatilidade implcita como estimador para a volatilidade do ativoobjeto quando da aplicao dos modelos de precificao de opes.
No clculo do VaR, necessrio definir arbitrariamente um nvel de
significncia e um perodo de tempo. Utilizou-se um intervalo de confiana de 99% no
clculo do VaR para a carteira linear de aes da Petrobrs. J no caso da carteira de opes,
como as sries de opes no so muito negociadas, utilizou-se o intervalo de 95%.
4. Resultados Empricos
Compara-se
inicialmente
eficincia
dos
nmeros
quase-aleatrios
pseudoaleatrio s, no clculo do VaR utilizando a simulao de Monte Carlo para carteiras

lineares e no-lineares. A carteira linear hipottica utilizada para a anlise composta de 1
(uma) ao preferencial da Petrobrs S/A PETR4. Utilizando a equao 3-6, implementamse diversas trajetrias de preo da ao para o dia seguinte, a partir da simulao de uma
distribuio normal da varivel . Com a distribuio dos preos, determina-se a distribuio
da perda da carteira, de onde retira-se, pela significncia desejada, o VaR do quantil amostral
correspondente. Utilizando as informaes at o dia 30/04/1998, procede-se ao clculo do
VaR para o dia seguinte, 01/05/1998, com significncia de 99%. Considera-se o valor
verdadeiro do VaR, o obtido com simulao de Monte Carlo com 50.000 pontos (valor exato
= 0.0895). A convergncia do procedimento numrico verificada pelo grfico do erro
relativo percentual versus nmero de simulaes, constante na figura 4.1.
15

Figura 4.2. Erro relativo percentual do VaR da ao PETR4 calculado pela SMC com
nmeros pseudo-aleatrios e quase-aleatrios
Pode-se tambm comparar estes mtodos utilizando-se do critrio referenciado

por Papageorgiou e Traub (1996), verificando-se para um mesmo nvel de erro relativo
percentual (ER), 10E-4 por exemplo, quantos pontos so necessrios para atingir tal erro pela
utilizao dos dois tipos de geradores de aleatrios. A velocidade relativa, calculada pela
razo entre a quantidade de nmeros utilizados para o mesmo nvel de preciso, tambm serve
de parmetro para verificar a taxa de convergncia relativa entre os geradores.
Tabela 4.1. Erro relativo percentual e velocidade relativa da estimativa do VaR atravs
da SMC com nmeros pseudo-aleatrios e quase-aleatrios.
Constata-se pela tabela 4.1 que a velocidade relativa da SMC com nmeros quasealeatrios bem superior a da SMC com nmeros pseudo-aleatrios. Isto representa, alm da
eficincia numrica, um tempo computacional muito menor e, por conseguinte, um custo
tambm menor.
Verifica-se, em seguida, a performance da simulao de Monte Carlo e Quase
Monte Carlo no clculo do VaR de uma carteira composta de opo de compra da Petrobrs
S/A, que representa neste trabalho uma carteira no- linear. A PETRJ39 uma opo de
compra da ao PETR4 com vencimento em 10 de outubro de 2000 e com preo de exerccio
de R$ 50,00, para o lote de 100 (cem) aes.
16
Utiliza-se, para o clculo da volatilidade da srie da ao objeto da opo, o

estimador de mxima verossimilhana com mnima varincia, utilizando como base histrica
os ltimos 100 dias de negociao da ao PETR4. O valor verdadeiro para o VaR da carteira
de opo foi considerado o valor obtido com simulao de 100.000 nmeros.
Considera-se, inicialmente, como varivel estocstica, apenas o preo do ativoobjeto (SMC Univariada), obedecendo a movimento definido como um processo de It,
enquanto que os demais parmetros necessrios para o clculo do prmio so considerados
constantes. Este o modelo original de Black & Scholes.
Para comparao da performance da gerao dos nmeros aleatrios, calcula-se o
VaR para o dia 01/08/2000, utilizando o modelo acima e combinando seqncias de Sobol e
de nmeros pseudo-aleatrios. Pela figura 4.3, se observam que os nmeros quase-aleatrio
fazem com que a estimativa do VaR tenha convergncia mais rpida para o valor verdadeiro.
Com menos de 20000 simulaes, j foi possvel atingir o valor verdadeiro, e permanecer em
torno deste valor com erros relativos inferiores a 10E-4.
Figura 4.3. Convergncia do VaR da carteira de opes de compra PETRJ39 utilizando

simulao de Monte Carlo (Univariada)
Na tabela 4.2, comparam-se os mtodos, utilizando o critrio da velocidade

relativa referenciado no item anterior. Observa-se que a velocidade relativa quase cinco
vezes maior para a seqncia de nmeros quase-aleatrios. Esta velocidade diminuiu um
pouco em relao velocidade relativa obtida para a carteira linear.
17

Tabela 4.2. Erro relativo percentual (ER) e velocidade relativa do VaR da opo de
compra PETRJ39 utilizando simulaes de Monte Carlo (Univariada)
Supe-se, em seguida, que o ativo-objeto e a volatilidade implcita seguem um
processo estocstico (SMC Bivariada). Utiliza-se a aproximao do modelo de H&W para
precificar a opo e calcular o seu valor no horizonte de um dia a frente, de modo a estimar o
VaR.
Na tabela 4.3, apresentam-se os valores dos erros relativos percentuais,
considerando o valor exato para a estimativa o calculado com 100.000 simulaes. Verifica-se
que a estimativa do VaR pela simulao de Monte Carlo (SMC Bivariada) com gerador de
nmeros quase-aleatrios converge a uma velocidade relativa de quatro vezes em comparao
com o de nmeros pseudo-aleatrios. Percebe-se que esta vantagem diminui em relao
SMC Univariada onde se considerou apenas o preo da ao como uma varivel estocstica.
Tabela 4.3. Erro relativo percentual e velocidade relativa do VaR da opo PETRJ39
calculado com SMC Bivariado
Considera-se, agora, que as trs variveis; o preo da ao, a volatilidade da ao

e a taxa de juros, so estocsticas e acima seguem um processo de It. O modelo dos juros
admitido como sendo o modelo de Rendleman e Bartter (1980). Na tabela 4.5, apresentam-se
os valores dos erros relativos, considerando o valor exato para a estimativa o calculado com
100000 simulaes. Observa-se novamente que a seqncia de nmeros quase-aleatrios foi
mais eficiente, considerando-se que atingiu um erro relativo com uma quantidade menor de
simulao. No entanto, quando comparado com a SMC Bivariada, percebe-se que a
velocidade relativa diminuiu mais um pouco.
18
Tabela 4.4. Erro relativo percentual e velocidade relativa do VaR da opo PETRJ39
com SMC Trivariada
Depreende-se da anlise que, independentemente do gerador de aleatrios

utilizado, a convergncia do procedimento numrico de clculo do VaR maior quando se
trata de carteira lineares. A velocidade relativa da estimativa, utilizando-se seqncias de
quase-aleatrios, apresentou-se em todos os momentos mais eficientes.
Ademais, percebe-se que, medida que se incluiu uma dimenso no procedimento
numrico, com a incluso sucessiva de variveis estocsticas, a performance relativa dos
quase-aleatrios diminui, embora a vantagem em relao aos pseudo-aleatrios continue
grande. Este resultado est coerente com a anlise das frmulas do erro de estimativa
utilizando nmeros pseudo-aleatrios, obtido na seo 2.4, que da ordem de n 1 / 2 , e do erro
da estimativa utilizando nmeros quase-aleatrio s, que da ordem de
(log( n ) )d
n
. Esses
resultados tambm esto coerentes com os obtidos por Paskov e Traub (1995), Joy, Boyle e
Tan (1996), Papageorgiou e Traub (1996) e Galanti e Jung (1997).
Em sntese, pode-se concluir que a simulao de Monte Carlo (SMC) com gerador
de nmeros quase-aleatrios apresenta maior convergncia que com nmeros pseudoaleatrios, na estimativa do VaR de uma carteira de aes e de uma carteira de opes da
Petrobrs (Hiptese 1 no rejeitada).
Utilizando agora apenas as seqncias de nmeros quase-aleatrios, verifica-se a
capacidade dos modelos de SMC e paramtrico, para uma carteira linear e outra no- linear,
em prever a variao na carteira para um dia de horizonte de tempo.
Calcula-se o VaR da ao PETR4 para o horizonte de 1 (um) dia e a 99% de
confiana, para os 510 dias compreendidos entre 01/01/1998 e 15/12/1999. Os 100 (cem)
dias anteriores a 01/01/1998 foram utilizados para calcular os parmetros volatilidade e
mdia, a serem aplicados nos modelos.
O VaR paramtrico em mais de 9 (nove) dias foi superado pelo retorno efetivo,
enquanto que o VaR pela SMC s foi excedido em 2 (dois) momentos. Resta saber se as
falhas ocorridas para os mtodos esto dentro da incerteza oriunda da variao amostral. Para
tanto utiliza-se a tabela 2.1, construda por Kupiec (1995).
19

Tabela 4.5. Teste de rejeio da hiptese de que a proporo de falhas de 1%
Para um nvel de confiana de 95%, a mxima quantidade de falhas permitida

para no rejeitar a hiptese de que a proporo das mesmas igual ao nvel de confiana do
VaR, ou seja 99%, de 11 ocorrncias, conforme Kupiec (tabela 2.1). Rejeita-se, portanto,
apenas o VaR paramtrico da carteira com posio vendida. Verifica-se que, embora, para a
carteira com posio comprada, no tenham sido rejeitados os dois mtodos, significativa a
diferena da quantidade de erros para cada mtodo, apresentando o mtodo de SMC menos
erros.
Para verificar a capacidade das estimativas de VaR dos mtodos propostos para
carteiras no- lineares, utiliza-se uma carteira hipottica composta de opes de compra
PETRH5 e PETRH6, pois as mesmas apresentam o maior intervalo de negociao para o
perodo analisado, de modo a ter maior consistncia para o teste de proporo das falhas.
Realizou-se o clculo do VaR para todo o perodo de negociao da opo
PETRH6 utilizando a simulao de Monte Carlo com inmeros quase-aleatrios e tambm
pelas aproximaes Delta e Delta-Gama. Os resultados encontram-se na tabela 4.6.
20
Tabela 4.6. Estimativas do VaR da opo PETRH6 pela simulao de Monte Carlo
(SMC) em 3 variantes e para os mtodos paramtricos Delta e Delta-Gama
Aplicando o procedimento de backtesting, calcula-se a proporo de falhas dos

mtodos na previso da perda da carteira. Os resultados so mostrados na Tabela 4.7.
21

Tabela 4.7. Teste de Hiptese de que a proporo de falhas do VaR 0.05 a 95% de
confiana
A proporo de falhas pelos mtodos paramtricos foi rejeitada a 95% de
confiana, enquanto os 3 (trs) modelos de SMC no foram rejeitados. A performance dos 3
(trs) tipos de simulao de Monte Carlo foi exatamente a mesma. Conclu- se, portanto, que a
incluso de variveis estocsticas, quase sejam, a volatilidade implcita e juros, no agregou
ao modelo capacidade de prever a variao da carteira.
Replicou-se o mesmo procedimento para a opo PETRH5, obtendo-se resultados
similares: tambm os mtodos paramtricos foram reprovados.
Em sntese, pode-se concluir que o VaR calculado pela simulao Monte Carlo
(SMC) e gerador de nmeros quase-aleatrios apresenta-se adequado na previso da variao
das carteiras de aes PETR4 e de opes da Petrobrs, PETRH5 e PETRH6 (Hiptese 2
no rejeitada), bem como apresenta melhor desempenho que os mtodos paramtricos
(Hiptese 3 no rejeitada). Portanto, as trs hipteses formuladas no foram rejeitadas.
5. Concluses
A estimativa do VaR pela simulao de Monte Carlo para a ao PETR4 foi
considerada adequada para previso da perda da carteira, ao nvel de confiana de 99%,
utilizando-se o teste de proporo de falhas proposto por Kupiec (1995). Ademais, este
mtodo teve performance melhor que o mtodo paramtrico do desvio padro.
O VaR calculado pela simulao de Monte Carlo, utilizando os trs modelos de
precificao, o Black&Scholes (SMC Univariada), o de Hull&White que inclui volatilidade
estocstica (SMC Bivariada) e, por ltimo, a incluso da taxa de juros tambm estocstica
atravs do modelo de Rendleman e Bartter (SMC Trivariada), apresentou-se adequado na
avaliao da perda do valor das opes. Nas sries analisadas, no se rejeitou a hiptese de
22
que a estimativa de VaR suficiente para prever as piores realizaes da carteira de opes,
dentro de um nvel de confiana desejado de 95%. A SMC teve performance melhor do que
os modelos paramtricos de aproximao pela expanso de Taylor, Delta e Delta-Gama. Na
realidade, as estimativas do VaR pelos mtodos Delta e Delta-Gama foram inclusive
rejeitadas pelo teste de Kupiec (1995).
As estimativas do VaR pelos modelos de Black & Scholes (SMC Univariado),

Hull & White (SMC Bivariada) e o do Hull & White com juros estocsticos (SMC Trivariada)
foram compatveis. No houve melhorias significativas na estimativa de VaR pelo modelo de
B&S com a incluso da volatilidade implcita como varivel estocstica (SMC Bivariado). A
estimativa do VaR considerando-se, alm do preo e da volatilidade, a taxa de juros como
varivel estocstica, tambm no apresentou diferenas significativas com relao quelas
obtidas pelos modelos de Black & Scholes e de Hull & White.
Referncias Bibliogrficas
BOYLE, P. P. Options: a monte carlo approach. Journal of Financial Economics, n. 4, p. 323338, 1977.
DUFFIE, D.; PAN, J. An overview of value at risk. Journal of derivatives, v. 4. n. 3, p. 7-49,
spring 1997.
GALANTI, S.; JUNG, A. Low-discrepancy sequences: Monte Carlo simulation of options
prices. The Journal of Derivatives, p. 63- 83, fall 1997.
GENTLE, J. E. Random number generation and Monte Carlo methods. New York: SpringerVerlag, 1998.
HULL, J. C. e WHITE, A. Options, futures & others derivatives, 4 ed., Upper Saddler River:
Prentice-Hall, 2000.
JOY, C., BOYLE, P. P. e TAN. K. S. Quasi-Monte Carlo methods in numerical finance.
Management Science, v. 42, n. 6, p. 926-936, jun. 1996.
JORION, P. Value at risk: the new benchmarking for managing financial risk. 2 ed., New
York: McGraw-Hill, 2000.
KUPIEC, P. Techniques for verifying the accuracy of risk measurements models. Journal of
Derivatives, v. 2, p. 73-84, dez. 1995.
MORO, B. The full monte. Risk, v. 8, n. 2, p. 57-58, fev. 1995.
PAPAGEORGIOU, A.; TRAUB, J.T. Beating Monte Carlo. Risk, v.9, n.6, p. 63-65, jun.
1996.
23

PASKOV, S. H.; TRAUB, J. F. Faster valuation of financial derivatives. The Journal of

Portfolio Management, p. 113-120, fall 1995;
PRESS, W. H., et. al.. The art of scientific computing, 2 ed., Cambridge - EUA: Cambridge
University Press,1996.
RENDLEMAN, R.; BARTTER, B. The pricing of options on debt securities. Journal of
Financial and Quantitative Analysis, n. 15, p. 11-24, mar. 1980.
SOBOL, I. M. A primer for the Monte Carlo Method. USA: CRC Press LLC, 1994.
24

A - Avaliação Estimativa Risco de Merc Ações Compra Petrobras Usando VaR

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

A - Avaliação Estimativa Risco de Merc Ações Compra Petrobras Usando VaR

Uploaded by

Copyright:

Available Formats

AVALIAO DA ESTIMATIVA DO RISCO DE MERCADO DE AES E OPES

DE COMPRA DA PETROBRS UTILIZANDO A METODOLOGIA VALUE AT RISK

Universidade Federal de Pernambuco - UFPE

Palavras-chave: Risco de mercado, Value at Risk, simulao de Monte Carlo.

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

AVALIAO DA ESTIMATIVA DO RISCO DE MERCADO DE AES E OPES

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

Esta ltima forma a comumente utilizada no meio acadmico e de mercado,

ou tal que a probabilidade de um valor menor que VC* , p = P( x VC * ) , seja 1-q:

Portanto, tem-se que VC * = F 1 ( p ) , que corresponde ao valor do quantil de

Se no h a funo de distribuio de probabilidade analiticamente, deve-se

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

FL como a funo de distribuio cumulativa de

probabilidade da funo perda, FL (l ) = Pr( < l ) . Considerando G a funo de distribuio

(l ) = Pr( L( X 1 ,..., X d ) < l ) =

,..., X d )]dG ( X 1 ,..., X d )

O clculo do VaR consiste, ento, na estimativa do quantil: para um dado p,

Para opo de venda:

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

calculadas continuamente, e composta entre duas datas. O preo da ao a soluo da

onde c BS (V ) a frmula de B&S, f(.) a funo de densidade de probabilidade de V , e V o

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

Assume-se que o desvio instantneo m(R) e a tendncia s(R) sejam funes de R,

2.2 Simulao de Monte Carlo

Considera-se, primeiramente, a seguinte integral definida:

O problema de calcular a integral torna-se um problema de estimativa da mdia,

E(f(Y)). Um estimador para a mdia dado pela frmula: = ( b a )

y i so valores de uma amostra aleatria de tamanho n retirada da distribuio de

probabilidade uniforme sob o intervalo [a, b].

O desvio padro est diretamente associado ao erro de convergncia, e, da

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

O mtodo de Monte Carlo tambm bastante utilizado na precificao de opes:

onde T-t o tempo at o vencimento da opo, S t o preo do ativo no tempo t, e g(.) a

ST o preo do ativo no tempo T.

Atravs da inversa da funo de distribuio de probabilidade da varivel normal

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

Ser visto em item posterior que, com os nmeros pseudo-aleatrios, o erro da

2.3 Gerando nmeros aleatrios

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

nmeros de 129 a 512

nmeros de 129 a 512

, onde C d uma constante que depende da

seqncia de baixa discrepncia e d a dimenso do problema.

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

Percebe-se que o erro de convergncia para pontos de baixa discrepncia

Tabela 2.1. Intervalos de no-rejeio da hiptese nula Ho de que a proporo de falhas

O nmero x indica a quantidade de insucessos que poderia se observado numa

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

REAd Edio 28 Vol. 8 No. 4, jul-ago 2002

Avaliao da estimativa do risco de mercado de aes e opes de compra da Petrobrs

A carteira hipottica composta de opes de compra da ao PETR4, no entanto

3.1 VaR - Simulao de Monte Carlo

Fbio Luiz de Oliveira Bezerra & Charles Ulises De Montreuil Carmona

uma distribuio uniforme, pode-se transformar esta em diversas distribuies desejadas. No

VaR = VC0 , onde desvio normalizado para a significncia selecionada, o desvio

Utilizando os primeiros termos da expanso de Taylor para esta funo g(.), a