Professional Documents
Culture Documents
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 * )
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 *
q=
f ( x ) dx
VC *
1 q =
f ( x ) dx = P ( x VC *) = p
VaR = VC0
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
(2-1)
3
[ L( X
(2-2)
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
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
4
c ( S t , t , t ) = c BS (V ) f (V | t2 ) d V
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
= f ( x ) dx
b
f ( yi )
n
(b a )
Var ( ) =
^
. f ( x ) f (t ) dt dx
1
2d
(Gentle, 1998).
ct = eR(T t) E[ g(ST t )]
(2-4)
ST = S0 e ( R(
/ 2 ))T + T
(2-5)
onde uma varivel aleatria com distribuio normal padro, R a taxa livre de risco e
c =e
RT
((R(
g[S0e
/ 2))T+ T )
1
2
e / 2d
2
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
(log( n ) )d
n
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 Pseudo-Aleatrios
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
0.4
0.6
0.8
Seqncia de Pseudo-Aleatrios
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
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
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
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
12
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
e portanto:
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
1
(Var ( dS ) ) 2
2
14
VaR( dc) = 2 S 2 2 +
1
S 2 2
2
inicialmente
eficincia
dos
nmeros
quase-aleatrios
15
Figura 4.2. Erro relativo percentual do VaR da ao PETR4 calculado pela SMC com
nmeros pseudo-aleatrios e quase-aleatrios
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.
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
16
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
18
Tabela 4.4. Erro relativo percentual e velocidade relativa do VaR da opo PETRJ39
com SMC Trivariada
(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
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
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
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
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).
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.
REAd Edio 28 Vol. 8 No. 4, jul-ago 2002
23
24