Aprendizado Profundo:

Princpios e Uso
Rafael S. Calsaverini
N 94
Maro de 2016

Desafios das Empresas Face Lei Anticorrupo

Franklin Mendes Thame
16

O Aumento da Alocao de Capital em Risco Operacional

e suas Implicaes em Instituies Financeiras Locais
Marcelo Petroni Caldas | Oswaldo Pelaes Filho | Frederico Turolla
23
Positive

Prepare sua empresa para extrair o mximo de benefcios Saiba como explorar todo o
dos dados positivos com a ajuda da Serasa Experian. potencial dessa nova realidade

Positive-se! Contrate agora mesmo a Consultoria Serasa Conceda mais crdito com
Experian em Cadastro Positivo e rentabilize suas decises menos riscos

de negcios. Aperfeioe sua gesto de clientes

+
Aumente o retorno das suas

++
Para saber mais, acesse aes de cobrana
serasaexperian.com.br/cadastropositivo
Minimize prejuzos causados
ou ligue para 3004 7728 por fraudes e inadimplncia

Aprendizado Profundo: Princpios e Uso
Rafael S. Calsaverini
Desafios das Empresas Face Lei Anticorrupo
Franklin Mendes Thame
O Aumento da Alocao de Capital
em Risco Operacional e suas Implicaes
em Instituies Financeiras Locais
Marcelo Petroni Caldas
Oswaldo Pelaes Filho
Frederico Turolla
3
06
Este artigo de reviso apresenta o conceito de
Aprendizado Profundo (Deep Learning) e alguns de
seus resultados recentes. Algoritmos de Aprendi-
zado Profundo permitem o aprendizado de repre-
sentaes vetoriais de dados cuja natureza de di-
fcil tratamento matemtico (imagens, texto, som,
etc.), em diferentes nveis de abstrao. No artigo
foi apresentada alm de uma curta reviso da lite-
ratura de Aprendizado Profundo, os princpios te-
ricos fundamentais e uma viso sobre o uso dessa
tecnologia nas reas de pesquisa do DataLabs da
Serasa Experian.
16
A Lei Anticorrupo brasileira, ao estabelecer a
responsabilizao objetiva, no mbito civil e admi-
nistrativo, de empresas que praticam atos lesivos
contra a administrao pblica, vem preencher im-
portante lacuna no ordenamento jurdico do Bra-
sil ao levar os corruptores punio. Assim, para
as empresas um chamado reflexo e ao de
forma a se prevenirem de punies por atos ilcitos
junto ao setor pblico. A Lei 12.846/2013 visa com-
bater a impunidade quando dos negcios com o
setor pblico, notadamente para segmentos eco-
nmicos de atuao com maior susceptibilidade s
prticas de corrupo.
23
O artigo explorou os impactos da mudana de alo-
cao de capital de risco operacional, em estudo
pelo Comit de Basileia, e o respectivo impacto nos
bancos locais, ou seja Brasil. Os estudos realiza-
dos demonstram que o impacto razovel, pois o
aumento pode ocorrer em at 3 vezes comparado
ao volume de alocao atual. Esse impacto, signi-
ficativo, afeta a macroeconomia atravs de menor
oferta de crdito e o consequente impacto nas em-
presas e famlias. Portanto, necessrio que se ali-
nhe essa nova carga de capital realidade do ci-
clo econmico que se presencia. Ou, ainda, que se
proponha uma implantao pari passu com objetivo
de suavizar os impactos relevantes que essa nova
regra pode causar a economia local e regional.
 4

Palavra do Editor

Nesta primeira edio de 2016 apresentamos trs artigos de grande atualidade visan-
do informar, esclarecer e orientar especialistas do meio econmico e financeiro sobre novas tc-
nicas e seu emprego. Referem-se : Lei Anticorrupo, Alocao de Capital em Risco Opera-
cional e Aprendizado Profundo.
Nosso artigo de capa destaca o trabalho do Cientista de Dados Rafael S. Calsaverini
sobre Aprendizado Profundo informando que melhorias tecnolgicas permitiram o crescimento
da capacidade de armazenamento e processamento de dados, resultando na melhoria dos ne-
gcios e na criao de novas oportunidades. Paralelamente aos novos recursos computacionais,
surgiram algoritmos e tcnicas de modelagem capazes de reconhecer padres cada vez mais
complexos. Esses algoritmos e tcnicas derivaram de uma srie de campos de pesquisa em di-
versas reas - Estatstica Computacional, Cincia da Computao, Otimizao, Engenharia de
Controle, entre outros - que se amalgamaram em um campo denominado Aprendizado de M-
quina. Assim, o Aprendizado de Mquina o campo da Cincia que estuda o desenvolvimento
de algoritmos computacionais capazes de aprender a respeito de um conjunto de dados para en-
to fazer previses. Esses algoritmos, empregados em aplicaes computacionais passam a ser
capazes de tomar decises sobre seu ambiente por meio de padres disponibilizados pelos da-
dos em substituio a regras pr-determinadas em um programa esttico. Calsaverini esclarece
que existe uma tnue e esparsa linha de separao entre Aprendizado de Mquina e Estatstica
Computacional, e uma tendncia em agrupar esses dois aspectos, alm de algumas outras tc-
nicas provenientes da Cincia da Computao, em uma nova rea denominada Cincia de Da-
dos. Uma aproximao seria dizer que Estatstica Computacional a rea que se preocupa em
obter algoritmos eficientes para o uso de modelos eminentemente estatsticos em sua natureza,
enquanto Aprendizado de Mquina pode ter um leque mais amplo de modelos baseados em oti-
mizao (Compressed Sensing, Mquinas de Vetores de Suporte, Redes Neurais, etc.), ou mes-
mo modelos algortmicos em sua natureza (rvores de Deciso). Porm essa distino se tor-
na cada vez mais tnue quando modelos algortmicos e de otimizao adquirem uma interpre-
tao estatstica e modelos tipicamente computacionais so desenvolvidos com uma clara intui-
o estatstica.
Franklin Mendes Thame apresenta, oportunamente, um trabalho sobre a Lei Anticor-
rupo 12.846/2013 cujo objetivo combater a impunidade por ocasio de negcios com o setor
pblico quando se evidencia a prtica de corrupo. O autor informa que o Brasil perde a assus-
tadora quantia de R$ 50 bilhes a 80 bilhes todos os anos com a corrupo. A corrupo pas-
sa a ser o principal problema do pas, pois arruna a confiana dos agentes econmicos, impe-
de investimentos, desestabiliza a economia, diminui a arrecadao de impostos e subtrai direi-
tos fundamentais de todos os brasileiros. Ao estabelecer a responsabilizao objetiva, no mbi-
to civil e administrativo, de empresas que praticam atos lesivos contra a administrao pblica, a
Lei Anticorrupo vem preencher importante lacuna no ordenamento jurdico do Brasil ao levar
os corruptores punio. Assim, para as empresas um chamado reflexo e ao de forma
a se prevenirem de punies por atos ilcitos junto ao setor pblico, destaca Thame. Segundo
ele, a Lei anticorrupo induzir as organizaes a uma nova forma de fazer negcios com o se-
tor pblico, que exigir a adoo de boas prticas de governana corporativa, com transparn-
cia em todos os nveis hierrquicos, rgido cumprimento da conformidade legal, segregao de
funes, polticas de terceirizaes, programa de definio de riscos especficos e controles in-
ternos e auditorias. As aes e estratgias de anticorrupo nas empresas deve ser transversal,
 5

alcanar todos os nveis hierrquicos e todas as reas administrativas. As aes de enfretamen-

to corrupo se pautam na tica, na justa concorrncia, na eficincia, no mrito e se inserem
nas melhores prticas de governana corporativa como: gerenciamento integrado de riscos; es-
trutura de compliance; desenvolvimento do capital humano e gesto de fornecedores e parceiros.
A poltica anticorrupo deve ser parte integrante da poltica estratgica das empresas, a fim de
preservar seu maior valor, isto , a reputao.
O Aumento da Alocao de Capital em Risco Operacional e suas implicaes em ins-
tituies financeiras foi o tema abordado por Marcelo Petroni Caldas, Oswaldo Pelaes Filho e
Frederico Turolla que analisaram os impactos sobre as instituies financeiras brasileiras com
as mudanas da alocao do Capital nos estudos do Comit de Basileia. Os estudos vieram de-
monstrar que esse impacto, alis bastante significativo, afetar a macroeconomia, pois reduzi-
r a oferta de crdito. Os autores do artigo apontam a necessidade de alinhamento dessa nova
carga de capital realidade do atual ciclo econmico, ou que se proponha uma implantao pari
passu com objetivo de suavizar os impactos relevantes que essa nova regra pode causar eco-
nomia local e regional. Eles acreditam que os prximos movimentos, para que se alcance a no-
o exata dos impactos, que abrangero inclusive Instituies Financeiras de mdio e peque-
no porte, devem referir-se repetio do estudo a partir do momento que a regra estiver efeti-
vamente validada e divulgada. Os consultores lembram que a crise de 2008 desencadeou mo-
vimento mundial em direo a uma nova forma de regulao de Instituies Financeiras (IFs),
em funo de preocupaes quanto solvncia das mesmas. No entanto, o risco operacional
foi pouco abordado nesse contexto de mudanas globais, pois o foco era melhorar a qualida-
de do capital e aprofundar os requerimentos para o risco de liquidez. Estudos e reflexes o Co-
mit de Basileia resultaram em nova proposta de alocao de capital para o risco operacional
para tornar o risco operacional mais sensitivo medida que considera novos aspectos no clcu-
lo do requerimento de capital, tais como volumes e negcios realizados entre outros itens. Eles
dizem que os estudos indicam que o impacto tende a ser considervel e a indstria bancria
vem se movimentando para expor aos reguladores e ao Comit as caractersticas particulares
do processo. Destacam que o tema recente e a literatura escassa sob o enfoque de Interna-
tional Business, e abord-lo contribui para o entendimento dos conceitos de internacionalizao
de Instituies Financeiras, regulao home host, distncia psquica, gesto de risco e controles
internos do Sistema Financeiro.

TECNOLOGIA DE CRDITO ANO XIII N 94

Publicao trimestral da Serasa Experian ISSN 2177-6032

Presidente - Brasil Capa, Editorao Eletrnica e Ilustrao

Jos Luiz Rossi Gerson Lezak

Presidentes/Superintendentes de Unidades de Negcios Traduo

Mariana Pinheiro, Steven Wagner e Vander Nagata Allan Hastings e Exman Fucks Tradues

Diretores Correspondncia
Serasa Experian - Comunicao & Branding
Amador Rodriguez, Guilherme Cavalieri, Lisias Lauretti,
Alameda dos Quinimuras, 187 - CEP 04068-900 - So Paulo - SP
Manzar Feres, Paulo Melo, Sergio Fernandes e Valdemir Bertolo
www.serasaexperian.com.br
Editora Responsvel rdangina@gmail.com
Rosina I. M. DAngina (MTb 8251)

Os conceitos emitidos em artigos assinados so de responsabilidade de seus autores, no expressando, necessaria-

mente, o ponto de vista da Serasa Experian, nem do Conselho Editorial. proibida a reproduo total ou parcial dos
artigos desta publicao.
 6

Aprendizado Profundo:
Princpios e Uso

Rafael S. Calsaverini
 7

Sumrio
Recentes desenvolvimentos no uso de redes neurais e mo-
delos profundos em Aprendizado de Mquina resultaram em uma
rpida sucesso de resultados que suplantam o estado-da-arte
em diversos desafios de modelagem em reas distintas, como re-
conhecimento de objetos, reconhecimento de caracteres manus-
critos, reconhecimento de faces, anlise de sentimento, dentre ou-
tros. Seguiu-se uma rpida adoo desses mtodos para soluo
de tarefas que envolvem conjuntos de dados de alta complexida-
de onde a representao numrica, necessria para os algoritmos
tradicionais, um desafio. Algoritmos de Aprendizado Profundo
permitem o aprendizado de representaes vetoriais de dados cuja
natureza de difcil tratamento matemtico (imagens, texto, som,
etc.), em diferentes nveis de abstrao. Este artigo de reviso apre-
senta o conceito de Aprendizado Profundo (Deep Learning) (LeCun,
Bengio, and Hinton 2015) e alguns de seus resultados recentes.

1. Introduo
A exploso na abundncia de dados nas ltimas dcadas, combinada com
melhorias tecnolgicas que proporcionam uma crescente capacidade para armaze-
namento e processamento desses dados, permitiram, nas ltimas dcadas, o sur-
gimento de novos negcios e da transformao de antigos negcios atravs do uso
desses dados para diversos propsitos. Junto com essa abundncia de dados e re-
cursos computacionais, surgem novos algoritmos e tcnicas de modelagem capazes
de reconhecer padres mais e mais complexos. Esses algoritmos e tcnicas so de-
rivados de uma srie de campos de pesquisa em diversas reas - Estatstica Com-
putacional, Cincia da Computao, Otimizao, Engenharia de Controle, dentre ou-
tros - que se tm amalgamado em um campo denominado Aprendizado de Mquina.
Aprendizado de Mquina o campo da Cincia que estuda o desenvolvimento de al-
goritmos computacionais capazes de aprender a respeito de um conjunto de dados
para ento fazer previses. Esses algoritmos sero embarcados em aplicaes com-
putacionais que devem ser capazes de tomar decises sobre seu ambiente atravs
de padres aprendidos dos dados ao invs de regras pr-determinadas em um pro-
grama esttico.
Existe uma tnue e esparsa linha de separao entre Aprendizado de Mqui-
na e Estatstica Computacional, e h uma tendncia a agrupar esses dois aspectos,
alm de algumas outras tcnicas provenientes da Cincia da Computao, em uma
nova rea denominada Cincia de Dados (Michael I. Jordan 2014). Uma aproximao
seria dizer que Estatstica Computacional a rea que se preocupa em obter algorit-
mos eficientes para o uso de modelos eminentemente estatsticos em sua natureza,
enquanto Aprendizado de Mquina pode ter um leque mais amplo de modelos que
 8

podem ser baseados em otimizao (como Compressed Sensing, Mquinas de Veto-

res de Suporte, Redes Neurais, etc.), ou mesmo modelos algortmicos em sua natu-
reza (como rvores de Deciso), entretanto essa distino se torna cada vez mais t-
nue quando modelos algortmicos e de otimizao adquirem uma interpretao es-
tatstica e modelos tipicamente computacionais so desenvolvidos com uma clara in-
tuio estatstica (MacKay 1992; Michael I Jordan 1994; G. E. Hinton, Osindero, and
Teh 2006; Mezard and Montanari 2009; Koller and Friedman 2009; Neal 2012; Kingma
et al. 2014; Gal and Ghahramani 2015; Gal 2015).
Um tpico de particular interesse em Aprendizado de Mquina desde mea-
dos de 2006 tem sido o uso de Redes Neurais, bem como outros algoritmos que se
prestem ao empilhamento de camadas, que vem sido descrito como Aprendizado
Profundo (Deep Learning). Esse tipo de algoritmo tm estabelecido recordes de perfor-
mance estado-da-arte em diversos tipos de tarefas de inteligncia artificial que lidam
com conjuntos grandes de dados complexos e revelado tcnicas e resultados teis em
uma grande gama de problemas - desde reconhecimento de caracteres manuscritos
a tratamento de dados de Aceleradores de Partculas (Baldi, Sadowski, and Whiteson
2014), passando por descoberta de frmacos e anlise de biomolculas (Unterthiner
et al. 2015). Neste artigo pretendemos apresentar uma curta reviso da literatura de
Aprendizado Profundo, os princpios tericos fundamentais e uma viso sobre o uso
dessa tecnologia nas reas de pesquisa do DataLabs da Serasa Experian.

2. Aprendizado de Mquina e Aprendizado Profundo

Os algoritmos de aprendizado de mquina tipicamente so treinados, ou
seja, seus parmetros operacionais so ajustados a um conjunto de dados especfi-
co - para realizar tarefas especficas. Em algumas dessas tarefas o objetivo , dado
um conjunto de exemplos, ou seja, pares conhecidos de Caractersticas e Alvos, ob-
ter um algoritmo que para um nova populao de Caractersticas, estime os novos
Alvos para cada caso. Esse tipo de tarefa conhecido como Aprendizado Supervi-
sionado. Um exemplo tpico de aprendizado supervisionado uma tarefa de regres-
so, por exemplo, ou uma tarefa de classificao. Em outros tipos de tarefa no exis-
te um alvo claro a ser previsto, mas uma tarefa de reconhecimento de padres a ser
realizada. Essas tarefas so chamadas de Aprendizado No-Supervisionado. Um t-
pico exemplo o agrupamento1 de pontos de um conjunto de dados em grupos na-
turais ou a descoberta de uma rvore de hierarquias entre os pontos (agrupamento
hierrquico), ou a modelagem da distribuio de um conjunto de dados.
A abordagem tradicional do Aprendizado de Mquina ao tratar um novo con-
junto de dados para processamento a engenharia e extrao de caractersticas2:
em um novo conjunto de dados, especialistas e modelistas devem inicialmente dese-
nhar e extrair dos dados crus, de forma manual ou semianual, quais Caractersticas3
seriam bons preditores da varivel alvo ou dos padres que o algoritmo deve apren-
der. Essas caractersticas podem ser simples combinaes dos dados crus, como
por exemplo composies polinomiais das variveis independentes, ou podem ser
 9

processos dispendiosos, como por exemplo extrair de um grande corpus de texto ex-
presses que paream indicar nomes de entidades (empresas, pessoas, pases, etc.)
de forma automatizada. Depois de desenhados e extrados, esses vetores de caracte-
rsticas so alimentados em algoritmos genricos capazes de realizar a tarefa desig-
nada: florestas aleatrias, mquinas de vetores de suporte, entre outros.
Tipicamente essas tarefas so dispendiosas e difceis, e pode-se levar anos
para descobrir um conjunto extremamente especializado de boas caractersticas
para tarefas especificas, como por exemplo os SIFT features (Lowe 1999) ou Viola-
-Jones Haar-like descriptors (Viola and Jones 2004) para reconhecimento de objetos
em Viso Computacional. Desde aproximadamente meados da dcada de 2000, (Le-
Cun, Bengio, and Hinton 2015), grupos de pesquisa comearam a obter resultados
bastante expressivos usando uma abordagem diferente: o Aprendizado de Caracters-
ticas ou Aprendizado de Representaes4.
O princpio fundamental dessa abordagem trocar o longo tempo de enge-
nharia e extrao de caractersticas por algoritmos capazes de aprender caracters-
ticas a partir dos dados brutos simultaneamente soluo da tarefa de aprendizado
usando essas caractersticas. Por exemplo, em uma tarefa de reconhecimento de ca-
racteres manuscritos, o algoritmo deveria ser capaz de aprender que composies
dos bytes originais da imagem so importantes para descobrir que caractere ela re-
presenta durante o mesmo processo em que est aprendendo a prever o caractere.
Idealmente no deveria haver uma diferena entre os dois processos: nos dois pro-
cessos os parmetros de um modelo esto sendo ajustados para obter um resultado
desejado (minimizar uma funo custo, por exemplo), portanto eles deveriam ser par-
te do mesmo processo. Ao fim do processo o algoritmo aprendeu no apenas a re-
solver uma tarefa relacionada queles dados, como tambm uma representao dos
dados em um vetor de caractersticas que podem ser teis para mltiplas tarefas.
Tipicamente as caractersticas adequadas para realizao de uma tarefa
complexa so transformaes altamente no-lineares dos dados crus. Modelar fun-
es altamente no-lineares uma tarefa difcil, porm factvel usando modelos pro-
fundos. Um modelo profundo um modelo em que vrias instncias menores de um
modelo - denominadas camadas - so empilhadas de forma que a sada de uma seja
a entrada da prxima. Cada uma dessas camadas capaz de aprender um mapa
no-linear simples da sada da camada anterior. Ao empilhar camadas que apren-
dem mapas no-lineares, o modelo capaz de compor conceitos cada vez mais com-
plexos a cada nova camada, produzindo eventualmente mapas cada vez mais com-
plexos das variveis de entrada.
O tpico exemplo dessa capacidade de modelos profundo so modelos de
deteco de caracteres manuscritos. Em um modelo com muitas camadas, treina-
do para identificar qual caractere est representado em uma imagem, a primeira ca-
mada que toma a imagem de um caractere manuscrito como entrada pode apren-
der, por exemplo, a detectar linhas horizontais, linhas verticais, e outras primitivas
geomtricas simples. A segunda camada, usando como entrada o sinal de sada da
 10

primeira camada, compe esses sinais geomtricos primitivos, sinais mais comple-
xos: linhas oblquas, ngulos, curvas suaves. A terceira camada compe esse sinal
em detectores mais sofisticados, capazes de identificar crculos, curvas mais acen-
tuadas e, finalmente, a ltima camada compe esses sinais geomtricos mais sofis-
ticados em detectores do formato completo do caractere. Esse processo de constru-
o de sinais cada vez mais complexos e no lineares nas camadas mais profundos
do modelo que d aos modelos de Aprendizado Profundo a capacidade de apren-
der mapas altamente no-lineares e resolver tarefas complexas: o modelo est apren-
dendo, a partir dos dados mais brutos, quais so as caractersticas mais preditivas
do alvo, sem que haja necessidade de uma engenharia manual de caractersticas.

3. Redes Neurais
A principal classe de modelos
que tm sido usados em arquiteturas
profundas so as redes neurais artifi-
ciais. Uma rede neural artificial um
conjunto de pequenas unidades, tipi-
camente chamadas, em analogia com
sistemas biolgicos, de neurnios ou
perceptrons. Essas unidades rece-
bem entradas e produzem uma ni-
ca sada que consiste em uma trans-
formao linear das entradas segui-
da da aplicao de um mapa no-line-
ar, chamado funo de ativao. Cada
unidade pode ser agrupada em cama-
das em uma rede feed forward, e fun-
cionar como um modelo profundo.
Redes neurais no so algo-
ritmos recentes. Desde a sua primei-
ra inspirao no estudo de estruturas biolgicas na dcada de 1940 (McCulloch and
Pitts 1943; Hebb 2005), os primeiros modelos de aprendizado supervisionado como
o Perceptron (Rosenblatt 1957) e a criao dos algoritmos de treinamento que per-
mitem tratar redes profundas, o algoritmo de Backpropagation (Williams and Hinton
1986; Parker 1982; Werbos 1974), passaram-se dcadas de desenvolvimento e, apesar
do relativo sucesso em algumas reas, houve um perodo de dormncia da pesqui-
sa nessa rea durante o fim dos anos de 1990 e incio dos 2000. Redes neurais apre-
sentavam muitos desafios tericos e de engenharia poca e sua aplicao era mais
custosa que a de outros algoritmos que obtiveram mais sucesso poca, como M-
quinas de Vetores de Suporte e Florestas Aleatrias.
Entretanto, em meados da dcada de 2000 (LeCun, Bengio, and Hinton 2015),
houve uma conjuno de condies que permitiu o renascimento das redes neurais
 11

como um algoritmo capaz de atingir e elevar o estado da arte em diversas tarefas de

modelagem. Alm de uma srie de descobertas de novas tcnicas e algoritmos para
treinar redes neurais, os principais novos recursos que permitiram esse renascimen-
to foram a disponibilidade de conjuntos de dados muito maiores para treinamento,
e o progresso de hardware computacional especfico para processamento vetorial,
capaz de acelerar em muitas ordens de grandeza o tempo necessrio para treinar
uma rede neural. Hoje possvel, em um computador pessoal de capacidade media-
na, usando uma GPU (graphical processing unit), tipicamente utilizada para proces-
samento grfico, treinar em minutos uma rede neural capaz de reconhecer dgitos
manuscritos com acurcia superior de operadores humanos (>99%). Isso permitiu
um renascimento do uso de redes neurais em diversos tipos de tarefas de modela-
gem diferentes, iniciada em campos como Viso Computacional e Reconhecimento
de Voz, mas se espalhando por outras reas da cincia e da engenharia. Hoje gran-
de parte dos resultados estado-da-arte em diversas tarefas computacionais so obti-
dos por sistemas baseados em redes neurais.

4. Aprendizado no-supervisionado
Redes neurais so naturalmente orientadas para tarefas supervisionadas,
em que existe um conjunto de dados com entradas e sadas bem definidas. Entre-
tanto a pesquisa de tcnicas no-supervisionadas usando redes neurais profundas
apresenta um promissor horizonte de algoritmos que podem ser usados no trata-
mento de dados no-estruturados, particularmente no aprendizado de caractersti-
cas para anlise de textos, dados sequenciais, sries temporais, imagens e outros ti-
pos de dados sem uma estrutura tabular clara ou em que a engenharia e extrao de
caractersticas para algoritmos tradicionais desafiadora.
Os algoritmos tpicos de treinamento de redes neurais, no entanto, esto vol-
tados ao aprendizado supervisionado e a soluo de problemas no-supervisionados
usando redes neurais ainda uma rea jovem, ativa e promissora de pesquisa. Duas
estratgias se mostram bastante promissoras nessa direo:
(1) criar tarefas supervisionadas que, ao serem resolvidas, levam a rede neural a
aprender representaes vetoriais dos dados de interesse, gerando ento insu-
mos para outros tipos de algoritmos (como agrupamento, por exemplo), e
(2) criar modelos gerativos que tentam aprender uma distribuio de probabilidades
dos dados e geram, no processo, conhecimento sobre os dados - por exemplo ve-
tores de fatores latentes, classificaes e agrupamentos, etc.
Ambas as estratgias so calcadas no conceito de aprendizado de repre-
sentaes: cada camada de uma rede neural profunda aprende a detectar ou re-
presentar conceitos cada vez mais abstratos do conjunto original de dados. Eventu-
almente as prprias representaes intermedirias criadas pela rede neural a partir
dos dados para resolver uma tarefa especfica contm informao sumarizada sobre
os prprios dados que pode ser til em uma anlise ou investigao exploratria, ou
mesmo em outras tarefas relacionadas (Yosinski et al. 2014).
 12

Um exemplo de rede neural que resolve uma tarefa supervisionada auxi-

liar para aprender representaes no-supervisionadas para conjuntos de dados de
interesse so os Autoencoders (Bengio 2009). Um autoencoder uma rede neural
composta de duas sub-redes: um encoder, cuja tarefa gerar uma representao de
baixa dimensionalidade a partir de um objeto complexo, como uma imagem ou tex-
to; e um decoder, cuja tarefa recuperar o objeto original a partir da representao
gerada pelo encoder. O objetivo de treinar um autoencoder , ao forar uma com-
presso da informao em uma representao de baixa dimensionalidade, obter um
vetor de caractersticas que representam uma imagem ou texto, por exemplo, que
resume a informao contida nesse objeto complexo e permite anlises explorat-
rias ou mesmo o uso em outras tarefas
de classificao, agrupamento ou re-
gresso. Dessa forma um autoencoder
pode ser treinado, por exemplo, para
criar representaes vetoriais de tex-
tos, que depois sero usadas para trei-
nar uma anlise de sentimento usando
outro algoritmo -- uma Regresso Lo-
gstica ou Mquina de Vetores de Su-
porte, por exemplo.
Modelos gerativos com redes
neurais profundas so um desenvolvi-
mento mais recente e uma ativa rea
de pesquisa. Um modelo gerativo um
modelo que tenta capturar o processo
que teria gerado os dados observados,
modelando sua distribuio de proba-
bilidades. Esse tipo de modelagem j
bastante conhecida em Aprendizado
de Mquina, com modelos como Mistura de Gaussianas para agrupamento, ou Alo-
cao de Dirichlet Latente para anlise de tpicos. Entretanto, modelos probabils-
ticos gerativos muito complexos so tipicamente intratveis usando tcnicas analti-
cas e dependem do uso de aproximaes variacionais ou simulaes de Monte Car-
lo para serem ajustados. Recentemente alguns progressos foram obtidos delegando
a complexidade desses modelos probabilsticos para redes neurais e desenvolvendo
tcnicas que se aproveitam de algoritmos como Backpropagation para resolver par-
te do problema. Um exemplo so as Redes Gerativas Adversrias (Goodfellow et al.
2014; Makhzani et al. 2015; Denton et al. 2015) em que possvel criar uma rede neu-
ral que aprende to bem a distribuio de probabilidades de um conjunto de ima-
gens, capaz de gerar novas imagens a partir dessa distribuio que so, praticamen-
te, indistinguveis visualmente de imagens verdadeiras. As representaes interme-
dirias, aprendidas por esses modelos gerativos, frequentemente contm bastante
informao sobre os objetos originais, sendo possvel, por exemplo, usa-las para ex-
 13

trair informaes de estilo de uma imagem (Makhzani et al. 2015) e aplicar sobre ou-
tra (Gatys, Ecker, and Bethge 2015), ou recriar a mesma imagem em outro ponto de
vista (Radford, Metz, and Chintala 2015).

5. Concluses
Redes neurais profundas tm-se mostrado uma ferramenta extremamente
valiosa na modelagem de grandes conjuntos de dados com estrutura complexa, par-
ticularmente dados textuais e de imagem. Esse tipo de arquitetura profunda capaz
de produzir modelos end-to-end, sem a necessidade de uma dispendiosa engenharia
de caractersticas inicial. Alm disso, as representaes aprendidas pelas redes neu-
rais guardam informao do conjunto de dados original e podem servir de insumo
para outros algoritmos e anlises. Dada riqueza de conjuntos de dados textuais de
difcil explorao usando tcnicas tradicionais, tcnicas no-supervisionadas usan-
do redes neurais podem gerar novas oportunidades ao permitir o uso de fontes de
dados mais cruas, eliminando um processo de engenharia de variveis incerto e dis-
pendioso.

6. Notas:
1 Em ingls, Clustering.
2 Do ingls, Feature Engineering.
3 Em ingls, Features. Tipicamente no jargo de Aprendizado de Mquina, as vari-
veis de controle, covariveis, variveis explicativas ou variveis independentes so
chamadas Caractersticas: trata-se do mesmo conceito. So as variveis que se-
ro ingeridas pelo modelo para prever uma varivel dependente ou alvo.
4 Em ingls, Feature Learning e Representation Learning, respectivamente.
Autor

Rafael S. Calsaverini
Rafael S. Calsaverini doutor em Fsica pela universidade de So Paulo, tendo trabalhado em tpi-
cos de modelagem estatstica e aprendizado de mquina. Desde 2012 atua na indstria privada como
Cientista de Dados, desenvolvendo aplicaes baseadas em modelos matemticos e aprendizado de
mquina. Atualmente compe o time da unidade brasileira do Experian Datalabs na Serasa Experian.
E-mail: Rafael.Calsaverini@br.experian.com
 14

Referncias BALDI Pierre; SADOWSKI, Peter; WHITESON ,Daniel. 2014. Searching for Exotic Particles in
High-Energy Physics with Deep Learning. Nature Communications 5. Nature Publishing Group.

DENTON, Emily L; SOUMITH, Chintala; FERGUS, Rob, and others. 2015. Deep Generative Image
Models Using a Laplacian Pyramid of Adversarial Networks. In Advances in Neural Information
Processing Systems, 148694.

GATYS, Leon A; ECKER, Alexander, S; BETHGE, Matthias. 2015. A Neural Algorithm of Artistic
Style. ArXiv Preprint ArXiv:1508.06576.

GOODFELLOW, Ian; POUGET-ABADIE, Jean; MEHDI, Mirza; BING, Xu; WARDE-FARLEY, David;
OZAIR, Sherjil; COURVILLE, Aaron; BENGIO, Yoshua. 2014. Generative Adversarial Nets. In
Advances in Neural Information Processing Systems, 267280.

HEBB, Donald. 2005. The Organization of Behavior: a Neuropsychological Theory. Psychology Press.

HINTON, Geoffrey E; OSINDERO ,Simon; YEE-WHYE, Teh. 2006. A Fast Learning Algorithm for
Deep Belief Nets. Neural Computation 18 (7). MIT Press: 152754.

JORDAN, Michael I. 1994. A Statistical Approach to Decision Tree Modeling. In Proceedings of

the Seventh Annual Conference on Computational Learning Theory, 1320. ACM.

JORDAN, Michael I. 2014. AMA: Michael I. Jordan. Reddit. /r/MachineLearning/. https://www.

reddit.com/r/MachineLearning/comments/2fxi6v/ama_michael_i_jordan/ckelmtt?context=3.

KINGMA, Diederik P.; MOHAMED, Shakir; REZENDE, Danilo J; WELLING, Max 2014. Semi-
Supervised Learning with Deep Generative Models. In Advances in Neural Information Processing
Systems, 358189.

KOLLER, Daphne; NIR, Friedman,. 2009. Probabilistic Graphical Models: Principles and Techniques.
MIT press.

LECUN, Yann; BENGIO, Yoshu; HINTON, Geoffrey. 2015. Deep Learning. Nature 521 (7553).
Nature Publishing Group: 43644.

LOWE, David G. 1999. Object Recognition from Local Scale-Invariant Features. In Computer
Vision, 1999. the Proceedings of the Seventh IEEE International Conference on, 2:115057. IEEE.

MACKAY, David J. C. 1992. A Practical Bayesian Framework for Backpropagation Networks.

Neural Computation 4 (3). MIT Press: 44872.

MAKHZANI, Alireza; SHLENS, Jonathon, JAITLY, Navdeep; GOODFELLOW, Ian. 2015.

Adversarial Autoencoders. ArXiv Preprint ArXiv:1511.05644.
 15

Referncias MCCULLOCH, Warren S.; PITTS, Walter. 1943. A Logical Calculus of the Ideas Immanent in
Nervous Activity. The Bulletin of Mathematical Biophysics 5 (4). Springer: 11533.

MEZARD, Marc; MONTANARI, Andrea. 2009. Information, Physics, and Computation. Oxford
University Press.

NEAL, Radford M. 2012. Bayesian Learning for Neural Networks. Vol. 118. Springer Science &
Business Media.

PARKER, David B. 1982. Learning Logic. Invention Report S81-64, File 1, Office of Technology
Licensing. October, Stanford University.

RADFORD, Alec; METZ, Luke; CHINTALA, Soumith. 2015. Unsupervised Representation

Learning with Deep Convolutional Generative Adversarial Networks. ArXiv Preprint
ArXiv:1511.06434.

ROSENBLATT, Frank. 1957. The Perceptron, a Perceiving and Recognizing Automaton Project Para.
Cornell Aeronautical Laboratory.

RUMELHARD, David E; HINTON, Geoffrey E.; WILLIAMS, Ronald J. 1986. Learning

Representations by Back-Propagating Errors. Nature, 323533.

UNTERTHINER, Thomas; MAYER, Andreas; KLAMBAUER, Gnter; HOCHEITER Sepp. 2015.

Toxicity Prediction Using Deep Learning. ArXiv Preprint ArXiv:1503.01445.

VIOLA, Paul; JONES, Michael J. 2004. Robust Real-Time Face Detection. International Journal of
Computer Vision 57 (2). Springer: 13754.

WERBOS, Paul. 1974. Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Sciences.

YARIN, Gal. 2015. What My Deep Model Doesnt Know... Blog. Yarin Gal. http://mlg.eng.cam.
ac.uk/yarin/blog_3d801aa532c1ce.html.

YARIN, Gal; GHAHRAMANI, Zoubin. 2015. Dropout as a Bayesian Approximation: Insights and
Applications. In Deep Learning Workshop, ICML.

YOSHUA, Bengio. 2009. Learning Deep Architectures for AI. Foundations and Trends in Machine
Learning 2 (1). Now Publishers Inc.: 1127.

YOSINSKI, Jason; CLUNE, Jeff; BENGIO, Yoshua; LIPSON, Hod. 2014. How Transferable Are
Features in Deep Neural Networks? In Advances in Neural Information Processing Systems, 332028.
 16

Desafios das Empresas

Face Lei Anticorrupo

Franklin Mendes Thame

 17

Sumrio
A Lei Anticorrupo - Lei 12.846/2013- veio aprimorar o
marco regulatrio do Pas no combate a corrupo. Essa regula-
o constitui instrumento essencial para corrigir falhas de merca-
do, moldar a conduta, mudar o padro de relacionamento, aper-
feioar as prticas de preveno e controlar o comportamento das
empresas. A lei visa combater a impunidade quando dos negcios
com o setor pblico, notadamente para segmentos econmicos
de atuao com maior susceptibilidade s prticas de corrupo.

1. Introduo
A Lei Anticorrupo 12.846/2013, ao estabelecer a responsabilizao obje-
tiva, no mbito civil e administrativo, de empresas que praticam atos lesivos contra
a administrao pblica, veio preencher importante lacuna no ordenamento jurdi-
co do Brasil ao levar os corruptores punio. Assim, para as empresas um cha-
mado reflexo e ao de forma a se prevenirem de punies por atos ilcitos jun-
to ao setor pblico.
A atuao das empresas que se relacionam com o setor pblico e com re-
guladores est exigindo, face possiblidade de serem enquadradas nessa Lei, maio-
res cuidados quando:
participam de licitaes e de concesses;
solicitam licenciamentos, autorizaes, outorgas e alvars;
contratam parceiros, terceiros e fornecedores;
solicitam emprstimos subsidiados junto s instituies financeiras oficiais; e
requerem autorizaes para comercializar novos produtos e servios, entre outras
aes.
A conscientizao, pelas empresas, sobre a necessidade de se precaverem
de sanes decorrentes de delitos nos relacionamentos com o setor pblico implica
uma mudana de cultura no enfrentamento das prticas que visam obter vantagens,
quando atuam como fornecedoras e prestadoras de servios a esse setor. Assim, h
necessidade de as empresas estruturarem uma governana especifica para o ge-
renciamento integrado de riscos, adotando polticas de compliance, haja vista que
determinadas condutas, justificadas em funo do processo burocrtico dos rgos
pblicos (excesso de leis, regulaes, exigncias de alvars e de licenciamentos), po-
dem ser consideradas passveis de enquadramento na Lei Anticorrupo.
 18

As aes e estratgias de anticorrupo nas empresas deve ser transversal,

alcanar todos os nveis hierrquicos e todas as reas administrativas. As aes de
enfrentamento corrupo se pautam na tica, na justa concorrncia, na eficincia,
no mrito e se inserem nas melhores prticas de governana corporativa como: ge-
renciamento integrado de riscos; estrutura de compliance; desenvolvimento do capi-
tal humano e gesto de fornecedores e parceiros. A poltica anticorrupo deve ser
parte integrante da poltica estratgica das empresas, a fim de preservar seu maior
valor: a reputao.

2. Autorregulao
A empresa dever definir as polticas e as aes de autorregulao, que
comprovem o seu compromisso com os princpios que norteiam a tica, atribuindo
responsabilidades s reas envolvidas sobre o gerenciamento de riscos dos poss-
veis impactos decorrentes das suas atividades com o setor pblico.
O escopo e contedo da poltica de preveno em relao a Lei Anticorrup-
o de uma empresa so definidos por:
porte;
natureza da sua atividade;
peculiaridades nas linhas de negcios; e
formas de atuao com o setor pblico.
Inicialmente, a empresa dever fazer o diagnstico das suas aes com o se-
tor pblico, desde a simples obteno de um licenciamento ou alvar at uma com-
plexa autorizao oficial para lanamento de um novo produto. Uma vez alinhadas as
aes caber verificar os riscos, classific-los de acordo com a sua relevncia e pro-
porcionalidade, bem como definir as reas responsveis.
Na sequncia, dever identificar os funcionrios e terceirizados (CNPJs e
CPFs) envolvidos e criar uma matriz de riscos, com informaes sobre eles obtidas
de empresas de tecnologia de informaes, como a Serasa Experian; da mdia; de si-
tes pblicos que trazem informaes jurdico-processuais no mbito civil, trabalhista
e criminal; e de cadastros e de listas pblicas, cujos includos tiverem comportamen-
tos considerados inidneos.
A empresa dever, ainda, estabelecer os padres de atuao prudencial e as
aes que podero evitar delitos para mitigar eventuais sanes judiciais. Os proce-
dimentos adotados pela empresa devem possibilitar argumentos de defesa em aes
judiciais, trazer conforto/segurana jurdica e demonstrar que ela foi diligente em re-
lao aos seus negcios com o setor pblico. Uma importante referncia a existn-
cia de um programa de compliance que demonstre, de forma consistente, as estrat-
gias e as aes destinadas a evitar atos passveis de serem considerados corruptos.
 19

O programa dever possibilitar que os princpios de preveno e precauo se mate-

rializem para enfrentar todo e qualquer ato de corrupo.
As normativas internas da empresa precisam refletir a legislao anticor-
rupo. Ao cumpri-las, a empresa passa a considerar os fatores ticos e morais, em
conjunto com os econmico-financeiros. Essas normativas faro parte da gesto in-
tegrada de riscos, que protege a empresa de riscos operacionais, de reputao, de
delitos, de punies e de responsabilidade solidria, entre outros.

3. Empresa Limpa
A Lei Anticorrupo, n 12.846/2013, conhecida como a Lei da Empresa Lim-
pa, tem, portanto, por objetivo, tratar da conduta e da punio das empresas por atos
de corrupo, praticados por seus representantes diretos ou terceirizados, contra a
administrao pblica.
Esta lei pode ser aplicada contra empresas que corrompam agentes pbli-
cos com suborno e pagamento de propinas; fraudem licitaes ou contratos pbli-
cos; frustrem, mediante ajuste ou combinao, o carter competitivo de um procedi-
mento licitatrio; e obtenham benefcios por meio de atos corruptos.
Trata-se de punio objetiva e, as-
sim, a empresa poder ser responsabiliza-
da em casos de corrupo, independen-
temente da comprovao de culpa. A em-
presa responder s autoridades judiciais
por ato de corrupo, praticado por seus
funcionrios ou por empresa ou emprega-
do terceirizado, mesmo sem o envolvimen-
to direto por parte dos seus proprietrios.
Dessa forma, a empresa ser punida se ti-
ver obtido benefcios, via ato corrupto re-
sultado inclusive da improbidade adminis-
trativa dos servidores pblicos.
A multa aplicada pelas autoridades judiciais poder variar de 0,1% a 20% do
faturamento bruto do ltimo exerccio anterior ao da instaurao do processo admi-
nistrativo ou at R$ 60 milhes de reais, quando no for possvel esse clculo. Outra
punio que afetar diretamente a reputao da empresa a publicao da senten-
a condenatria na mdia.
A lei prev o impedimento de novas empresas criadas por scios de empre-
sas inidneas, includas no Cadastro Nacional de Empresas Inidneas e Suspensas
- CEIS, se em seus prprios nomes ou de maneira oculta, venham a contratar com
a administrao pblica. Sero solidariamente responsveis, obrigao de paga-
 20

mento de multa e reparao integral do dano causado, as sociedades controladoras,

controladas, coligadas ou, no mbito do respectivo contrato, as consorciadas. Nas
hipteses de fuso e incorporao, a responsabilidade da sucessora ser restrita
obrigao de pagamento de multa e reparao integral do dano causado, at o limi-
te do patrimnio transferido.
A Unio, os Estados, o Distrito Federal e os Municpios e o Ministrio Pbli-
co, podero ajuizar ao com vistas aplicao das seguintes sanes s pessoas
jurdicas infratoras: I. Perda dos bens, direitos ou valores; II. Suspenso ou interdio
parcial de suas atividades; III. Dissoluo compulsria da pessoa jurdica e IV. Proibi-
o do recebimento de incentivos, subsdios, subvenes, doaes de entidades p-
blicas e de instituies financeiras pblicas, pelo prazo de 1 a 5 anos.
Conforme a Lei 12.846, artigo 7;
sero levados em considerao na apli-
cao das sanes:
I. Gravidade da infrao;
II. Vantagem auferida ou pretendida
pelo infrator;
III. Consumao ou no da infrao;
IV. Grau de leso ou perigo de leso;
V. Efeito negativo produzido pela infra-
o;
VI. Situao econmica do infrator;
VII. Cooperao da pessoa jurdica para a apurao das infraes;
VIII. Existncia de mecanismos e procedimentos internos de integridade, auditoria e
incentivo denncia de irregularidades e a aplicao efetiva de cdigos de tica
e de conduta no mbito da pessoa jurdica;
IX. Valor dos contratos mantidos pela pessoa jurdica com o rgo ou entidade p-
blica lesados.

4. Decreto 8.420/15
O Decreto 8.420/15, que regulamenta a Lei n. 12.846/2013 dispe sobre a
responsabilizao administrativa de pessoas jurdicas pela prtica de atos contra a
administrao pblica e estabelece que um Programa de Compliance efetivo deve
conter:
I. Cdigos de tica e conduta;
II. Comprometimento do alto escalo;
 21

III. Treinamento de funcionrios e terceiros;

IV. Monitoramento e auditoria peridica;
V. Canal de comunicao para orientao e denncia;
VI. Poltica de investigao com incluso das aes corretivas;
VII. Poltica de contratao de terceiros e outros mecanismos especficos para cada
segmento.
A rea de Compliance da empresa responsvel por assegurar que as suas
polticas, o cdigo de tica, as leis e os regulamentos sejam respeitados pelos direto-
res, funcionrios, parceiros de negcios, terceirizados e fornecedores.
A existncia de um Programa de Compliance na empresa ser atenuante na
aplicao das sanes administrativas, caso a mesma venha a ser autuada por pr-
ticas ilcitas.
Muitas empresas presentes no Brasil j aderiram a essa prtica, pois se-
guem cdigos de conduta de seus pases de origem onde h legislaes avanadas
a esse respeito: nos Estados Unidos: FCPA - Foreign Corrupt Practices Act e SOA
Sarbanes Oxley Act; e no Reino Unido: UKBA - United Kingdom -Bribery Act - Lei
contra Subornos do Reino Unido.

5. Concluso
Estima-se que o Brasil perde a assustadora quantia de R$ 50 bilhes a 80 bi-
lhes todos os anos com a corrupo. A corrupo passa a ser o principal problema
do pas, haja vista que arruna a confiana dos agentes econmicos, impede inves-
timentos, desestabiliza a economia, diminui a arrecadao de impostos e subtrai di-
reitos fundamentais de todos os brasileiros.
No Congresso Nacional, atualmente existem 355 projetos de lei sobre cor-
rupo de iniciativa de deputados e 173 de senadores, totalizando 528 proposies,
assim impossvel que haja alguma espcie de corrupo que no tenha sido j con-
templada nestes projetos.
A Lei Anticorrupo brasileira, ao estabelecer a responsabilizao objeti-
va, no mbito civil e administrativo, de empresas que praticam atos lesivos contra
a administrao pblica, vem preencher importante lacuna no ordenamento jurdi-
co do Brasil ao levar os corruptores punio. Assim, para as empresas um cha-
mado reflexo e ao de forma a se prevenirem de punies por atos ilcitos jun-
to ao setor pblico.
Nas organizaes, a Lei anticorrupo induzir uma nova forma de fazer ne-
gcios com o setor pblico, que exigira a adoo de boas prticas de governana
corporativa, com transparncia em todos os nveis hierrquicos, com rgido cumpri-
 22

mento da conformidade legal, com segregao de funes, com polticas de tercei-

rizaes, com programa de definio de riscos especficos, com controles internos
e auditorias.
Ressalta-se a importncia de Programa de Compliance, com definies de
condutas que inibam fraudes, lavagem de dinheiro, trafego de influncia, conflitos
de interesse de funcionrios, parceiros, terceirizados e fornecedores e assim possi-
bilite que as regras de negcios com o setor pblico sejam mais ticas, transparen-
tes, justas e simtricas.
Ao incorporar na gesto estratgica da empresa as exigncias da legislao
anticorrupo, est-se condicionando que a sua atividade fique atrelada moralida-
de e legalidade. Assim, as atitudes ticas da empresa, criam valor sustentvel e
suas atitudes se multiplicam, e passam a influenciar toda a sociedade.
Leis e condenaes que visam punir delitos por atos de corrupo, de fraude
fiscal e de lavagem de dinheiro vem somar esforos para que o setor produtivo bra-
sileiro avance no rumo da sustentabilidade.
Autor

Franklin Mendes Thame

Engenheiro Agrnomo e Administrador de Empresas com especializao em agronegcios,
desenvolvimento de produtos financeiros e sustentabilidade. Trabalhou 35 anos no Banco Noroeste
e Banco Santander. Foi Diretor de Crdito Rural e Diretor da FEBRABAN. Atualmente Gerente de
Produtos na Serasa Experian. E-mail: Franklin.Thame@br.serasaexperiam.com
 23

O Aumento da Alocao de
Capital em Risco Operacional
e suas Implicaes em
Instituies Financeiras Locais

Marcelo Petroni Caldas

Oswaldo Pelaes Filho
Frederico Turolla
 24

Sumrio
A crise de 2008 desencadeou movimento mundial em di-
reo a uma nova forma de regulao de Instituies Financeiras
(IFs), em funo de preocupaes quanto solvncia das mesmas.
No entanto, o risco operacional foi pouco abordado nesse contex-
to de mudanas globais, pois o foco era melhorar a qualidade do
capital e aprofundar os requerimentos para o risco de liquidez. De-
pois de vrios estudos e reflexes o Comit de Basileia divulgou
um draft abordando nova proposta de alocao de capital para
o risco operacional. A proposta busca tornar o risco operacional
mais sensitivo ao risco medida que considera novos aspectos
no clculo do requerimento de capital, tais como volumes e neg-
cios realizados entre outros itens. Estudos indicam que o impacto
tende a ser considervel e a indstria bancria vem se movimen-
tando para expor aos reguladores e ao Comit as idiossincrasias
existentes nesse processo. Esse tema recente e a literatura es-
cassa sob o enfoque de International Business, e abord-lo contri-
bui para o entendimento dos conceitos de internacionalizao de
Instituies Financeiras, regulao home host, distncia psquica,
gesto de risco e controles internos do sistema financeiro. Esse
artigo realizou pesquisa atravs de dados secundrios, incluindo
anlise documental, com o objetivo de constatar o impacto dessas
regras regulatrias sobre Instituies Financeiras locais e globais
no Brasil. Concluiu que os cinco bancos pertencentes a essa an-
lise sofrero impactos importantes em seu capital caso no hou-
vesse nenhuma alterao na data base da pesquisa. Diante dessa
constatao a alternativa o reforo do capital de melhor qualida-
de e a reduo de negcios em determinados nichos de atuao.

1. Introduo
O tema risco operacional razoavelmente novo, se comparado aos riscos de
crdito e mercado. Entender esse risco pressupe conhecimento amplo das empre-
sas quer seja financeira ou no financeira, pois ele pode ocorrer em qualquer linha
de negcio de atuao. Assim, a questo no est relacionada somente a entende-
-lo, mas em como mensurar e como calcular uma parcela do capital que reflita ade-
quadamente sua alocao. Desde que o risco operacional foi introduzido em Basileia
II1, em 2004, essa discusso suscita debates acalorados tanto do lado dos defensores
do mtodo, quanto daqueles que so contrrios e ela pouco evoluiu at a emisso de
draft publicado em outubro de 2014 pelo Comit de Basileia (Basilia2) com intuito de
modificar o modelo padronizado de clculo de capital de risco operacional3 para tor-
n-lo mais sensitivo ao risco.
 25

Este artigo tem o objetivo de verificar o impacto que a nova regulamentao

para alocao de capital emanada pelo Comit de Basileia pode gerar na necessi-
dade de capital das Instituies Financeiras analisadas neste estudo. Pretendeu-se
abordar um conceito terico baseado em anlise dos documentos emanados pelo
Comit de Basileia e os relatrios sobre gesto de riscos divulgados pelas Institui-
es Financeiras e disponibilizados em seus sites onde constam os montantes de alo-
cao de capital para risco operacional.

2. Desenvolvimento da Regulao e o Risco Operacional

O primeiro acordo de capital, como se sabe, foi focado eminentemente em
risco de crdito o qual definido por:
The risk that the counterparty to a transaction could default before the final settle-
ment of the transactions cash flows. An economic loss would occur if the tran-
sactions or portfolio of transactions with the counterparty has a positive economic
value at the time of default4.
O primeiro acordo ainda disseminou um indicador conhecido por ndice de
Basileia (BIS, 1988 International Convergence of Capital Measurement and Capital Stan-
dards, July 1988), utilizado constantemente e que representa um direcionador rele-
vante de solvncia das instituies financeiras. O objetivo era de que somente Insti-
tuies Financeiras internacionalmente ativas utilizassem essa mtrica, no entanto
a simplicidade da frmula levou a uma massificao do conceito e sua consequente
implantao mesmo por bancos que no possuam atuao global. Depois da publi-
cao do primeiro acordo, houve a publicao de uma emenda que tratou especial-
mente de risco de mercado , pois era um risco que estava emergindo e se fazia ne-
cessrio um tratamento diferenciado. importante definir Risco de Mercado6:
The risk of losses in on and off-balance-sheet positions arising from movements
in market prices. The risks subject to this requirement are:
The risks pertaining to interest rate related instruments and equities in the tra-
ding book;
Foreign exchange risk and commodities risk throughout the bank.
Por fim, o Novo Acordo de Capital de Basileia (ou Basileia II) consolidou e
melhorou os conceitos dos riscos de crdito e mercado e implantou o conceito do ris-
co operacional. poca se constituiu em novidade, pois era um risco cuja existncia
era percebida mas que no havia sido registrada e divulgada por uma entidade su-
pranacional, orientando como trat-lo sob os aspectos de governana e determina-
o de trs formas de clculo de capital a ser alocado. Era uma revoluo para aque-
le momento, sendo importante mencionar o conceito de Risco Operacional confor-
me Basileia II:
 26

The risk of loss resulting from inadequate or failed internal processes, people and
systems or from external events. This definition includes legal risk, but excludes
strategic and reputational risk.
Localmente, o conceito tambm foi desenvolvido sendo que o regulador bra-
sileiro em 2006 decidiu publicar normativo, Resoluo 33807, considerado best practi-
ce local e que determinou a implementao de estrutura de gerenciamento de risco
operacional nas Instituies Financeiras e que possui a funo de descrever concei-
tos, formas de registro, atribuio de responsabilidades e escopo de aplicao para
as entidades autorizadas a funcionar sob superviso do Banco Central do Brasil. In-
teressante destacar que somente em abril de 2008, no Brasil, foi implantada a norma
que regulamenta o mtodo de alocao de capital para risco operacional. A Circular
3383/088 estabeleceu os procedimentos para o clculo da parcela referente ao risco
operacional atravs de 3 mtodos:

Mtodo Base de Clculo Coeficiente

1. Indicador Bsico Resultado Bruto, no h segregao
2. Padronizada Alternativa
3. Padronizada Alternativa
Simplificada
Fonte: Circular 3383/08
15% do Resultado Bruto
por linhas de negcio, mdia dos
ltimos 3 anos
Resultado Bruto segregado por 8 12% a 18% do Resultado Bruto
linhas de negcio, sendo que em duas aplicado s 8 linhas de negcio
linhas de negcio (comercial e varejo)
se utiliza o portfolio de crdito ao invs
de resultado bruto. Emprega-se a
mdia dos ltimos 3 anos
Resultado Bruto segregado por 2 15% e 18% do Resultado Bruto
linhas de negcio; Utiliza-se, a mdia aplicado s duas linhas de negcio
dos ltimos 3 anos

A partir de ento as Instituies Financeiras tiveram que escolher em qual

mtodo deveriam se enquadrar. Os bancos locais considerados de grande porte,
conforme suas respectivas publicaes, decidiram pela aplicao do mtodo padro-
nizado alternativo (ou em ingls: Alternative Standardized Approach ASA). O motivo
est relacionado a um menor impacto na alocao de capital, visto que em duas li-
nhas de negcio (comercial e varejo) se utiliza um spread mdio de 3,5%9 (conforme
definido por Basileia II e adotado pelo Supervisor bancrio brasileiro atravs da Cir-
cular 3383/08). Ela bem inferior ao praticado no sistema financeiro brasileiro, con-
forme Relatrio do Panorama de Crdito publicado pela Febraban na data base ou-
tubro/2015 que demonstra spread mdio consolidado de 15,5% no perodo de outu-
bro/13 a outubro/15. Vale ressaltar que no perodo 2010-2014 a alocao de capital
mdia para risco operacional foi de R$ 13,8 bilhes para os cinco maiores bancos
(Bradesco, Ita, Caixa Econmica Federal, Banco do Brasil e Santander) que repre-
senta, em mdia, 5% do patrimnio de referncia mdio dessas Instituies Finan-
ceiras no mesmo perodo.
A Circular 3383/08 foi substituda pela Circular 3640/1310 que fixou os proce-
dimentos para clculo da parcela dos ativos ponderados pelo risco relativa ao clcu-
 27

lo do capital requerido para o risco operacional mediante abordagem padronizada.

Na verdade tratou-se de alinhamento internacional quanto ao clculo elaborado para
risco operacional, onde o valor da alocao obtida atravs dos conceitos j descritos
nesse artigo devem ser alavancados por 11%. Enfim, independentemente do nmero
do normativo a constatao que os modelos padronizados no so teis em medir
risco propriamente dito, pois a lgica desses modelos de que quanto mais se fatura
maior o risco da instituio. Portanto, no se trata de algo lgico porque esse mtodo
no carrega a possibilidade de que fatores de controle e de ambiente de negcio in-
fluenciam e podem impedir que incrementos de resultado no necessariamente ge-
rem efeitos de maior risco e, consequentemente, possveis perdas advindas desse
risco adicional em virtude de mais negcios gerados.
Ressalta-se que em 2011 houve a publicao de normativo local (Circular
3647/13 ) que estabeleceu os requisitos mnimos para a utilizao de abordagem
11

avanada, baseada em modelo interno, no clculo da parcela relativa ao risco opera-

cional. De fato, o esprito do regulador, ao publicar os termos desse normativo, limita
demasiadamente a utilizao de modelo avanado pelos bancos locais. No estabe-
lece margem para uso parcial do modelo e nem incentivos para que se introduzam
melhorias sistmicas em paralelo implantao do modelo ou de processos que no
sejam totalmente automatizados. Esse fato se caracteriza em um ambiente perfeito e
que se torna muito difcil de se implantar na totalidade de empresas complexas, que
atuam em linhas variadas de negcios, como no caso brasileiro onde determinadas
instituies financeiras possuem companhias seguradoras de grande porte e que
esto sujeitas s questes de Solvency II (que nada mais do que a Basilia das Se-
guradoras), com milhes de clientes. Acredita-se que esse assunto possa ser explo-
rado em outra linha de pesquisa, pois constitui um amplo campo de reflexo para a
gesto do risco operacional.

4. O Advento da Crise Econmica de 2008-2009

Conforme definio obtida na edio 45 da revista de informaes e debates
do IPEA (Instituto de Pesquisa Econmica Aplicada)
O subprime se caracterizou como hipotecas de maior risco ou de segunda linha.
Com o excesso de liquidez no mercado internacional nos ltimos anos, os bancos
e financeiras dos Estados Unidos passaram a financiar a compra de casas a juros
baixos para pessoas com histrico de crdito ruim, tendo o prprio imvel como
nica garantia. Mas veio a queda nos preos dos imveis e os bancos ficaram
ameaados de no reaver os emprstimos feitos.
A crise ocorrida em 2008 decorrente do colapso dessas operaes (subpri-
me) no mercado norte americano, acarretou uma serie de reflexes sobre a ques-
to de risco de liquidez, sistmico e da necessidade de capital de melhor qualidade
das Instituies Financeiras. Como amplamente divulgado a consequncia foi uma
 28

srie de regulaes que impactaram o mercado financeiro, a saber: Basileia III12 - A

Global Regulatory Framework for more Resilient Banks and Banking Systems, Dodd Frank
Wall Street Reform and Consumer Protection Act13 somente para citar as duas orien-
taes normativas mais importantes que surgiram como resposta crise. Esse po-
sicionamento mundial foi dado pelo G20 que formado pelo conjunto das 20 econo-
mias mais relevantes mundialmente. A preocupao desse grupo se estabeleceu em
no permitir uma depresso econmica em escala global e consequentemente pro-
ver maior regulao sobre o sistema financeiro global. O FSB (Financial Stability Bo-
ard) surge com a atribuio de coordenar a regulao global e verificar a implanta-
o de suas polticas.
Apesar de que a ateno estava totalmente voltada para esses riscos ante-
riormente mencionados, o risco operacional ressurgiu na discusso devido a uma
certa preocupao em relao s hipotecas e, consequentemente, alocao de ca-
pital para risco operacional. Em relao s hipotecas, pois no se sabe o quanto de
fraude e falha de processo representavam como causa principal nessa questo, as
baixas em emprstimos poderiam se dar por efeitos decorrentes de risco operacio-
nal. Pelo lado da alocao de capital, o sinal vermelho se acendeu para os regulado-
res, pois a alocao de capital pelos mtodos padronizados calculada por meio da
mdia dos ltimos 3 anos do resultado bruto. A consequncia surgiu alguns anos de-
pois da crise, constatando-se que o resultado dos bancos, em decorrncia da crise,
diminuiu e o reflexo imediato foi a reduo do valor de capital alocado. Se Basileia j
tinha por objetivo rever essa metodologia, esse fato foi o ingrediente que faltava para
se iniciar o processo de proposta de mudana.

5. Aes Ps Crise
Na realidade Basileia demorou certo tempo para publicar algo em resposta
crise e que fosse ao encontro das deficincias encontradas no conceito de aloca-
o de capital para risco operacional. Aps estudos de impacto que contaram com
a participao das Instituies Financeiras e de diversas anlises, foi publicado o do-
cumento Operational Risk Revisions to the simpler approach14 em outubro/2014. Com
esse documento Basileia adota o enfoque voltado para simplicidade e maior sensibi-
lidade a risco e os 3 tipos de mtodos de alocao deram lugar a um nico mtodo.
No entanto o quesito modelo mais sensvel a risco ainda se mostra devedor, pois os
vetores, na maioria, permanecem os mesmos.
A concluso do documento de que o resultado bruto (ou gross income) deve
ser substitudo por uma nova varivel denominada BI (business indicator) com o in-
tuito de capturar os grandes negcios bancrios, a saber: juros (interest component),
servios (services component) e financeiro (financial component). Essa nova calibrao
visa incrementar a alocao e, consequentemente, tornar-se sensvel ao risco. Vale a
constatao de que pases com altas taxas de juros (NIM net interest margin) tam-
 29

bm foram escopo e consideradas nesse draft emitido por Basileia, mas o tratamento
a ser dado a essa situao especfica ainda est em anlise. Ressalta-se que eventu-
al mudana no spread (de 3,5% para outro percentual acima desse nmero), conside-
rado para efeito de clculo da alocao de capital, constitui para os bancos brasilei-
ros uma mudana forte na abordagem de capital e que seu impacto afeta razoavel-
mente os nveis de alavancagem da indstria financeira como um todo. importan-
te correlacionar essa questo aos impactos macroeconmicos, pois algo que afete a
alocao de capital (para cima, ou seja com aumento) resultar em menos disponi-
bilidade de crdito para o cliente e/ou consumidor final para compra de bens e ser-
vios. Enfim, as Instituies Financeiras, aps vrias alteraes em normas e regula-
mentos, tm experimentado algo cada vez mais presente no dia-a-dia dos gestores:
a escassez do recurso chamado capital.
A nova formulao da possvel alocao de capital constante do draft emitido
por Basileia, referente ao business indicator, considera intervalos que variam de 10% a
30% e, por consequncia, incrementam a alocao de capital das instituies, prin-
cipalmente se compararmos o range anterior que variava dentre 8 linhas de negcio
de 12% a 18%. A aplicao da frmula gerada extremamente simples e visa distri-
buir os resultados de cada indicador de negcio nas faixas selecionadas, conforme
segue no quadro demonstrativo:

BI (milhes de ) Coeficiente Coeficiente por intervalo

0-100 10% 10%
>100 1.000 13% 10% - 12,7%
>1.000 3.000 17% 12,7% - 15,57%
>3.000 30.000 22% 15,57% - 21,36%
>30.000 30% 21,36% - 30%
Fonte: Operational Risk Revisions to the simpler approaches

Portanto, aproveitando o exemplo do documento de Basileia possvel fazer

uma simulao de como a distribuio ocorre dentro de uma instituio financeira
em relao nova formulao proposta por Basileia:

Banco BI Clculo Capital Alocado

A $ 80 $ 80 * 10% $8
B $ 800 $ 100 * 10% + $ 700 * 13% $ 101
C $ 2.000 $ 100 * 10% + 900 * 13% + 1.000 * 17% $ 297
Fonte: Operational Risk Revisions to the simpler approaches

6. Anlise Quantitativa
A anlise quantitativa procurou verificar a existncia de correlao entre o
ndice de Basileia (IB) e alguns indicadores selecionados para os bancos brasileiros
Bradesco, Ita, CEF Caixa Econmica Federal, Banco do Brasil e o banco estran-
geiro Santander. Os indicadores testados foram o Patrimnio Referncia (PR), o Pa-
 30

trimnio Referncia Exigido (PRE), as parcelas de Risco Operacional (RO), Risco de

Crdito (RC), Risco de Mercado (RM) e o Retorno sobre o Equity (ROE), para tanto fo-
ram levantados os dados objeto da correlao para o perodo de 2010 a 2014.
Considerando comentrios no mercado financeiro sobre a possvel mudan-
a da regra de alocao de capital para o risco operacional e o respectivo impacto
que essa alterao tende a gerar, foi calculada a parcela de Risco Operacional multi-
plicando por 2 (ROx2) e multiplicado por 3 (ROx3), pois o impacto que o mercado es-
tima nas instituies financeiras de duas a trs vezes o aumento na alocao de ca-
pital do risco operacional. Importante ressaltar que o ndice de Basilia foi recalcula-
do e (afinal decorre do ROx2) denominado IBx2 e o ndice de Basileia decorrente de
ROx3 foi denominado IBx3.
A tabela a seguir apresenta os dados levantados que serviram de base para
o clculo das correlaes:

Tabela de Dados

em R$ milhes

Patrimnio PRE PREx2 PREx3 RO ROx2 ROx3 RC RM ndice de ndice de ndice de ROE
Referncia Basileia Basileia Basileia
x2 x3

Fonte: Relatrio de Gesto de Riscos site dos Bancos

Colunas PREx2, PREx3, ROx2 e ROx3, elaboradas pelos autores

Todos os resultados da correlao foram obtidos atravs da utilizao da

anlise de dados do aplicativo Excel, sendo que inicialmente foram calculadas as cor-
relaes tomando-se por base as mdias dos dados dos bancos considerados para
cada ano de anlise, assim os dados obtidos pela correlao entre o IB e as variveis
analisadas, no perodo de 2010 a 2014, gerou os seguintes resultados:
 31

Resultado das Correlaes

Correlao IB_2010 IB_2011 IB_2012 IB_2013 IB_2014

RO -2% 74% 74% 26% 51%
PRE 14% 71% 52% 28% 51%
PR -15% 80% 84% 42% 58%
RC 13% 66% 43% 25% 48%
RM 69% 15% 53% 60% 59%
ROE 7% -21% -41% 37% 94%

Correlao IB2_2010 IB2_2011 IB2_2012 IB2_2013 IB2_2014

RO x2 -13% 5% 37% 65% 85%
PRE x2 -44% -7% 9% 51% 75%
PR -91% -49% 47% 60% 74%
RC -46% -2% -7% 49% 72%
RM -67% -58% 76% 22% 26%
ROE 49% 82% -82% 12% 67%

Correlao IB3_2010 IB3_2011 IB3_2012 IB3_2013 IB3_2014

RO x3 -13% 5% 37% 65% 85%
PRE x3 -43% -6% 10% 52% 75%
PR -91% -48% 46% 60% 74%
RC -46% -2% -7% 49% 72%
RM -67% -58% 75% 22% 26%
ROE 49% 82% -82% 12% 67%
Fonte: Os autores

As variveis analisadas podem ter correlaes que vo de bem fraca a

muito forte conforme identificado no quadro a seguir:

Valor de (+ ou -) Interpretao
0,00-0,19 Uma correlao bem fraca
0,20-0.39 Uma correlao fraca
0,40-0,69 Uma correlao moderada
0,70-0,89 Uma correlao forte
0,90-1,00 Uma correlao muito forte

As concluses da anlise da correlao esto apresentadas no Quadro Re-

sumo das Correlaes Analisadas:
 32

Quadro Resumo das Correlaes Analisadas com o IB

Ano Muito forte Forte Moderada

2010 RM
2011 RO, PRE, PR RC
2012 RO, PR PRE, RC, RM, ROE
2013 PR, RM
2014 ROE RO, PRE, PR, RC, RM

Quadro Resumo das Correlaes Analisadas com o IB2x

Ano Muito forte Forte Moderada

2010 PR PRE, RC, RM, ROE
2011 ROE PR, RM
2012 RM, ROE PR
2013 RO, PRE, PR, RC
2014 RO, PRE, PR, RC ROE

Quadro Resumo das Correlaes Analisadas com o IB3x

Ano Muito forte Forte Moderada

2010 PR PRE, RC, RM, ROE
2011 ROE PR, RM
2012 RM, ROE PR
2013 RO, PRE, PR, RC
2014 RO, PRE, PR, RC ROE
Fonte: Os autores.

Pode-se concluir que, aparentemente, no existe uma correlao forte entre

as variveis analisadas e os ndices de Basileia IB, IB2x e IB3x. A nica varivel que
apresenta uma quantidade maior de correlaes fortes o ROE, entretanto, em al-
guns anos mostra uma correlao positiva e em alguns anos negativa, fazendo com
que no seja identificvel uma tendncia entre as duas variveis. Um dos motivos
que pode acarretar essa falta de tendncia, apesar da correlao forte, a relao
dos ndices de Basileia com outras variveis que tambm se relacionam com o ROE,
as quais no esto sendo consideradas neste estudo.

7. Sugestes e Limitaes da Anlise Quantitativa

O teste estatstico por meio de regresso no foi realizado devido
escassez de dados histricos para uma boa aderncia dos dados realidade, pois
utilizou-se, neste estudo, informaes aps a implantao do IB3. Para prximas pes-
quisas, sugere-se o uso de uma base de dados mais ampla. Isto , dados em painel
 33

contemplando um nmero maior de observaes e de variveis o que poder possi-

bilitar a utilizao de regresses para anlise dos dados, bem como entender as cor-
relaes existentes entre as variveis que causam efeito nos indicadores analisados.

8. Impactos do Incremento na Alocao de Capital

importante notar que outro aspecto abordado nesse estudo diz respei-
to ao impacto que um possvel aumento da alocao de capital na parcela de risco
operacional pode gerar na economia atravs da disponibilidade de crdito ao to-
mador final.
Foi mencionado que mediante comentrios correntes no mercado, especula-
-se que a nova metodologia para alocao de capital para risco operacional tende a
aumentar de duas (ROx2) a trs vezes (ROx3) a parcela atual. Pois bem, traando um
valor mdio para esse clculo de impacto nas 5 instituies financeiras, em 5 anos,
observa-se o seguinte:
Quadro 1 todas as variveis apresentam evoluo regular conforme publicado

PR mdio PRE ndice de Basileia

R$ 418,9 bilhes R$ 280,2 bilhes 16,42%

Quadro 2 todas as variveis apresentam evoluo regular conforme publicado, po-

rm para risco operacional a alocao foi multiplicada por 2

PR mdio PRE ndice de Basileia

R$ 418,9 bilhes R$ 280,2 bilhes 16,42%

Quadro 3 Todas as variveis apresentam evoluo regular conforme publicado, po-

rm para risco operacional a alocao foi multiplicada por 3

PR mdio PRE ndice de Basileia

R$ 418,9 bilhes R$ 280,2 bilhes 16,42%
Fonte: Os autores

A partir dessas estimativas pode-se considerar que esse possvel aumento

da alocao de capital para risco operacional retiraria das instituies financeiras a
capacidade de gerar emprstimos da ordem de R$ 27,7 bilhes. Adicionalmente no
se considerou a possibilidade de alavancagem desse montante que representa a ca-
pacidade das instituies financeiras. Talvez algo a ser considerado por Basileia e
pelo supervisor local seria a implantao em etapas, considerando layers, como por
exemplo: no 1 ano somente 50% do montante calculado; no 2 ano somente 70% e
assim por diante at completar a totalidade da alocao. Entende-se que algo nes-
sa direo tende a suavizar o impacto do aumento da alocao para os bancos e por
consequncia no prejudicaria demasiadamente o setor real da economia.
 34

9. Consideraes Finais
O artigo explorou os impactos da mudana de alocao de capital de risco
operacional, em estudo pelo Comit de Basileia, e o respectivo impacto nos bancos
locais, ou seja Brasil. Os estudos realizados demonstram que o impacto razovel,
pois o aumento pode ocorrer em at 3 vezes comparado ao volume de alocao atual.
Esse impacto, significativo, afeta a macroeconomia atravs de menor oferta de cr-
dito e o consequente impacto nas empresas e famlias. Portanto, necessrio que
se alinhe essa nova carga de capital realidade do ciclo econmico que se presen-
cia. Ou, ainda, que se proponha uma implantao pari passu com objetivo de suavi-
zar os impactos relevantes que essa nova regra pode causar economia local e re-
gional. Acredita-se que os prximos movimentos para que se avance no esforo de
pesquisa dos impactos seja a repetio do estudo a partir do momento que a regra
estiver efetivamente validada e divulgada de maneira final para que se obtenha a no-
o exata do impacto abrangendo, inclusive, Instituies Financeiras de mdio e pe-
queno porte.

10. Notas:
1 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework
2 O Comit de Basilia de Superviso Bancria um comit de autoridades de Su-
perviso Bancria estabelecido pelos presidentes dos bancos centrais do Grupo
dos Dez G10 em 1975. Esse comit possui representantes seniores dos ban-
cos centrais da Blgica, Canad, Frana, Alemanha, Itlia, Japo, Luxemburgo,
Holanda, Espanha, Sucia, Sua, Reino Unido e Estados Unidos. Geralmente se
rene no Bank for International Settlements na Basileia, onde est localizada sua
Secretaria permanente.
3 Operational Risk Revisions to the simpler approaches consultative document
4 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework page 19; footnote 16 - http://www.bis.org/publ/bcbs128.pdf
5 Amendment to the capital accord to incorporate market risk, January 1996
6 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework page 157 - http://www.bis.org/publ/bcbs128.pdf
7 Resoluo 3380/06, Banco Central do Brasil http://www.bcb.gov.br/pre/nor-
mativos/busca/downloadNormativo.asp?arquivo=/Lists/Normativos/Attach-
ments/48239/Res_3380_v3_P.pdf
8 Circular 3383/08, Banco Central do Brasil http://www.bcb.gov.br/pre/normativos/
busca/downloadNormativo.asp?arquivo=/Lists/Normativos/Attachments/47919/
Circ_3383_v3_P.pdf
 35

9 Basel II: International Convergence of Capital Measurement and Capital Standards: a

Revised Framework page 146; footnote 104 - http://www.bis.org/publ/bcbs128.pdf
10 Circular 3640/13 - Estabelece os procedimentos para o clculo da parcela dos ati-
vos ponderados pelo risco (RWA), relativa ao clculo do capital requerido para o
risco operacional mediante abordagem padronizada (RWAOPAD) - http://www.
bcb.gov.br/pre/normativos/busca/downloadNormativo.asp?arquivo=/Lists/Nor-
mativos/Attachments/48997/Circ_3640_v4_P.pdf
11 Circular 3647/13 Estabelece requisitos mnimos para abordagem avanada de
risco operacional http://www.bcb.gov.br/pre/normativos/busca/downloadNor-
mativo.asp?arquivo=/Lists/Normativos/Attachments/48990/Circ_3647_v2_P.pdf
12 Basel III: A Global Regulatory Framework for more resilient Banks and Banking syste-
ms - http://www.bis.org/publ/bcbs189.pdf
13 Wall Street Reform and Consumer Protection Act - http://www.cftc.gov/idc/groups/
public/@swaps/documents/file/hr4173_enrolledbill.pdf
14 Operational Risk Revisions to the simpler approach - http://www.bis.org/publ/
bcbs291.pdf
Autores

Marcelo Petroni Caldas

Graduado em Administrao de Empresas e em Contabilidade pela Universidade Presbiteriana
Mackenzie, ps-graduado em Administrao Contbil Financeira pela Faap, MBA em Gesto Fi-
nanceira e Riscos pela Fipecafi USP e mestrando em International Business pela ESPM.
E-mail: m.petronic@terra.com.br

Oswaldo Pelaes Filho

Graduado em Engenharia Civil pela FESP (Faculdade de Engenharia So Paulo) e em Administra-
o de Empresas pela Universidade Presbiteriana Mackenzie, psgraduado em Gesto Contbil e
Financeira pela FAAP, mestre em Administrao pela PUC/SP e doutorando em Gesto Internacio-
nal pela ESPM. E-mail: oswaldo@espm.br

Frederico Turolla
Graduado em Economia pela Universidade Federal de Juiz de Fora, mestre em Economia pela Bran-
deis International Business School e doutor em Economia pela Fundao Getlio Vargas (FGV).
E-mail: fredturolla@pezco.com.br
 36

Referncias ACHARYA, V. A Theory of Systemic Risk and Design of Prudential Bank. Journal of Financial
Stability. Vol. 5, No. 3, (Sep 2009), pp. 224255.

ALLEN, F.; CARLETI, E.; GU, X. The role of baking in financial systems. In BERGER, Al.L.;
MOLYNEUX, P. WILSON, J.O.S. (eds) The Oxford of Banking. Second edition. Oxford: Oxford
University Press, p.27-46, 2015.

AHARONY, J; SWARY I. Contagion effects of Bank Failures: Evidence from Capital Markets. The
Jounal of Business. Vol. 56, No. 3(Jul., 1983), pp. 305-322.

BANCO CENTRAL DO BRASIL - 50 maiores bancos e o consolidado do Sistema Financeiro

Nacional.http://www4.bcb.gov.br/fis/TOP50/port/Top50P.asp

BANK FOR INTERNATIONAL SETTLEMENTS. Basel Committee on Banking Supervision.

International Convergence of Capital Measurement and Capital Standards: a Revised Framework.
Sua, 2005.

BANK FOR INTERNATIONAL SETTLEMENTS. Sound Practices for the Management and
Supervision of Operational Risk. Basilia, 2003.

BLUNDELL-WINGNALL, ATKINSON , Adrian and Paul (2012), Deleveraging, Traditional versus

Capital Markets Banking and the Urgent Need to Separate and Recapitalise G-SIFI Banks,
OECD Journal: Financial Market Trends, Vol. 2012/1.

FINANCIAL STABILITY BOARD. http://www.financialstabilityboard.org/publications/r_091107c.pdf

FURFINE, C. Interbank Exposures: Quantifying the Risk of Contagion. Journal of Money, Credit
and Banking. Vol. 35, No. 1 (Feb. 2003), pp. 111-128.

GENNAIOLI, N., SHLEIFER S.; VISHNY V. A Model of Shadow Banking. The Journal of Finance.
July 2013. Global systemically important banks updated assessment methodology and the higher
loss absorbency requirement. http://www.bis.org/publ/bcbs255.pdf

LASTRA, R. M. Systemic risk, SIFIs and financial stability. Capital Markets: Law Journal. (2011)

STERN, G. H.; FELDMAN, R. J. Too big to Fail: The hazards of banks bailouts (2004).

Thematic Review on Supervisory Frameworks and Approaches for SIBs. http://www.

financialstabilityboard.org/wp-content/uploads/Thematic-Review-on-Supervisory-Approaches-
to-SIBs.pdf
Revista
Tecnologia de Crdito Online

Acesse informao de ponta,

onde voc estiver.

Sua revista Tecnologia de Crdito publicada

exclusivamente na web.

mais um passo da Serasa Experian para a reduo

do impacto de suas atividades sobre o meio ambiente,
alm de um alinhamento tendncia global da
universalizao de contedos.

Acesse e mantenha-se bem informado sobre

o mercado de crdito.

serasaexperian.com.br/revista-tecnologia-de-credito
Proteja
A Serasa Experian oferece solues sob medida para o seu SolueS eSPeCfiCaS Para
negcio. So produtos e servios exclusivos, que vo desde Cada etaPa do Seu negCio

consultas de crdito at ferramentas e softwares para gerir melhor

sua empresa. Tudo muito prtico, rpido e rentvel. E o melhor: Busque novos clientes

cabe no seu oramento. Entre em contato e prepare-se para se Monitore empresas,

destacar da concorrncia. clientes e scios

Venda com segurana

Para saber mais, acesse
Cobre devedores
serasaexperian.com.br
ou ligue para 3004 7728 Compre s os dados de que precisa