Previsão de value-at-risk e expected shortfall para mercados emergentes usando modelos FIGARCH
| Autor | Alex Sandro Monteiro De Moraes - Antonio Carlos Figueiredo Pinto - Marcelo Cabus Klotzle |
| Cargo | PUC-Rio, Rio de Janeiro, RJ, Brasil - PUC-Rio, Rio de Janeiro, RJ, Brasil - PUC-Rio, Rio de Janeiro, RJ, Brasil |
Rev. Bras. Finanças (Online), Rio de Janeiro, Vol. 13, No. 3, July 2015, pp. 394–437
ISSN 1679-0731, ISSN online 1984-5146
©2015 Sociedade Brasileira de Finanças, under a Creative Commons Attribution 3.0 license -
http://creativecommons.org/licenses/by/3.0
Previsão de value-at-risk e expected shortfall
para mercados emergentes usando modelos
FIGARCH
(Forecasting value-at-risk and expected shortfall for emerging
markets using FIGARCH models)
Alex Sandro Monteiro de Moraes*
1
Antônio Carlos Figueiredo Pinto**
Marcelo Cabus Klotzle***
Resumo
Este artigo compara os desempenhos dos modelos de memória longa
(FIGARCH) e curta (GARCH) na previsão d e volatilidade para cálculo de value-
at-risk (VaR) e expected shortfall (ES) para múltiplos períodos à frente para seis
índices de ações de mercados emergentes Utilizo u-se, para dados diários de 1999
a 2014, uma adaptação da simulação de Monte Carlo para estimar previsões de
VaR e ES para 1, 10 e 20 dias à frente, usando modelos FIGARCH e G ARCH
para quatro distribuições de erros. Os resultados sugerem que, em geral, os
modelos FIGARCH melhoram a precisão das previsões para horizontes mais
longos; que a distribuição dos erro s pode influenciar a decisão de escolha do
melhor modelo; e que apenas para os modelos FIG ARCH houve redução do
número de subestimações do VaR verdadeiro com o aumento do horizonte de
previsão. Entretanto, os resultados apontam para uma maior variação das
estimativas dos parâmetros para os modelos FIGARCH.
Palavras-chave: Expected shortfall, memória longa, previsão de volatilidade,
previsão para múltiplos períodos and value-at-risk.
Códigos JEL: G10; G17
Submetido em 17 de julh o de 2015. Reformulado em 21 de setembro de 2015. Aceito em
21 de setembro de 2015. Publicado on -line em 16 de novembro d e 2015. O artigo foi
avaliado segundo o processo de duplo anonimato além de ser a valiado pelo editor. Editor
responsável: Marcelo Fernandes.
*PUC-Rio, Rio de Janeiro, RJ, Brasil. E-mail: alex1.moraes@gmail.com
** PUC-Rio, Rio de Janeiro, RJ, Brasil. E-mail: figueiredo@iag.puc-rio.br
*** PUC-Rio, Rio de Janeiro, RJ, Brasil. E-mail: klotzle@iag.puc-rio.br
Previsão de value-at-risk e expected shortfall para mercados emergentes usando modelos FIGARCH
Revista Brasileira de Finanças (Online), Rio de Janeiro, Vol. 13, N. 3, July 2015 395
Abstract
This paper compares the performance of long-memory models (FIGARCH) with
short-memory models (GARCH) in forecasting volatility for calculating value-
at-risk (VaR) and expected shortfall (ES) for multiple periods ahead for six
emerging markets stock indices. We used daily data from 1999 to 2014 and an
adaptation of the Monte Carl o simulation to estimate VaR and ES forecasts for
multiple steps ahead (1, 10 and 20 days ), using FIGARCH and GARCH models
for four errors distributions. T he results suggest that, in general, the FIGARCH
models improve the accuracy of forecast s for longer horizons; that the error
distribution used ma y influence the decision about the best model; and that only
for FIGARCH models the occ urrence of underestimation of the true VaR is less
frequent with increa sing time horizon. However, the results suggest that rolling-
sampled estimated FIGARCH parameters change less smoothly over time
compared to the GARCH models.
Keywords: Expected shortfall, long-memory, volatility forecast, multiple steps
ahead forecast and value-at-risk.
1. Introdução
A recente crise financeira, a volatilidade observada para os preços do
petróleo e a ocorrência de conflitos em países emergentes como a Rússia
e Ucrânia, por exemplo, enfatizaram que o uso de medidas de risco para a
determinação dos riscos de mercado, implícitos em qualquer investimento
ou instrumento financeiro, é de capital importância para empresas,
investidores e bancos. Particularmente para os bancos a importância da
utilização dessas medidas se dá pela necessidade que estes têm de atender
a certos requisitos legais, cujo propósito principal é prevenir a ocorrência
de default, um evento que seria relevante para os agentes do mercado
financeiro de uma forma geral. Nesse contexto, torna-se relevante a
elaboração de previsões confiáveis para o value-at-risk (VaR) e expected
shortfall (ES) para empresas e investidores. O VaR quantifica a máxima
perda esperada de uma carteira, em condições normais de mercado,
dentro de determinado horizonte de tempo para um nível de confiança
especificado. A ES quantifica o valor esperado da perda, dada a
ocorrência de violação do VaR.
A necessidade da elaboração de uma ferramenta confiável para
mensuração de risco é fruto de diversos aspectos. Primeiro, a
intensificação das transações nos mercados de ações, principalmente para
alguns mercados emergentes, contribui para o aumento da volatilidade
nesses mercados. Relatório elaborado pelo Instituto de Finanças
Internacionais (IIF report, 2015) revela que o fluxo de capitais para
Moraes, A., Pinto, A., Klotzle, M.
396 Revista Brasileira de Finanças (Online), Rio de Janeiro, Vol. 13, N. 3, July 2015
mercados emergentes saltou de aproximadamente US$ 200 bilhões em
2000 para US$ 1,1 trilhão em 2014, principalmente para atender aos
desejos de investidores por maior rentabilidade e diversificação de riscos.
Segundo, os efeitos relevantes da recente crise financeira não foram
adequadamente capturados pelos modelos de risco até então adotados.
Rossignolo et al. (2012) apontam que os níveis de capital sugeridos pelos
modelos de VaR utilizados foram insuficientes em prover cobertura para
eventos adversos inesperados. Além disso, a literatura financeira
demonstra que o VaR não é uma medida de risco coerente por não
atender a propriedade da subaditividade. Outra limitação do VaR é não
fornecer qualquer informação sobre a perda potencial da carteira, quando
seu valor é violado. Para superar essas limitações do VaR, Artzer,
Delbaen, Eber e Heath (1997) propuseram a medida ES (ES) por
representar o valor da perda esperada, dada a ocorrência de violação do
VaR.
Como o Comitê de Supervisão Bancária de Basiléia (Basel Comittee
on Banking Supervision-BCBS, 1996) não estabelece em suas
recomendações uma metodologia específica para o cálculo do VaR, faz-
se necessária a pesquisa de metodologias alternativas para gerenciamento
de riscos que possam superar as limitações encontradas no uso do VaR.
Na busca de uma métrica que mensure adequadamente os riscos de
mercado, vários modelos de VaR e ES foram testados. Todavia,
Angelidis, Benos, e Degiannakis (2004) e Shao et al (2009) esclarecem
que os resultados são conflitantes, pois dependem do mercado para o qual
o modelo foi estimado, o tamanho e a frequência das séries dos dados, e
se o VaR se refere a posições compradas ou vendidas.
Além disso, a distribuição adotada para os erros pode influenciar a
acurácia da precisão dos modelos, pois o VaR contempla a estimação das
caudas da distribuição empírica dos retornos. Há muitos modelos que
presumem a distribuição normal para os retornos dos ativos, fato que
pode ser justificado, principalmente, nas situações em que os parâmetros
desses modelos são estimados pelo método da quase-máxima
verossimilhança (QML), pois Bollerslev e Wooldridge (1992) mostraram
que a maximização da função logarítmica de verossimilhança com
distribuição normal pode prover estimativas consistentes para esses
parâmetros, mesmo que a distribuição verdadeira dos retornos não seja
normal, desde que o valor esperado e variância dos resíduos do modelo
sejam 0 e 1, respectivamente. Apesar de Angelidis et al (2004)
concordarem que muitos modelos presumem a distribuição normal para
Para continuar a ler
PEÇA SUA AVALIAÇÃO
COPYRIGHT TV Trade Media, Inc.
COPYRIGHT GALE, Cengage Learning. All rights reserved.
COPYRIGHT GALE, Cengage Learning. All rights reserved.
