Aplicações de Modelos de Volatilidade: VaR Dinâmico com GARCH usando Python

Uma aplicação interessante da variância calculada a partir dos modelos da família ARCH é a possibilidade de estimar o Value at Risk ao longo do tempo de uma carteira ou ativo. Mostramos como aplicar um VaR por meio de um GARCH utilizando o Python como ferramenta.

Risco

O risco, pode ser definido de forma geral, como a chance de perda, perigo ou exposição a algo ruim acontecer a qualquer momento. De certa forma, acontecimentos, eventos, consequências de decisão e incerteza são parte daquilo que definem o risco. Refere-se, portanto, a capacidade de se mensurar o estado de incerteza de uma decisão mediante o conhecimento das probabilidades associadas à ocorrência de determinados resultados ou valores.

Por ser necessário mensurar esse estado, o risco não pode ser totalmente definido de uma forma estrita, dependerá muito do contexto e da atividade das empresas.

Para tanto, é necessário definir e classificar os riscos de instituições financeiras, antes de poder quantificar e avaliar de fato o riscos que estas sofrem, portanto, elencaremos os tipos de riscos e adotaremos apenas um para o uso geral nesta seção, bem como para a avaliação de ativos/instrumentos financeiros.

Tipos de riscos

As empresas em geral são expostas a três classes de risco: operacional, estratégico e financeiro. Os riscos financeiros são relativamente mais simples de identificar e mensurar, bem como implicam em perdas financeiras relevantes para as empresas, portanto, estaremos interessados nessa classe de risco.

Os riscos financeiros podem ser classificados, em três principais tipos:

  •  Risco de mercado: é o risco da mudança do valor da posição financeira de determinado ativos/instrumento financeiro. Ocorre devido a mudanças de fatores de riscos ligados a esse determinado ativos, como por exemplo, a variação de uma ação decorrente de péssimos resultados da empresa ou mudanças no preço de títulos públicos devido a evento macroeconômicos.
  •  Risco de crédito: é o risco de não receber pagamentos prometidos a empréstimos ou outros tipos de contratos, devido ao calote ou a falência do tomador.
  •  Risco Operacional: o risco operacional é resultado de falhas dos processos internos de uma empresa ocasionados por pessoas, máquinas ou eventos externos.

Existem diversos outros tipos de risco financeiros, como por exemplo risco de liquidez e de subscrição, mas os três elencados são os principais avaliados nas instituição.

Como é possível compreender, os riscos referem-se tanto a eventos externos da empresa, quanto internos. Podemos portanto introduzir que o risco total de qualquer ativo é definido pela sua parte sistemática (risco sistemática) e não sistemático (risco específico ou próprio da empresa/ativo). Enquanto o primeiro é inerente a todas as empresas, o segundo é identificado como próprio do ativo, portanto, é possível reduzir esse risco diversificando o conjunto de investimentos.

Até o momento, foi-se discutido modelos para mensurar a volatilidade, entretanto, a partir da mensuração do que se conhece-se como volatilidade estatística, é possível obter uma medida que estime a perda monetária máxima em determinado número de dias, conhecido como Valor em Risco, ou em inglês, Value at Risk (VaR).

O VaR será uma medida de risco financeiro de mercado e que dará uma medida do grau de incerteza sobre retornos líquidos futuros.

Para obter todo o código em R e Python para os exemplos abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais.

VaR (Value at Risk)

Informalmente, o VaR é uma medida da variação potencial máxima do valor de um ativo (ou carteira de ativos), sobre um período pré-fixado, com dada probabilidade. Ou seja, quanto se pode perder, com probabilidade p, sobre um horizonte h fixado.

Do ponto de vista de uma empresa, o VaR é uma medida de perda associada a um evento extremo, sob condições normais de mercado. Podemos trabalhar com um VaR paramétrico (onde assumimos uma distribuição teórica, usualmente a normal) ou um VaR empírico, em que utiliza-se os quantis empíricos.

Exemplo

Suponha que exista uma chance de 95% de que a taxa de câmbio Real/USD não caia mais do que 1% em um dia. Suponha, ainda, que uma empresa tenha 100 milhões de reais aplicados num fundo cambial.

Suponha que exista uma chance de 95% de que a taxa de câmbio Real/USD não caia mais do que 1% em um dia. Suponha, ainda, que uma empresa tenha 100 milhões de reais aplicados num fundo cambial.

Calculemos a perda potencial sobre este valor aplicado. Uma série temporal do desvio padrão (volatilidade) \sigma_t dos retornos r_t da taxa de câmbio Real/USD pode dar uma indicação da variação da taxa. Vamos admitir que os retornos r_t siga uma distribuição normal.

Suponha que uma estimativa do desvio padrão hoje seja \sigma_t = 0, 46%. Então o VaR é calculado como:

    \[\text{VaR} = (1,65)(\sigma_t)\]

    \[(1,65)(0,46) = 0,759%\]

Portanto, não se espera que a taxa de câmbio caia mais do que 0,759%, com 95% de probabilidade. O valor 1 , 65 ´e o (0, 05)-quantil da N N (0, 1). Em reais, o VaR ´e o valor de mercado da posi¸c˜ao multiplicado pelo valor obtido acima, ou seja,

Risco = 100 milh˜oes ×× 0, 759% = 759.000, 00 reais.

A conclusão é que em 95% das vezes, não se perderá mais do que R$ 759.000,00 em um dia.

Um pouco mais formal, supomos que no instante t estejamos interessados em calcular o risco de uma posição financeira para o horizonte h \> 0. Seja

    \[\Delta P(h) = P(t+h) - P(t)\]

a variação do valor do ativo entre os dois instantes. A quantidade \Delta P(h) representa o lucro ou a perda (L & P) da posição sobre o horizonte h.

Chamemos de F h(··) a função de distribuição acumulada (f.d.a.) de \Delta P(h).

Definimos o VaR de uma posição comprada sobre o horizonte h, com probabilidade p, 0 < p < 1, por meio de

    \[p = P(\Delta P(h) \leq VaR) = F_h (VaR)\]

{#eq-var}

Observemos que o VaR depende de p e de h, ou seja, deveríamos escrever VaR(p,h). Além disso, o valor em risco aumenta com p diminuindo ou com h aumentando.

Na figura abaixo, temos a distribuição dos log-retornos de um portfólio teórico, e que representa visualmente a compreensão do VaR.

Algumas observações sobre o VaR:

(i) O VaR  é dado em unidades monetárias (u.m.), por exemplo, em reais. Lembremos que os retornos simples, R_t, são dados em porcentagem e que os log-retornos, r_t, são aproximadamente iguais a R_t. Logo, podemos supor que os rt medem, aproximadamente, variações percentuais. Assim sendo, usaremos log-retornos no que segue.

(ii) A definição mostra que o VaR é o p-quantil da distribuição F_h (·). Na prática, teremos que estimar esse quintil, usando, por exemplo, a distribuição empírica dos retornos.

(iii) O VaR calculado tem valor negativo, pois quem tem uma posição comprada sofre uma perda se \Delta P(h) < 0.

(iv) A quantia em u.m. no cálculo do VaR é obtida como no exemplo, ou seja, multiplicando o valor da posição financeira pelo VaR do log-retorno. A posição financeira em u.m. é usualmente o valor do ativo marcado pelo mercado ("mark-to-market").

VaR com o GARCH

Lembremos que uma série de retornos é, em geral, não-correlacionada, mas dependente. Se este for o caso, a volatilidade é modelada por um modelo heteroscedásticos. Além disso, algumas séries de retornos podem exibir a presença de autocorrelação, havendo a necessidade de eliminá-la por meio do ajuste inicial de um modelo linear, por exemplo da família ARMA.

A estratégia, portanto, modelar a média da série de retornos r_t por meio de um modelo ARMA e depois modelar os resíduos a_t deste modelo por um membro da família ARCH.

onde \hat{r}_t (1) e \hat{\sigma}^2 (1) são as previsões a um passo da média e variância usando os modelos respectivos. Supondo-se, por exemplo, p = 0, 05,

    \[VaR = \hat{r}_t (1) − 1, 65 \hat{\sigma}^2 (1)\]

Basicamente, teremos um valor do VaR ao longo do tempo, em que calculamos a medida conforme os h passos de previsão da média e volatilidade.

Exemplo de VaR estimado com GARCH

Python

O gráfico abaixo representa os pontos que excederam a linha do VaR (x vermelho em 1% e quadrado rosa 5%) , com base na distribuição dos valores estimado pelo GARCH de dados do S&P 500

_____________________

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Referências

MORETTIN, Pedro Alberto. Econometria financeira: um curso em séries temporais financeiras. . São Paulo: Edgard Blücher.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Uma introdução à Inteligência Artificial e a Engenharia de Prompt

“Um especialista sabe todas as respostas, se você fizer as perguntas certas”. Este é o mesmo princípio usado nas técnicas de Prompt Engineering, com objetivo de otimizar as respostas de aplicações de IA generativa. Neste artigo apresentamos algumas destas técnicas com exemplos práticos em Python.

Como identificar mensagens de erro na coleta de dados de sites públicos

Quem trabalha com dados reais e precisa coletar informações de forma online usando APIs e links, sabe que erros de requisição são comuns, principalmente com dados públicos. Neste artigo, damos algumas dicas de como entender estes erros e mostramos um jeito simples de evitar que o código de Python “quebre” nestas situacões.

O que é e como calcular o Beta de Mercado usando o Python?

Neste tutorial, explicamos o conceito de Beta de Mercado e como calculá-lo por meio de regressão linear utilizando a linguagem de programação Python. Demonstramos como interpretar graficamente e analisar os parâmetros estimados do método estatístico, contextualizando-o na teoria financeira com um exemplo real. Em seguida, aprofundamos a análise, desenvolvendo um Beta com Janelas Deslizantes e aplicando o modelo CAPM. Por fim, utilizamos a regressão linear múltipla para reproduzir o modelo de três fatores de Fama-French, uma extensão do CAPM.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.