Aula 5

Value at Risk špara Portfólio
Asset Allocation
Dr. Andrea Ugolini
1 de Maio de 2019
Universidade do Estado do Rio de Janeiro, Brasil
email: [email protected]
A. Ugolini 1 de Maio de 2019 1 / 38

Outline
1 VaR para portfólio de ações
2 Estimação da matriz de variância covariância

VaR para portfólio de ações
Duas possibilidades:
Atribuı́ a composição da carteira, reconstruo sua história passada e
utilizo um dos métodos acima: quantil empı́rico ou presumo que a
distribuição da carteira é normal (porfólio normal);
Atribuı́ a distribuição dos componentes da carteira, reconstruir a
distribuição dos rendimento da carteira e estimar as medidas de risco
resumidas (VaR e ES).
No primeiro caso, é necessário, portanto, ter a composição atual da carteira e
reconstruir o histórico do retorno da carteira. A partir desta série histórica é
possı́vel proceder à estimativa do VaR utilizando o método não paramétrico
ou método.
No segundo caso, é necessário um compromisso entre a tratabilidade analı́tica
e o realismo das suposições.

Método Top Down
Stima parametrica: Portfólio Normal

Etapa 1: construir a série de rendimentos log diários Portfolio
Etapa 2: estimar o dev. std de rend. log
Etapa 3: projetar a volatilidade e media no horizonte
Etapa 4: calcular o VaR de acordo com as fórmulas analı́ticas
Etapa 5: calcula ES

Método Top Down
Est. Est. P&L

VaR 0.043 1.152
ES 0.055 1.477

Método Bottom Up
O que modelar?
Neste segundo método, é usada uma abordagem bottom-up .
Atribuı́mos a distribuição dos componentes da carteira
voltamos para a distribuição da carteira
Em primeiro lugar, é necessário esclarecer as quantidades a modelar:
Preços, retornos simples ou logarı́tmicos?
Certamente não os preços porque a hipótese de i.i.d.

Método Bottom Up
Ativos Normal
Estamos fazendo suposições no nı́vel de componente da carteira, e não
diretamente no nı́vel da carteira.
A suposição que fazemos é a seguinte:
os rendimentos logarı́tmicos dos componentes têm uma distribuição
conjunta normal.

A distribuição normal multivariada
Definição de distribuição normal multivariada

Seja µ um vetor n × 1 e V uma matriz quadrada n × n, simétrica e positiva
definida. Um vetor aleatório X = (X1 , . . . , XN ) tem a distribuição normal
multivariada com os parâmetros µ e V , e nós escrevemos X ∼ N (µ, V) se a sua
função de densidade é dada por:

1 1 0 −1
fX (x) = p exp − (x − µ) V (x − µ)
(2π)n det(V) 2
Se X ∼ N (µ, V), então;
E(X) = µ, Var(X) = V

A matriz de covariância
A matriz VN ×N coleta as variâncias (na diagonal) e as covariâncias dos n

tı́tulos.
Em particular, na diagonal temos as variâncias dos n tı́tulos e fora da diagonal
encontramos as covariâncias entre todos os possı́veis pares de tı́tulos.
É uma matriz quadrada de ordem N × N , simétrica (σij = σji ), semidefinida
positiva.
σ12
 
··· σ1,N

 σ22 

VN ×N =
 .. .. .. 
 . . . 

2
 σN −1

2
σN,1 ··· σN

A dependência entre as variáveis
Uma melhor compreensão do papel desempenhado pela matriz de

variância-covariância é obtida considerando-se o caso bivariado com matriz
de variância de covariância diferente.
Considere três casos

0.04 0.024 0.04 0 0.04 −0.024
V= V= V=
0.024 0.09 0 0.09 −0.024 0.09

Simulação de uma multivariada normal

Correlação positiva
1.0
0.5
0.0
y
−0.5
−1.0
−0.5 0.0 0.5 1.0

x


Correlação nulla
1.0
0.5
0.0
y
−0.5
−1.0
−0.8 −0.4 0.0 0.4 0.8

x


Correlação negativa
1.0
0.5
0.0
y
−0.5
−1.0
−0.4 0.0 0.4 0.8

x

Normal bivariada
Na figura, temos o gráfico de uma bivariada normal X = [X1 , X2 ], quando

0.04 0.024
µ0 = [0.1, 0.2], V =
0.024 0.09
Distribuição Normal bidimensional
0.015
z
0.010
0.005
−10
−5
0
x1
10
5 5
0
−5 x2
10
−10

Propriedades da matriz de variância-covariância
É uma matriz semidefinida positiva.

Consequentemente, V terá autovalores não negativos.
Existem vários métodos para estimar a matriz de variância-covariância:
estatı́stica ou amostragem (ML);
RiskMetrics.
CAPM.
fatorial.


Propriedade
X ∼ N (µ, V) se e somente se
X = µ + AZ
Onde Z = (Z1 , . . . , ZN ) é um vetor de variável aleatória i.i.d normalizado
normal e A é uma matriz N × N .
Desta propriedade segue que
E(X) = µ
e
Var(X) = Var(AZ) = A Var(AZ)A0 = AIA0 = AA0
e, portanto, temos a decomposição de Cholesky de V .
V = AA0
e, portanto, V é semidefinida positiva. É definida positiva quando
rank(A) = N .
Simulação
A propriedade permite que você tenha um algoritmo para simular uma
multivariada normal, caso você saiba simular normalidades padronizadas.
Etapa 1: realizar a decomposição de Cholesky da matriz de covariância de
variância V.
Etapa 2: gerar um vetor N × 1 de variável aleatória padrão normal
Em R, a geração de normais multivariados é feita diretamente com o
comando
R = rmvnorm (N, Media, Sigma) retorna uma matriz de números
aleatórios escolhidos da distribuição normal multivariada com vetor
médio, µ e matriz de covariância, σ. N è o numero de linha do vetor R.
Portanto, não é necessário decompor o Cholesky, o que, no entanto, requer a
função chol(Sigma).

Propriedade
Combinação linear:
Seja X ∼ N (µ, V), e seja B uma matriz k × N e b um vetor de
componente k. Então
BX + b ∼ N (Bµ, BVB0 )
No caso particular de B vetor k × 1, temos
BX + b ∼ N (Bµ, B ∨ B 0 )
deste resultado segue-se que as distribuições marginais univariadas devem ter
distribuição normal
Xi ∼ N (µi , Vii )

Propriedade
Formas quadráticas:
Seja X ∼ N (µ, V), e seja V definita positiva. Então
(X − µ)0 V−1 (X − µ)0 ∼ χ2N

Convolução
Seja x ∼ N (µX , VX ) e Y ∼ N (µY , VY ) e sejam independentes. Em
seguida
X + Y ∼ N (µX + µY , VX + VY )


Propriedade
0
Distribuição Marginal. Sejam X = (X01 , X02 ) e sejam

µ1 V11 V12
µ= ,V =
µ2 V21 V22
Então
X1 ∼ N (µ1 , V11 ) e X1 ∼ N (µ2 , V22 )

0
Distribuição condicional. Sejam X = (X01 , X02 ) então a distribuição
marginal de X2 dado X1 ainda é multivariada normal
X2 |X1 ∼ N (µ2.1 , V22.1 )

Onde
−1
E (X2 |X1 = x1 ) = µ2.1 = µ2 + V21 V11 (x1 − µ1 )
−1
Var (X2 |X1 = x1 ) = V22.1 = V22 − V21 V11 V12
A distribuição de probabilidade do retorno da carteira
Qual é a distribuição do retorno logarı́tmico da carteira?

Muito
P complicadopara encontrar analiticamente a distribuição de
N ri (t)
ln i=1 wi e .
Qual é a distribuição do retorno simples da carteira?
O rendimento simples é a média aritmética ponderada dos retornos dos
componentes individuais.
Se assumirmos que o rendimento logarı́tmico do componente único é
normal, então os rendimentos simples dos componentes individuais têm
a distribuição lognormal shifted
normal
z}|{
Ri (t) = e|r{z
i (t) −1
}
lognormal
| {z }
lognormal shifted

A distribuição de probabilidade do retorno da carteira
Nós poderı́amos simplificar nossas vidas assumindo que
Ri (t) ∼ 1 + ri (t) −1 = ri (t)

| {z }
aproximação de ex
e então
N
X N
X
Rp (t, t + ∆) = wi Ri (t, t + ∆) = wi ri (t, t + ∆)
i=1 i=1
mas faria pouco sentido: uma média ponderada de retornos logarı́tmicos de

um retorno simples!

Validade da aproximação
Suponha que o rendimento logarı́tmico diário tenha distribuição

 
√
ri (t, t + ∆) ∼ N 0, 0.2 ∆
| {z }
σ∆
Então

√
ri (t, t + ∆n) ∼ N 0, |0.2 {zn∆}
σn∆
Além disso, o valor esperado de Ri (t, t + ∆n) decorrente da aproximação é

igual a 0, enquanto o valor exato é
E (Ri (t, t + ∆n)) = Eeri (t,t+∆n) − 1

1 2
= e 2 ×0.2 ×n×∆
−1

Exemplo (∆ = 1/250)
1 2 n
n e 2 ×0.2 × 250 −1
1 2 20
20 e 2 ×0.2 × 250 − 1 = 0.16%
1 2 100
100 e 2 ×0.2 × 250 − 1 = 0.8%
1 2 250
250 e 2 ×0.2 × 250 − 1 = 2.02%
1 2 500
500 e 2 ×0.2 × 250 − 1 = 4.08%

0.20
0.15
y
0.10
0.05
0.00
0 500 1000 1500 2000 2500

n

Implicações práticas
Implicazioni pratiche
Fonte: A. Meucci,
Figure: Fonte: A. A common
Meucci, pitfallpitfall
A common in mean-variance
in mean-varianceasset
asset allocation, wilmott.
allocation, wilmott.
c
G. Fusai ! (SEMEQ) VaR per Portafogli Asset Allocation 36 / 77
A distribuição de probabilidade do retorno
aproximação
Aproximação 1: retorno logarı́tmico do portfólio de retornos logarı́tmicos dos
componentes
  !
XN N
X
ri (t) 
rp (t, t + ∆) = ln  wi e| {z } ' ln 1 + wi ri (t)
i=1 '1+ri (t) i=1
e então
N
X
rp (t, t + ∆) ' wi ri (t, t + ∆) = w0 r(t, t + ∆)
i=1
onde w = (w1 , . . . , wN ) é o vetor de coluna N × 1 dos pesos dos tı́tulos em

carteira e r(t) = (r1 (t), . . . , rN (t)) é o vetor dos retornos aleatórios dos
diferentes tı́tulos.


aproximação
Vantagem
Se r(t, t + ∆) ∼ N (µ, V), então
rp (t, t + ∆) = w0 r(t, t + ∆) ∼ N (w0 µ, w0 Vw)

e nós somos trazidos de volta ao caso de uma carteira com distribuição
normal.
dado que os retornos logarı́tmicos agregam-se temporalmente, podemos
aproveitar o que foi visto anteriormente para a estimação da média e da
variância ao longo de vários perı́odos
rp (t, t + n∆) ∼ N (w0 µn∆, w0 Vwn∆)
o VaR pode ser calculado imediatamente
ret

V aRαP &L
(t, t + n∆) = −P (t) e−Va Rα (t,t+n∆) − 1
onde
√
ret
V aRα (t, t + n∆) = −w0 µn∆ + z1−α w0 Vwn∆
aproximação
o ES exige uma maior aproximação
φ (z1−α ) √ 0 √

0
ESαP &L (t, t + n∆) ∼ −P (t) −w µn∆ + w Vw n∆
1−α
ou o cálculo numérico de
Z −VaRret
P (t) x−µ 2
(ex − 1) e− 2 ( ) dx
α 1
ESαP &L =− √ σ
(1 − α) 2πσ 2 −∞
Desvantagem: por muito tempo, horizontes horizontais podem levar a erros.

Método exato
O simples retorno do portfólio é obtido a partir dos retornos simples dos
componentes
N
X
Rp (t, t + ∆) = wi Ri (t, t + ∆) = w0 R(t, t + ∆)
| {z }
i=1
log normal shifted
Os rendimentos simples dos componentes são obtidos através da simulação

dos rendimentos logarı́tmicos dos componentes
R(t, t + ∆) = er(t,t+∆) − 1
onde o exponencial deve ser entendido como componente aplicado por
componente.

Método exato
Então
P &L(t, t + ∆) = P (t) × Rp (t, t + ∆)

= P (t) × w0 R(t, t + ∆)

= P (t) × w0 er(t,t+∆) − 1

= P (t) × w0 er(t,t+∆) − 1

Método exato
Vantagem
fácil de implementar, se sabemos simular a partir de uma multivariada
normal e, portanto, se podemos fazer a decomposição de Cholesky de V.
fácil estender a múltiplos horizontes, como a regra de transformação de
tempo do parâmetro pode ser aplicada.
Desvantagem
pode ser computacionalmente dispendioso, exigindo numerosas
simulações para chegar a estimativas precisas.

Estimação da matriz de variância covariância
Metodologia de estimação da matriz de variância

covariância
Seja R a matriz de retornos
 
r1 (1) ... rn (1)
RT ×n =
 .. .. 
. rj (i) . 
r1 (T ) ... rn (T )
onde rj (i) é o rendimento logarı́tmico do tı́tulo j no dia i e as observações
são diárias.
A matriz R possui T linhas (número de retornos: número de preços−1) e n
colunas (número de tı́tulos).
Os retornos esperados são estimados usando retornos médios anteriores:
1 0
R1 µ̂ =
T
Onde 1T ×1 é o vetor de coluna unitária.
1T ×1 = 1 1 ... 1
h i
1
Método de Amostra
Le var.-cov. na metodologia estatı́stica clássica, eles são estimados por

retornos passados usando os chamados momentos de amostragem.
A fórmula de cálculo, em forma de matriz, para a construção da matriz de
variância-covariância é:
110

1 0
v̂ = R I− R
T T
R0 110 R

1 0
= RR−
T T
1
= (R0 R − T µ̂µ̂0 )
T
Muitas vezes µ = 0

Modelo Fatorial
O beta mede como uma ação se move em comparação a um benchmark.

Vamos denotar por b o vetor de coluna T × 1 dos retornos de benchmark.
Indicamos com µb o retorno médio (escalar) do benchmark:
1 0
µb = b1
T
Nós denotamos por σb2 a variância do benchmark:
110

1
σb2 = b0 I − b
T T

1 1
= b0 b − b110 b0
T T
1 0
b b − T µ2b

=
T

Modelo Fatorial
Seja σ 2 o vetor da coluna n × 1 das covariâncias dos n tı́tulos em relação ao
benchmark:
110

2 1 0
σ = R I− b
T T

1 0 1 0 0
= R b − R 11 b
T T
1
= (R0 b − T µb µ)
T
O vetor coluna β n × 1 dos betas dos n tı́tulos em relação ao benchmark:
σ2
β=
σb2
A matriz de variância de covariância estimada com o CAPM é calculada com
a fórmula:
CAP M
V̂N ×N = ββ 0 σm
2

Risk Metrics
Variações e covariâncias entre dois tı́tulos são obtidas através de recursões:
σi2 (t) = λσi2 (t − 1) + (1 − λ)ri2 (t − 1)

e
2 2
σij (t) = λσij (t − 1) + (1 − λ)ri (t − 1)rj (t − 1)
com i1 j = 1, . . . , n e t = 1, . . . , T
Em forma de matriz:
VbtRM = λV̂t−1
RM
+ (1 − λ)r0t−1 rt−1
onde rt é a linha t-ésima da matriz R.
Na redução de l, mais peso é atribuı́do às observações mais recentes.

Estimativa de VaR e ES com simulação de Monte Carlo
Etapa 1: Colete dados e calcule retornos logarı́tmicos

Etapa 2: Estimar a matriz de variância de covariância (por exemplo,
estimativa da amostra)
Etapa 3: Atribui pesos de portfólio
Etapa 4: Corrige o horizonte e gera a partir de uma multivariada normal
Etapa 5: Encontrar o VaR e o ES
Código em R: VaR MonteCarlo.R

Aula 5

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 5

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 5

Enviado por

Direitos autorais:

Formatos disponíveis

Value at Risk špara Portfólio

Dr. Andrea Ugolini

Universidade do Estado do Rio de Janeiro, Brasil

A. Ugolini 1 de Maio de 2019 1 / 38

1 VaR para portfólio de ações

2 Estimação da matriz de variância covariância

A. Ugolini 1 de Maio de 2019 2 / 38

VaR para portfólio de ações

A. Ugolini 1 de Maio de 2019 3 / 38

Método Top Down

Stima parametrica: Portfólio Normal

A. Ugolini 1 de Maio de 2019 4 / 38

Método Top Down

Est. Est. P&L

A. Ugolini 1 de Maio de 2019 5 / 38

A. Ugolini 1 de Maio de 2019 6 / 38

A. Ugolini 1 de Maio de 2019 7 / 38

A distribuição normal multivariada

Definição de distribuição normal multivariada

A. Ugolini 1 de Maio de 2019 8 / 38

A matriz VN ×N coleta as variâncias (na diagonal) e as covariâncias dos n

A. Ugolini 1 de Maio de 2019 9 / 38

A dependência entre as variáveis

Uma melhor compreensão do papel desempenhado pela matriz de

A. Ugolini 1 de Maio de 2019 10 / 38

Simulação de uma multivariada normal

−0.5 0.0 0.5 1.0

A. Ugolini 1 de Maio de 2019 11 / 38

Simulação de uma multivariada normal

−0.8 −0.4 0.0 0.4 0.8

A. Ugolini 1 de Maio de 2019 12 / 38

Simulação de uma multivariada normal

−0.4 0.0 0.4 0.8

A. Ugolini 1 de Maio de 2019 13 / 38

A. Ugolini 1 de Maio de 2019 14 / 38

Propriedades da matriz de variância-covariância

É uma matriz semidefinida positiva.

A. Ugolini 1 de Maio de 2019 15 / 38

A distribuição normal multivariada

A distribuição normal multivariada

A. Ugolini 1 de Maio de 2019 17 / 38

A distribuição normal multivariada

A. Ugolini 1 de Maio de 2019 18 / 38

A distribuição normal multivariada

(X − µ)0 V−1 (X − µ)0 ∼ χ2N

A. Ugolini 1 de Maio de 2019 19 / 38

A distribuição normal multivariada

X1 ∼ N (µ1 , V11 ) e X1 ∼ N (µ2 , V22 )

X2 |X1 ∼ N (µ2.1 , V22.1 )

A distribuição de probabilidade do retorno da carteira

Qual é a distribuição do retorno logarı́tmico da carteira?

A. Ugolini 1 de Maio de 2019 21 / 38

A distribuição de probabilidade do retorno da carteira

Nós poderı́amos simplificar nossas vidas assumindo que

Ri (t) ∼ 1 + ri (t) −1 = ri (t)

mas faria pouco sentido: uma média ponderada de retornos logarı́tmicos de

A. Ugolini 1 de Maio de 2019 22 / 38

Suponha que o rendimento logarı́tmico diário tenha distribuição

Além disso, o valor esperado de Ri (t, t + ∆n) decorrente da aproximação é

E (Ri (t, t + ∆n)) = Eeri (t,t+∆n) − 1