Textos para Discussão
|
|
- João Vítor César Lobo
- 6 Há anos
- Visualizações:
Transcrição
1 Grupo de Pesquisa em Gestão e Planejamento Econômico-Financeiro Universidade Federal do Rio de Janeiro UFRJ Avaliação do Risco de Mercado Após a Crise Financeira: Modelos de Valor em Risco (VaR) e Backtesting Aplicados a Carteiras na Bovespa Nikola Lukic, CFA, CGA Manuel Alcino R. da Fonseca Textos para Discussão No. 1 ago O GPEF é um grupo de pesquisa criado na Universidade Federal do Rio de Janeiro (UFRJ) com foco em gestão financeira, economia empresarial, administração pública, e planejamento econômico-financeiro.
2 Os Textos para Discussão têm como objetivo principal fazer circular resultados de pesquisas teóricas e aplicadas nas áreas de atuação do GPEF-UFRJ, tanto no meio acadêmico, como fora dele. As opiniões e conclusões expressas nos Textos são de responsabilidade dos autores e não representam, necessariamente, as opiniões do GPEF ou da UFRJ. Todas as solicitações e comentários referentes aos Textos para Discussão devem ser dirigidos ao coordenador do GPEF: Manuel Alcino Ribeiro da Fonseca (mfonseca@facc.ufrj.br). Web address: Textos para Discussão No. 1 ago Título Avaliação do Risco de Mercado Após a Crise Financeira: Modelos de Valor em Risco (VaR) e Backtesting Aplicados a Carteiras na Bovespa Autores Nikola Lukic, CFA, CGA* Manuel Alcino R. da Fonseca * IB/Special Situations Banco Brasil Plural. Depart. de Administração Fac. de Administração e C. Contábeis FACC/UFRJ. Resumo: O objetivo principal deste paper é realizar uma análise do risco de mercado aplicada a ativos na Bovespa no período após a grande crise econômica e financeira da década de Os métodos usados nesta análise são o Value at Risk (VaR), calculado pela simulação histórica e pelo método paramétrico neste último caso, usando dois modelos de estimação da volatilidade: EWMA (0,94) e GARCH(1, 1), e procedimentos estatísticos de avaliação dos resultados encontrados denominados backtesting. São desenvolvidos os testes de hipótese de cobertura incondicional de Kupiec, e de cobertura condicional de Cristoffersen. Palavras-chave: Gestão do risco de mercado, Valor em Risco (VaR), estimação da volatilidade, backtesting. Abstract: The main objective of this paper is to develop an analysis of market risk applied to assets in the Brazilian stock market (Bovespa) in the period after the great economic and financial crisis of the last decade. The methods used in this analysis are the Value at Risk (VaR), calculated by historical simulation and the parametric method in the latter case, using two models to estimate volatility: EWMA (0.94) and GARCH (1, 1), and statistical procedures for evaluating the results obtained the so-called "backtesting." The hypothesis tests that are used are the unconditional coverage test of Kupiec, and the conditional coverage test of Cristoffersen. Key-words: Market risk management, Value at Risk (VaR), volatility estimation, backtesting.
3 Avaliação do Risco de Mercado Após a Crise Financeira: Modelos de Valor em Risco (VaR) e Backtesting Aplicados a Carteiras na Bovespa Nikola Lukic, CFA, CGA * Manuel Alcino R. da Fonseca 1. Introdução e objetivo Entre os mais importantes desdobramentos da grande crise econômico-financeira internacional que se seguiu ao colapso do banco de investimento Lehman Brothers, ocorrido em 2008, certamente deve ser incluído o aumento da volatilidade verificado nos principais mercados financeiros. No Brasil, a ampliação da dispersão dos retornos financeiros pôde ser observada de forma nítida na Bovespa, onde, no período pós-crise, o principal índice do mercado oscilou acentuadamente o Ibovespa avançou em relação ao nível de pontos, registrado em meados de 2009, para o pico de pontos ao final de 2010, regressando ao patamar inicial em meados de 2011, para novamente se recuperar, e posterior mente, retroceder abaixo de pontos em meados de 2013 (ver Figura 1). A forte volatilidade na bolsa brasileira faz com que análises de perdas potenciais decorrentes dos movimentos de mercado se tornem ainda mais importantes e, ao mesmo tempo, constitui um laboratório ideal para avaliar os principais modelos de avaliação de risco de mercado. Este paper tem como objetivo principal exatamente o uso de dados das ações brasileiras no período para avaliar alguns dos principais modelos de análise do risco de mercado. Os dados utilizados correspondem ao período entre 1º de julho de 2009 a 30 de junho de No entanto, as informações para os dois primeiros anos foram utilizadas na estimação inicial dos parâmetros usados na análise do VaR, que se inicia propriamente em junho de Para que o objetivo colocado acima possa ser alcançado de forma mais completa, foram selecionados duas carteiras com características muito diversas em termos de exposição ao risco de mercado: em um caso, a carteira formada pelo Índice Bovespa, e em outro, uma carteira que inclui apenas uma das ações mais voláteis no período considerado OGXP3, ação da empresa que, no período analisado, fazia parte do grupo comandado pelo empresário Eike Batista. De forma mais específica, serão aplicadas várias metodologias de cálculo de VaR às duas carteiras definidas acima e, posteriormente, serão realizados procedimentos backtesting para verificar se os modelos usados se ajustam à realidade do mercado. No caso do VaR paramétrico, a volatilidade será estimada por modelos GARCH(1,1) e EWMA. Em todos os casos, o VaR será calculado assumindo que os ativos têm retorno esperado zero, e que seguem a distribuição gaussiana. * IB/Special Situations Banco Brasil Plural. Departamento de Administração Fac. de Administração e C. Contábeis FACC/UFRJ. 1
4 Da mesma forma, visando tornar os exemplos de aplicação dos modelos de valor em risco e backtesting mais relevantes, foram considerados dois intervalos de dados para a análise, cada um deles aplicado às duas carteiras indicadas acima: uma janela de 252 observações (dias úteis) iniciando em 21 de junho de 2012, e uma janela de 504 observações, que se inicia um ano antes (em 17 de junho de 2011). Em ambos os casos, o final do período é o mesmo 31 de junho de Os conjuntos de dados referentes às duas carteiras, com características de volatilidade distintas, estão ilustradas nas Figuras 1 a /06/ /01/ /08/ /03/ /10/ /05/ /12/2012 IBOV Figura 1. Cotações diárias do Ibovespa: 30/06/ /06/2013. Fonte: BM&F-Bovespa. Elaboração dos autores /06/ /12/ /06/ /12/ /06/ /12/ /06/ /12/2012 OGXP3 Figura 2. Cotações diárias (R$) da ação OGXP3: 30/06/ /06/2013. Fonte: BM&F-Bovespa. Elaboração dos autores. 2
5 8% 6% 4% 2% 0% -2% -4% -6% -8% -10% Figura 3. Retornos diários (%) do Ibovespa: 30/06/ /06/2013. Fonte: BM&F-Bovespa. Elaboração dos autores. 20% 15% 10% 5% 0% -5% -10% -15% -20% -25% -30% Figura 4. Retornos diários (%) da ação OGXP3: 30/06/ /06/2013. Fonte: BM&F-Bovespa. Elaboração dos autores. 2. Revisão bibliográfica O VaR calculado para uma carteira indica, em condições normais de mercado, a perda em determinado período que, com certo nível de confiança, não será superada. Portanto, o resultado para o VaR da carteira depende do intervalo de tempo e do nível de confiança 3
6 definidos previamente. Supondo que os retornos sigam a distribuição gaussiana e que tenham média zero esta última hipótese fará mais sentido se a análise for realizada para períodos curtos, em particular, análise em base diária ou semanal, o VaR pode ser representado como: VaR(1 ) = z W (1) Na eq. (1), é o nível de significância e z o valor crítico correspondente (cauda da esquerda) por exemplo, se = 0,01, z = 2,33, é a volatilidade da carteira correspondente ao período usado na análise geralmente, diário ou semanal, e W é o valor inicial da posição. A eq. (1) corresponde ao cálculo do VaR pelo método paramétrico (Jorion, 2001). Por outro lado, no cálculo do VaR pelo método não-paramétrico, ou histórico, se usa a distribuição de frequências dos retornos para se obter a perda que não será superada com determinado nível de confiança (Alexander e Sheedy, 2004) Estimação da volatilidade A volatilidade da carteira é um parâmetro central no cálculo do VaR paramétrico. Na gestão do risco de mercado, um método frequentemente empregado para estimar esse parâmetro é o EWMA (Exponentially Weighted Moving Average), que representa uma versão do modelo GARCH com apenas dois parâmetros cuja soma é zero. A fórmula é: (2) 2 n 2 n 1 2 ( 1 ) un 1 Na eq. (2), 2 n é a variância do retorno no período n, é o fator de decaimento definido no modelo EWMA, e u 2 n 1 é a taxa de retorno disponível para o período anterior. Em uma das publicações originais sobre o VaR, se recomenda usar para 0,94 para dados diários, e 0,97 para dados mensais (RiskMetrics, 2001). A principal diferença entre os métodos EWMA e GARCH é que o segundo pressupõe a dependência temporal da variância ou, em outras palavras, variância condicional (Campbell, Lo e Mackinlay, 1997). O modelo GARCH resulta da família de modelos Auto-Regressivos com Heterocedasticidade Condicional (ARCH), e possui algumas características de modelo Auto- Regressivo de Médias Móveis (ARMA). A equação do modelo GARCH(1, 1) é: V u (3) 2 n L 2 n 1 2 n 1 Na eq. (3), V L representa a volatilidade de longo prazo, u é a inovação, e é a volatilidade condicional. No caso do modelo GARCH(1, 1), a inovação e a volatilidade condicional são do período anterior. As restrições implícitas no modelo são: > 0; 0; 0; + + = 1; Fazendo = V L, o modelo GARCH(1, 1) pode ser colocado na forma que é geralmente usada para estimação dos seus parâmetros (Hull, 2012): (4) n un 1 n 1 4
7 2.2. Métodos de backtesting É necessário verificar se o resultado obtido para o VaR de uma carteira é consistente com as observações disponíveis. A metodologia principal inclui vários testes estatísticos, conhecidos como backtesting nestes testes, se comparam a estimativa de VaR com os retornos observados para as carteiras. Na prática, ao se calcular o VaR com nível de confiança de 95% (por exemplo), esperamos que entre 100 observações para os retornos da carteira, estejam presentes em torno de 5 exceções perdas superiores ao VaR calculado. Porém, não basta apenas que o número de exceções em determinado período fique em linha com o nível de confiança definido no cálculo do VaR, mas também que as exceções sejam distribuídas aleatoriamente ao longo do tempo em outras palavras, elas devem ser entre si. Caso ocorra concentração de exceções, este resultado indicaria que o modelo não captura as mudanças na volatilidade e correlações de mercado (Jorion, 2001). Para avaliar a frequência de exceções, o tipo de teste a ser aplicado é de cobertura incondicional, e para verificar a independência das exceções ao longo do período, o tipo de teste adequado é de cobertura condicional. Cobertura incondicional Avaliar a consistência da estimativa do VaR consiste basicamente em contar todas as exceções em determinado período ou seja, os casos onde a perda observada superou o VaR. Calculado o número de exceções, podemos avaliar se este resultado é consistente com a estimativa utilizando um teste de hipótese. De forma mais específica, deve-se verificar se o número de exceções é significativamente diferente da estimativa gerada pelo VaR, e tomar uma decisão sobre se o modelo deve ser considerado validado ou rejeitado. Representando o número de exceções por X e o número total de observações por T, podemos definir a taxa de exceção como X/T. Esta taxa deve ser comparada com o nível de confiança utilizado no VaR. Por exemplo, se o nível de confiança é de 99%, a hipótese nula seria que a proporção de exceções é p = 1 0,99 = 1%. Sob o pressuposto de que o modelo seja correto, a taxa de exceção encontrada deveria ser uma observação da variável aleatória p (Jorion, 2001). De acordo com a hipótese nula, o número observado de exceções segue distribuição de probabilidade binomial: O método de cobertura incondicional baseado na taxa de exceção, mais conhecido como teste de Kupiec, foi introduzido por Kupiec em 1995 (Hull, 2012). A estatística desse teste é dada pela fórmula: 5
8 Neste caso, segue a distribuição Qui-Quadrado com um grau de liberdade. Com nível de confiança previamente definido, caso a estatística do teste supere o valor crítico da distribuição, a hipótese nula será rejeitada. A Tabela 1, apresentada abaixo, mostra as áreas de não-rejeição introduzidas por Kupiec. Na Tabela, são considerados diferentes níveis de confiança para VaR e tamanhos de amostra. Cobertura condicional Como foi discutido acima, para validar a estimativa do VaR, além de analisar a frequência de exceções devemos avaliar a distribuição delas ao longo do período analisado. Uma situação de concentração de exceções por exemplo, em um período de maior volatilidade no mercado pode indicar que as exceções não ocorrem de forma independente, e que o modelo não se ajusta às mudanças nas condições de mercado. Um dos testes de cobertura condicional mais conhecidos para verificar a hipótese de independência das exceções é o teste de Christoffersen, introduzido em Este teste, além de examinar a taxa de exceções, examina se as exceções ocorrem de forma agrupada, ou se podem ser consideradas. A estatística do teste de Cristoffersen, representada abaixo, também tem distribuição Qui- Quadrado com um grau de liberdade quando as exceções podem ser consideradas (Hull, 2012). Definimos como o número de dias que transcorrem quando passamos de um período na condição i para um período na condição j. O estado 0 é um dia em que não há exceção, e o estado 1 é um dia em que ocorre exceção. Além disso, as seguintes definições se aplicam: 6
9 3. Desenvolvimentos e resultados 3.1. Metodologia Na avaliação do VaR com dados da bolsa brasileira no período pós-crise Financeira, serão utilizados dados diários e apenas o nível de confiança de 95%. As estimativas do VaR serão obtidas de três formas diferentes: método histórico, método paramétrico com volatilidade estimada pelo modelo EWMA(0,94), e método paramétrico com volatilidade estimada pelo modelo GARCH(1, 1). Finalmente, cada um desses procedimentos será aplicado às duas carteiras definidas na Seção 1, e serão usados dois períodos (janelas), que também foram definidos na primeira Seção. Posteriormente, será feito o backtesting dos modelos seguindo os testes propostos por Kupiec e Christoffersen. Estes testes serão aplicados às duas carteiras e duas janelas quatro resultados obtidos para cada um dos testes Estimação da volatilidade Nas Figuras abaixo, aparecem os resultados das volatilidades estimadas pelos modelos EWMA (0,94) e GARCH(1, 1), que serão usadas nas estimativas do VaR pelo método paramétrico. São apresentados quatro conjuntos de estimativas para cada modelo correspondentes às duas carteiras e duas janelas. 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% 06/06/ /09/ /12/ /03/ /06/2013 Vol EWMA Vol GARCH Figura 5: Volatilidade do ativo IBOV período de 252 observações. 7
10 4,0% 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% 17/06/ /11/ /04/ /09/ /02/2013 Vol EWMA Vol GARCH Figura 6: Volatilidade do ativo IBOV período de 504 observações. 14,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% 06/06/ /09/ /12/ /03/ /06/2013 Vol EWMA Vol GARCH Figura 7: Volatilidade do ativo OGXP3 período de 252 observações. 14,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% 17/06/ /11/ /04/ /09/ /02/2013 Vol EWMA Vol GARCH Figura 8: Volatilidade do ativo OGXP3 período de 504 observações. 8
11 3. 3. Cálculo do VaR em base diária Utilizando as volatilidades estimadas, e o nível de confiança definido como 95%, o VaR foi calculado de acordo com os três métodos explicitados anteriormente. Os resultados, apresentados como percentagem, estão incluídos nas Figuras abaixo. -1,0% -1,5% -2,0% -2,5% -3,0% -3,5% -4,0% Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 9: VaR do ativo IBOV período de 252 observações. -1,0% -2,0% 17/06/ /07/ /08/ /09/ /10/ /11/ /12/ /01/ /02/ /03/ /04/ /05/ /06/ /07/ /08/ /09/ /10/ /11/ /12/ /01/ /02/ /03/ /04/ /05/ /06/2013-3,0% -4,0% -5,0% -6,0% -7,0% Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 10: VaR do ativo IBOV período de 504 observações. 9
12 -1,0% -3,0% -5,0% -7,0% -9,0% -11,0% -13,0% -15,0% -17,0% -19,0% -21,0% Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 11: VaR do ativo OGXP3 período de 252 observações. -1,0% -3,0% -5,0% -7,0% 17/06/ /07/ /08/ /09/ /10/ /11/ /12/ /01/ /02/ /03/ /04/ /05/ /06/ /07/ /08/ /09/ /10/ /11/ /12/ /01/ /02/ /03/ /04/ /05/ /06/2013-9,0% -11,0% -13,0% -15,0% -17,0% -19,0% -21,0% Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 12: VaR do ativo OGXP3 período de 504 observações Backtesting número de exceções Nesta etapa, é necessário comparar as estimativas de VaR com os retornos observados. Com base em uma amostra de 252 observações e nível de confiança de 95%, esperamos em torno de 13 exceções no período. E com base em uma amostra de 504 observações e mesmo nível de confiança, o resultado esperado é de 26 exceções. 10
13 Ativo IBOV 6,0% 5,0% 4,0% 3,0% 2,0% 1,0% 0,0% 21/06/2012-1,0% 21/08/ /10/ /12/ /02/ /04/ /06/2013-2,0% -3,0% -4,0% -5,0% R IBOV Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 13: VaR e retornos observados ativo IBOV, 252 observações. 6,00% 4,00% 2,00% 0,00% 17/06/2011-2,00% 17/10/ /02/ /06/ /10/ /02/2013-4,00% -6,00% -8,00% -10,00% R IBOV Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 14: VaR e retornos observados ativo IBOV, 504 observações /06/2013
14 Tabela 2. Número de Exceções Ativo IBOV. VaR Histórico Var EWMA Var GARCH Número de observações Número de exceções Taxa de exceções 5,2% 6,7% 4,8% Número de observacões Número de exceções Taxa de exceções 6,3% 6,3% 4,8% Ativo OGXP3 20,0% 10,0% 0,0% 21/06/ /08/ /10/ /12/ /02/ /04/ /06/ ,0% -20,0% -30,0% -40,0% R OGXP3 Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 15: VaR e retornos observados ativo OGXP3, 252 observações. 12
15 20,00% 10,00% 0,00% 17/06/ /10/ /02/ /06/ /10/ /02/ /06/ ,00% -20,00% -30,00% -40,00% R OGXP3 Var 95% Historico Var 95% EWMA Var 95% GARCH Figura 16: VaR e retornos observados ativo OGXP3, 504 observações. Tabela 3. Número de Exceções Ativo OGXP3. VaR Histórico VaR EWMA VaR GARCH Número de observacões Número de Exceções Taxa de Exceções 11,9% 8,3% 9,9% Número de observacões Número de Exceções Taxa de Exceções 9,7% 7,3% 8,7% Backtesting testes de hipótese Teste de Kupiec Testamos se o número observado de exceções é consistente com o valor p correspondente à estimativa do VaR. Apresentamos a seguir os resultados desse teste para os dois ativos e as duas janelas de tempo. 13
16 Tabela 4. Ativo IBOV 252 observações. Teste de Kupiec VaR Histórico VaR EWMA VaR GARCH Hipótese Nula Valor de p 5,0% 5,0% 5,0% Taxa de Exceções Observadas 5,2% 6,7% 4,8% Tamanho da Amostra Estatística Kupiec 0, , , p-value 43,63% 22,61% 86,13% Significância de 5% Não rejeitamos H 0 Não rejeitamos H 0 Não rejeitamos H 0 Tabela 5. Ativo IBOV 504 observações. Teste de Kupiec VaR Histórico VaR EWMA VaR GARCH Hipótese Nula Valor de p 5,0% 5,0% 5,0% Taxa de Exceções Observadas 6,3% 6,3% 4,8% Tamanho da Amostra Estatística Kupiec 1, , , p-valor 18,14% 18,14% 80,48% Significância de 5% Não rejeitamos H 0 Não rejeitamos H 0 Não rejeitamos H 0 Tabela 6. Ativo OGXP3 252 observações. Teste de Kupiec VaR Histórico VaR EWMA VaR GARCH Hipótese Nula Valor de p 5,0% 5,0% 5,0% Taxa de Exceções Observada 11,9% 8,3% 9,9% Tamanho da Amostra Estatística Kupiec 18, , , p-valor 0,00% 2,60% 0,15% Significância de 5% Rejeitamos H 0 Rejeitamos H 0 Rejeitamos H 0 14
17 Tabela 7. Ativo OGXP3 504 observações. Teste de Kupiec VaR Histórico VaR EWMA VaR GARCH Hipótese Nula Valor de p 5,0% 5,0% 5,0% Taxa de Exceções Observada 9,7% 7,3% 8,7% Tamanho da Amostra Estatística Kupiec 18, , , p-valor 0,00% 2,37% 0,05% Significância de 5% Rejeitamos H 0 Rejeitamos H 0 Rejeitamos H 0 Teste de Cristoffersen Queremos avaliar se as exceções observadas são consistentes com a hipótese de independência. Os resultados desse teste são apresentadas nas Tabelas abaixo. Tabela 8. Ativo IBOV 252 observações. Teste de Christoffersen VaR Histórico VaR EWMA VaR GARCH T T pi01 4,22% 6,44% 4,62% T T pi11 47,62% 48,39% 47,83% pi H0 (hipótese nula) 7,75% 11,36% 8,43% Likelihood H0 (L 0 ) 2,80564E-31 2,55101E-41 1,68743E-33 Likelihood H1 (L A ) 4,91163E-25 3,2065E-34 5,41536E-27 Estatística Christoffersen 28, , , p-valor 0,00% 0,00% 0,00% Significância de 5% 15
18 Tabela 9. Ativo IBOV 504 observações. Teste de Christoffersen VaR Histórico VaR EWMA VaR GARCH T T pi01 5,74% 5,96% 5,02% T T pi11 50,00% 50,00% 50,00% pi H0 (hipótese nula) 10,31% 10,65% 9,13% Likelihood H0 (L 0 ) 3,20377E-76 3,51578E-78 1,68893E-70 Likelihood H1 (L A ) 7,27879E-62 1,13082E-63 1,63099E-56 Estatística Christoffersen 66, , , p-valor 0,00% 0,00% 0,00% Significância de 5% 16
19 Tabela 10. Ativo OGXP3 252 observações. Teste de Christoffersen VaR Histórico VaR EWMA VaR GARCH T T pi01 11,31% 7,86% 9,78% T T pi11 50,00% 50,00% 50,00% pi H0 (hipótese nula) 18,45% 13,58% 16,36% Likelihood H0 (L 0 ) 5,30292E-57 1,85806E-46 8,90474E-53 Likelihood H1 (L A ) 1,17084E-49 6,01309E-39 2,94177E-45 Estatística Christoffersen 33, , , p-valor 0,00% 0,00% 0,00% Significância de 5% 17
20 Tabela 11. Ativo OGXP3 504 observações. Teste de Christoffersen VaR Histórico VaR EWMA VaR GARCH T T pi01 9,47% 6,88% 8,30% T T pi11 50,59% 50,00% 50,00% pi H0 (hipótese nula) 15,96% 12,10% 14,23% Likelihood H0 (L 0 ) 1,7906E-103 1,79098E-85 1,29179E-95 Likelihood H1 (L A ) 4,36295E-88 1,3568E-70 1,74506E-80 Estatística Christoffersen 70, , , p-valor 0,00% 0,00% 0,00% Significância de 5% 4. Conclusões O objetivo principal deste paper foi realizar uma análise do risco de mercado aplicada a ativos na Bovespa no período após a grande crise econômica e financeira da década de Os métodos usados nesta análise foram o VaR, calculado pela simulação histórica e pelo método paramétrico neste último caso, usando dois modelos de estimação da volatilidade: EWMA (0,94) e GARCH(1, 1), e procedimentos estatísticos de avaliação dos resultados encontrados denominados backtesting. Foram desenvolvidos os testes de hipótese de cobertura incondicional de Kupiec, e de cobertura condicional de Cristoffersen. Na análise feita, foram utilizadas duas carteiras simplificadas formadas respectivamente pelo índice Ibovespa (IBOV), e por uma das ações mais voláteis ao longo do período analisado (OGXP3). Além disso, foram construídas duas janelas de dados, usadas na análise do risco de mercado, ambas com final em 31 de junho de 2013 com 252 e 504 observações. No caso da carteira formada pelo ativo IBOV, o teste de Kupiec indicou que o número de exceções encontrado dias em que o VaR foi superado é consistente com o nível de confiança usado no cálculo do VaR (95%). Este resultado se aplicou aos três métodos de cálculo histórico, EWMA (0,94) e GARCH(1, 1), assim como às duas janelas de dados. 18
21 Para a carteira formada pelo ativo OGXP3, os resultados encontrados para o teste de Kupiec foram exatamente opostos, ou seja, o número de exceções encontrado não foi consistente com o nível de confiança definido no cálculo do VaR em outras palavras, as estimativas do VaR de acordo com os três métodos empregados, e usando as duas janelas de dados, subestimaram as perdas que realmente foram verificadas com esse ativo. No caso do teste de Christoffersen, que tem como objetivo avaliar se o padrão das exceções no período analisado é consistente com a hipótese de independência, todos os resultados levaram à rejeição dessa hipótese. Ou seja, os dias em que o VaR foi superado, de acordo com os três métodos de cálculo, e no caso das duas carteiras usadas, não se mostraram consistentes com a hipótese de independência. Na prática, o que se observa é que, em períodos de maior volatilidade, os métodos de cálculo do VaR mais tradicionais não são capazes de se ajustar de forma rápida às mudanças e, portanto, ocorre a concentração de exceções. É possível observar que em três períodos especificamente, terceiro trimestre de 2011, segundo trimestre de 2012, e segundo trimestre de 2013 ocorreu significativa concentração das exceções. Em geral, os resultados encontrados indicam que, embora a metodologia do VaR, combinada com os métodos de estimação da volatilidade, seja essencial no processo de controle do risco de mercado, as simplificações que necessariamente devem ser feitas podem levar à subestimação desse risco e, consequentemente, das perdas que ocorrem nos mercados financeiros. A falha percebida na metodologia do VaR em se ajustar às mudanças rápidas na volatilidade dos ativos também é fator de preocupação quando se usa esse método para avaliar o risco de mercado. Referências bibliográficas Alexander, C. e Sheedy, E. The professional Risk Managers Handbook. The Professional Risk Managers International Association, Campbell, J. Y., Lo, A. W., and MacKinlay, A. C. The Econometrics of Financial Markets. Princeton: Princeton University Press, Hull, John C. Risk Management and Financial Institutions, 3a. ed. Hoboken Nova Jersey: John Wiley, Jorion, P. Value at Risk, 2a. ed. Nova York: McGraw-Hill, Lukic, Nikola. Avaliação de Modelos de Valor em Risco (VaR) com Backtests : Exemplos para o Mercado Brasileiro. Trabalho de Conclusão de Curso MBA em Finanças e Gestão de Risco. Universidade Federal do Rio de Janeiro, RiskMetrics Group. Return to RiskMetrics: The Evolution of a Standard
H11 GESTÃO DE RECURSOS LTDA.
H11 GESTÃO DE RECURSOS LTDA. Empresa: Documento: H11 Gestão de Recursos Ltda. Versão anterior: 30/09/2015 Atualização: 18/02/2016 Data Emissão / Revisão n.º revisão: 18/02/2016 ver. 2 Página: 2 Introdução:
Leia maisPolítica de Gerenciamento de Risco de Mercado BAHIA AM RENDA VARIÁVEL LTDA
Política de Gerenciamento de Risco de Mercado BAHIA AM RENDA VARIÁVEL LTDA 1. OBJETIVO:... 2 2. CONCEITUAÇÃO / DEFINIÇÃO:... 2 3. ABRANGÊNCIA / ÁREAS ENVOLVIDAS:... 2 4. RESPONSABILIDADES:... 2 04.01.
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA
Leia maisGerenciamento de Risco
2010 Gerenciamento de Risco Nota Técnica 03 Diretoria de Investimentos Previ-Rio 09/2010 Nota técnica 03 Gerenciamento de Risco O gerenciamento de risco é um instrumento essencial para a otimização do
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisMetodologia de gestão de Risco de Mercado
Metodologia de gestão de Risco de Mercado Data Criação: Ago/11 Data última revisão: Jun/13 1 Sumário 1. Introdução... 3 2. Risco de mercado... 3 3. Métodos de gerenciamento de risco... 3 4. Controle de
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia mais5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO Neste capítulo, são apresentadas as medidas de risco usadas no setor elétrico e em finanças, analisando as propriedades da definição de medida de risco coerente [30].
Leia maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
Leia maisCE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO
CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO Ana Paula Araujo Correa Eder Queiroz Newton Trevisan DEFINIÇÃO É um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisProva de Estatística
UNIVERSIDADE FEDERAL DO PARÁ CURSO DE MESTRADO EM ECONOMIA PROCESSO SELETIVO 2010 Prova de Estatística INSTRUÇÕES PARA A PROVA Leia atentamente as questões. A interpretação das questões faz parte da prova;
Leia maisIntrodução a Modelos ARCH
Introdução a Modelos ARCH Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 A volatilidade de uma série não é constante ao longo do tempo; períodos de volatilidade
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisDistribuição T - Student. Prof. Herondino S. F.
Distribuição T - Student Prof. Herondino S. F. Distribuição T-Student A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um autor que se chamou de Student, pseudônimo
Leia maisIntervalos de Confiança
Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de
Leia maisEstudo das hipóteses não paramétricas χ² de Pearson aplicado ao número de acidentes envolvendo motos na cidade de Campina Grande Paraíba.
Estudo das hipóteses não paramétricas χ² de Pearson aplicado ao número de acidentes envolvendo motos na cidade de Campina Grande Paraíba. 1 Introdução Erivaldo de Araújo Silva Edwirde Luiz Silva Os testes
Leia maisInferência Estatística
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Inferência Estatística Profa. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Duas distribuições importantes Normal T- Student Estimação
Leia maisENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)
ENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)! Como calcular o retorno usando dados históricos?! Como calcular a variância e o desvio padrão?! A análise do retorno através da projeção de retornos
Leia maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
Leia maisEstatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME:
DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: Observação: A resolução completa das perguntas inclui a justificação
Leia maisICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof.
ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim 1 de 6 Pessoal, segue a resolução das questões de Estatística da prova realizada pela SEFAZ-PE, para o cargo de Auditor Fiscal do Tesouro
Leia maisOs testes. Objetivos. O teste Q de Cochran; O teste de Friedman (Análise de variância de duplo fator por postos)
Prof. Lorí Viali, Dr. http://www.mat.ufrgs.br/viali/ viali@mat.ufrgs.br Os testes O teste Q de Cochran; O teste de Friedman (Análise de variância de duplo fator por postos) William Gemmell Cochran (1909-1980)
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisMedidas de Dispersão para uma Amostra. Conteúdo: AMPLITUDE VARIÂNCIA DESVIO PADRÃO COEFICIENTE DE VARIAÇÃO
Medidas de Dispersão para uma Amostra Conteúdo: AMPLITUDE VARIÂNCIA DESVIO PADRÃO COEFICIENTE DE VARIAÇÃO Medidas de Dispersão para uma Amostra Para entender o que é dispersão, imagine que quatro alunos
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Distribuição Conjunta Suponha que se queira analisar o comportamento conjunto das variáveis X = Grau de Instrução e Y = Região
Leia maisDeterminação de medidas de posição a partir de dados agrupados
Determinação de medidas de posição a partir de dados agrupados Rinaldo Artes Em algumas situações, o acesso aos microdados de uma pesquisa é restrito ou tecnicamente difícil. Em seu lugar, são divulgados
Leia maisPara o presente estudo, foram obtidos os dados através das bases de dados Bloomberg e Ipeadata.
3 Metodologia 3.1. Variáveis analisadas Foram selecionadas algumas variáveis relacionadas ao carry trade do real; esta selação foi baseada nos estudos de Carvalho e Divino (2009) e Nishigaki (2007). As
Leia mais16/6/2014. Teste Qui-quadrado de independência
UNIVERSIDADE FEDERAL DA PARAÍBA TESTES NÃO- PARAMÉTRICOS Parte I Prof. Luiz Medeiros Departamento de Estatística Teste Qui-quadrado de independência Um dos principais objetivos de se construir uma tabela
Leia maisCORRELAÇÃO. Flávia F. Feitosa
CORRELAÇÃO Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 Revisão Inferência Estatística: Método científico para tirar conclusões sobre os parâmetros
Leia maisExemplo (tabela um) distribuições marginais enquanto que. Distribuição Conjunta
Distribuição Conjunta Suponha que se queira analisar o comportamento conjunto das variáveis = de Instrução e = Região de procedência. Neste caso, a distribuição de freqüências é apresentada como uma tabela
Leia maisTESTE DO QUI-QUADRADO DE INDEPENDÊNCIA
TESTE DO QUI-QUADRADO DE INDEPENDÊNCIA Suponha que numa amostra aleatória de tamanho n de uma dada população são observados dois atributos ou características A e B (qualitativas ou quantitativas), uma
Leia maisCoeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO DOUTORADO - TURMA 20 VERSÃO
Leia maisTestes de Aderência, Homogeneidade e Independência
Testes de Aderência, Homogeneidade e Independência Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é um teste de hipótese? Queremos saber se a evidência que temos em mãos significa
Leia maisEstimação da Volatilidade do Retorno das Ações Brasileiras - Um Método Alternativo à Família GARCH - 1
Estimação da Volatilidade do Retorno das Ações Brasileiras - Um Método Alternativo à Família GARCH - 1 Modelos da família GARCH têm sido sugeridos como alternativa eficiente para a estimação da volatilidade
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisquadrado testa conjuntamente se existe uma associação entre a variável resposta e uma variável preditora. No Assistente, é possível realizar um Teste
Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no Assistente no Software Estatístico
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia mais2 Risco de Base e Estatísticas Descritivas
2 Risco de Base e Estatísticas Descritivas 2.1 Amostra A amostra inclui os preços diários de todos os contratos futuros negociados de três commodities agropecuárias e dois ativos financeiros, entre 3 de
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisCarga Horária: 80 horas (correspondem a aulas e atividades extra-classe)
Curso: Economia Disciplina: ECONOMETRIA Turma 4ECO Carga Horária: 80 horas (correspondem a aulas e atividades extra-classe) Período Letivo: 2014/1 Professor: Hedibert Freitas Lopes (www.hedibert.org) OBJETIVO:
Leia maisIntrodução Introdução
Introdução 15 1 Introdução O mercado de renda-fixa no Brasil tem apresentado um crescimento sem precedentes nos últimos anos. Parte desse movimento se deve a um ambiente econômico de relativa estabilidade,
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia maisTestes de qui-quadrado
WHITE PAPER SOBRE O ASSISTENTE DO MINITAB Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados
Leia maisTeste Chi-Quadrado de Independência. Prof. David Prata Novembro de 2016
Teste Chi-Quadrado de Independência Prof. David Prata Novembro de 2016 Duas Variáveis Categóricas Análise de variância envolve o exame da relação entre uma variável categórica explicativa e uma variável
Leia mais5. ANÁLISE DE RESULTADOS
79 5. ANÁLISE DE RESULTADOS O instrumental teórico elaborado no segundo capítulo demonstra que a principal diferença entre os modelos construídos que captam somente o efeito das restrições no mercado de
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisMORE INVEST GESTORA DE RECURSOS Manual de Risco de Mercado. Versão: Setembro de 2015
MORE INVEST GESTORA DE RECURSOS Manual de Risco de Mercado Versão: Setembro de 2015 Sumário Objetivo... 3 Estrutura... 3 Risco de Mercado... 4 Política de Risco de Mercado... 4 Rotina Diária... 4 Metodologias
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisUMA ANÁLISE ECONOMÉTRICA DO ICMS *
UMA ANÁLISE ECONOMÉTRICA DO ICMS * Carlos Eduardo S. Marino ** * Trabalho de conclusão da disciplina de Econometria I, ministrada pelos professores Ivan Castelar e Vitor Monteiro, realizada no primeiro
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Tópicos Tópicos Séries
Leia maisTeste de Hipótese e Intervalo de Confiança
Teste de Hipótese e Intervalo de Confiança Suponha que estamos interessados em investigar o tamanho da ruptura em um músculo do ombro... para determinar o tamanho exato da ruptura, é necessário um exame
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisTema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e medidas de liquidez.
Aluno: Rafael Milanesi Caldeira Professor Orientador: Adriana Bruscato Bortoluzzo Tema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisConteúdo. 1 Introdução. Histograma do Quarto Sorteio da Nota Fiscal Paraná 032/16. Quarto Sorteio Eletrônico da Nota Fiscal Paraná
Quarto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia mais3 Avaliando os Dados Históricos
3 Avaliando os Dados Históricos Com respeito ao equity premium, a confiança que pode ser depositada na hipótese de que o futuro será como o passado depende de duas características dos dados históricos:
Leia maisAnálise da Variância. Prof. Dr. Alberto Franke (48)
Análise da Variância Prof. Dr. Alberto Franke (48) 91471041 Análise da variância Até aqui, a metodologia do teste de hipóteses foi utilizada para tirar conclusões sobre possíveis diferenças entre os parâmetros
Leia maisMANUAL DE RISCOS DE MERCADO Modal Administradora de Recursos Ltda. - MAR
MANUAL DE RISCOS DE MERCADO Modal Administradora de Recursos Ltda. - MAR Última atualização: Junho / 2016 EXCLUSIVO PARA USO INTERNO Produzido pelas áreas de Risco Operacional e Compliance, Controladoria
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisJorge Luiz Moretti de Souza 2, José Antônio Frizzone 3
OPÇÃO DE VENDA TRIMESTRAL DO CAFÉ BENEFICIADO, EM UM MODELO DE SIMULAÇÃO APLICADO AO PLANEJAMENTO DE PROJETOS DE IRRIGAÇÃO PARA A CULTURA DO CAFEEIRO 1 Jorge Luiz Moretti de Souza 2, José Antônio Frizzone
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisNOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional
NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional Estimação Teste de Hipóteses Qual é a probabilidade de "cara no lançamento de uma moeda? A moeda é honesta ou desequilibrada?
Leia maisPOLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade )
POLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade ) Versão: Outubro/016 Objetivo: o presente instrumento tem por objetivo formalizar a metodologia de monitoramento e gerenciamento
Leia maisEstimativas e Tamanhos de Amostras
Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisINSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Estatística II - Licenciatura em Gestão Época de Recurso - Parte prática (14 valores) 24/01/2011.
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Estatística II - Licenciatura em Gestão Época de Recurso - Parte prática (14 valores) 24/01/2011 Nome: Nº Espaço reservado para a classificação (não escrever aqui)
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisPor que testes não-paramétricos?
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 3 Testes Não-Paramétricos: Wilcoxon Mann-Whitney Kruskal-Wallis
Leia maisEstudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx
Estudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx Lucas Roberto da Silva Centro de Automação, Gestão e Pesquisa em finanças
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisXVII Congresso Nacional de Administração e Contabilidade - AdCont e 29 de outubro de Rio de Janeiro, RJ
Previsão da Volatilidade Cambial: GARCH com mudança de regime markoviano Vinicius Mothé Maia - Mestre em Administração Professor FACC/UFRJ e Doutorando IAG/PUC-Rio viniciusmothemaia@gmail.com.br Antonio
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma
Leia maisESTIMANDO O VALUE AT RISK (VaR) DE CARTEIRAS VIA MODELOS DA FAMÍLIA GARCH E SIMULAÇÃO DE MONTE CARLO
ESTIMANDO O VALUE AT RISK (VaR) DE CARTEIRAS VIA MODELOS DA FAMÍLIA GARCH E SIMULAÇÃO DE MONTE CARLO Mestre em Economia Política pela Pontifícia Universidade Católica de São Paulo (PUC SP) e bacharel em
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisEstatísticas de saúde. Certificados de óbito.
Estatísticas de saúde. Certificados de óbito. A maior parte da informação que obtemos sobre os óbitos vem dos certificados de óbito (ver anexo da aula prática). Por acordo internacional, os óbitos são
Leia maisRisco x Retorno. Fundamentos de Risco e Retorno: Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos.
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisNOTA CEMEC 02/2016 Revista e ampliada PARTICIPAÇÃO DO GOVERNO E DO SETOR PRIVADO NO SALDO DE OPERAÇÕES DE DÍVIDA NO MERCADO DOMÉSTICO
NOTA CEMEC 02/2016 Revista e ampliada PARTICIPAÇÃO DO GOVERNO E DO SETOR PRIVADO NO SALDO DE OPERAÇÕES DE DÍVIDA NO MERCADO DOMÉSTICO Fevereiro - 2016 INDICE 1. APRESENTAÇÃO: METODOLOGIA E CONCEITOS...
Leia maisESTATÍSTICA: UMA RÁPIDA ABORDAGEM Prof. David B.
ESTATÍSTICA: UMA RÁPIDA ABORDAGEM Prof. David B. I - ESTATÍSTICA DESCRITIVA Vamos partir do pressuposto que nosso trabalho de pesquisa se voltará para realizar uma Simulação de eventos discretos. Para
Leia maisDocumentação Técnica Opções Flexíveis sobre Taxa de Câmbio
Documentação Técnica Opções Flexíveis sobre Taxa de Câmbio Ref.: CETIP-RANGER-DT-0001/006 maio de 006 Criação: 30/03/006 Última revisão: 5/04/006 Impressão: 05/05/006 1. INTRODUÇÃO...3. ETAPAS...3.1. ASSUME-SE
Leia maisTestes de Hipótese para uma única Amostra - parte I
Testes de Hipótese para uma única Amostra - parte I 26 de Junho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Estruturar problemas de engenharia como testes de hipótese. Entender os
Leia mais4 Análise da Volatilidade
4 Análise da Volatilidade 4.1 Metodologia da Regressão Uni-variada Esse estudo utilizou a volatilidade histórica dos ativos para descrever uma relação com a volatilidade futura por uma regressão uni-variada.
Leia maisMetodologia para Avaliação do Grau de Consistência da Gestão de Fundos de Investimentos
Metodologia para Avaliação do Grau de Consistência da Gestão de Fundos de Investimentos 1. Introdução Examinando o termo PERFORMANCE podemos entendê-lo como atuação ou desempenho sendo, em geral, acompanhado
Leia maisi. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ?
Fundação Getulio Vargas Curso: Graduação Disciplina: Estatística Professor: Moisés Balassiano Lista de Exercícios Inferência. Seja (Y, Y 2,..., Y n ) uma amostra aleatória iid, de tamanho n, extraída de
Leia maisEstatística I Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 2 Prof.: Patricia Maria Bortolon, D. Sc. Análise Exploratória de Dados Consiste em resumir e organizar os dados coletados Utiliza-se tabelas, gráficos ou medidas numéricas para resumir
Leia mais