2.1. Modelos Baseados em Premissas de Distribuições Simulação de Monte Carlo
|
|
- Flávio Philippi Caires
- 5 Há anos
- Visualizações:
Transcrição
1 2 Value-a-Rsk Anes de adenrar na seara que raa o ermo cenral dese capíulo, é neressane realzar uma cação da evolução hsórca do esudo do rsco. Joron (2003, p. 10) resume os prncpas rabalhos aravés da abela ranscra a segur: 1938 Duraon de íulos de renda fxa 1952 Arcabouço de méda-varânca de arkowz 1963 Capal Asse Prncng odel (CAP) de Sharpe 1966 odelo mulfaoral 1973 odelo de precfcação de opções de Black & Scholes, as gregas 1979 odelo bnomal para precfcação de opções 1983 RAROC, reorno ajusado ao rsco 1986 Lmes de exposção por faxa de duraon 1988 Avos ajusados ao rsco para bancos e lmes baseados nas gregas 1992 eses de esresse 1993 Value a Rsk (VAR) 1994 Rskercs 1997 Credercs, CredRsk Inegração dos rscos de crédo e de mercado 2000 Gesão de rsco em empresas abela 2 - Evolução Hsórca do Esudo do Rsco Fone: Joron, 2003 Harry arkowz, denre seus dversos rabalhos, desenvolveu anda em 1952 o noóro rabalho versando sobre seleção de careras. Ese é por muos consderado um dos precursores, senão o precursor da moderna eora das fnanças. O auor percebeu que o rsco é um faor preponderane nas omadas de decsões referenes às escolhas de nvesmenos possíves. Baseou-se no prncípo da raconaldade do nvesdor, desacando denre as dversas assunções levanadas, que enre careras de mesmo reorno ese escolherá o que apresenará menor rsco, e para porfólos de reornos dferenes, qual maor ese for, mas propenso a acear o rsco aquele esará. ambém ulzou-se da premssa que o nvesdor somene oma como faor de análse para decsão a méda (reorno) e o desvo-padrão ou varânca (rsco), faos aé hoje empregados.
2 Value-a-Rsk 26 No desenvolver de sua eora, provou que o rsco oal de um porfólo depende não somene do rsco (varânca) de cada um dos avos que o compõe, mas ambém de ouro componene, a correlação ou covarânca enre dos avos, nclusve ornando-se o faor preponderane dese componene a medda que a quandade, de avos que negram a carera aumena, denomnando dese de rsco ssêmco ou não dversfcado e o prmero de rsco não-ssemáco ou dversfcável. osra enão a famosa curva que relacona o rsco do porfólo com a quandade de elemenos que o mesmo possu. Por fm, chega ao conceo de fronera efcene. Ao relaconar em um dagrama de rsco x reorno as possíves combnações dos avos exsenes, a fronera será aquela que sempre apresena o maor reorno possível para um dado nível de rsco. Nese conexo, surge o V@R (Value-A-Rsk), como uma ferramena com a fnaldade de avalar os rscos de mercado que são decorrenes de mudanças nos preços do mercado, de forma ssemáca. Joron (2003, p. 19) defne de forma nuva: O V@R sneza a maor (ou por) perda esperada denro de deermnado período de empo e nervalo de confança. Segundo us Jr e Lews, V@R é a maor perda esperada do rsco de mercado, expressa em moeda correne, que um íulo ou carera sofrerá além de um nervalo e com um grau de cereza escolhdo pelo omador de decsão. Exsem hoje dversas ferramenas de gesão de rsco. Elas surgram como resposa ao aumeno das volaldades dos mercados fnanceros globas, prncpalmene pelas dversas crses aravessadas. Enão era necessáro apresenar modelos que permssem uma maor ranqüldade ao nvesdor. Sua concepção orgnal fo movada pelos dversos desasres fnanceros enfrenados pelo mercado, ano no passado quano em épocas recenes. Ele surge não de forma predva, a qual vem mosrando-se cada vez mas nefcene, pela dfculdade de rerar nformações precsas sobre um avo que possu seu valor descro como uma função aleaóra com o passar do empo. O V@R deve ser vso como uma ferramena necessára, mas não sufcene para a admnsração do rsco, que é algo basane complexo. Ele deve ser ulzado pela gesão como um ndcador para suas decsões admnsravas e não
3 Value-a-Rsk 27 a únca resposa para a solução de odos os problemas envolvendo rsco, de forma que sejam sabdas suas lmações e conroles. De manera a enender sua complexdade e desafos, prmeramene é necessáro compreender como o V@R é esmado. É um processo de quaro passos: 1- Deermnar o horzone de empo sobre o qual é requerda a esmação da perda poenca. 2- Seleconar o grau de cereza requerdo, o nervalo de confança para a esmação. 3- Crar uma dsrbução de probabldade dos reornos desejados para a carera ou nsrumeno sob consderação. 4- Fnalmene, ler a solução, o V@R esmado pela observação da quandade perdda que aparece abaxo da curva em forma de sno. VAR raduz o rsco de qualquer nvesmeno fnancero em um padrão comum: a perda poencal. Para enender o conceo de V@R, é necessáro valorar a carera ulzando-se o preço na daa aual, além de denfcar os faores de mercado que nfluencam o resulado do mesmo. Enão, é necessáro omar novos valores para o porfólo e calcular a dferença enre eses e o valor aual prevamene esabelecdo. Ao reper ese conceo, é possível ober uma dsrbução das varações. Dado so, V@R é especfcado em ermos de nervalos de confança. De forma a lusrar o conceo para faclar sua compreensão, em-se a Fgura 1, que represena no exo x a dferença enre o valor alernavo da carera e o valor aual e enquano no exo y a freqüênca acumulada que cada valor apresena nos dferenes nervalos de empo. Fgura 1 Freqüêncas das dferenes varações na carera Fone: Elaboração própra
4 Value-a-Rsk 28 A mplemenação já não é ão smples quano o conceo, pos exsem váras maneras de ober os valores alernavos para a carera para calcular a varação de preço. São rês os méodos mas usados para cálculo, smulação de one Carlo, modelos paramércos e smulação hsórca. Esses modelos serão resumdamene explcados abaxo. É mporane ressalar ncalmene que os dos prmeros méodos, one Carlo e méodos paramércos, são baseados em algumas suposções. Ambos supõem explcamene que os faores de rsco seguem uma dsrbução normal e, os reornos dos faores de rsco um modelo de dsrbução normal mulvarado. Para a compreensão da aplcação desses modelos, porano, são necessáros alguns conhecmenos a respeo dessas dsrbuções. Algumas explcações nesse conexo serão dadas ao longo da descrção dos méodos em quesão odelos Baseados em Premssas de Dsrbuções Smulação de one Carlo Incalmene, será descro o modelo de one Carlo. Para ncar esa mplemenação, deve-se consderar que o processo de geração dos reornos para cada faor de rsco pode ser escro aravés de um ovmeno Geomérco Brownano dado por: dp ( ) ( ) P = µ d +σdw ( ), = 1,..., n (1) Sendo n o número de faores de rsco, P o nível do faor de rsco no empo, µ o drf e σ a volaldade. No caso da Smulação de one Carlo, para que seja possível compreender o processo de geração de cenáros, a eq. (1) deve ser reescra com os ermos ncremenos ndependenes d W ~ ( ). Desa manera: dp ( ) ( ) P = µ d + n j= 1 c j dw ~ ( ), = 1,..., n (2)
5 Value-a-Rsk 29 A equação (2) pode ser reescra na forma veoral para faclar a vsualzação e nução dos coefcenes c j. Isso é possível uma vez que o processo para se chegar a esa equação é semelhane à écnca de Análse de Componenes Prncpas, onde escrevemos um grupo de varáves correlaconadas como uma combnação lnear de varáves ndependenes. Porano, em-se: dp P onde = µ d dp : P + C = ~ d W dp P ( ) ( ), ( = 1, 2,..., Dessa forma, o veor de reorno para qualquer faor de rsco do empo aé o empo pode ser escro como: r 1 2 = ( µ )( ) + C 2, σ Onde: z n ) r, é o veor de reornos do empo ao empo, (3) (4) 2 σ é um veor n x 1 que é gual à dagonal da marz de covarâncas dos reornos, e z ~ NV (0,I). Buscando esmar µ, percebe-se que, quando se ulza horzones curos, assumr o valor zero para o reorno esperado pode ser ão bom quano qualquer esmava de méda que podera ser usada. Porano, pode-se assumr um reorno esperado gual a zero, ou, de forma equvalene, é possível consderar que µ = 1/2σ. Dessa forma, a eq. (4) pode ser reduzda a: r, = C z (5) É possível provar que os reornos de um da ( - = 1) a parr da eq. (5) seguem uma dsrbução normal mulvarada de méda zero e marz de covarânca. A parr desse resulado, verfca-se que a eq. (5) é equvalene à equação:, = σε (6) r Dessa forma, obém-se a duas equações que podem ser usadas para a geração de cenáros de reorno a parr de varáves ndependenes e normalmene dsrbuídas. Se houver apenas um faor de rsco, por exemplo, podemos ulzar a eq. (6). Já para casos em que é desejado consderar múlplos faores de rscos, a eq. (5) orna-se a mas aproprada. Para ulzá-la, é necessáro ncalmene enconrar
6 Value-a-Rsk 30 a marz C de forma que = C C e gerar n varáves ndependenes e normalmene dsrbuídas que serão represenadas no veor coluna z. Uma vez produzdos os cenáros de reorno para faores de rsco, precsa-se raduzr esses reornos em cenáros de lucros ou perdas para os nsrumenos que serão obdos. De forma geral, se exsrem nsrumenos, onde o valor presene de cada um deles é uma função de n faores de rsco Vj(P) com j = 1,..., e P = (P (1), P (2),..., P (n) ), é possível ober um cenáro de perdas e lucros (P&L) de um da para ese porfólo segundo os cnco passos abaxo descros: 1. Gerar um conjuno z de varáves normas ndependenemene dsrbuídas. 2. ransformar as varáves obdas em um conjuno de reornos r = r (1), r (2),..., r (n) correspondendo a cada faor de rsco aravés da marz C, ou seja, r = C z. 3. Ober o preço para cada faor de rsco de um da a parr de hoje usando a fórmula: P 1 =P 0 e r 4. Ober o preço de cada nsrumeno usando os preços P 0 e P 1 anerormene calculados. 5. Ober P&L para o porfólo como: ( Vj ( P1) Vj( Po) O procedmeno é o mesmo para cenáros de das, porém, nese caso, a fórmula orna-se: j P r = Po e (7) Algumas écncas não descras nesse capíulo são necessáras para realzação de odos os cálculos descros acma com o objevo de enconrar o cenáro de perdas e lucros do porfólo. Prmeramene, emos a necessdade de enconrar uma marz C que sasfaça a condção = C C. É mporane ressalar que a escolha da marz C não é únca, exsem dferenes méodos de decomposção da marz de covarâncas, sendo um dos mas populares a decomposção de Cholesky. Ese méodo será dealhado mas a frene, de forma a exemplfcar uma escolha adequada da marz C. Oura écnca mporane e necessára para a aplcação dese méodo de smulação de cenáros aleaóros é a geração de varáves ndependenes e dencamene dsrbuídas em uma normal. O prmero passo para a geração de
7 Value-a-Rsk 31 varáves aleaóras normalmene dsrbuídas consse em gerar números aleaóros unformemene dsrbuídos, com valores enre zero e um e gual probabldade. Em seguda, aplca-se uma ransformação para ober números normalmene dsrbuídos a parr dos valores enconrados. Város algormos compuaconas com o objevo de gerar números aleaóros êm sdo esudados. as adane, um méodo de geração de números aleaóros normalmene dsrbuídos será mas dealhado a fm de se faclar a ulzação dese na aplcação do modelo de smulação de one Carlo na geração de cenáros aleaóros. as adane serão ambém dealhados méodos de se calcular váras meddas de rsco a parr do cenáro P&L gerado éodo Paramérco O modelo de one Carlo descro no em aneror, apesar de apresenar grande flexbldade, por consderar poucas hpóeses, pode se ornar alamene complexo compuaconalmene. Se for possível sacrfcar alguma precsão dos dados, caberá ulzar modelos que fazem uso de mas suposções e, consequenemene, reduzem o empo compuaconal. Nese conexo, surgem os modelos paramércos. Eses são bem mas rápdos que o méodo de one Carlo, porém, não são ão precsos. Eles buscam represenar a função de preço para cada nsrumeno como uma combnação lnear dos faores de rsco, de forma a ober fórmulas analícas para V@R e ouras esaíscas de rsco. Sua precsão fca, porano, compromeda, a menos que a função de preço possa ser bem aproxmada por uma função lnear dos faores de rsco. Nese rabalho, dar-se-á foco ao méodo paramérco Dela, que será descro em dealhes a segur. Incalmene, é assumdo que se enconra em uma posção dependene de n faores de rsco represenados por P (1), P (2),...P (n). Para calcular V@R, deve-se aproxmar o valor presene V da posção assumda usando uma expansão de prmera ordem da sére de aylor, como mosrado na equação abaxo: n V ( ) V ( P + P) V ( P) + P ( ) = 1 P (8)
8 Value-a-Rsk 32 Com base na eq. (8), é possível ober uma expressão smples para P&L, represenada por uma combnação lnear dos faores de rsco de reorno: V = V V n ( ) ( ) ( P + P) V ( P) δr, ondeδ = P ( ) = 1 P A expressão ambém pode ser apresenada na forma marcal, como se segue: V δ r (10) O veor δ é composo dos delas equvalenes para a posção, que podem ser nerpreados como a sensbldade de mudança no valor presene (V) em função de alerações em cada um dos faores de rsco. Os reornos apresenados na equação (r) são na verdade reornos percenuas ( r = P ). É mporane aqu P ressalar que ese modelo é baseado na suposção de que os reornos logarímcos são normalmene dsrbuídos, de forma que os delas equvalenes apresenam boas propredades de agregação. Desa forma, supondo um porfólo conssndo de posções, em-se para P&L: P & L = V j δ j j j r = δ porfólo (9) r (11) Com base nessa expressão, é possível conclur que os delas equvalenes para o porfólo oal pode ser calculado aravés do cálculo prelmnar dos delas equvalenes ndependenemene de cada posção e poseror agregação deses. Consegue-se verfcar anda que, uma vez que os reornos dos faores de rsco são normalmene dsrbuídos, P&L segue ambém uma dsrbução normal, com méda zero e varânca δ δ. Sabe-se que uma dsrbução normal é oalmene descra por sua meda e varânca, logo o fao de P&L segur uma dsrbução normal apresenará fores mplcações para o cálculo das meddas de rsco, as como: V@R, V@R margnal, V@R ncremenal, enre ouros. Um exemplo pode ser cado para o cálculo do V@R, que, sob as suposções do modelo paramérco, será gual a um múlplo do desvo padrão de P&L, uma vez que percens de uma dsrbução normal pode ser expressados por múlplos do desvo padrão.
9 Value-a-Rsk odelos Baseados em Dsrbuções Empírcas Smulação Hsórca Além dos modelos para dsrbução de reornos descros anerormene, é possível ulzar frequêncas hsórcas dos reornos de forma a ober uma dsrbução empírca para os reornos de faores de rsco. Uma vanagem desse méodo em relação aos demas é que nenhuma suposção de dsrbução específca precsa ser fea e nenhum parâmero precsa ser esmado. Por ouro lado, há a desvanagem de que o período seleconado pode não ser represenavo para resulados fuuros em um prazo mas longo. Conforme descro anerormene, os méodos de smulação de one Carlo e paramérco são baseados na suposção de que os reornos seguem uma dsrbução normal. Enreano, essa aproxmação já fo muas vezes quesonada e a busca por ouras dsrbuções alernavas mosrou-se, aé o momeno, ncapaz de enconrar uma aproxmação padrão adequada para odos os casos e períodos de valoração da carera de valores. O modelo de smulação hsórca surge, porano, como alernava na qual uma dsrbução hsórca é esabelecda a parr de amosras do empo passado e aplcada aos dados auas para se ober cenáros de preço de faores de rsco que serão, poserormene, ulzados na obenção de cenáros de P&L para o porfólo. Noa-se que ese méodo ncorpora nformações sobre reornos exremos (não represenados em uma dsrbução normal) que esejam ncluídos no período ulzado para recolher as amosras. Segue abaxo o dealhameno do procedmeno a ser realzado para aplcação do méodo. Supondo-se n faores de rsco e um banco de dados conendo m reornos dáros. Defne-se a marz m x n de reornos hsórcos como: ( 1) r ( r 1 r m 1) ( 1) (2) r L L L r L r L r ( n) ( n) 1 ( n m ) (12) Ulzando-se as enradas desa marz, pode-se calcular o cenáro de perdas e lucros (P&L) de um porfólo específco de manera bem semelhane ao
10 Value-a-Rsk 34 realzado para o modelo de one Carlo, com a únca dferença da dsrbução ulzada em cada caso. Para um porfólo consuído de nsrumenos de valor presene gual a uma função dos n faores de rsco V j (P) com j = 1,..., e P = (P (1), P (2),..., P (n) ), é possível calcular o cenáro de perdas e lucros para das como se segue: 1. Consdera-se uma coluna r da marz R correspondene a um cenáro de reornos para cada faor de rsco. 2. Obém-se o preço de cada faor de rsco de das, aravés da fórmula: P r = Po e (13) 3. Calcula-se o preço de cada nsrumeno ulzando-se o valor aual P 0 e o valor para das, P. 4. Obém-se P&L para o porfólo como: j ( 1 Vj ( P ) Vj( Po) Descro o méodo de Smulação hsórca, fnalza-se a apresenação dos rês prncpas modelos de smulação ulzados para a obenção de cenáros de perdas e lucros (P&L). Uma vez obdos os cenáros, alguns procedmenos devem anda ser realzados para chegar-se ao objevo fnal de se ober meddas esaíscas do rsco assocado à carera. Esses procedmenos serão descros a segur, com a devda dferencação para méodos de smulação (one Carlo e hsórco) e o méodo paramérco. (14) 2.3. Análse Esaísca para o Cálculo do V@R Conforme do anerormene, uma medda de mensuração e conrole dos rscos de mercado basane ulzada é o Value-a-Rsk (V@R), defnda como o valor máxmo que pode ser perddo, com um cero nível de confança, em um dado horzone de empo. A parr dos cenáros gerados de acordo com os méodos de smulação e paramérco, o cálculo de V@R orna-se bem smples e será dealhado a segur:
11 Value-a-Rsk Ulzando-se modelos de smulação Com base nos cenáros P&L gerados a parr da smulação pode-se calcular valores de V@R aravés de procedmenos smples. De modo geral, se m cenáros P&L foram gerados, e deseja-se calcular V@R para um nível de confança α, deve-se ordenar os m cenáros em ordem decrescene V (1), V (2),..., V (m) de forma que o V@R pode ser enconrado pelo valor correspondene a - V (k), onde k = mα. Supondo-se, por exemplo, que foram gerados cenáros P&L e que se deseja calcular V@R 95%, V@R sera defndo como o quno percenl de perdas, de forma que, de manera smplfcada, ese podera ser calculado como o 50 por cenáro de perdas. É mporane noar que a apresenação de V@R como um valor únco, dá déa de um número ao qual o valor real devera se aproxmar, mas essa smples esmava não dá déa da proxmdade ou do afasameno do valor real, ou melhor, da precsão do resulado. Com a ulzação de dos grupos de cenáros aleaóros, por exemplo, um obdo a parr da smulação de one Carlo e ouro a parr da smulação hsórca, provavelmene seram obdos valores dferenes e não sera possível deermnar qual deles é o mas confável. Dane dsso, surge a alernava de se especfcar a precsão do valor enconrado aravés do cálculo de nervalos de confança. Esses nervalos podem ser ulzados para se deermnar o número deal de smulações a serem rodadas de acordo com o nível de precsão desejado, uma vez que exse aí um radeoff enre precsão e empo compuaconal. Quano maor o número de smulações, maor será a exensão do nervalo a ser enconrado de acordo com o procedmeno descro a segur: Pode-se enconrar os lmes superor (s) e nferor (r) de um nervalo de confança (1-p), aravés da expressão: r = mα + mα (15) onde ( 1 α) z p, e s = mα mα (1 α) z p 2 2 z p é o valor correspondene ao percenl para a normal padrão. 2 O cálculo desse nervalo fornece uma déa do erro ao qual a esmava enconrada esá sujea e pode ndcar a necessdade de se amplar o número de smulações efeuadas a fm de se reduzr ese.
12 Value-a-Rsk Ulzando-se o méodo paramérco Para calcular-se V@R a parr da aproxmação paramérca, é mporane ressalar que, uma vez que V@R é um percenual da dsrbução de P&L e percens de uma dsrbução normal são sempre múlplos do desvo padrão, o valor a ser enconrado para V@R será sempre um múlplo do desvo padrão da dsrbução obda para P&L aravés do méodo paramérco. Dessa forma, lembrando que, de acordo com o modelo paramérco, P&L segue uma dsrbução normal, com méda zero e varânca parr da fórmula: VaR = z α δ δ δ δ, obém-se V@R (1-α)% a (16) Onde z esá assocado ao percenl α e deve ser rerado da abela normal padrão a parr da ransformação da dsrbução de P&L V@R margnal Defne-se V@R margnal de uma posção em relação a um porfólo como a quandade de rsco que esa posção acrescena ao porfólo, ou seja, esa medda nforma como o V@R de um porfólo se alerara se uma posção específca fosse vendda. Em ermos maemácos, V@R margnal pode ser defndo como a dferença enre V@R do porfólo oal e o V@R enconrado para o porfólo sem a posção em quesão. Noa-se, porano, que V@R margnal dependerá da correlação exsene enre a posção específca e o reso do porfólo do qual esa faz pare Cálculo para méodo paramérco Aravés do méodo paramérco e com base no que fo do a respeo da defnção de V@R margnal, pode-se ober um valor para ese como se segue: 2 2 VaR( P) VaR( P p) = VaR ( P p) + VaR ( p) + 2ρVaR( P p) VaR( p) VaR( P p) 1 2 = VaR( p) ( ξ + 2ρξ + 1 1) ξ (17)
13 Value-a-Rsk 37 Onde, ρ é a correlação enre a posção p e o reso do porfólo P p, e ξ = V@R (p) /V@R (P-p). É neressane noar que V@R margnal é uma função crescene da correlação enre a posção e o porfólo. Dessa forma, V@R margnal posvo ndca que esa correlação é posva, enquano V@R margnal negavo ndca correlação negava. Além dsso, podemos verfcar que, quando V@R da posção é muo menor que o V@R de odo o porfólo, V@R margnal será aproxmadamene gual a zero. Em algumas análses, pode ser necessáro verfcar V@R margnal para um grupo de posções em relação a odo o porfólo. Isso pode ser feo da mesma manera que a descra acma para uma únca posção V@R ncremenal Assm como o V@R margnal, V@R ncremenal é ambém uma medda de varação do V@R de um porfólo em vrude de alguma aleração realzada na composção dese. Enreano, enquano V@R margnal pode ser calculado para vendas ou compras de uma posção nera ou de um conjuno delas, V@R ncremenal perme esmar o efeo poencal da venda ou compra de apenas uma porção de uma posção. É mporane esabelecer uma defnção mas precsa de IV@R para faclar a explcação do seu cálculo. Sendo ω a quana de dnhero nvesda no nsrumeno, o V@R ncremenal do nsrumeno pode ser defndo como: IVaR = VaR ω ω (18) Cálculo pelo méodo paramérco Recordando-se as suposções e os parâmeros calculados para formação de cenáros aravés do méodo paramérco, sabe-se que o amanho de uma posção é gual ao dela equvalene correspondene à mesma. Dessa forma, é possível calcular V@R para o porfólo conforme apresenado anerormene, como: VaR = z α δ δ (19)
14 Value-a-Rsk 38 O calculo do IV@R, porano, será dado a parr da subsução da eq. (19) na eq. (18), como se segue: VaR IVaR = ω ω ω ω ω Σ = zα ω = ω Logo : IVaR zα ω j ω Σω j = ω, onde : = j zα. ω Σω (20) É mporane noar que represena a sensbldade do porfólo a alerações em cada um dos faores de rsco Cálculo para méodos de smulação O méodo paramérco é bem adequado para se calcular IV@R para suações em que as posções são lneares. Quando as posções não são exaamene lneares, orna-se aproprado ulzar um méodo de smulação no cálculo de IV@R. Para a compreensão do cálculo de IV@R que será apresenado a segur, é mporane noar algumas observações no cálculo de V@R para modelos de smulação. Supondo que foram esabelecdos 1000 cenáros, como do anerormene, V@R 95% será o valor correspondene ao 50 por cenáro. Noase que, ao se alerar P&L em pequenas proporções, aravés da rerada de pare de uma posção, os cenáros obdos connuarão ordenados na mesma seqüênca, de forma que o mesmo cenáro orgnal será anda o 50 por cenáro, mas agora com um valor de P&L um pouco alerado. Logo, conclu-se que, a dferença no valor de V@R em função de uma pequena aleração no amanho (h) de uma posção será V@R=h x, onde x é o P&L para o cenáro que represenava V@R anes da aleração na posção. Desa forma, pode-se assumr que V@R esá relaconado apenas ao cenáro em análse e, em-se: VaR ω ω = ω x = lm h 0 hx ω h (21)
15 Value-a-Rsk 39 Cabe ressalar que, uma vez que, em geral, é realzado em mas de um cenáro, é necessáro calcular a méda de odos os cenáros que possuem valor de porfólo gual a V@R. Dane deses faores e a parr da eq. (20), é possível conclur que: [ ω x / x VaR] IVaR = E ω = A nerpreação desa fórmula perme afrmar que IV@R do nsrumeno é o valor esperado de P&L de, dado que P&L do porfólo oal é o valor de V@R. (22) 2.4. Aplcação das dferenes meodologas Uma vez apresenados rês modelos dsnos de obenção de cenáros de P&L (one Carlo, Smulação hsórca e méodo paramérco), assm como os respecvos procedmenos de cálculo de meddas de rsco como V@R, V@R margnal e IV@R, orna-se relevane mosrar adversdades de suações que podem levar à ndcação de ulzação de uma meodologa em dermeno de oura. Cada uma das meodologas apresenadas possu forças e fraquezas e nenhuma delas pode ser da melhor para odas as suações que podem aparecer, porano, é mporane saber analsar para cada suação qual dessas meodologas é a mas aproprada. Nese conexo, a prncpo, é relevane dealhar a dferença enre nsrumenos lneares e não lneares. Quando o preço de um nsrumeno muda desproporconalmene em relação a um avo adjacene, ele é do não lnear. As esmavas de preços desses nsrumenos são mas complexas que as de nsrumenos lneares, ornando-se necessára a ulzação de fórmulas como Black-Scholes em dermeno de fórmulas smples, de prmera ordem, como dela. Uma vez defndos nsrumenos lneares e não lneares cabe acrescenar que, enquano os méodos de smulação (one Carlo e hsórca) são aproprados para qualquer po de nsrumeno, lneares ou não, o méodo paramérco é precso apenas para avos radconas e dervavos lneares. O preço pago pela maor precsão dos méodos de smulação é o aumeno da complexdade e empo compuaconal.
16 Value-a-Rsk 40 É mporane ressalar que odos as rês meodologas para esmar em alguma vanagem a oferecer e elas podem ser ulzadas de forma conjuna, de forma a oferecer maor robusez à esmava de V@R. Pode-se por exemplo, ulzar o méodo paramérco, que em aplcação smples e rápda, para a medção nsanânea de rsco durane um da de negocação e, poserormene, ao fm do da, se realzar uma esmava com base nos modelos de smulação para se ober valores mas precsos e confáves.
5 Avaliação da Eficiência Computacional
5 Avalação da fcênca Compuaconal 5.1 Inrodução É desejado ncorporar o cálculo dos índces de adequação de ações de conrole de ensão ao programa SAN. O programa SAN esá sendo mplemenado com a esruura aual
Leia mais5 Apreçamento de ESOs com preço de exercício fixo
5 Apreçameno de ESOs com preço de exercíco fxo Ese capíulo rá explorar os prncpas modelos de apreçameno das ESOs ulzados hoje em da. Neses modelos a regra de decsão é esruurada em orno da maxmzação do
Leia maisPCA e IMPCA. Capítulo. 5.1 Considerações Iniciais
Capíulo 5 PCA e IMPCA 5. Consderações Incas A análse de componenes prncpas (PCA) [URK, M. A. & PENLAND, A. P. (99)] é uma ransformação lnear orogonal de um espaço q-dmensonal para um espaço n-dmensonal,
Leia maisNota Técnica sobre a Circular nº 2.972, de 23 de março de 2000
Noa Técnca sobre a rcular nº 2.972, de 23 de março de 2000 Meodologa ulzada no processo de apuração do valor da volaldade padrão e do mulplcador para o da, dvulgados daramene pelo Banco enral do Brasl.
Leia maisNeo-fisherianos e teoria fiscal do nível de preços
Anono Lcha 4/março/07 Neo-fsheranos e eora fscal do nível de preços O objevo desas noas é desacar os prncpas elemenos da abordagem neofsherana e da eora fscal do nível de preços. Desacamos 4 pequenos modelos
Leia maisSolução numérica de equações diferenciais ordinárias. Problema de valor inicial (PVI)
Solução numérca de equações derencas ordnáras Problema de valor ncal PVI 4 5 Inrodução 4 5 Uma equação derencal ordnára é denda como uma equação que envolve uma unção ncógna e algumas das suas dervadas
Leia mais5 Avaliação do Título Conversível pelo Método de Diferenças Finitas Implícito (DFI)
5 Avalação do Tíulo Conversível pelo Méodo de Dferenças Fnas Implíco (DFI) 5. Meodologa - Premssas Ese modelo desenvolvdo para apreçameno do LYON faz uso da eora de opções desenvolvda por Black and Scholes
Leia maisPROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU
1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em
Leia maisTratamento de Dados 2º Semestre 2005/2006 Tópicos de Resolução do Trabalho 2 = 12
Traaeno de Dados º Seesre 5/6 Tópcos de Resolução do Trabalho Quesão a Para agrupar os dados e classes ora consderados os valores das rendas aé 5. ua vez que a parr dese valor os dados se enconra basane
Leia mais2. FUNDAMENTOS DE CORRENTE ALTERNADA
Fundamenos de CA 14. FUNDAENTOS DE CORRENTE ALTERNADA Aé o momeno nos preocupamos somene com ensões e correnes conínuas, ou seja, aquelas que possuem módulo e sendo consanes no empo, conforme exemplos
Leia maisAGG-232 SÍSMICA I 2011 SÍSMICA DE REFLEXÃO ANÁLISE DE VELOCIDADES
AGG-3 SÍSMICA I 0 SÍSMICA DE REFLEXÃO AÁLISE DE ELOCIDADES O objevo da análse de velocdades é deermnar as velocdades sísmcas das camadas geológcas em subsuperfíce. As velocdades sísmcas são ulzadas em
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Processameno de Snas em Arranjos Técncas de processameno consderando snas provenenes de um grupo de sensores espacalmene dsrbuídos. Poencal para melhorar SNR/ Cancelameno de
Leia maisCAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n
1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..
Leia maisCIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013. Padrão. Padrão. max i. I - F = fator estabelecido no art. 4º da Resolução nº 4.
CIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013 Esabelece os procedmenos para o cálculo da parcela dos avos ponderados pelo rsco (RWA) referene às exposções sueas à varação de axas de uros prefxadas denomnadas
Leia maisCAPÍTULO 2 PLANEJAMENTO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIVO DE ENERGIA ELÉTRICA
CAPÍTULO 2 PLANEJAMEO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIO DE ENERIA ELÉTRICA 2. IRODUÇÃO Ese capíulo apresena um resumo dos prncpas conceos relaconados ao planeameno da operação
Leia mais5 Sistemas Lineares com Coecientes Periódicos
5 Ssemas Lneares com Coecenes Peródcos Ese capíulo raa de forma suscna do esudo da esabldade de soluções peródcas de ssemas dnâmcos não-lneares. Segundo Rand [83], a eora de Floque é a eora mas geral que
Leia maisCAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton
9 CPÍTUL 4 DINÂMIC D PRTÍCUL: IMPULS E QUNTIDDE DE MVIMENT Nese capíulo será analsada a le de Newon na forma de negral no domíno do empo, aplcada ao momeno de parículas. Defne-se o conceo de mpulso e quandade
Leia maisMECÂNICA CLÁSSICA. AULA N o 3. Lagrangeano Princípio da Mínima Ação Exemplos
MECÂNICA CÁSSICA AUA N o 3 agrangeano Prncípo da Mínma Ação Exemplos Todas as les da Físca êm uma esruura em comum: as les de uma parícula em movmeno sob a ação da gravdade, o movmeno dado pela equação
Leia maisInserção de Variáveis Ambientais no Planejamento da Operação de Sistemas Hidrotérmicos
Inserção de Varáves Ambenas no Planejameno da Operação de Ssemas Hdroérmcos VALLE, Ana Cláuda Marques, Escola de Engenhara Elérca e de Compuação, UFG, douoranda em Cencas Ambenas, PRPPG, UFG AGUIAR, Mara
Leia maisMódulo 2: Métodos Numéricos. (problemas de valores iniciais e problemas de condições-fronteira)
Módulo : Méodos Numércos Equações dferencas ordnáras problemas de valores ncas e problemas de condções-fronera Modelação Compuaconal de Maeras -5. Equações dferencas ordnáras - Inrodução Uma equação algébrca
Leia maisAnálise de Projectos ESAPL / IPVC
Análse de Proecos ESAPL / IPV Tempo, apal, Juro e Taxa de Juro Juros Smples e Juros omposos apalzação e Facor de apalzação Descono e Facor de Acualzação As aplcações do rendmeno onsumo Não Geram Rendmenos
Leia maisAprendizagem Estatística de Dados. Francisco Carvalho
Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p
Leia mais2 Programação Matemática Princípios Básicos
Programação Maemáca Prncípos Báscos. Consderações Geras Os objevos dese capíulo são apresenar os conceos de Programação Maemáca (PM) necessáros à compreensão do processo de omzação de dmensões e descrever
Leia mais3 Análise de Demanda Condicionada
3 Análse de Demanda Condconada 3.1 Inrodução A análse Condconada da Demanda é uma écnca que quebra o consumo resdencal em pares, cada uma assocada a um uso fnal ou a um deermnado equpameno em parcular.
Leia mais3 Modelos de Apreçamento de Opções
3 Modelos de Apreçameno de Opções Preços de fuuros na Bolsa de Valores, na práca, são defndos de forma lvre na BM&FBOVESPA a parr das relações apresenadas enre ofera e demanda. Para que a formação de as
Leia maisCIRCULAR Nº 3.568, DE 21 DE DEZEMBRO DE 2011
CAPÍTULO : Crculares não Codfcadas 2 CIRCULAR Nº 3.568, DE 2 DE DEZEMBRO DE 20 Alera dsposvos das Crculares ns. 3.36, de 2 de seembro de 2007, 3.388, de 4 de unho de 2008, 3.389, de 25 de unho de 2008,
Leia maisDíodo: Regime Dinâmico
Díodo: eme Dnâmco (exo apoo ao laboraóro) Inrodução Quando se esabelece m crcuo uma ensão ou correne varáves no empo o pono de funconameno em repouso do díodo ambém va varar no empo. A frequênca e amplude
Leia maisControle Cinemático de Robôs Manipuladores
Conrole Cnemáco de Robôs Manpuladores Funconameno Básco pos de rajeóra rajeóras Pono a Pono rajeóras Coordenadas ou Isócronas rajeóras Conínuas Geração de rajeóras Caresanas Inerpolação de rajeóras Inerpoladores
Leia maisParte III. Objetivo: estudar o deslocamento de um corpo quando esta rolando
Pare Objevo: esudar o deslocameno de um corpo quando esa rolando 1 Coneúdo programáco: 6. Movmeno de Roação Varáves da roação, Relação enre Cnemáca Lnear e Cnemáca Angular, Energa cnéca de roação, nérca
Leia mais5.1 O Processo TAR. é definida como um processo limiar auto-regressivo com h. regimes se puder ser representada por (5) ). Os termos ,...
5 O Modelo Não-Lnear Como vso no capíulo aneror, há espaço para uma análse mas profunda da função de reação do Banco Cenral do Brasl. Auores como Clarda, Gal e Gerler (2000) e Cogley e Sargen (2001) examnam
Leia maisExperiência IV (aulas 06 e 07) Queda livre
Experênca IV (aulas 06 e 07) Queda lvre 1. Obevos. Inrodução 3. Procedmeno expermenal 4. Análse de dados 5. Quesões 6. Referêncas 1. Obevos Nesa experênca esudaremos o movmeno da queda de um corpo, comparando
Leia maisOlinda - Pernambuco - Brasil. Gestão da Previsão de Consumo e Energia Não Faturada. Glauber Renato Colnago Rodolfo Miyasaki Edson Amaral
XVIII Semnáro Naconal de Dsrbução de Energa Elérca SENDI 008-06 a 10 de ouubro Olnda - Pernambuco - Brasl Gesão da Prevsão de Consumo e Energa Não Faurada Carlos Albero Fróes Lma Marley Apolnáro Sarava
Leia mais3.2 Processo de Wiener
3. Proceo de Wener Proceo de Wener, ou Movmeno Brownano, é um po parcular de Proceo de Markov, muo ulzado na fíca para decrever o movmeno de uma parícula que eá ujea a um grande número de pequeno choque
Leia maisMECÂNICA CLÁSSICA. AULA N o 4. Carga de Noether- Simetrias e Conservação
MECÂNIC CLÁSSIC UL N o 4 Carga de Noeher- Smeras e Conservação Vamos ver o caso de uma parícula movendo-se no plano, porém descrevendo-a agora em coordenadas polares: r r d dr T T m dr m d r d d m r m
Leia mais5 Programação Matemática Princípios Básicos
5 Programação Maemáca Prncípos Báscos 5. Consderações Geras Ese capíulo em por objevo apresenar os conceos báscos de Programação Maemáca (PM), necessáros à compreensão do processo de omzação de dmensões,
Leia mais3 Dados e Modelo Econométrico 3.1. A amostra de funcionários públicos
3 Dados e Modelo Economérco 3.1. A amosra de funconáros públcos Os dados usados nese esudo êm como fone a Pesqusa Naconal de Amosra por Domcílo (PNAD, uma pesqusa domclar realzada anualmene no Brasl pelo
Leia mais5 Modelo de Previsão de Temperatura
5 Modelo de Prevsão de Temperaura 5. Prevsão de Clma As varações do clma nfluencam os preços das commodes pela nfluênca na demanda. Todava, a correlação enre eses preços e o parâmero de clma não são perfeos,
Leia maisModelo de Precificação de Capital: Segmento de Commodities Agrícola
Modelo de Precfcação de Capal: Segmeno de Commodes Agrícola Capal Asse Prcng Model: Secor of Agrculural Commodes Táco Auguso Faras 1 Luz Eduardo Nascmeno Fgueredo Fábo Rodrgues Moura 3 Resumo: O objevo
Leia maisCAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS
Economera Semesre 200.0 40 CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS OBJETIVOS Consderar modelos em que uma ou mas varáves explcavas são varáves nomnas (ambém chamadas de ndcadores, varáves
Leia mais2 O Modelo Teórico O Modelo Básico
O Modelo Teórco Nese capíulo serão apresenadas as dversas hpóeses e as abordagens eórcas a serem esudadas nese rabalho. Prmeramene, será apresenado o modelo básco, que supõe separabldade neremporal. m
Leia maisProjeto de Inversores e Conversores CC-CC
eparameno de Engenhara Elérca Aula. onversor Buck Prof. João Amérco lela Bblografa BAB, vo. & MANS enzar ruz. onversores - Báscos Não-solados. ª edção, UFS,. MOHAN Ned; UNEAN ore M.; OBBNS Wllam P. Power
Leia mais3. Modelos de Otimização no Contexto do Planejamento do Despacho Hidrotérmico
. Modelos de Omzação no Coneo do Planeameno do Despacho Hdroérmco Embora o foco desa Tese esea no desenvolvmeno de um modelo probablísco alernavo para a geração de árvores de cenáros ulzadas em modelos
Leia maisANEXO III. Nota Técnica nº 148/2010-SRE/ANEEL Brasília, 24 de maio de 2010.
ANEXO III Noa Técnca nº 148/21-SRE/ANEEL Brasíla, 24 de mao de 21. M E T O D O L O G I A E Á L U L O D O F A T O R X ANEXO II Noa Técnca n o 148/21 SRE/ANEEL Em 24 de mao de 21. Processo nº 485.269/26-61
Leia maisAnálise da Confiabilidade de Componentes Não Reparáveis
Análse da onfabldade de omponenes Não Reparáves. omponenes versus Ssemas! Ssema é um conjuno de dos ou mas componenes nerconecados para a realzação de uma ou mas funções! A dsnção enre ssema, sub-ssema
Leia maisMatemática dos índices Metodologia
Maemáca dos índces Meodologa Abrl 2017 Ese documeno fo raduzdo para o poruguês apenas para fns de convenênca. Se exsrem dferenças enre as versões do documeno em nglês e poruguês, a versão em nglês prevalecerá.
Leia maisCIRCUITOS ELÉTRICOS EXERCÍCIOS ) Para o circuito da figura, determinar a tensão de saída V out, utilizando a linearidade.
FISP CIRCUITOS ELÉTRICOS EXERCÍCIOS RESOLVIDOS 00 CIRCUITOS ELÉTRICOS EXERCÍCIOS 00 Para o crcuo da fgura, deermnar a ensão de saída V ou, ulzando a lneardade. Assumremos que a ensão de saída seja V ou
Leia maisDANIELE DA ROCHA FONSECA
DANIELE DA ROCHA FONSECA UM NOVO MECANISMO PARA A TRANSFORMAÇÃO DE RESULTADOS PROVENIENTES DE TESTES DE VIDA ACELERADO PARA RESULTADOS ESTIMADOS EM UMA CONDIÇÃO NORMAL DE USO ATRAVÉS DA UTILIZAÇÃO DA LEI
Leia maistmax tmin tmax A seguir, com base nas equações apresentadas, uma nova abordagem para o cálculo do ponto de pedido será formulada.
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 003, Naal-RN PONTO DE PEDIDO BASEADO EM PREVISÕES Eduardo Saggoro Garca Unversdade Federal do Ro de Janero UFRJ edsg@ufr.br Vrgílo José
Leia maisCapítulo 1 Introdução
Capíulo Inrodução No mercado braslero de prevdênca complemenar abera e de seguro, regulado e fscalzado pela Supernendênca de Seguros Prvados SUSEP, os planos de prevdênca e de seguro de vda que possuam
Leia maisModelos estocásticos com heterocedasticidade para séries temporais em finanças
SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP Daa de Depóso: 8..5 Assnaura: Modelos esocáscos com eerocedascdade para séres emporas em fnanças Sandra Crsna de Olvera Orenador: Prof. Dr. Marno Gomes de Andrade Flo
Leia mais2 Sistemas de Reconhecimento de Voz
2 Ssemas de Reconhecmeno de Voz O desenvolvmeno de nerfaces homem-máquna conroladas pela voz vsa subsur, em ceras aplcações, as nerfaces radconas as como eclados, panés e dsposvos smlares. Nese cenáro
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina:
Deparameno de Informáca Dscplna: Modelagem Analíca do Desempenho de Ssemas de Compuação Fluxos de Enrada Fluxos de Saída Le de Lle Faor de Ulzação rof. Sérgo Colcher colcher@nf.puc-ro.br rocesso de Chegada
Leia maisMODELO DE PRECIFICAÇÃO DE ATIVOS DE CAPITAL: UM ESTUDO DE CASO NO SETOR DE FRIGORÍFICOS
MODELO DE PRECIFICAÇÃO DE ATIVOS DE CAPITAL: UM ESTUDO DE CASO NO SETOR DE FRIGORÍFICOS CAPITAL ASSET PRICING MODEL: A CASE STUDY ON MEAT SECTOR RESUMO Táco Auguso Faras 1 Luz Eduardo Nascmeno Fgueredo
Leia maisANÁLISE DO CUSTO DE CAPITAL PRÓPRIO NO BRASIL POR MEIO DOS MODELOS CAPM NÃO-CONDICIONAL E CAPM CONDICIONAL
ANÁLISE DO CUSTO DE CAPITAL PRÓPRIO NO BRASIL POR EIO DOS ODELOS CAP NÃO-CONDICIONAL E CAP CONDICIONAL (Cos of equy analyss n Brazl: Non-Condonal CAP and Condonal CAP) Lumla Souza Grol 1 1 Unversdade Federal
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas O MODELO DE PRECIFICAÇÃO DE ARBITRAGEM NO CONTEXTO DOS FUNDOS DE INVESTIMENTO BRASILEIROS
Sana Mara/RS 23 e 24 de Seembro de 2013 Exo Temáco: Esraéga e Inernaconalzação de Empresas O MODELO DE PRECIFICAÇÃO DE ARBITRAGEM NO CONTEXTO DOS FUNDOS DE INVESTIMENTO BRASILEIROS THE ARBITRAGE PRICING
Leia maisO MODELO DE PRECIFICAÇÃO POR ARBITRAGEM NO CONTEXTO DOS FUNDOS DE INVESTIMENTOS BRASILEIROS RESUMO
55 O MODELO DE PRECIFICAÇÃO POR ARBITRAGEM NO CONTEXTO DOS FUNDOS DE INVESTIMENTOS BRASILEIROS Bruno Mlan¹ Paulo Sérgo Cerea² RESUMO O objevo dese argo é precfcar o reorno dos fundos de nvesmeno brasleros
Leia maisCONSIDERAÇÃO DAS PERDAS NA REDE ELÉTRICA NO MODELO DESSEM-PAT METODOLOGIA E ANÁLISE DE DESEMPENHO
CEPEL Cenro de Pesqusas de Energa Elérca Projeo DESSEM Relaóro Técnco: CONSIDERAÇÃO DAS PERDAS NA REDE ELÉTRICA NO MODELO DESSEM-PAT METODOLOGIA E ANÁLISE DE DESEMPENHO ÍNDICE 1. INTRODUÇÃO... 3 2. O
Leia maisANÁLISE DAS RELAÇÕES ENTRE A VOLATILIDADE HISTÓRICA E IMPLÍCITA E A VOLATILIDADE REALIZADA DO ÍNDICE PSI-20
ANÁLISE DAS RELAÇÕES ENTRE A VOLATILIDADE HISTÓRICA E IMPLÍCITA E A VOLATILIDADE REALIZADA DO ÍNDICE PSI-20 Elsabee Fernanda Mendes Duare, Insuo Polécnco de Lera RESUMO A volaldade desempenha um papel
Leia maisIluminação e FotoRealismo: Radiosidade
Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções da luz com os obecos são dfusas L x Θ L x, Θ Ω Expressa em ermos de radosdade W/m 2 r
Leia maisFACULDADE IBMEC SÃO PAULO Programa de Mestrado Profissional em Economia
FACULDADE IBMEC SÃO PAULO Programa de Mesrado Profssonal em Economa ANTONIO ARTHUR PITANGUY SAMPAIO ALOCAÇÃO DE ATIVOS COM MODELOS DE VOLATILIDADE MULTIVARIADA EVIDÊNCIAS COM DADOS BRASILEIROS São Paulo
Leia maisInsper Instituto de Ensino e Pesquisa Faculdade de Economia e Administração. Gustavo Passarelli Giroud Joaquim
Insper Insuo de Ensno e Pesqusa Faculdade de Economa e Admnsração Gusavo Passarell Groud Joaqum ANÁLISE DA DINÂMICA DE RISCO E RETORNO DE FUNDOS MULTIMERCADO BRASILEIROS São Paulo 0 Gusavo Passarell Groud
Leia maisInstituto de Física USP. Física V Aula 30. Professora: Mazé Bechara
Insuo de Físca USP Físca V Aula 30 Professora: Maé Bechara Aula 30 Tópco IV - Posulados e equação básca da Mecânca quânca 1. Os posulados báscos da Mecânca Quânca e a nerpreação probablísca de Ma Born.
Leia mais4 Premissas quanto aos Modelos de Despacho de Geração, Formação do Preço da Energia e Comercialização de Energia
61 4 Premssas quano aos Modelos de Despacho de Geração, Formação do Preço da Energa e Comercalzação de Energa 4.1. Inrodução A remuneração de uma geradora depende do modelo de despacho de geração e formação
Leia maisUM MODELO DE OTIMIZAÇÃO DE CARTEIRAS BASEADO EM PREDIÇÃO
XXXVIII SIPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL Pesqusa Operaconal na Socedade: Educação, eo Ambene e Desenvolvmeno 2 a 5/09/06 Goâna, GO U ODELO DE OTIIZAÇÃO DE CARTEIRAS BASEADO E PREDIÇÃO Fábo Daros
Leia mais. Para cada conexão i é atribuído um peso φ
Escalonador WF 2 Q O escalonador WF 2 Q [3] é uma aproxmação baseada em pacoes do GP, que em por obevo emular ese escalonador fluído o mas próxmo possível De acordo com Groux e Gan [1], o escalonador WF
Leia maisSOMAS ALEATÓRIAS EM MODELOS DE RUÍNAS
0 de dezembro, 011 OMA ALEATÓRIA EM MODELO DE RUÍNA Andréa Mchel Alzugur Lucana chmd Blaer Morera OMA ALEATÓRIA EM MODELO DE RUÍNA Alunas: Andréa Mchel Alzugur Lucana chmd Blaer Morera Orenador: Crsano
Leia maisUMA ABORDAGEM PARA OTIMIZAÇÃO DE PORTFÓLIO DE CONTRATOS DE ENERGIA NO SETOR ELÉTRICO BRASILEIRO
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GAE-15 19 a 24 Ouubro de 2003 Uberlânda - Mnas Geras GRUPO VI GRUPO DE ESTUDO DE ASPECTOS EMPRESARIAIS - GAE UMA ABORDAGEM PARA OTIMIZAÇÃO
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Parca Mara Borolon. Sc. Modelos de ados em Panel Fone: GUJARATI;. N. Economera Básca: 4ª Edção. Ro de Janero. Elsever- Campus 006 efnções Geras Nos dados em panel a mesma undade de core
Leia maisRISCO E RETORNO NO AGRONEGÓCIO BRASILEIRO: UM ESTUDO DAS EMPRESAS LISTADAS NA BOVESPA
RISCO E RETORNO NO AGRONEGÓCIO BRASILEIRO: UM ESTUDO DAS EMPRESAS LISTADAS NA BOVESPA AURELIANO ANGEL BRESSAN; DÉBORA CRISTIANE SANTOS; WAGNER MOURA LAMOUNIER; ROBERT ALDO IQUIAPAZA; UFMG BELO HORIZONTE
Leia maisDINÂMICA E PREVISÃO DE PREÇOS DE COMMODITIES AGRÍCOLAS COM O FILTRO DE KALMAN
XXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO DINÂICA E PREVISÃO DE PREÇOS DE COODITIES AGRÍCOLAS CO O FILTRO DE KALAN Flávo Pnhero Corsn (POLI-USP) flavo.corsn@gmal.com Celma de Olvera Rbero (POLI-USP)
Leia maisResultados Conclusões Referências ANEXOS I. Revisão sobre Modelos Lineares Generalizados, Modelos Lineares
SUMÁRIO 1 LISTA DE TABELAS... 3 LISTA DE FIGURAS... 7 Prefáco... 15 1. Capíulo 1 O Ssema de Rsco de Crédo... 17 1.1. Inrodução... 17 1.2. Número e monane das operações... 18 1.3. Taxa de uros... 28 1.4.
Leia maisIntrodução à Computação Gráfica
Inrodução à Compuação Gráfca Desenho de Consrução Naval Manuel Venura Insuo Superor Técnco Secção Auónoma de Engenhara Naval Sumáro Represenação maemáca de curvas Curvas polnomas e curvas paramércas Curvas
Leia maisCalibração Virtual de Projetores
Dsseração de Mesrado Calbração Vrual de Projeores Aluno: Orenador: Pablo Alfredo Sap Baer Paulo Cezar Pno Carvalho 9 de Seembro de Sumáro Ø Movação e descrção do problema Ø Objevo Ø Calbração da câmera
Leia maisEstudo da temperatura da transição de Fase do modelo de potts bidimensional
Esudo da emperaura da ransção de Fase do modelo de pos bdmensonal Wharley osa Gomes 1, Sergo Murlo da Slva Braga Marns Junor 2, Fred Jorge arvalho Lma 3, Anono Soares dos Anjos Flho 4 1 Graduando em Lcencaura
Leia maisIluminação e FotoRealismo: Radiosidade
Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções dos obecos com a luz são dfusas L( x Θ) = L( x), Θ Ω Podemos enão quanfcar a radosdade
Leia mais3 Modelo de Amortecimento Direto
3 Modelo de Amorecmeno Dreo 3. Inrodução Alguns os de séres não aresenam bons resulados quando modeladas or funções uramene olnomas. As séres sazonas aresenam esse o de roblema, e denre elas, as séres
Leia maisUnidade III: Modelos de Fatores, Eficiência de Mercado e Análise de Performance de Carteiras 1
Undade III: Modelos de Faores, Efcênca de Mercado e nálse de erformance de Careras 1 5. Modelos de faores e o T O T é ouro modelo alernavo da relação enre rsco e reorno esperado, onde há dversas fones
Leia maisTÉCNICAS DE OTIMIZAÇÃO DE PROBLEMAS COM MÚLTIPLOS OBJETIVOS UM ESTUDO SOBRE O MÉTODO DE MINIMIZAÇÃO DE ENERGIA E SUAS VARIANTES
TÉCNICA DE OTIMIZAÇÃO DE PROBLEMA COM MÚLTIPLO OBJETIVO UM ETUDO OBRE O MÉTODO DE MINIMIZAÇÃO DE ENERGIA E UA VARIANTE Mlon Jonahan Marco Aurélo Cavalcane Pacheco ICA: Núcleo de Pesqusa em Inelgênca Compuaconal
Leia maisConceitos Básicos de Circuitos Elétricos
onceos Báscos de rcuos lércos. nrodução Nesa aposla são apresenados os conceos e defnções fundamenas ulzados na análse de crcuos elércos. O correo enendmeno e nerpreação deses conceos é essencal para o
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE MATEMÁTICA CÁSSIA PEREIRA DA ROSA MOSCHOUTIS
1 PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE MATEMÁTICA CÁSSIA PEREIRA DA ROSA MOSCHOUTIS ANÁLISE DO CRESCIMENTO POPULACIONAL BRASILEIRO Poro Alegre 13 CÁSSIA PEREIRA DA ROSA MOSCHOUTIS
Leia maisCrescimento do Produto Agropecuário Brasileiro: uma Aplicação do Vetor Auto-regressivo (VAR)
Quesões Agráras, Educação no Campo e Desenvolvmeno CRESCIMENTO DO PRODUTO AGROPECUÁRIO: UMA APLICAÇÃO DO VETOR AUTO-REGRESSIVO (VAR) CARLOS ALBERTO GONÇALVES DA SILVA; LÉO DA ROCHA FERREIRA; PAULO FERNANDO
Leia maisFísica I. 2º Semestre de Instituto de Física- Universidade de São Paulo. Aula 5 Trabalho e energia. Professor: Valdir Guimarães
Físca I º Semesre de 03 Insuo de Físca- Unversdade de São Paulo Aula 5 Trabalho e energa Proessor: Valdr Gumarães E-mal: valdrg@.usp.br Fone: 309.704 Trabalho realzado por uma orça consane Derenemene
Leia mais4 O modelo econométrico
4 O modelo economérico O objeivo desse capíulo é o de apresenar um modelo economérico para as variáveis financeiras que servem de enrada para o modelo esocásico de fluxo de caixa que será apresenado no
Leia maisdefi departamento de física
def deparameno de físca Laboraóros de Físca www.def.sep.pp.p Equações de Fresnel Insuo Superor de Engenhara do Poro Deparameno de Físca Rua Dr. Anóno Bernardno de Almeda, 431 400-07 Poro. Tel. 8 340 500.
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP PROCESSO
Leia maisO RETORNO DE LONGO PRAZO DE UMA OFERTA PÚBLICA DE AÇÃO RESUMO
O RETORNO DE LONGO PRAZO DE UMA OFERTA PÚBLICA DE AÇÃO RESUMO César Auguso Tbúrco Slva UNIVERSIDADE DE BRASÍLIA Joana Darc Vera de Olvera UNIVERSIDADE DE BRASÍLIA Lucana Barbosa Gomes UNIVERSIDADE DE BRASÍLIA
Leia maisEsse capítulo fornece o embasamento teórico aos capítulos que se
Base Teórca Base Teórca seguem. Esse capíulo ornece o embasameno eórco aos capíulos que se.. Processos Esocáscos Uma varável segue um processo esocásco quando ela se desenvolve ao longo do empo de manera
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisF-128 Física Geral I. Aula exploratória-10a UNICAMP IFGW
F-8 Físca Geral I Aula exploraóra-a UNICAMP IFGW username@f.uncamp.br Varáves roaconas Cada pono do corpo rígdo execua um movmeno crcular de rao r em orno do exo. Fgura: s=r Deslocameno angular: em radanos
Leia maisPropagação de dano no modelo de Ising unidimensional
Capíulo 4 Propagação de dano no modelo de Isng undmensonal 4. Propagação de dano O méodo da propagação de dano é uma écnca relavamene nova, nroduzda por Kauffman 68 no conexo dos auômaos celulares, que
Leia maisESTIMATIVA BAYESIANA DO INSTANTE E DO LOCAL DE COLISÃO A PARTIR DA OBSERVAÇÃO DE FRAGMENTOS
ESIMAIVA BAYESIAA DO ISAE E DO LOCAL DE COLISÃO A ARIR DA OBSERVAÇÃO DE FRAGMEOS Andreza C. Basa, Robero V. F. Lopes, Helo. uga 3, Marcelo L. O. Souza 4 Insuo aconal de esqusas Espacas, São José dos Campos,
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FIM DE CURSO
POTIFÍCIA UIVERSIDADE CATÓLICA DO RIO DE JAEIRO DEPARTAMETO DE ECOOMIA MOOGRAFIA DE FIM DE CURSO PREVISÃO DE VOLATILIDADE REALIZADA UTILIZADO PREVISÃO MÉDIA COM CORREÇÃO DE VIÉS Breno de Casro Vera Marícula:
Leia maisAnálise do Desempenho dos Gestores de Fundos, baseada nas Transações e nas Participações das Carteiras
Vâna Sofa Sequera Umbelno Análse do Desempenho dos Gesores de Fundos, baseada nas Transações e nas Parcpações das Careras Dsseração de Mesrado apresenado à Faculdade de Economa da Unversdade de Combra
Leia maisAnálises de ciclos econômicos no Brasil
Análses de cclos econômcos no Brasl 1980-2009 Armando Vaz Sampao RESUMO - As sequêncas de expansões e conrações da avdade econômca são conhecdas como cclos econômcos e afeam odos os agenes econômcos. O
Leia maisInterpolação e Extrapolação da Estrutura a Termo de Taxas de Juros para Utilização pelo Mercado Segurador Brasileiro
Inerpolação e Exrapolação da Esruura a Termo de Taxas de Juros para Ulzação pelo Mercado Segurador Braslero Sergo Lus Frankln Jr. Thago Baraa Duare César da Rocha Neves + Eduardo Fraga L. de Melo ++ M.Sc.,
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisEvolução do Capital Humano nas Diferentes Regiões do Brasil
Evolução do Capal Humano nas Dferenes Regões do Brasl 99-2008 Fernando de Holanda Barbosa Flho Samuel de Abreu Pessôa Fernando A. Veloso Ibre/FGV Ibre/FGV Ibmec/RJ Resumo Ese argo nvesga a evolução do
Leia maisTransmissão das expectativas de inflação no Brasil
3 Transmssão das expecavas de nflação no Brasl 3.. nrodução Recenemene, a leraura de expecavas nflaconáras passou a raar do aspeco de ransmssão de expecavas com maor ênfase. bandonando a hpóese de homogenedade
Leia mais