Gestão de Riscos e Investimentos

Documentos relacionados
Gestão de Riscos e Investimentos

Gestão de Riscos e Investimentos

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira

Estatística 4 - Variáveis Aleatórias Unidimensionais

Distribuições de Probabilidade. Variáveis aleatórias contínuas

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba

Conceitos básicos: Variável Aleatória

Gestão de Riscos e Investimentos

3 Definições. 3.1 Processos Estocásticos e Processo de Wiener

Estatística Aplicada

O tempo de sobrevivência é uma variável aleatória T, contínua e positiva.

Distribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017

Funções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE

LEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%

Gerenciamento de Risco

Gráfico de Probabilidades

ESTATÍSTICA. x(s) W Domínio. Contradomínio

Variáveis Aleatórias

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31

Estatística e Modelos Probabilísticos - COE241

Técnicas Computacionais em Probabilidade e Estatística I. Aula I

5. PRINCIPAIS MODELOS CONTÍNUOS

AULA 7 - Inferência em MQO: ICs e Testes de

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:

Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez

Variáveis Aleatórias

IND 1115 Inferência Estatística Aula 7

AULA 17 - Distribuição Uniforme e Normal

Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

Momentos: Esperança e Variância. Introdução

Medidas resumo. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241

5 Distribuição normal de probabilidade. Estatística Aplicada Larson Farber

Value at Risk (VaR) Introdução. Introdução. Prf. José Fajardo FGV-EBAPE

Estatística e Modelos Probabilísticos - COE241

Simulação com Modelos Teóricos de Probabilidade

ANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

Universidade Federal do Ceará

Estatística e Modelos Probabilísticos - COE241

Catarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra

Stela Adami Vayego DEST/UFPR

Processos Estocásticos

Estatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral

Variáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22

VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS

Modelagem e Análise de Sistemas - COS767

5. PRINCIPAIS MODELOS CONTÍNUOS

COS767 - Modelagem e Análise Aula 3 - Simulação

Modelagem e Análise de Sistemas de Computação Aula 19

Avaliação e Desempenho Aula 5

Métodos Experimentais em Ciências Mecânicas

DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

Tiago Viana Flor de Santana

Estatística e Modelos Probabilísticos - COE241

Cap. 4 - Estimação por Intervalo

Probabilidade e Estatística

PRE29006 LISTA DE EXERCÍCIOS #

3. VARIÁVEIS ALEATÓRIAS

Outras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...

Lucas Santana da Cunha 12 de julho de 2017

Inferência Estatística:

Variáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB

AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1

5. PRINCIPAIS MODELOS CONTÍNUOS

Lucas Santana da Cunha de junho de 2018 Londrina

Probabilidade e Estatística

Introdução à Bioestatística Turma Nutrição

3 a Lista de PE Solução

Capítulo 5. Variáveis aleatórias. 5.1 Introdução

AULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017

AULA 02 Distribuição de Probabilidade Normal

Distribuição Gaussiana

Conceitos básicos, probabilidade, distribuição normal e uso de tabelas padronizadas

Estatística Aplicada I

Variável Aleatória Contínua (v.a.c)

Aula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I

Prof. Lorí Viali, Dr.

Probabilidade e Estatística

Estatística Aplicada. Inferência estatística com desvio padrão populacional conhecido Amostragem Capítulo 10 Itens 10.1 a 10.3

Modelos de Regressão Linear Simples - Análise de Resíduos

Introdução à Probabilidade e à Estatística (BCN ) Prova 2 (A) 16/08/2018 Correção

Variável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba

TESTE DE KOLMOGOROV-SMIRNOV. Professor Ewaldo Santana Universidade Estadual do Maranhão - UEMA

Modelos de Regressão Linear Simples - Análise de Resíduos

MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel

Regressão linear simples

c.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.

COMPARAÇÃO DE SISTEMAS USANDO DADOS DE AMOSTRAS. Capítulo 13 do livro: The Art of Computer Systems Performance Analysis

Variáveis aleatórias contínuas

O teorema central do limite de distribuições probabilísticas

Probabilidade, distribuição normal e uso de tabelas padronizadas

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias

Transcrição:

Generalizando o modelo... Investimento inicial: Taxa de retorno: R W Valor final da carteira no horizonte considerado: Retorno esperado: Volatilidade do retorno: E R Menor valor final da carteira no nível de confiança : W W R DP R 1 W W R 1 c 2

O VAR relativo e VAR absoluto O VAR relativo é a perda em dinheiro em relação à média: média 1 1 VAR E W W E W R W R média VAR W W E R W W R W R 3

O VAR relativo e VAR absoluto (Cont.) O VAR absoluto é a perda em dinheiro em relação ao valor inicial da carteira (ou a zero ): zero 1 VAR W W W W R zero VAR W W W R W R Em qualquer caso, para descobrir o VAR temos que identificar o valor mínimo W ou o retorno crítico R 4

Lembrete: distribuições de probabilidade w Se é uma variável aleatória discreta que pode assumir os valores Podemos dizer que p w é a probabilidade de observarmos N i i1 Se é uma variável aleatória contínua que pode assumir qualquer valor entre e w w1, w2,..., wn f w é sua função densidade de probabilidade (fdp) e p w i 1 1 f w dw w w i 5

Lembrete: a fdp da normal f w f W W w 6

Lembrete: a distribuição acumulada F w é a função de distribuição cumulativa (fdc) da variável aleatória Ou seja: F W Pr w W W F W f w dw 1 F w FW W w 7

Lembrete: quantis ou percentis Um quantil é um valor de corte, tal que a área à direita (ou à esquerda) deste valor represente uma probabilidade c Pr w W f w dw 1 F W W W c Ex: no caso de uma VA Normal padrão z N ;1 z f zdz F 95% Pr 1,65 1 1,65 15% c 1,65 A probabilidade pode ser vista como um nível de confiança 8

O VAR pode ser definido a partir do quantil A forma mais genérica de cálculo do VAR se baseia na identificação do quantil W tal que Ou c W f w dw W 1c f w dw Esta especificação é válida para qualquer distribuição média VAR E W W zero VAR W W 9

O VAR usando a Normal Assumimos frequentemente que os retornos dos investimentos seguem uma distribuição Normal Neste caso, procuramos R para depois derivarmos W Podemos transformar R numa VA z Normal padrão Utilizamos um quantil da Normal padrão tal que R N R z z N ;1 1 Pr c z z dz ; 2 1

O VAR usando a Normal (Cont.) Três formas equivalentes de calcular o VAR quando os retornos seguem uma distribuição Normal W R 1 c f w dw f r dr z dz é o valor crítico correspondente ao retorno crítico R R média VAR W R W W R zero VAR W R W W 11

Dois parâmetros fundamentais para a estimação do VAR: nível de confiança e horizonte de tempo Quanto maior for o nível de confiança, maior será o VAR A escolha do nível de confiança depende do objetivo da análise Ex: uma instituição financeira utilizando o VAR para definir o nível de capital de reserva com o intuito de evitar dificuldades financeiras deve usar um nível de confiança elevado Em outros casos, o VAR serve apenas como um benchmark de risco e o que importa é a coerência do nível de confiança entre os usuários e no tempo 12

Dois parâmetros fundamentais para a estimação do VAR: nível de confiança e horizonte de tempo (Cont.) Quanto maior o horizonte de tempo, maior será o VAR Para extrapolar de um horizonte de um dia para outro mais longo, em geral assumimos que os retornos são independentes e identicamente distribuídos i.i.d. Neste caso, podemos transformar a volatilidade diária numa volatilidade referente a um período maior dias 1 dia VAR T VAR T O ideal é utilizar o horizonte mais curto possível, aumentando a precisão da análise Porém, esta decisão depende do tipo de ativo, da frequência com que a empresa reporta perdas e ganhos e dos objetivos da análise 13

O VAR usando a Normal com retornos i.i.d. Se os retornos se comportam ao longo do tempo como VAs i.i.d. e o intervalo de tempo considerado é igual a T média VAR W T zero VAR W T T No caso geral, é mais adequado usar o VAR relativo do que o absoluto 14

Cuidado ao usar o VAR O VAR não descreve a pior perda possível O método admite, por construção, perdas superiores ao valor estimado Ex: se o nível de confiança utilizado é 95%, espera-se que em 5 de cada 1 dias a perda seja superior ao VAR A correção da medida depende da validade dos pressupostos 15

FIM 16