A volatilidade do mercado dos últimos dias diante da reação às medidas da guerra comercial com aumento de tarifas e suas consequências, me fez parar para pensar e refletir de que a gestão de riscos no mercado sempre foi um dos pilares centrais da estabilidade do sistema econômico global. Até mesmo diante do aumento da sofisticação das carteiras, da complexidade dos instrumentos financeiros e da velocidade com que choques se propagam pelos mercados interconectados, a capacidade de antecipar e quantificar riscos extremos se tornou uma prioridade estratégica, tanto para gestores de ativos quanto para reguladores.
No entanto, mesmo com o avanço das técnicas quantitativas e do aparato regulatório, eventos imprevisíveis com impacto devastador, conhecidos como Cisnes Negros, adjetivo muito bem inventado pelo Nassim Taleb, continuam a escapar das previsões tradicionais e a expor vulnerabilidades profundas nos modelos de risco utilizados pelo mercado. Esses eventos, ainda que raros, não podem ser ignorados, pois seus efeitos desproporcionais colocam em xeque a solvência de instituições financeiras, fundos de pensão e mesmo a credibilidade das políticas econômicas.
A pandemia de Covid-19, cujo impacto atingiu os mercados de forma abrupta e generalizada em março de 2020, ou esta semana o início de uma guerra comercial com aumentos de tarifas, são dois bons exemplos emblemáticos desse tipo de evento, aonde em poucos dias ativos globais despencaram, a liquidez evaporou e portfólios sofisticados colapsaram, mesmo aqueles que, segundo as métricas clássicas de risco, estariam “protegidos”. Essas crises deixam sempre claro as limitações dos modelos tradicionais de VaR baseados na normalidade estatística, e mostra bem a urgência de se aprimorar as ferramentas de avaliação de risco com foco específico na captura de eventos de cauda.
Quero então tentar escrever mais sobre uma comparação das principais metodologias de estimação de risco utilizadas na mensuração de perdas potenciais: o Value-at-Risk (VaR) e o Conditional Value-at-Risk (CVaR), sob três diferentes abordagens de cálculo: paramétrica com ajuste via "Cornish-Fisher", simulação histórica e simulação de Monte Carlo.
O problema da mensuração de risco extremo e os limites da teoria tradicional e desafios contemporâneos
O risco no contexto financeiro pode ser entendido como a incerteza associada aos resultados futuros de um ativo, posição ou portfólio. Esta incerteza é tipicamente representada por uma distribuição de probabilidade de retornos futuros. Dessa forma, a gestão de risco parte da premissa de que é possível estimar, com base em dados passados ou hipóteses teóricas, a chance de ocorrência de perdas superiores a determinados níveis.
Ao longo das últimas décadas a construção de métricas quantitativas de risco se sofisticou. Medidas como a variância, desvio padrão, beta de mercado, que fez surgir primeiro o VaR, e depois o CVaR, que foram sendo incorporadas à governança financeira como instrumentos fundamentais de cálculo de capital econômico, definição de limites de risco, precificação de ativos, estruturação de produtos e conformidade regulatória.
Contudo, à medida que o ambiente financeiro se tornou mais incerto, globalizado e interdependente, os modelos convencionais de risco passaram a mostrar sinais de "exaustão", especialmente frente a eventos extremos. Isso ocorre porque esses modelos, de forma geral, se baseiam em hipóteses simplificadoras que dificilmente se sustentam em momentos de crise, tais como a suposição de normalidade dos retornos, e a estabilidade no tempo das correlações entre ativos, e também a preservação das condições de mercado (liquidez, spreads, volatilidade) mesmo em choques abruptos, que sabemos de que na realidade do dia a dia, nenhuma delas acontece para valer, ainda mais em momentos extremos.
Em outras palavras, os modelos construídos sob a lógica de funcionamento normal dos mercados tendem a falhar exatamente quando são mais necessários: durante os episódios de disrupção sistêmica.
A falácia da normalidade e por que eventos raros causam danos imensuráveis
Uma das principais críticas à modelagem tradicional de risco diz respeito à hipótese de que os retornos financeiros seguem uma distribuição normal (Gaussiana). Embora essa suposição torne os modelos matematicamente mais tratáveis, ela falha de forma dramática em capturar dois elementos fundamentais dos dados empíricos de mercado, como a assimetrias (skewness) aonde os retornos não são simetricamente distribuídos em torno da média. Eventos negativos severos ocorrem com maior frequência do que o previsto por uma curva normal, e as chamadas "caudas pesadas" (kurtosis excessiva), em que a probabilidade de observação de perdas extremas é muito maior do que aquela sugerida pela normalidade estatística.
Essas características fazem com que modelos baseados na distribuição normal subestimem sistematicamente o risco de perdas catastróficas. É por isso que gestores que se guiam apenas pelo desvio padrão ou pelo VaR paramétrico simples frequentemente se veem surpreendidos por perdas “impossíveis” que, teoricamente, teriam uma chance inferior a 0,01%, mas que ocorrem com mais regularidade do que o esperado.
O VaR e o CVaR como respostas (parciais) ao desafio da mensuração de risco
Diante das limitações das medidas tradicionais de risco, o mercado e os reguladores passaram a adotar o Value-at-Risk (VaR) como a nova referência para quantificação de perdas potenciais em horizontes curtos (tipicamente um dia ou um mês). O VaR é definido como o valor de perda que não deve ser ultrapassado com um determinado nível de confiança, por exemplo 99%.
Ou seja, se o VaR de uma carteira é de R$ 10 milhões a 99%, isso significa que, sob condições normais, espera-se que a perda em um horizonte de tempo não ultrapasse esse valor em 99% dos casos. Contudo, sabemos bem de que o VaR possui limitações conhecidas, em que a principal delas é o fato de que ele não informa o tamanho das perdas além do quantil. Ou seja, ele ignora o que acontece na cauda da distribuição, justamente onde estão os eventos Cisnes Negros. Ele foi criado para momentos de normalidade e mercado mais tranquilo.
Para superar essa limitação foi criado depois o conceito do chamado: "Conditional Value-at-Risk (CVaR)", também conhecido como Expected Shortfall (ES). O CVaR representa a média das perdas que excedem o VaR, capturando assim a severidade esperada dos eventos de cauda. Importante destacar de que, diferentemente do VaR, o CVaR é considerado uma medida de risco mais "coerente", pois respeita propriedades matemáticas essenciais como subaditividade (diversificação reduz risco), monotonicidade (mais perdas implicam mais risco), homogeneidade positiva e invariância por translação.
O desafio técnico de como estimar com precisão o (C)VaR frente a eventos extremos?
Apesar de VaR e CVaR serem medidas consagradas, sua acurácia depende diretamente do método de estimação adotado. De forma geral, existem três abordagens principais:
Paramétrica: assume que os retornos seguem uma distribuição estatística definida (normal, t-student, etc.), com parâmetros estimados. Simples, rápida, mas sensível a desvios da realidade empírica.
Histórica: utiliza dados passados reais de mercado para simular as perdas. Não depende de suposições estatísticas, mas falha ao prever eventos sem precedentes.
Simulação de Monte Carlo: gera milhares de cenários futuros baseados em processos estocásticos, permitindo incorporar instrumentos não-lineares e choques estruturais. Exige alta capacidade computacional e qualidade dos inputs.
Cada uma dessas metodologias tem vantagens e limitações, mas a grande questão é: Qual dessas abordagens oferece melhor desempenho na previsão de perdas em situações reais de mercado extremo, como as ocorridas durante a pandemia de Covid-19 ou na crise das tarifas?
Vou pegar para ajudar um estudo de uma tese do Viktor Barry que se propõe exatamente a responder a essa pergunta por meio de uma comparação empírica estruturada, testando os três métodos de estimação (paramétrico, histórico e simulação de Monte Carlo) sobre três carteiras representativas, uma do índice de mercado amplo (S&P500), outra de um ETF de tecnologia (Vanguard Tech), e outra de um ETF de empresas consolidadas (Vanguard Large-Cap).
Fundamentos de Medidas de Risco através do VaR, CVaR e o Paradigma da Coerência
No contexto da engenharia financeira e da gestão de riscos de mercado, a necessidade de quantificar o risco de perdas associadas a ativos financeiros ou carteiras de investimento motivou o desenvolvimento de métricas que sintetizem, em um único número, o potencial de perdas futuras.
Para isso se parte da ideia de que uma posição financeira possui um valor incerto no futuro, e essa incerteza pode ser modelada por meio de uma variável aleatória. Seja V1 o valor futuro da carteira em um determinado horizonte (por exemplo, 1 dia ou 30 dias), e V0 seu valor atual. A variável aleatória X=V1−V0 representa o retorno bruto do portfólio, enquanto a perda líquida pode ser modelada como L=−X. A distribuição de probabilidade dessa perda é o objeto central de análise.
A tarefa do gestor de risco ou regulador é resumir essa distribuição em uma métrica simples, objetiva e operacional que reflita, com confiabilidade, o grau de exposição da carteira. Essa métrica deve ser, idealmente, coerente com os princípios econômicos e comportamentais que fundamentam a aversão ao risco.
O Value-at-Risk (VaR) e a definição, aplicação e limitações
O Value-at-Risk (VaR) se tornou a medida de risco mais utilizada globalmente a partir da década de 1990, popularizada pela metodologia RiskMetrics desenvolvida pelo J.P. Morgan. O VaR é interpretado como a maior perda esperada de uma carteira, em um determinado horizonte temporal, com um nível de confiança pré-definido (normalmente 95% ou 99%).
Se o VaR de uma carteira for R$ 10 milhões ao nível de 99% em 30 dias, isso significa que, com 99% de confiança, a perda máxima esperada em 30 dias não ultrapassará R$ 10 milhões.
Limitações fundamentais do VaR são a não captura perdas além do quantil: o VaR ignora a severidade das perdas na cauda da distribuição, e não é subaditivo: em certos casos, o VaR pode indicar que a soma dos riscos individuais é menor que o risco combinado, o que viola o princípio da diversificação, assim como a sensível à escolha da distribuição com o resultado do VaR muda drasticamente dependendo da distribuição assumida.
Essas limitações são particularmente problemáticas em momentos de estresse de mercado, nos quais as caudas da distribuição se tornam críticas.
O Conditional Value-at-Risk (CVaR) é uma alternativa mais coerente
Diante das deficiências do VaR, foi proposta uma extensão chamada Conditional Value-at-Risk (CVaR), também conhecida como Expected Shortfall (ES). O CVaR mede a média das perdas condicionadas a estarem acima do VaR, ou seja, avalia o impacto médio dos piores cenários.
Essa definição mostra que o CVaR é uma média dos quantis extremos, o que o torna mais sensível à forma da cauda da distribuição. Vantagens do CVaR sobre o VaR são a captura o risco extremo, pois considera não apenas a probabilidade de perdas severas, mas também sua magnitude, e é uma medida coerente incluindo subaditividade e convexidade, e é utilizável em otimização como o CVaR é convexo, ele permite formulações de problemas de alocação de capital e hedge com garantias matemáticas.
Enquanto o VaR responde à pergunta “qual a perda que não deve ser ultrapassada com 99% de confiança?”, o CVaR responde: “se a perda for pior que o VaR, qual será a média dessas perdas?”. Essa diferença é fundamental quando se trata de gerenciar riscos extremos, como eventos Cisnes Negros. Nesses casos a severidade das perdas pode ser muito maior do que o valor indicado pelo VaR, e o CVaR fornece uma medida mais realista do potencial destrutivo das caudas.
VaR X CVaR e as implicações práticas na gestão de riscos
Do ponto de vista prático, a adoção do CVaR representa um avanço significativo em termos de sofisticação da análise de risco, em especial para os gestores de portfólio, pois o CVaR permite uma alocação de ativos mais prudente, penalizando posições com risco de cauda elevado, assim como para bancos e seguradoras, pois o CVaR é mais compatível com requisitos de capital baseados em perdas severas (como Solvência II e Basel III), e por fim também para os fundos de pensão e instituições públicas, dado a transparência do CVaR ajuda a proteger o patrimônio em horizontes longos, nos quais eventos extremos são mais prováveis.
Entretanto, a acurácia de qualquer medida de risco, inclusive do CVaR, depende criticamente da forma como ela é estimada, por isto que a escolha da metodologia de estimação, seja ela paramétrica, histórica ou via simulação, pode sim influenciar drasticamente a sensibilidade da medida à ocorrência de eventos extremos.
Metodologias de Estimação do (C)VaR e o Comparativo entre Abordagens Paramétrica, Histórica e de Simulação
A medição precisa de risco extremo, como o Value-at-Risk (VaR) e o Conditional Value-at-Risk (CVaR), depende não apenas da definição conceitual da medida, mas principalmente da forma como ela é estimada na prática.
A estimativa do VaR/CVaR é, essencialmente, uma tentativa de obter inferência sobre a cauda esquerda da distribuição de perdas de um portfólio, e isso pode ser feito de diversas maneiras, cada qual com pressupostos específicos, níveis de complexidade e grau de aderência à realidade empírica dos mercados financeiros.
A escolha do método de estimação impacta diretamente nos seguintes pontos: a sensibilidade da medida ao risco sistêmico, e a capacidade de antecipar eventos raros e severos (tail events), assim como na eficiência computacional e operacional da aplicação em larga escala, e também na adequação aos requisitos regulatórios e testes de estresse.
Abordagem Paramétrica com Expansão de Cornish-Fisher
A abordagem paramétrica parte da premissa de que os retornos dos ativos financeiros seguem uma distribuição estatística conhecida, cujos parâmetros podem ser estimados a partir dos dados históricos.
A distribuição mais comum, e também mais criticada, é a distribuição normal (gaussiana). Embora a normalidade ofereça conveniência matemática, os dados empíricos dos mercados frequentemente violam essa suposição, apresentando skewness (assimetria) com os retornos mais prováveis de serem negativos do que positivos (ou vice-versa), e a Kurtosis excessiva: presença de caudas mais pesadas que as previstas pela distribuição normal.
Para acomodar essas características, a abordagem paramétrica pode ser estendida por meio da expansão de Cornish-Fisher, que ajusta o quantil da normal padrão de acordo com os momentos de ordem superior (3 e 4). Vantagens: capacidade de modelar distribuições não simétricas e com caudas pesadas, e ser rápida e eficiente para carteiras lineares ou aproximadamente lineares, além de ter uma boa precisão em horizontes curtos (1 a 30 dias), e sem dúvida a facilidade de implementação com poucos parâmetros estatísticos (média, desvio padrão, skewness e kurtosis).
Limitações: ser sensível à qualidade da estimativa dos momentos estatísticos: skewness e kurtosis são altamente instáveis, mas inadequado para portfólios com instrumentos não lineares, como opções ou derivativos exóticos, e ainda assume estabilidade dos momentos no tempo, o que pode não ser realista em ambientes voláteis, e incorpora apenas até o 4º momento em eventos ainda mais extremos podem não ser bem representados.
Simulação Histórica
A simulação histórica é um método não paramétrico que utiliza os próprios retornos passados para construir uma distribuição empírica das perdas. Em vez de assumir uma forma funcional da distribuição, a abordagem assume que os retornos históricos refletem adequadamente os riscos futuros — ou seja, que o comportamento passado é uma boa proxy do comportamento futuro. O método consiste nos seguintes passos:
Coleta-se uma série temporal de retornos históricos dos ativos do portfólio (por exemplo, últimos 10 anos).
Reconstroem-se os valores do portfólio ao longo desse período, utilizando as ponderações atuais.
Calculam-se as perdas e ordena-se a distribuição empírica.
Aí o VaR é estimado como o percentil correspondente à confiança desejada, e o CVaR é a média das perdas superiores ao VaR.
Com 2.500 dias de retornos diários e um nível de confiança de 99%, o VaR será a 25ª pior perda (percentil 1%), e o CVaR será a média das 25 piores perdas. Vantagens: Método direto, sem suposições estatísticas, e a captura naturalmente os efeitos não-lineares (se presentes nos retornos históricos), além de incorporar os choques reais ocorridos nos dados passados, e sem dúvida ser mais fácil interpretação e comunicação com stakeholders.
Limitações: Ser altamente dependente do período amostral escolhido: eventos raros podem não estar presentes nos dados, além de não antecipa choques não observados, e ainda ser suscetível à mudança de regime de mercado (ex: juros baixos x inflação alta), e também ignora o componente estocástico futuro: assume que o passado é repetível.
Simulação de Monte Carlo
A simulação de Monte Carlo representa uma abordagem mais sofisticada, baseada na geração de cenários futuros simulados, a partir de modelos estocásticos que regem o comportamento dos ativos. O modelo mais comum é o do movimento Browniano geométrico, que assume que os preços seguem uma caminhada aleatória contínua com distribuição lognormal. A simulação permite modelar estruturas de dependência complexas entre os ativos, bem como incorporar variáveis latentes, volatilidade estocástica, efeitos de correlação, opções embutidas, entre outros.
O passo a passo começar com a estimativa da matriz de covariância dos retornos, e depois se gera um grande número (milhares ou milhões) de vetores de retornos simulados, e com elas se calcula os valores futuros do portfólio em cada cenário, e se obtém então a distribuição simulada de perdas, e com elas se estima o VaR e CVaR a partir dos percentis e médias condicionais. Vantagens: ser altamente flexível, e assim permite incorporar não-linearidades, derivativos, volatilidade estocástica, e pode incorporar choques simulados e stress testing, além de ser mais adequado para carteiras com instrumentos complexos, e ainda permite avaliação probabilística completa de distribuições futuras.
Limitações: ser exigente em termos computacionais, especialmente com muitos ativos, e a qualidade dos resultados depende da acurácia da matriz de covariância e da modelagem do processo estocástico, assim como assume normalidade dos choques básicos, a menos que se implemente simulações com distribuições alternativas (t-student, misturas gaussianas etc.), e pode subestimar o risco em cenários de cauda se o modelo for mal calibrado.
A relevância crítica da modelagem de risco de mercado extremo em um mundo exposto a Cisnes Negros = Crises da Covid e da Guerra das Tarifas Estudo de Caso Empírico da Aplicação das Abordagens de Estimação do (C)VaR em Portfólios Reais Durante a Crise de Março de 2020
O mês de março de 2020 marcou um dos momentos mais disruptivos da história recente dos mercados financeiros globais, ainda que provavelmente em breve vamos dizer que este atual vai fazer parte deste mesmo grupo.
Mas lá atrás com o surgimento da pandemia de Covid-19, a propagação do vírus SARS-CoV-2 e a imposição abrupta de lockdowns, as bolsas ao redor do mundo sofreram quedas acentuadas em questão de dias, para ter uma idéia do tamanho do problema o índice S&P500 por exemplo caiu aproximadamente 34% em menos de um mês, enquanto diversos ETFs setoriais e ativos de renda variável apresentaram perdas históricas. Esse colapso representou um autêntico evento Cisne Negro, que é exatamente uma ocorrência desta cauda de baixa previsibilidade, com impacto sistêmico e consequências significativas para toda a cadeia financeira.
Tal evento constitui portanto um ambiente ideal para testar a robustez e a acurácia das medidas de risco, em particular o (C)VaR estimado por diferentes metodologias. Ao submeter três portfólios distintos a esse evento de mercado extremo, é possível avaliar qual abordagem de estimação mais se aproxima das perdas efetivamente observadas, e quais subestimam ou superestimam o risco real.
A análise empírica da tese foi conduzida com base em três portfólios representativos, todos disponíveis como instrumentos de mercado amplamente negociados nos EUA. A escolha dos ativos reflete a intenção de capturar diferentes perfis de risco, exposição setorial e comportamentos de volatilidade.
Portfólio 1: Índice S&P500
Ticker: SPY (ETF que replica o S&P500)
Descrição: Representa o mercado acionário americano em sua totalidade, composto pelas 500 maiores empresas dos EUA. Serve como proxy do risco sistêmico.
Características: Alta diversificação, beta ≈ 1, volatilidade moderada, baixa concentração setorial.
Portfólio 2: Vanguard Technology ETF
Ticker: VGT
Descrição: ETF setorial focado em empresas de tecnologia listadas nos EUA, incluindo gigantes como Apple, Microsoft, NVIDIA e outras.
Características: Alta exposição a ativos de crescimento, beta > 1, elevada volatilidade, sensível a ciclos de inovação e mudanças macroeconômicas.
Portfólio 3: Vanguard Large-Cap ETF
Ticker: VV
Descrição: ETF composto por empresas de grande capitalização dos EUA, excluindo nomes de perfil altamente especulativo.
Características: Menor volatilidade relativa, foco em empresas maduras, beta < 1, perfil defensivo.
Essa diferenciação entre os portfólios permite observar como cada metodologia de (C)VaR se comporta frente a diferentes níveis de risco idiossincrático, exposição setorial e sensibilidade ao evento extremo. Para garantir consistência e robustez estatística, foi utilizado um histórico de retornos diários dos preços ajustados de cada ETF, cobrindo um período de dez anos (de 2010 a 2020).
Esse horizonte foi escolhido com o objetivo de capturar múltiplos regimes de volatilidade (períodos de calmaria e de estresse), e ainda permitir cálculo confiável de momentos estatísticos (média, desvio padrão, skewness, kurtosis), de forma a assegurar que a simulação histórica contenha eventos de crise anteriores à pandemia (ex: crise europeia, 2011; taper tantrum, 2013; crise do petróleo, 2015-16).
As séries históricas foram obtidas por meio de bases públicas confiáveis (como Yahoo Finance e Bloomberg), ajustadas por splits e dividendos, e utilizadas para alimentar os três métodos de estimação.
Horizonte temporal de risco e níveis de confiança e passo a passo
A análise do (C)VaR foi realizada sob dois parâmetros-chave:
Horizonte temporal de 30 dias aonde a escolha destes 30 dias reflete uma janela comum em aplicações de risco para fundos de investimento, fundos de pensão e testes regulatórios de capital, assim como esse horizonte é suficiente para capturar oscilações de mercado mais estruturais, sem cair na excessiva volatilidade dos modelos de 1 dia, e ainda permite observar o impacto acumulado do evento Cisne Negro da Covid-19 com maior fidelidade.
Níveis de confiança de 95% e 99%, aonde o nível de 95% representa uma medida mais sensível ao comportamento mediano da cauda, enquanto que o nível de 99% é utilizado em exigências regulatórias mais conservadoras (ex: Basileia III, Solvência II), sendo o foco principal da avaliação de risco extremo, mas ambas as medidas foram calculadas para o VaR e para o CVaR, a fim de analisar não apenas o ponto de corte, mas a severidade da cauda.
Com os dados, os portfólios e os parâmetros definidos, a avaliação seguiu os seguintes passos metodológicos:
Cálculo do VaR e CVaR para cada portfólio, segundo os três métodos.
Registro das perdas reais observadas entre o início e o final de março de 2020, para cada portfólio.
Cálculo do erro absoluto e do erro médio quadrático (MSE) de cada método, comparando a estimativa com a perda efetiva.
Comparação da performance preditiva dos métodos, com foco na capacidade de:
Expectativa de resultados e o que se busca validar?
O estudo empírico não pretendia apenas identificar qual método fornece o menor erro absoluto, mas sim compreender como os diferentes métodos se comportam sob estresse, quais são suas tendências de subestimação ou superestimação e qual abordagem oferece maior aderência aos dados empíricos sem abrir mão da eficiência operacional. Especificamente se busca validar (ou refutar) as seguintes hipóteses, de que:
A abordagem paramétrica modificada por Cornish-Fisher é suficiente para capturar o risco de cauda em períodos de crise, mesmo sendo mais simples e rápida.
A simulação histórica é confiável apenas se eventos similares já ocorreram no passado, mas pode falhar ao lidar com choques inéditos.
A simulação de Monte Carlo tende a subestimar o risco se a estrutura estatística dos choques for mal calibrada, especialmente se for baseada em retornos gaussianos.
Essa análise permite fundamentar recomendações práticas para gestores de risco e reguladores quanto à escolha da metodologia mais robusta, em função do tipo de carteira e do contexto de mercado.
Resultados e Comparação Empírica das Abordagens de Estimação do (C)VaR Frente à Crise de Março de 2020
Importante sempre avaliar a precisão das estimativas de risco obtidas por meio das três abordagens discutidas (paramétrica com Cornish-Fisher, histórica e Monte Carlo), frente às perdas reais ocorridas durante o evento Cisne Negro representado pela crise da Covid-19.
A análise deve ser conduzida de forma objetiva por meio de dois critérios quantitativos, usando o chamado Erro Absoluto (EA), que é a diferença absoluta entre a perda real observada e a estimativa do (C)VaR, e o Erro Médio Quadrático (Mean Squared Error – MSE) que penaliza de forma mais acentuada estimativas com grandes desvios, refletindo sua volatilidade preditiva.
Esses indicadores foram calculados para cada portfólio e para cada método, considerando os dois níveis de confiança (95% e 99%) e os dois tipos de medida de risco (VaR e CVaR). Os resultados empíricos permitem inferências robustas sobre qual modelo apresenta maior aderência empírica, melhor sensibilidade a choques extremos e menor tendência a subestimar riscos sistêmicos. Queria trazer os resultados consolidados: desempenho comparado das abordagens:
Portfólio 1 – S&P500 (SPY) com uma perda real observada no período de 30 dias (março/2020) de aproximadamente −21,3%. A abordagem paramétrica com Cornish-Fisher foi a que mais se aproximou da perda real, com erro absoluto de apenas 0,2%. A simulação histórica teve desempenho razoável, mas ainda subestimou o VaR. A simulação de Monte Carlo apresentou a maior subestimação, com VaR inferior em mais de 6 pontos percentuais em relação à perda real.
Portfólio 2 – Vanguard Tech ETF (VGT) com uma perda real observada de aproximadamente −32,5%, reflexo da elevada exposição a ativos de crescimento e sensibilidade macroeconômica. Novamente a abordagem paramétrica apresentou a menor diferença absoluta, mesmo em um portfólio com volatilidade mais acentuada e skewness negativa. O modelo histórico teve erro moderado. A simulação de Monte Carlo apresentou séria deficiência preditiva para o VaR, provavelmente por não capturar corretamente a cauda esquerda assimétrica da distribuição dos retornos do setor de tecnologia.
Portfólio 3 – Vanguard Large-Cap ETF (VV) com uma perda real observada de aproximadamente −17,8%. No portfólio de perfil mais conservador, o método paramétrico segue como o mais acurado. O Monte Carlo, embora tenha estimado razoavelmente o CVaR, subestimou o VaR de forma sistemática, mesmo em carteiras com menor volatilidade.
Tendência de subestimação do Monte Carlo
Uma das observações mais relevantes do estudo empírico é que a simulação de Monte Carlo com base em movimento Browniano geométrico sistematicamente subestimou o risco extremo nos três portfólios, particularmente no caso do VaR.
Essa limitação decorre da suposição implícita de normalidade dos choques de retorno, que não reflete a realidade das caudas empíricas observadas em eventos como a pandemia. A distribuição lognormal gerada por simulações Brownianas não possui caudas suficientemente pesadas para replicar os efeitos reais de um Cisne Negro, a menos que seja ajustada com distribuições alternativas (ex: t-student, processos de Lévy, ou misturas gaussianas), o que não foi feito neste caso.
Robustez da abordagem paramétrica
O método paramétrico ajustado via expansão de Cornish-Fisher apresentou o menor erro absoluto e quadrático em todos os casos testados.
Mesmo sendo um modelo relativamente simples e eficiente do ponto de vista computacional, sua capacidade de incorporar skewness e kurtosis excessiva via ajuste nos quantis foi decisiva para capturar a realidade das perdas observadas. Isso indica que quando os momentos estatísticos são bem estimados, o método Cornish-Fisher pode servir como ferramenta confiável para modelagem de risco extremo, mesmo frente a choques severos.
Simulação histórica como intermediária
O desempenho da simulação histórica foi intermediário entre os extremos da abordagem paramétrica e do modelo de Monte Carlo. Embora reflita bem eventos passados e possua boa aderência a choques já registrados, sua principal limitação é a incapacidade de prever eventos inéditos, como foi o caso da pandemia em 2020.
No entanto, em carteiras com eventos extremos já representados na amostra histórica (como o ETF Large-Cap), o método demonstrou desempenho razoável. Com base nos resultados comparativos obtidos, acho que dá para tirar as seguintes conclusões aplicáveis à prática da gestão de riscos e à modelagem quantitativa, de que:
A abordagem paramétrica com expansão de Cornish-Fisher se mostrou mais robusta, acurada e eficiente, sendo altamente recomendável para carteiras lineares, mesmo em momentos de crise.
A simulação de Monte Carlo, se baseada apenas em processos Gaussianos, não é adequada para capturar riscos de cauda severos, a menos que seja refinada com distribuições alternativas ou modelos com volatilidade estocástica.
A simulação histórica, embora simples e empírica, depende fortemente da presença de choques relevantes na janela de dados, o que limita sua utilidade em cenários verdadeiramente inéditos.
Estas conclusões acima têm implicações diretas para instituições financeiras, fundos de investimento, seguradoras, bancos centrais e reguladores, especialmente no que se refere à seleção de modelos para fins de gestão de capital, testes de estresse, avaliação de solvência e conformidade regulatória.
Implicações Práticas para o Segmento Financeiro, com a Regulação e Governança de Riscos Extremos
A análise empírica conduzida no estudo não apenas comparou o desempenho de diferentes metodologias de estimação do (C)VaR frente a um evento de cauda severo, mas também ofereceu evidências claras sobre as fragilidades e virtudes de cada abordagem sob condições de estresse sistêmico real.
O primeiro aprendizado relevante é que, embora modelos sejam ferramentas essenciais para tomada de decisão, eles não substituem o julgamento humano e a governança de risco baseada em princípios.
Como bem alertado por Taleb, modelos que ignoram a probabilidade de eventos altamente improváveis, mas devastadores, contribuem para a construção de sistemas frágeis, onde a falsa sensação de controle pode ser mais perigosa do que a incerteza reconhecida. Portanto o uso de modelos deve estar ancorado em uma compreensão crítica de seus pressupostos, em testes de robustez, e em avaliações contínuas de aderência empírica, especialmente em ciclos econômicos atípicos.
Lições para gestores de portfólio e fundos de investimento
Escolha estratégica do modelo em função da carteira: Gestores de portfólio devem considerar o perfil da carteira ao escolher a metodologia de (C)VaR mais adequada:
Portfólios compostos por ações líquidas e lineares: a abordagem paramétrica com Cornish-Fisher tende a oferecer excelente custo-benefício, com boa capacidade preditiva e rapidez de execução.
Portfólios com derivativos, estruturas complexas e exposições não lineares: simulações de Monte Carlo calibradas com distribuições não normais (ex: t-student, misturas gaussianas) ou modelos de volatilidade estocástica são mais apropriadas.
Portfólios de longo prazo com histórico suficiente de choques similares: a simulação histórica pode ser uma boa ferramenta complementar, especialmente para validar o comportamento do portfólio sob regimes passados.
Complementaridade de modelos e o uso combinado para robustez: Em vez de adotar uma única metodologia como definitiva, a dica aqui é o uso combinado das abordagens, dentro de uma estrutura de risk analytics mais abrangente, para estimar o (C)VaR por diferentes métodos simultaneamente, e depois avaliar o grau de convergência ou divergência entre os resultados, e assim monitorar sistematicamente a performance preditiva dos modelos frente a dados reais, e implementar limites de risco adaptativos com base em múltiplos indicadores. Esse modelo de gestão integrada amplia a resiliência técnica e a credibilidade institucional dos processos de risco.
Implicações para fundos de pensão, seguradoras e entidades públicas
Fundos de previdência, seguradoras e entidades públicas são particularmente vulneráveis a eventos de cauda extrema, uma vez que carregam obrigações de longo prazo e menor flexibilidade de rebalanceamento em tempo real.
Nesses casos, a adoção de modelos robustos de avaliação de risco extremo não é apenas uma exigência prudencial, mas uma questão de solvência e proteção do interesse coletivo.
Com base nos resultados da pesquisa a dica aqui é a preferência pela utilização do CVaR como medida primária de risco de solvência, especialmente em políticas de alocação estratégica de ativos, com a implementação de modelos paramétricos com ajuste de assimetria e cauda (Cornish-Fisher) como ferramenta padrão de avaliação, dada sua precisão demonstrada e simplicidade operacional, e o desenvolvimento de testes de estresse estruturados com cenários de choque calibrados a partir dos erros sistemáticos de modelos menos eficazes (ex: Monte Carlo com normalidade), assim como o reforço da governança com comitês de risco capacitados para interpretar os limites dos modelos, com base em indicadores estatísticos e evidências empíricas.
Orientações para reguladores e supervisores prudenciais:
Do ponto de vista regulatório, a adoção exclusiva de medidas baseadas em VaR, especialmente calculadas por métodos normalizados, pode representar um risco sistêmico latente, como evidenciado pelas crises de 2008 e 2020. Assim as conclusões deste estudo reforçam a necessidade de:
Atualização dos marcos regulatórios de risco de mercado: ao incorporar o CVaR (Expected Shortfall) como medida primária de risco nos requisitos de capital, como já previsto nos padrões de Basileia III para risco de mercado, e passar a exigir validação cruzada entre metodologias: reguladores devem solicitar que as instituições reportem não apenas um único valor de (C)VaR, mas também a diferença entre métodos, além de estimular o uso de modelos paramétricos enriquecidos (Cornish-Fisher) como base para instituições com perfil de risco moderado, e propor que simulações de Monte Carlo sejam calibradas com distribuições empíricas ou alternativas não gaussianas, quando utilizadas para fins regulatórios.
Reforço da supervisão qualitativa de modelos: ao exigir que os modelos de risco passem por processos formais de backtesting e stress testing, incluindo validação dos erros preditivos históricos, e também incentivar a documentação transparente das premissas estatísticas, limites de aplicabilidade e condições de falha dos modelos, e criar ambientes de regulatory sandbox para testes supervisionados de modelos alternativos de gestão de risco de cauda.
Implicações para políticas de risco corporativo e governança:
No nível da governança corporativa, os conselhos de administração, comitês de auditoria e comitês de risco devem estar cientes de que o uso acrítico de métricas como o VaR simples pode induzir decisões equivocadas de apetite ao risco, alocação de capital e definição de limites operacionais.
Baseado nos resultados do estudo a dica aqui é que adotem métricas de risco coerentes (como o CVaR) como padrão de referência em comitês de risco, e que exijam que modelos de risco sejam acompanhados de indicadores de incerteza (ex: intervalo de confiança do VaR, sensibilidade à distribuição), assim como solicitem análises de risco baseadas em múltiplos métodos, especialmente em períodos de transição macroeconômica, e também estimulem o desenvolvimento interno de cultura técnica de risco extremo, com treinamentos voltados à compreensão de eventos de baixa frequência e alto impacto.
Papel da tecnologia e da ciência de dados na evolução dos modelos de risco extremo:
O avanço da tecnologia e da capacidade computacional viabiliza a aplicação de modelos de risco mais sofisticados em larga escala. A integração de big data, aprendizado de máquina, simulações adaptativas e modelagem Bayesiana pode trazer ganhos significativos na detecção de sinais precursores de eventos extremos e na calibração dinâmica dos modelos de (C)VaR.
Entretanto mesmo os modelos mais avançados não são infalíveis. Por isso o equilíbrio entre sofisticação quantitativa e governança prudente continua sendo o pilar fundamental da resiliência organizacional.
O Papel da Modelagem Paramétrica Robusta na Quantificação de Risco Extremo Frente a Eventos Cisnes Negros:
Achei que este estudo deu uma contribuição relevante e empiricamente validada ao debate técnico sobre a eficácia das medidas tradicionais de risco quando confrontadas com eventos extremos nos mercados financeiros.
A crise desencadeada pela pandemia da Covid-19, em março de 2020, serviu como um experimento natural de altíssimo valor para testar a performance real das abordagens clássicas de estimação do (C)VaR em um contexto que foge completamente às premissas de normalidade, estabilidade de correlações e linearidade de retornos.
A análise comparativa conduzida entre três métodos da abordagem paramétrica com expansão de Cornish-Fisher, simulação histórica e simulação de Monte Carlo com processo Browniano, que revelou evidências empíricas claras e tecnicamente robustas:
A abordagem paramétrica ajustada por Cornish-Fisher, apesar de sua simplicidade computacional, demonstrou o menor erro de estimação nos três portfólios testados e nos dois níveis de confiança (95% e 99%). Sua capacidade de incorporar skewness e kurtosis — ou seja, assimetria e caudas pesadas — permitiu uma aproximação mais fiel das perdas efetivamente observadas durante o colapso dos mercados em março de 2020.
A simulação histórica, embora intuitiva e baseada em dados reais, apresentou resultados mistos. Ela teve desempenho satisfatório apenas quando os choques observados já estavam representados no histórico de retornos, falhando, no entanto, em antecipar adequadamente perdas inéditas. Sua maior limitação está na dependência do passado como proxy exclusivo do futuro.
A simulação de Monte Carlo com base em processo Browniano geométrico apresentou, de forma consistente, a maior subestimação do risco, especialmente no caso do VaR. Isso se deve à inadequação do modelo gaussiano para capturar a magnitude e a assimetria dos choques extremos. A ausência de mecanismos que permitam caudas mais espessas compromete a utilidade prática desse modelo em situações de ruptura de regime de mercado.
Com base nos resultados o estudo reforça uma proposição fundamental: a modelagem de risco extremo exige métodos estatísticos capazes de refletir a realidade empírica dos mercados, em vez de confiar em premissas idealizadas. O uso de ferramentas simplificadas, como o VaR normal sem ajustes, pode gerar uma ilusão de controle e induzir decisões equivocadas sobre alocação de capital, dimensionamento de reservas e avaliação da solvência.
Ao mesmo tempo o estudo também mostra que é possível alcançar acurácia elevada com ferramentas estatísticas relativamente acessíveis, como a expansão de Cornish-Fisher, desde que os momentos estatísticos da distribuição dos retornos sejam estimados de forma robusta e periodicamente reavaliados. Isso tem implicações diretas para instituições com restrições operacionais, como fundos de pensão, seguradoras e pequenas instituições financeiras, que podem não ter capacidade para implementar modelos estocásticos sofisticados com simulações de alta dimensionalidade.
Outro aspecto central evidenciado é que nenhum modelo, isoladamente, deve ser considerado suficiente. A complementaridade entre abordagens, o uso simultâneo de métodos paramétricos, históricos e de simulação, permite capturar diferentes aspectos do risco e construir uma visão mais completa da exposição do portfólio frente a eventos de baixa probabilidade e alto impacto. Essa abordagem multitécnica favorece uma gestão de risco mais resiliente, adaptativa e alinhada às boas práticas de governança.
Portanto, diante da crescente frequência de eventos extremos nos últimos tempos, sejam eles epidemiológicos, geopolíticos, climáticos ou tecnológicos, a mensuração precisa do risco de cauda não é mais um diferencial técnico que é uma necessidade estratégica e prudencial.