Está en la página 1de 10

Uma contribUio ao problema de composio de carteiras de mnimo Valor em risco

Celma de Oliveira Ribeiro Leonardo Augusto Soares Ferreira departamento de engenharia de produo, escola politcnica da Usp, av. prof. almeida prado, 128, tr. 2 binio, 2 andar, cep 05508-900, so paulo, sp, e-mails: celma@usp.br, leonardo.ferreira@br.abnamro.com

v.12, n.2, p.295-304, mai.-ago. 2005

recebido em 14/5/2004 aceito em 05/5/2005

Resumo
O trabalho prope um modelo baseado em aproximao estocstica para composio de carteiras de ativos financeiros de mnimo risco. A medida de risco estudada, o Valor em Risco, bastante utilizada na prtica de gesto financeira como um sinalizador para tomada de deciso, porm poucas vezes empregada para definir a composio tima de carteiras em decorrncia das dificuldades de implementao computacional. O modelo proposto permite que o problema de composio de carteira de mnimo Valor em Risco seja resolvido de uma maneira simples. O artigo analisa o desempenho do modelo em um problema de gesto de carteiras de aes no mercado brasileiro.
Palavras-chave: gesto de carteiras, finanas, otimizao.

1. Introduo
O problema de mensurao e controle de risco financeiro tem motivado pesquisadores e tomadores de deciso a buscar indicadores capazes de identificarem quo arriscada uma deciso. Uma frtil rea de pesquisa desenvolveu-se na ltima dcada, tratando do problema de encontrar medidas de risco capazes de quantificar apropriadamente o risco de uma determinada posio assumida por um investidor. Na maioria das vezes, as medidas de risco presumem a existncia de uma distribuio de probabilidade para os fatores de risco e avaliam momentos ou percentis da distribuio da funo de perda. A rpida evoluo da rea modelagem em finanas, aliada a um expressivo crescimento na disponibilidade de produtos financeiros no mercado, possibilitou o desenvolvimento de modelos matemticos com relativa complexidade, visando responder a importante questo de como construir uma carteira de ativos de mnimo risco. Em essncia, pretende-se minimizar uma medida de risco, para carteiras sujeitas a um conjunto de restries, o que recai em problemas de otimizao. A complexidade destes problemas depende fundamentalmente da medida de risco utilizada, da estrutura do conjunto de restries e da natureza dos ativos envolvidos. Ativos financeiros como opes, por exemplo, introduzem dificuldades bastante grandes nos problemas, sendo necessrio empregar modelos baseados em clculo estocstico. Modelos dinmicos, que analisam um horizonte temporal longo, tais como problemas de gesto de ativo-passivo (asset liability management) tambm levam a situaes complexas. Mesmo no caso esttico, ainda que se trabalhe com ativos de simples tratamento, h ainda que se considerar as dificuldades resultantes do uso de uma especfica medida de risco. Dentro deste escopo, a proposta do trabalho analisar carteiras de ativos financeiros sujeitos a um nico fator de risco, o risco de mercado, visando determinar carteiras de mnimo risco. Trabalhar-se- dentro de um ambiente esttico, de um nico perodo, e sero tratados como medida de risco os percentis da distribuio de probabilidade das perdas da carteira. O foco do trabalho o emprego

296

Ribeiro e Ferreira Uma Contribuio ao Problema de Composio de Carteiras de Mnimo Valor em Risco

de tcnicas de aproximao estocstica para otimizao de carteiras, utilizando a metodologia de superfcie de resposta (Response Surface Methodology). Sero apresentados resultados computacionais obtidos a partir do uso desta tcnica para minimizao do risco de carteiras de ativos financeiros, tomando-se para tanto uma medida de risco no convexa.

ciada a uma varivel aleatria R que determina o retorno de uma carteira, o Valor em Risco, ao nvel , definido como: VaR = q( R), em que (1) qa(R) = inf "w ! 0 | P (R # w) > a ,

2. Percentis como medida de risco


Historicamente, antes do desenvolvimento do conhecido modelo de Markowitz (1952), o risco financeiro era considerado um fator de correo dos retornos esperados e os retornos ajustados ao risco eram definidos ad hoc. A principal inovao proposta por Markowitz foi a interpretao do retorno de uma carteira como uma varivel aleatria cujo risco avaliado por meio de sua varincia, isto , do segundo momento da distribuio. A partir desta abordagem, foi possvel compreender que a diversificao reduz o risco, na medida em que carteiras que contm ativos negativamente correlacionados possuem varincia (risco) inferior soma das varincias (riscos) individuais. Um problema nesta abordagem que a varincia, ou desvio padro, do retorno de uma carteira apresenta propriedades indesejveis como a inadequao para avaliar situaes de perdas extremas, situadas nas caudas da distribuio de probabilidade. Alm disso, para que possa tratar a varincia de uma maneira simples, pela covarincia, o modelo pressupe que a distribuio de probabilidade dos retornos elptica o que na prtica no ocorre. Seguiram-se ao modelo de Markowitz, numa mesma linha, modelos que empregam medidas de risco definidas por outros momentos de distribuies de probabilidade, como o caso de Konno (Konno e Yamazaki, 1991), que prope o uso do primeiro momento absoluto da distribuio como mtrica. A prtica da gesto de risco mostrou que considerar o primeiro e segundo momentos da distribuio de probabilidade do retorno de uma carteira como medida de risco era insatisfatrio, na medida em que no permite identificar anomalias ou mesmo a extenso de possveis perdas com uma dada carteira. Motivado por diversos desastres financeiros envolvendo derivativos, nos quais as medidas tradicionais mostraram-se inadequadas, o Valor em Risco (VaR) surgiu, ento, como medida de risco. Formalmente, o VaR pode ser definido como sendo a pior perda esperada ao longo de determinado intervalo de tempo, sob condies normais de mercado e dentro de determinado nvel de confiana, ou seja, o VaR um percentil da distribuio de probabilidade das perdas. A funo de perda, no caso estudado, ser dada pelo oposto do retorno da carteira. A seguinte definio apresentada por Acerbi e Tasche (2002). Sendo P uma medida de probabilidade asso-

Conceitualmente, a obteno do VaR simples, uma vez que um percentil, porm, na prtica, sua determinao depende de tcnicas estatsticas de estimao o que introduz incertezas em seu clculo. H diversos mtodos para estimao do VaR. O mtodo de estimao paramtrico parte da premissa que a distribuio de probabilidade do retorno da carteira normal, bem determinado a partir de sua mdia e varincia, o que possibilita obter uma expresso analtica simples (Jorion, 1997). Tambm possvel utilizar tcnicas computacionalmente intensivas, baseadas em sries histricas como bootstrapping ou mesmo simulao de Monte Carlo, nos quais se pressupe que o histrico passado dos retornos reflete, de maneira adequada, o que dever ocorrer no futuro. Outras tcnicas fundamentadas na teoria de valores extremos ou em modelos de volatilidade estocstica tambm tm sido empregadas (Embrechts, 2000; McNeil, 1998; Szeg, 2002). Uma maneira de estimar percentis, denominada mtodo da srie histrica, consiste no uso de estatsticas de ordem. Sendo R = {r1...rT} um conjunto de observaes do retorno de uma carteira, um estimador de percentil dado por M[T:T](R), em que M[1:T] o mnimo de R = {r1... rT}, M[T:T] o mximo, e M[T:T] o T-simo valor em ordem crescente. Ou seja, segundo o modelo de srie histrica, para o clculo do VaR preciso, inicialmente, selecionar uma amostra de retornos para a carteira, ordenar este valores e escolher um valor de acordo com a funo M[T:N](R), em que o nvel de confiana desejado. H diversas consideraes sob o ponto de vista prtico que devem ser observadas pelo tomador de deciso, na escolha do mtodo a ser empregado para estimar o VaR. A opo por uma particular metodologia de clculo deve retratar uma necessidade da instituio (expressa em termos de nvel de confiana) e tambm ser apropriada particular carteira e tipos de ativos que a constituem. Ao estudar o VaR, necessrio, tambm, determinar o perodo para o qual dever ser verificada a pior perda. Este perodo, denominado horizonte de tempo, est diretamente relacionado com o tipo de empresa e caractersticas da carteira em que o VaR ser calculado. Em empresas em que os ativos financeiros so pouco negociados, utilizase um horizonte de tempo maior, como por exemplo, um ms. J em instituies que possuem um alto giro dos ativos financeiros, recomendvel utilizar um horizonte de tempo menor, como um dia. Definido o horizonte de tempo necessrio estabelecer o nvel de confiana, que indica a probabilidade de se verificar uma perda superior

GESTO & PRODUO, v.12, n.2, p.295-304, mai.-ago. 2005

297

indicada pelo VaR no horizonte de tempo considerado. A escolha deste valor est mais ligada s caractersticas de averso ao risco das empresas: as mais conservadoras tendem a adotar nveis de confiana mais altos. Na presena de instabilidades no mercado e de desvios significativos nas condies de normalidade, sabe-se que o VaR pode conduzir a ineficincias na gesto de carteiras. Alm disso, esta medida no possui propriedades importantes como a subaditividade, no podendo ser classificada como uma medida coerente de risco (Artzner, 1999). Apesar destas limitaes, esta medida se tornou um padro mundial de avaliao de risco. Seu estudo justifica-se no apenas pela sua aplicabilidade, mas tambm em decorrncia da complexidade do problema resultante, quando o VaR utilizado na composio de carteiras.

te, o problema de interesse consiste em determinar uma carteira x ! 0n que fornea o menor Valor em Risco, ou seja, encontre, se existir, x* arg min VaRa(x) ,
X _ Roi = ) x ! 0 |
n

x ! X _ Roi

j = 1

! x = 1 !E
j j = 1

_rj i xj $ Ro

xj $ 06j 3(2)

3. Composio de carteiras
O problema de composio de carteiras est intrinsecamente relacionado aos conceitos de risco e retorno. Quando um operador do mercado financeiro ou administrador de empresas compe uma carteira de ativos, o objetivo basicamente obter o mximo de retorno possvel, dado um nvel aceitvel de risco, ou obter o mnimo risco, fixado um nvel de retorno. A preocupao das instituies com relao composio de suas carteiras no recente. O trabalho de Markowitz, publicado em 1952, tratou da questo de composio de carteiras de mnimo risco sob a tica de modelos de otimizao, e tornou-se um marco na histrica de finanas. A literatura a respeito deste problema extensa, ainda que recente. H diversos trabalhos cientficos que tratam do problema de determinao de carteiras de mnimo risco (Judice et al., 2003; Ribeiro et al., 2002; Pflug e Gaivoronski, 2005; Bertsimas et al., 2004) sob a tica de otimizao. Em particular, o problema de determinao de algoritmos eficientes para o problema de minimizao de percentis, como o caso do Valor em Risco, tem desafiado pesquisadores. Algumas tcnicas tm sido propostas para analisar este problema por autores consagrados. Rockafellar e Uryasev (2000) apresentaram uma elegante formulao analtica para VaR(x), o Valor em Risco escrito a partir de uma particular carteira x ! 0n , em um nvel de confiana , que pressupe o conhecimento a priori, da distribuio de probabilidade dos retornos. Pflug e Gaivoronski (2005) props uma aproximao polinomial para VaR(x), pressupondo que os valores estimados so adequados para a modelagem, sem considerar a incerteza nas estimativas. Kibzun e Kipp (2001) analisam aproximaes discretas do problema. Em linhas gerais, pretende-se estudar o problema de composio de carteiras de mnimo VaR por meio de um modelo tratvel computacionalmente, mesmo em situaes nas quais no se presume normalidade. Formalmen-

em que x ! 0n o vetor que determina a composio da carteira, de forma que xi o percentual do i-simo ativo presente na carteira. A constante R0 o retorno mnimo exigido pelo investidor, e E(rj) o valor esperado do retorno do j-simo ativo. Neste modelo as restries so lineares e no causam problemas do ponto de vista de otimizao, porm a funo objetivo apresenta caractersticas que dificultam a implementao do modelo. Modelos que consideram as estimativas paramtricas do VaR como funo objetivo so equivalentes ao modelo tradicional de composio de carteiras de Markowitz e podem ser facilmente resolvidos por tcnicas de otimizao quadrtica (Luenberger, 1998), (Steinback, 2001). No entanto, a menos do caso em que o VaR estimado a partir do pressuposto de normalidade da distribuio de probabilidade dos retornos, no h uma expresso analtica trivial que possibilite escrever VaR(x). Ao utilizar estimadores para aproximao da funo objetivo, o problema passa a ter diversos mnimos locais o que dificulta, e at mesmo inviabiliza, a otimizao segundo os mtodos de otimizao tradicionais. Apresenta-se a seguir um exemplo hipottico que ilustra algumas das dificuldades inerentes ao problema. Foram selecionadas duas composies de carteiras x1 e x2, a partir de 5 ativos, e foi gerada uma famlia de carteiras: x(l) = lx1 + (1 l)x2, l [0,1]. Calculou-se o VaR para esta famlia de carteiras, utilizando-se o mtodo de srie histrica para um horizonte de um dia, a um nvel de confiana de 95%. Na Figura 1, esto representados os resultados, sendo que o eixo horizontal representa o valor de l e o eixo vertical o VaR. Observa-se neste exemplo que, embora o ponto de mnimo global da funo esteja prximo de 0.20, h vrios mnimos locais (alguns indicados por crculos). Alm disso, pode-se observar, como no ponto l1, por exemplo, que a funo possivelmente no diferencivel e verificou-se empiricamente que as irregularidades aumentam com o nmero de ativos da carteira. Para permitir a otimizao desta funo, pode ser utilizada uma tcnica de aproximao estocstica, apresentada na seo que segue, que interpola um conjunto de observaes. No exemplo apresentado na Figura 2, so utilizados 6 pontos para interpolao = {l1... l6} e verifica-se que a aproximao resultante possui um comportamento bastante apropriado ao uso de algoritmos de otimizao. O emprego de tcnicas de suavizao em problemas de otimizao com o intuito de reduzir o nmero de mnimos

298

Ribeiro e Ferreira Uma Contribuio ao Problema de Composio de Carteiras de Mnimo Valor em Risco

80 75 VaR (x( )) 70 65 60 55
1

O modelo apresentado a seguir reduz as dificuldades no processo de otimizao, provenientes da utilizao de estimadores de percentil, apresentando bom ajuste a problemas reais. Embora os clculos e testes sejam feitos calculando-se o VaR pelo mtodo de srie histrica, o modelo proposto aplicvel a qualquer tcnica de estimao de percentil.

4. O mtodo DACE para estimao do VaR


0,4 0,6 0,8 1

0,2

Figura 1. Comportamento do VaR para uma famlia de carteiras.

80
6

75
5

VaR (x( ))

70
4

65 60 55
1 2

0,2

0,4

0,6

0,8

Figura 2. Ajuste de uma funo pelo mtodo de aproximao.

locais no recente. Uma das vantagens na abordagem adotada reside no fato de que as aproximaes utilizadas so suficientemente bem comportadas, possibilitando que algoritmos tradicionais de otimizao sejam utilizados para sua minimizao. Mas, alm disso, o ajuste de curva parte da premissa que os valores da funo objetivo obedecem a um modelo estatstico no qual os erros aleatrios no so independentes. Ou seja, se os pontos x1 e x2 esto prximos, os erros de aproximao de f(x1) e f(x2) tambm estaro prximos. Esta caracterstica consistente com a estrutura dos problemas de composio de carteiras e, particularmente, com medidas de risco que consideram percentis da distribuio das perdas. As grandes perdas financeiras sofridas por gestores de carteiras devem-se a variaes adversas dos retornos e no a pequenas variaes na sua composio.

O pressuposto que norteia este trabalho que, em um dado instante, possvel determinar estimativas do Valor em Risco para diferentes composies de carteira, o que permite construir uma superfcie S(x) que estima a funo VaR(x). Ainda que sejam conhecidas na literatura diversas tcnicas para determinao do VaR de carteiras, a funo VaR (x) para x n no possui uma forma fechada simples a menos de situaes elementares. Rockafellar e Uryasev (2002) apresentaram a seguinte expresso para o clculo de VaR(x). Seja x n a composio de uma carteira, e f(x,y) a funo de perda, em que y m um vetor aleatrio de retornos com densidade p(y). Dado ]0;1[, o VaR(x) definido por VaR(x) = min {x | j (x, x) }, em que j(x, x) = P(f(x,y) x) = f(x,y) x p(y)dy Esta formulao conduz a modelos de otimizao lineares de grandes dimenses, porm com o grande inconveniente de admitir conhecida uma distribuio de probabilidades, o que na prtica no ocorre. A tcnica aqui apresentada insere-se dentro do que conhecido em otimizao como mtodos de funes aleatrias (random function methods), em que a funo objetivo tratada como uma realizao de um processo estocstico definido a priori, e caracterizado por uma funo de correlao entre os valores da funo calculados em diferentes pares de pontos (Pardalos et al., 2000), (Jones et al., 1998). A abordagem bastante utilizada em situaes nas quais o custo do clculo da funo objetivo muito alto, o que no necessariamente ocorre no clculo das estimativas da funo VaR(x). Assim, a principal vantagem da metodologia empregada para resoluo do problema decorre da interpretao da funo objetivo como um processo estocstico com uma estrutura de correlao que reflete o conceito de que carteiras com composies similares devem ter risco semelhante. Diversos modelos tm sido utilizados para aproximar funes que resultam de clculos computacionais ou cujo custo de avaliao alto. As tcnicas tm como base uma escolha apropriada de pontos, nos quais a funo deve ser calculada, e a seleo de uma superfcie que aproxima a funo de interesse. Tais tcnicas, conhecidas como ajustes DACE (Design and Analysis of Computer Expe-

GESTO & PRODUO, v.12, n.2, p.295-304, mai.-ago. 2005

299

riments), tm se mostrado eficientes, tanto no uso para aplicaes reais quanto em anlises de funes especficas, como a funo de Branin, tendo sido desenvolvidas para modelagem de funes no lineares que normalmente ocorrem na engenharia. A tcnica teve origem no estudo de problemas oriundos da geologia, e conhecida como Kriging (Pardalos et al., 2000). So apresentados a seguir os principais conceitos relacionados tcnica. Um estudo mais aprofundado apresentado por Jones et al. (1998). Consideram-se observaes de uma funo f(.), {(w(j); y(j))}qj = 1, em que w(j) n e y(j) = f(w(j)). O ajuste DACE encontra uma aproximao polinomial S(.) da funo f(.), que a interpola nos pontos observados, por meio de um modelo do tipo
j = 1

Deve-se observar que, a rigor, a funo VaR(x) no conhecida, sendo possvel determinar apenas estimadores da funo. Uma estimativa nada mais que uma observao de uma varivel aleatria, de tal sorte que a aplicao do mtodo DACE para aproximao da funo VaR(x) natural. Considera-se uma seqncia de observaes {(x(j); y(j))}qj = 1, em que x(j) n e y(j) = M[T:T]( Rtx) a partir da qual construda uma aproximao S(x).

5. Seleo da amostra e validao do modelo


O emprego de um conjunto de observaes adequado essencial para garantir uma boa aproximao da funo. No delineamento de experimentos clssicos, utilizados em experimentos fsicos, h a preocupao de ocupar o espao de busca por meio de tcnicas como blocagem, replicao e aleatorizao. Porm, de acordo com Sacks et al. (1989), no caso de experimentos computacionais, o emprego destas tcnicas no acrescenta informao relevante. Diversos autores tm estudado o problema de obteno de uma amostra apropriada para experimentos computacionais. Simpson et al. (2001) analisam o impacto do uso de diferentes estratgias de amostragem no delineamento e anlise de experimentos computacionais. Bates et al. (2003) estudam tcnicas computacionalmente eficientes para gerao de amostras. Neste artigo, so avaliados trs mtodos para gerao de amostras: no primeiro, denominado aleatrio, os pontos so gerados por meio de uma distribuio uniforme em [0;1]n. No segundo, denominado gerao determinstica, cada face do hipercubo [0;1]n subdividida em P subintervalos que do origem a hipercubos cujos vrtices so escolhidos para amostra. Finalmente, na gerao por hipercubo latino (LHS Latin Hypercube Sampling) as n componentes de cada vetor so geradas aleatoriamente dentro de estratos pr-determinados. A seguir, as componentes geradas so selecionadas aleatoriamente, de forma a compor um vetor de dimenso n (McKay et al., 1979). Aps ter sido gerada uma amostra, necessrio avaliar sua qualidade; Jones et al. (1998) sugerem o uso de tcnicas de cross validation para medir a adequao da superfcie construda a partir de uma amostra. Simpson et al. (2001) consideram um conjunto de nval pontos de validao gerados aleatoriamente, para os quais so calculados o erro absoluto mximo (EAM) e o erro quadrtico mdio (EQM), respectivamente: t !_ yi - yii 2 t EAM = max # yi - yi EQM = j = 1, 2,..., nval nval ^ em que y e yi correspondem aos valores obtidos para as superfcies aproximadoras S(x(i)) e para VaR(x(i)) (segundo a estimativa por srie histrica). A fim de ilustrar graficamente o que foi apresentado, so exibidas as superfcies construdas para os diferentes

!a

f (j) (w) + e (w), no qual os

erros aleatrios e(w) so normalmente distribudos com mdia zero, varincia constante, 2, e alm disso so correlacionados. A correlao entre os erros (w(*)) e (w(j)) depende da distncia entre os pontos, de tal forma que quanto mais prximo estiver o ponto w(*) do ponto w(j), menor ser a diferena entre (w(*)) e (w(j)) e maior ser a correlao entre eles. De acordo com a distncia utilizada possvel construir diferentes estruturas de correlao entre os erros (w(j)) e (w(k)) o que permite obter diferentes funes de ajuste amostra dada. As medidas de correlao usuais so da forma 2, em que ij = C(w(j), w(k)) = exp[ d(w(j), w(k))]. A medida de distncia utilizada dada por uma funo que prioriza, por meio de parmetros h e ph, as variveis mais ativas na previso:

d _ w ( j) , w ( k) i =

h = 1

!i

( ( whi) - whk)

ph

_ih $ 0, ph ! [1, 2]i .

Embora os parmetros h, ph e 2 possam ser obtidos por meio de tcnicas estatsticas de estimao, admite-se, para este estudo, que ph = 2, numa abordagem similar a Queipo et al. (2002). Uma vez determinados 2, h e ph, o estimador no viesado de mnimos quadrados para o f(w*) ser dado por (Lophaven et al., 2002): m t ^w *h = ! b*j f j ^w *h + r lR- 1 _ y - Fb *i f
j = 1

em que: b = (FT 1 F) 1 FT 1y r o vetor de correlaes entre os erros em w* e os erros nos pontos da amostra. Ou seja, ri(w*) = C(w*, w(i)), para uma determinada escolha da distncia; S a matriz de correlao entre os erros dos pontos da amostra, ou seja, jk = C(w(j), w(k)); y o vetor dos valores observados da funo para a amostra; F a matriz com os valores das funes calculados nos pontos da amostra, dada por: Fij = f(i)(w(j)).

300

Ribeiro e Ferreira Uma Contribuio ao Problema de Composio de Carteiras de Mnimo Valor em Risco

tipos de amostragem. Considerou-se uma carteira hipottica com trs ativos financeiros negociados na Bolsa de Mercadorias e de Futuros (BM&F), a saber, contratos Futuros de Cupom Cambial com maturidade para 5, 35 e 65 dias corridos. Fixou-se a composio dos contratos com maturidade de 65 dias, ou seja, tomou-se x3= 30% e os valores das demais variveis foram ento gerados por meio das diferentes tcnicas de amostragem. Para calcular o Valor em Risco dirio, ao nvel de confiana de 95%, empregaram-se 994 observaes e o estimador de srie histrica. As variveis x1 e x2 representam as fraes do capital investido em ttulos com maturidade de 5 e 35 dias respectivamente. Na Figura 3, so apresentadas as superfcies aproximadoras obtidas, utilizando-se respectivamente as tcnicas de amostragem aleatria, determinstica e segundo a gerao por hipercubos latinos. Cada uma das amostras utilizadas para a obteno das superfcies possua 100 pontos que, na Figura 3, correspondem aos pontos destacados sobre cada superfcie. A fim de simplificar a representao grfica, a restrio
j = 1

y(x1, x2) 0,35 0,3 0,25 0,2 0 x1 0,5 1

Amostragem Aleatria

0,5 x2

y(x1, x2) 0,35 0,3 0,25 0,2 0 x1 0,5 1

Amostragem Determinstica

! x = 1 foi relaxada.
j

Naturalmente, ao considerar amostras que envolvem a gerao de nmeros aleatrios, obtm-se superfcies mais irregulares do que no caso em que a gerao de pontos determinstica. Esta caracterstica parece estar ligada ao fato de que nas amostras com aleatoriedade pode ocorrer a concentrao de pontos em particulares regies, contrariamente ao caso determinstico. Do ponto de vista de otimizao, esta irregularidade indesejvel, uma vez que a qualidade das solues obtidas pelos mtodos numricos depende fundamentalmente da suavidade da funo objetivo. Deve-se destacar que a motivao do trabalho foi justamente reduzir a irregularidade da funo VaR(x). A qualidade da aproximao obtida tambm pode ser analisada por meio do erro quadrtico mdio (EQM). Tomou-se, para os exemplos acima, uma amostra de validao com 100 pontos gerados aleatoriamente e calculou-se o valor do erro para cada caso. A amostragem aleatria e a gerao por hipercubos latinos forneceram erros quadrticos mdios da ordem de 6,3 x 10-5 e 3,9 x 10-5, respectivamente, enquanto que, para a amostragem determinstica, o erro foi de aproximadamente 1,7 x 10-5 (valores aproximados para uma casa decimal).

0,5 x2

y(x1, x2) 0,35 0,3 0,25 0,2 0 x1 0,5

Amostragem Hypercubos Latinos

0,5 x2

6. Resultados computacionais
O mtodo proposto foi utilizado em um problema real do mercado brasileiro. Considerou-se uma srie de taxas de retorno de aes de aproximadamente 3 anos, que forneceu 718 observaes dirias. Foram selecionadas dez aes do ndice Bovespa e tambm o prprio ndice, totalizando onze ativos. Calculou-se, a seguir, o Valor em Risco a um nvel de 5% pelo mtodo de sries histricas. Todos os clculos foram realizados com o aplicativo MATLAB.

Figura 3. Aproximao gerada pelo mtodo DACE utilizando-se amostragem aleatria, determinstica e segundo a gerao de hipercubos latinos.

Antes de resolver o problema com os onze ativos, procurou-se realizar um estudo emprico para identificar qual a amostragem mais apropriada ao problema em questo, bem como a quantidade de pontos necessrios para realizar uma aproximao aceitvel. Assim, verificou-se,

GESTO & PRODUO, v.12, n.2, p.295-304, mai.-ago. 2005

301

primeiramente, a relao entre o nmero de ativos (n), o nmero de pontos da amostra para gerar a superfcie (Namostra) e o tipo de amostra. Os pontos para clculo dos erros de avaliao foram gerados aleatoriamente, sendo empregados para Namostra pontos, ou seja, a mesma quantidade de pontos utilizada para construir a superfcie. A anlise foi realizada para instncias de tamanho reduzido do problema. Variou-se a dimenso dos vetores considerados (n), bem como o tamanho da amostra para gerao de superfcie, tendo-se assumido Namostra = mn. Adotou-se a seguinte denominao para as tcnicas de amostragem: Det a amostragem determinstica, Al a amostragem aleatria e Hip a gerao por hipercubos latinos. Os resultados so apresentados na Figura 4. Observe que os erros diminuem medida que so utilizados mais pontos para a construo da superfcie. claro que o aumento no nmero de pontos acarreta um significativo acrscimo do custo computacional da determinao da superfcie aproximadora, o que pode tornar o mtodo proibitivo. Assim, a efetiva escolha de um particular nmero de pontos deve levar em conta a relao entre tempo disponvel e qualidade desejvel da aproximao. Ainda que no se possa concluir estatisticamente que a amostra determinstica a mais adequada, uma vez que seria necessria a gerao de vrios testes, para cada par (n, m), os erros de aproximao no caso deste tipo de gerao de pontos so claramente inferiores aos erros da gerao aleatria para tamanhos de amostra maiores. Por sua vez os resultados obtidos com a gerao por hipercubos latinos no apresentam comportamento significativamente superior ao caso da amostragem determinstica. Estes fatos, somados ao interesse em obter uma superfcie com poucos mnimos locais, levaram escolha da amostragem determinstica para o tratamento do problema de interesse. No objetivo deste trabalho analisar o mtodo em termos de velocidade de processamento, mas sim avaliar
EAM (x103) m 3 4 1,9 1,4 5,3 13,9 9,1 119,2 34,2 2,4 9,3 31,0 26,3 12,6 33,3 5,0 26,2 10,1 93,1 5,9 50,4 5,4 29,2 5,9 31,6 6,8 EQM (x105) m 3 4 0,06 0,03 0,51 1,03 1,35 45,71 27,05 0,07 0,76 1,76 5,40 0,44 23,54 0,27 2,33 0,18 8,12 0,15 33,88 0,11 2,09 0,14 2,63 0,13

seu comportamento na resoluo de problemas reais, razo pela qual procurou-se estudar o comportamento das carteiras de mnimo Valor em Risco, obtidas pelo mtodo proposto. Note que no possvel obter expresses analticas para descrever as solues timas, pois se parte do pressuposto que a funo objetivo uma realizao de um processo estocstico e que a determinao do conjunto arg min VaRa(x) no trivial mesmo se for admitido
x ! X _ Roi

n 2 3 4 5

i Det Hip Al Det Hip Al Det Hip Al Det Hip Al

5 1,4 3,1 3,7 1,9 3,8 3,3 3,4 4,4 5,6 4,0 5,2 5,4

n 2 3 4 5

i Det Hip Al Det Hip Al Det Hip Al Det Hip Al

5 0,03 0,09 0,06 0,04 0,06 0,07 0,07 0,07 0,08 0,03 0,04 0,06

que VaR (x) determinstica. No vivel, conseqentemente, comparar solues timas com solues tericas, ou mesmo, com resolues resultantes de implementaes de algoritmos de otimizao que interpretam o Valor em Risco como uma funo determinstica. A alternativa , portanto, averiguar como as solues se comportam quando comparadas com solues de outro modelo de composio de carteiras. A abordagem usual, aqui adotada, para a anlise do problema, consiste em construir a fronteira de eficincia luz da especfica medida risco empregada, neste caso, o Valor em Risco. A fronteira de eficincia representa a relao risco retorno associada a um investidor que considera o risco como a sua medida de utilidade (a ser minimizada). natural estabelecer como parmetro de referncia o modelo clssico de Markowitz, que originou o estudo destas fronteiras, e que assume que o risco da carteira determinado pela varincia do retorno. Ao adotar tal medida de risco, o problema resultante de fcil resoluo, reduzindo-se a um problema de programao quadrtica. Espera-se que o modelo de otimizao de Valor em Risco tenha um comportamento similar ao modelo de Markowitz, em termos de estabilidade da soluo ao longo do tempo e, tambm, quanto relao risco retorno, expressa em termos da fronteira de eficincia. Naturalmente no h interesse em uma comparao direta entre os dois modelos a fim de identificar qual o melhor, uma vez que se destinam a investidores distintos, que possuem diferentes posturas frente ao risco. Para gerar a superfcie que aproxima o Valor em Risco, foram utilizados 286 pontos, obtidos por meio da amostragem determinstica. A fronteira eficiente - que relaciona risco e retorno - foi ento construda a partir de diferentes valores de retorno. Exigia-se que o retorno das carteiras fossem iguais a um conjunto de retornos pr estabelecidos, R = {Rk}200k = 1, portanto, foram resolvidos diversos problemas cujos conjuntos de pontos viveis eram dados por:
X _ Rk i = ) x ! 0n |
j = 1

!x = 1 !E
j j = 1

_rj i xj = Rk xj $ 06j 3 .

Figura 4. Erro absoluto mximo (EAM) e erro quadrtico mdio (EQM) em funo do nmero de ativos, do tipo e tamanho da amostra.

Os resultados so apresentados graficamente na Figura 5, em que o eixo vertical representa o retorno exigido, Rk, e o eixo horizontal o Valor em Risco, ambos expressos em percentual.

302

Ribeiro e Ferreira Uma Contribuio ao Problema de Composio de Carteiras de Mnimo Valor em Risco

0,235 0,225 0,215 0,205 0,195 0,185 0,175 1,8 1,9 2,0 2,1 2,2 VaR F. E. de Markowitz F. E. de mnimo VaR 2,3 2,4 2,5 rc

100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 18-05-01

GGBR4

TEPR4 VALE5 BBDC4 08-06-01 29-06-01 20-07-01 10-08-01

Figura 6. Evoluo temporal da composio da carteira tima segundo o modelo de mnimo VaR.

Figura 5. Fronteira do Valor em Risco para modelo de mnimo VaR e Markowitz.

Para cada valor de retorno mnimo exigido, exibe-se o valor em risco das carteiras timas obtidas por meio dos dois modelos. Os pontos sobre a curva contnua representam os pares (Retorno mdio;Valor em Risco) da carteira tima de mnimo Valor em Risco, obtida quando se exige pelo menos aquele especfico retorno. A curva pontilhada apresenta o Valor em Risco da carteira de mnima varincia determinada pelo modelo de Markowitz para o mesmo valor de retorno mdio. Assim as curvas representam os pares: (R0; VaR(x*(R0))) em que x*(R0) arg min Var (x)
x ! X _ Roi

100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 18-05-01

GGBR4

TEPR4

08-06-01

29-06-01

20-07-01

10-08-01

Figura 7. Evoluo temporal da composio de carteira tima segundo o modelo de Markowitz.

e (R0; VaR(xM(R0))) sendo xM(R0) a soluo do modelo de Markowitz, isto , xM(R0) arg min xt Rx (x) em que
x ! X _ Roi

a matriz de covarincia dos retornos. Uma caracterstica desejvel e importante na gesto de carteiras a sua estabilidade, ou seja, espera-se que no seja necessrio realizar muitas alteraes na composio das carteiras ao longo do tempo, devido aos altos custos de reestruturao e necessidade de liquidez. A premissa de inexistncia de custos operacionais, presente na maioria dos modelos de composio de carteiras, no reflete a realidade e usualmente uma das crticas a estes modelos. Para avaliar o desempenho do modelo de mnimo Valor em Risco, sob esta tica, utilizou-se uma abordagem usual em finanas que considera janelas de tempo. A partir de um histrico de retornos de comprimento fixo (uma janela), gera-se a carteira tima. A cada perodo de clculo, a observao mais antiga excluda do histrico e acrescenta-se uma nova observao referente ao ltimo retorno observado, repetindo-se o processo de otimizao. Do total de 718 retornos disponveis utilizou-se um histrico fixo de 466 observaes e foram feitas 252 determinaes da soluo tima, alterando-se o histrico em um dia. As carteiras timas foram calculadas, para os dois modelos, fixando-se o retorno mnimo esperado em 0,2%. As figuras que seguem (Figuras 6 e 7), usuais na

literatura de finanas, resumem os resultados obtidos. Estes grficos descrevem a evoluo da composio da carteira ao longo do tempo, quando se toma a deciso com base, exclusivamente, no modelo de otimizao. Considera-se que modelo empregado diariamente, sendo que em cada dia a nova carteira tima determinada utilizando-se a srie de dados atualizada at o dia precedente, excluindo-se a observao mais antiga. No eixo vertical so apresentados os percentuais de cada ativo que compem a carteira e cada textura refere-se a um particular ativo. Por exemplo, os dados relativos ao ndice Bovespa, apresentados com a tonalidade mais escura, na parte superior do grfico, indicam que na data inicial 23% da carteira era composta por este ativo. medida que o tempo passa, este valor se altera, at que na data final representa apenas 2,5%. Estudou-se um perodo de trs meses. Embora estes resultados no permitam tirar concluses quanto superioridade de um modelo ou outro, visto que dependem da liquidez dos mercados, volumes financeiros envolvidos e custos especficos de compra ou venda de ativos, pode-se observar que carteiras obtidas pelo modelo de mnimo Valor em Risco so menos estveis do que as obtidas pelo modelo de Markowitz. Verifica-se que, para carteiras obtidas segundo o modelo de Markowitz, a maior alterao da composio de um ativo entre dois dias consecutivos foi de 2%, enquanto que, para carteiras

GESTO & PRODUO, v.12, n.2, p.295-304, mai.-ago. 2005

303

obtidas segundo o modelo de mnimo VaR, a alterao mxima de 6%. Esta questo deve ser levada em considerao quando da opo pela composio de carteiras segundo um modelo ou outro. Deve ser ponderado se a reduo do Valor em Risco obtida pelo modelo justifica os custos referentes menor estabilidade das carteiras, salientando-se que o modelo de Valor em Risco presume que o investidor se preocupa com a perda mxima que pode ocorrer com uma dada probabilidade. Isto significa que um eventual aumento de custos operacionais no necessariamente refletir uma perda para o investidor, uma vez que mantm sua carteira dentro de nveis aceitveis de risco, uma das exigncias dos comits de avaliao de riscos nacionais e internacionais.

7. Concluses
Este trabalho estudou o problema de determinao de carteiras de ativos financeiros de mnimo risco, quando se consideram medidas de risco no convexas. A medida selecionada para estudo, o Valor em Risco, embora bastante difundida e utilizada para aferio de risco, no empregada para determinao de carteiras timas, devido s dificuldades de implementao do modelo de otimizao subjacente. Para contornar tais inconvenientes, foi proposta a aplicao de uma ferramenta de otimizao baseada em aproximao estocstica que possibilitou a determinao de carteiras de mnimo Valor em Risco. Seu uso permitiu que o problema de composio de carteiras de mnimo Valor em Risco fosse resolvido de forma simples, principalmente no que se refere determinao de mnimos globais. Foram tambm apresentados alguns estudos comparativos entre as solues e as fronteiras eficientes obtidas pelo modelo de Markowitz e pelo modelo de mnimo Valor em Risco. Destes estudos depreende-se que as solues obtidas pelos dois modelos possuem caractersticas distintas, que devem sem contempladas pelos investidores no momento de determinao de suas carteiras. Questes de natureza qualitativa e individual tornam impraticvel a determinao do melhor modelo a menos de

uma seleo ex-ante. Se o que se pretende determinar a carteira de mnima varincia, o modelo apropriado ser o de Markowitz. Caso se deseje encontrar a carteira de mnimo Valor em Risco, o modelo adequado ser o que minimiza esta medida de risco. Anlises multidimensionais que consideram risco e custos operacionais, mais uma vez dependero de uma postura especfica do investidor. Mesmo que se opte por uma particular abordagem, a anlise da fronteira eficiente, bem como da evoluo temporal da composio das carteiras, poder contribuir para uma compreenso mais aprofundada das componentes do risco associado quela carteira. A reduo da participao de um ativo na carteira reflete um acrscimo na sua importncia relativa no risco global da carteira, que no necessariamente se traduz numa compensao em termos de retorno. Conseqentemente, ainda que no se determine a priori uma medida de risco, destas anlises se poder inferir, ao menos qualitativamente, relaes capazes de direcionar a tomada de deciso. Destaque-se que a abordagem aqui proposta possui aplicaes em diversos problemas de gesto financeira na indstria, que incluem at mesmo a determinao de carteira de produtos. Neste caso, pode-se considerar, por exemplo, que o risco esteja associado ao lucro e que a incerteza decorra exclusivamente de flutuaes de preos. Ao pressupor que a receita funo das quantidades produzidas, as variveis de deciso passam a ser as quantidades, ou percentuais (financeiros) produzidos de cada produto. O risco pode, ento, ser definido como um percentil associado distribuio de probabilidades do lucro, isto , o Valor em Risco. Torna-se assim natural obter a carteira de produtos que minimiza o Valor em Risco do lucro. Entre os trabalhos futuros a serem realizados esto estudos sobre o desempenho do mtodo na composio de carteiras que utilizam outras medidas de risco. natural tambm averiguar o impacto da escolha de particulares estruturas de correlao na definio do processo estocstico que determina a superfcie que aproxima o Valor em Risco, assim como analisar diferentes aproximaes estocsticas.

Referncias Bibliogrficas
ACERBI, C.; TASCHE, D. On the coherence of expected shortfall. Journal of Banking and Finance, v. 26, n. 7, p. 1487-1503, 2002. ARTZNER, P., et al. Coherent measures of risk. Mathematical Finance, v. 9, p. 203-228, 1999. BATES, S. J.; SIENZ, J.; LANGLEY, D. S. Formulations of the Audze-Eglais Uniform Latin Hypercube design of experiments. Advances in Engineering Software, v. 34, n. 8, p. 493-506, 2003. BERTSIMAS, D.; LAUPRETE, G. J; SAMAROV, A. Shortfall as a risk measure: properties, optimization and applications. Journal of Economic Dynamics & Control, v. 28, n. 7, p. 1353-1381, 2004. EMBRECHTS, P. Extreme Value Theory: potential and limitations as an integrated risk management tool. Derivatives Use, Trading and Regulation, v. 6, p. 449-456, 2000. JONES, D. R.; SCHONLAU, M.; WELCH, W. J. Efficient global optimization of expensive black-box functions.

304

Ribeiro e Ferreira Uma Contribuio ao Problema de Composio de Carteiras de Mnimo Valor em Risco

Journal of Global Optimization, v. 13, n. 4, p. 455-492, 1998. JORION, P. Value at Risk: the new benchmark for controlling derivatives risk. New York: McGraw Hill, 1997. JDICE, J. J., RIBEIRO, C. O., SANTOS, P. J. Anlise Comparativa dos Modelos de Seleco de Carteiras de Aes de Markowitz e Konno. Investigao Operacional, v. 23, n. 2, p. 211-224, 2003. KIBZUN, A.; KIPP, R. Discrete approximation in quantile problem of portfolio selection, In: URYASEV, S.; PARDALOS, P. M. (Ed.): Stochastic optimization algorithms and applications. Boston: Kluwer, 2001. p. 121-135. KONNO, H.; YAMAZAKI, H. Mean-absolute deviation portfolio optimization model and its application to Tokyo stock market. Management Science, v. 37, n. 5, p. 519-531, 1991. LOPHAVEN, S. N.; NIELSEN, H. B.; SNDERGAARD, J. DACE: a matlab kriging toolbox. Denmark: Informatics and Mathematical Modelling, Technical University of Denmark, 2002. 28 p. (Technical Report, IMM-TR2002-12). LUENBERGER, D. G. Investment Science. New York: Oxford University Press, 1998. MARKOWITZ, H. M. Portfolio Selection. Journal of Finance, v. 7, n. 1, p. 77-91, 1952. MCKAY, M. D.; CONOVER, W. J.; BECKMAN, R. J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics, v. 21, n. 2, p. 239-245, 1979. MCNEIL, A. J. Calculating quantile risk measures for financial time series using extreme value theory. 1998. Disponvel em: <http://e-collection.ethbib.ethz.ch/show? type=bericht&nr=85>. Acesso em: 2 de agosto de 2005.

PARDALOS, P. M.; ROMEIJN, H.; TUY, H. Recent developments and trends in global optimization. Journal of Computational and Applied Mathematics, v. 124, n. 1-2, p. 209-228, 2000. PFLUG, G.; GAIVORONSKI, A. A. Value-at-risk in portfolio optimization: properties and computational approach. Journal of Risk, v. 7, n. 2, p. 1-31, 2005. QUEIPO, N.V., et al. Surrogate modeling-based optimization for the integration of static and dynamic data into a reservoir description. Journal of Petroleum Science and Engineering, v. 35, n. 3-4, p. 167-181, 2002. RIBEIRO, C. O.; GUEDES, M. C. M.; SANTOS, J. Uma anlise comparativa de modelos de gesto de carteiras de investimento baseadas no modelo Cvar (Var Condicionado). In: CONGRESSO ANUAL DA SOCIEDADE PORTUGUESA DE ESTATSTICA, 9, 2001, Ponta Delgada. Novos Rumos em Estatstica, Ponta Delgada, Sociedade Portuguesa de Estatstica, 2002. p.327-340. ROCKAFELLAR, R. T.; URYASEV, S. Optimization of conditional value-at-risk. Journal of Risk, v. 2, n. 3, p. 21-41, 2000. ______. Conditional value-at-risk for general loss distributions. Journal of Banking and Finance, v. 26, n. 7, p. 1443-1471, 2002. SACKS, J., et al. Design and analysis of computer experiments. Statistical Science, v. 4, n. 4, p. 409-435, 1989. SIMPSON, T. W., LIN, D. K. J., CHEN, W. Sampling strategies for computer experiments, design and analysis. International Journal of Reliability and Applications, v. 2, n. 3, p. 31-85, 2001. STEINBACK, M. C. Markowitz revisited: mean variance models in financial portfolio analysis, SIAM Review, v. 43, p. 31-85, 2001. SZEG, G. Measures of Risk. Journal of Banking and Finance, v. 26, n. 7, p. 1253-1272, 2002.

a contribUtion to the minimUm ValUe-at-risk portfolio problem


Abstract
A model based on stochastic approximation is proposed to minimize the risk of portfolios of financial assets. Value-at-Risk, a widely used risk measure in financial management practices, has rarely been used in optimal portfolio context selection due to difficulties in computational implementation. The proposed model allows the minimum Valueat-Risk portfolio problem to be solved through an approximation of the objective function. This paper analyzes the performance of the model in a portfolio of Brazilian market assets.
Keywords: portfolio management, finance, optimization.

También podría gustarte