Risco de cauda: o que o VaR deixa além do limiar

Um limiar não é um máximo

O Valor em Risco, ou VaR, resume um quantil de perda para um horizonte e nível de confiança indicados. Um VaR de um dia a 95% é um limiar associado à cauda superior da distribuição modelada de perdas de um dia. Não é uma perda máxima possível, um nível de stop prometido nem uma afirmação de que a perda de amanhã tem um limite.

O nível de confiança, por si só, é incompleto. Um valor em dólares depende da dimensão da carteira, posições, método de avaliação e distribuição usada. Abordagens históricas, paramétricas e de simulação podem dar respostas diferentes devido aos seus pressupostos. Indique sempre a convenção de sinal: alguns sistemas reportam uma perda positiva, outros mostram um limiar de retorno negativo.

Pergunte qual a gravidade dos piores resultados

O défice esperado examina a perda média na parcela selecionada dos piores resultados, com tratamento adequado na fronteira de um quantil discreto. Descreve, portanto, a gravidade da cauda que um quantil isolado pode ocultar. Duas carteiras podem partilhar um VaR semelhante, mas ter perdas muito diferentes para além desse limiar.

Esta informação adicional não torna a medida infalível. As observações nas caudas são escassas, pelo que as estimativas podem ser instáveis. Uma amostra curta pode não conter nenhuma crise semelhante à próxima. Os quadros regulamentares de risco de mercado usam a perda esperada em cauda em modelos específicos, mas um cálculo educativo não é uma avaliação de capital regulamentar e não deve apropriar-se da autoridade dessa terminologia.

A definição da cauda importa em resultados discretos. Suponha perda zero com probabilidade de 97%, de 100 dólares com 2% e de 1000 com 1%. Pela convenção do menor quantil de perda, o VaR de 95% é zero. Contudo, a média dos piores 5% é (0,02 × 100 + 0,01 × 1000 + 0,02 × 0) / 0,05 = 240 dólares. Calcular apenas a média das perdas estritamente superiores ao VaR dá 400 e responde a outra pergunta: essas perdas ocupam apenas 3% da distribuição.

Ausência histórica não é impossibilidade

Uma simulação histórica reavalia ou aproxima a carteira atual sob variações passadas. A sua transparência é útil, mas não consegue representar automaticamente acontecimentos fora da amostra. Alterações estruturais na alavancagem, nos locais de negociação ou nos próprios instrumentos podem fazer com que um choque histórico conhecido se comporte de forma diferente hoje.

Os modelos paramétricos também exigem escrutínio. Assumir rendibilidades com distribuição normal pode subestimar certos resultados extremos e dependências. Escalar o risco de um dia pela raiz quadrada do tempo depende de pressupostos restritivos sobre dependência e distribuição; não é uma regra universal para posições ilíquidas ou produtos não lineares. Mostre a sensibilidade a pressupostos alternativos em vez de apresentar um modelo como uma propriedade objetiva da carteira.

A dependência de cauda e a liquidez devem ser analisadas em conjunto

O movimento conjunto extremo pode diferir da correlação medida em dias normais. Várias posições aparentemente diversificadoras podem tornar-se difíceis de vender em simultâneo quando o financiamento se restringe. As perdas podem então aumentar as exigências de garantia, forçando vendas e criando pressão adicional sobre os preços. Uma distribuição estática de rendibilidades pode omitir este ciclo de realimentação.

Inclua cenários de aumento do spread, execução atrasada e coberturas indisponíveis. Para opções ou produtos alavancados, reavalie a posição com sensibilidades variáveis em vez de extrapolar uma estimativa de pequeno movimento. Interrupções operacionais também podem transformar um movimento adverso de preço controlável numa perda realizada maior. A medição do risco é incompleta se assumir um processo de saída perfeitamente funcional em todos os acontecimentos extremos.

Use várias perspetivas e examine as exceções

Combine medidas quantitativas de cauda com perdas por cenário, relatórios de concentração e testes de stress de fluxos de caixa. Cada um destaca algo diferente. Quando as perdas realizadas excederem um limiar de VaR modelado, investigue se o acontecimento é compatível com a frequência de ultrapassagem prevista, se o modelo foi implementado corretamente e se a distribuição subjacente mudou.

Não recalibre apenas para fazer desaparecer exceções recentes. Preserve as previsões anteriores para que o modelo possa ser avaliado honestamente. Um relatório útil de risco de cauda explica o que está incluído, o que não está, quão incerta é a estimativa e que decisões dependem dela. O maior perigo é frequentemente tratar uma estatística compacta como permissão para ignorar os pressupostos que a geraram.

Avalie a previsão antes de interpretar as ultrapassagens

A previsão e o resultado usado para a verificar devem referir-se ao mesmo objeto. Uma previsão diária para posições do fecho anterior não se testa diretamente com um resultado que inclui novas operações, levantamentos e encargos sem relação. Use uma comparação baseada naquelas posições para avaliar o modelo e outra do resultado efetivo para analisar a conta. Ambas são importantes; misturá-las dificulta identificar a origem de uma ultrapassagem.

Num modelo ideal contínuo e corretamente calibrado, o VaR diário de 99% é ultrapassado em 1% dos dias. Em 250 dias, o número esperado é 2,5, não exatamente dois ou três. Se as ultrapassagens fossem independentes e de probabilidade constante, a probabilidade de alguma seria 1 − 0,99²⁵⁰, cerca de 91,9%. Um episódio isolado não prova uma falha. Um total pequeno também não demonstra boa calibração se todos os episódios estiverem concentrados num curto período.

A gravidade é um diagnóstico diferente da frequência. Perder pouco acima do limiar ou dez vezes esse montante conta como uma ultrapassagem nos dois casos, mas com consequências muito distintas. Examine valores, circunstâncias e previsões anteriores. Um modelo que acerta aproximadamente no total, mas falha uma concentração de perdas graves ligadas à falta de financiamento, não respondeu a toda a questão do risco.

Níveis de confiança elevados deixam poucas observações extremas. Em 1000 cenários históricos de igual peso, o pior 1% contém apenas dez. Substituir uma observação pode alterar muito a média, sobretudo se for uma perda excecional. Mudar o horizonte ou acrescentar cenários adversos modifica novamente a pergunta. Apresente número de observações, ponderações e sensibilidade às maiores perdas. Mais casas decimais não compensam informação escassa.