Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouBetty Valente Gesser Alterado mais de 8 anos atrás
1
Aula 10 Risco Operacional Prof. José Valentim Machado Vicente, D.Sc. jvalent@terra.com.br
2
Aula 10 2 Conteúdo da Aula Base de Dados Método da Distribuição de Perdas Modelos de Freqüência Distribuição de Poisson Modelos de Severidade Distribuição Gama Teoria dos Valores Extremos VaR Operacional
3
Aula 10 3 Base de Dados Quando a decisão é modelar risco operacional, a primeira questão que surge é de onde virão os dados? Essa questão é mais fácil de ser respondida para o risco de mercado e de crédito. Os bancos, com raras exceções, têm procedimento formal para registrar e arquivar informações sobre perdas operacionais históricas de forma sistemática. Segundo pesquisa do Comitê da Basiléia, apenas um pequeno número de bancos já está utilizando métodos estatísticos para modelar risco operacional.
4
Aula 10 4 Base de Dados Existem duas grandes dificuldades em se coletar eventos de risco operacional: Os eventos de risco operacional têm sua natureza descentralizada, ou seja, este tipo de risco pode se materializar em qualquer unidade de negócio, podendo estar relacionado a qualquer processo, produto ou serviço. Há uma carência cultural no processo de coleta deste tipo de perda, principalmente pelo fato de ser uma informação sensível e ainda não haver um claro entendimento dos benefícios como o ganho de eficiência que este rastreamento de perdas pode trazer.
5
Aula 10 5 Base de Dados Existem três formas alternativas, não excludentes, de se coletar as perdas decorrentes de risco operacional: Registrar manualmente as ocorrências de risco operacional à medida que os eventos de perda ocorrem. Coletar os dados de fontes gerenciais. Minerar nas contas contábeis as perdas decorrentes de eventos de risco operacional.
6
Aula 10 6 Forma de ColetaVantagensDesvantagens ManualPossibilita maior detalhamento da perda e uma identificação precisa das causas, efeitos e ações mitigadoras. A cobertura das perdas requer uso intensivo de capital humano. GerencialDemanda menor uso de capital humano e é adaptável a taxonomia de RO. A informação é menos detalhada que no método manual e menos confiável do que no método contábil. ContábilO uso do capital humano é mínimo e a confiabilidade deste tipo de informação é muito maior do que as outras. Ainda não existem contas específicas para este tipo de perda e é difícil identificá-las dentro da taxonomia de RO. Base de Dados
7
Aula 10 7 Base de Dados Na análise exploratória de dados de perdas operacionais duas características são muitas das vezes observadas: Uma grande quantidade de perdas com valores baixos e uma pequena quantidade de perdas com valores altos. A ocorrência de recuperações é um fenômeno com pouca chance de ocorrer, no entanto o volume total de capital recuperado é significante.
8
Aula 10 8 Método da Distribuição de Perdas O MDP consiste em agregar (ou, usando o termo matemático adequado, convoluir) em um único processo estocástico a distribuição de freqüência e a distribuição de severidade das perdas. Em outras palavras, a perda total S é a soma de um número estocástico de ocorrências N: onde X n é a severidade da n-ésima ocorrência.
9
Aula 10 9 Método da Distribuição de Perdas Distribuição de Severidade Valor perdas # observações Distribuição de Freqüência Freqüência de perdas # observações DPA Probabilidade Total de perdas
10
Aula 10 10 Método da Distribuição de Perdas Algumas hipóteses são assumidas para esse modelo: As v.a.´s X 1, …, X n condicionadas a N = n são iid; A distribuição das v.a.´s X 1, …, X n condicionadas a N = n independe de n. A distribuição de N não depende das v.a.´s X 1, …, X n. Em geral não há uma solução analítica para a distribuição das perdas agregadas S. É necessário, portanto, o emprego de algum método de simulação. O primeiro passo na modelagem do MDP é selecionar os modelos de freqüência e severidade.
11
Aula 10 11 Modelos de Freqüência O estudo da distribuição de freqüência envolve a contagem dos eventos de perda em uma determinada janela de tempo (hora, dia, mês, etc). As distribuições mais empregadas para modelar o processo de freqüência são: Poisson. Binomial Negativa. Binomial. Dessas, a mais importante é, sem dúvida, a de Poisson.
12
Aula 10 12 Distribuição de Poisson É a mais utilizada para modelar os processos de freqüência. É bastante simples. Sua distribuição depende de apenas um parâmetro, a média da distribuição. Se X é uma v.a. com distribuição de Poisson de parâmetro então a probabilidade de X ser igual a k, onde k é um inteiro não negativo, é
13
Aula 10 13 Distribuição de Poisson A função POISSON do MS Excel retorna a distribuição de Poisson. Sua sintaxe é a seguinte: POISSON(x;média;cumulativo) x é o número de eventos. média é média da distribuição. cumulativo é um valor lógico que determina a forma da distribuição de probabilidade fornecida. Se cumulativo for VERDADEIRO, POISSON retornará a probabilidade de o número de eventos aleatórios estar entre zero e x; se FALSO, retornará a probabilidade de o número de eventos ser x.
14
Aula 10 14 Distribuição de Poisson Exemplo 1: Em média, ocorrem 10 quedas por hora de conexões da rede de comunicações de dados em um certo banco. Calcule a probabilidade de ocorrer mais de 15 quedas por hora. Solução: Seja N a v.a. que representa o número de interrupções da rede, então
15
Aula 10 15 Distribuição de Poisson
16
Aula 10 16 Distribuição de Poisson Exemplo 2: Em uma empresa ocorrem em média 5 fraudes por mês. Cada fraude gera um prejuízo de R$ 100.000. Calcule a probabilidade de ocorrer uma perda mensal devido às fraudes superior a R$ 1.000.000. Solução: Prejuízo > R$ 1.000.000 #fraudes (N) > 10, então
17
Aula 10 17 Distribuição de Poisson Se n 1, n 2, …, n K, é uma amostra aleatória de uma distribuição de Poisson, então uma estimativa do parâmetro é: Exemplo 3: Em um período de 500 dias, ocorreram 1120 fraudes em uma banco. Se o número de fraudes diárias obedece uma distribuição de Poisson, então uma estimativa do parâmetro é 1120/500 = 2,24.
18
Aula 10 18 Modelos de Severidade Severidade ou impacto é o valor monetário que a instituição financeira perde, caso um evento de risco operacional se materialize. No Exemplo 2 analisamos uma situação na qual a severidade é determinística (no caso igual a R$ 100.000). Na prática, devemos impor um modelo estocástico para a severidade, da mesma forma que fizemos para a freqüência. No entanto, neste caso as distribuições candidatas são as distribuições contínuas.
19
Aula 10 19 Modelos de Severidade As distribuições mais empregadas para modelar o processo de freqüência são: Gama. Pareto. Lognormal. Weibull. Normal. Distribuições de Valores Extremos: GEV (Generalized Extreme Value) e GPD (Genaralized Pareto Distribution).
20
Aula 10 20 A Distribuição Gama A distribuição Gama foi estudada primeiramente por Laplace em 1836. Essa distribuição fornece um representação razoável para diversas situações físicas, como por exemplo, na teoria de confiabilidade. A distribuição Gama, além de ser uma distribuição simples, é também bastante flexível, pois tem um parâmetro de correção da forma da curva, possibilitando um melhor ajuste dos dados.
21
Aula 10 21 A Distribuição Gama Uma v.a., que assume apenas valores não negativos, tem distribuição Gama se sua fdp é dada por:, onde ( ) é a função Gama calculada no ponto . A função Gama é uma espécie de generalização do operador fatorial, no sentido de que se n é um inteiro positivo então (n 1) = n! = n (n 1) … 1.
22
Aula 10 22 A Distribuição Gama = 1 = 2 = 4
23
Aula 10 23 A Distribuição Gama A função DISTGAMA do MS Excel retorna a distribuição Gama. Sua sintaxe é a seguinte: DISTGAMA(x;alfa;beta;cumulativo) x é o valor no qual se deseja avaliar a distribuição. alfa é o parâmetro da distribuição. beta é um parâmetro da distribuição. cumulativo é um valor lógico que determina a forma da função. Se cumulativo for VERDADEIRO, DISTGAMA retornará a função de distribuição cumulativa; se for FALSO, retornará a função densidade de probabilidade.
24
Aula 10 24 A Distribuição Gama Exemplo 4: Em um banco, a perda (severidade) em caso de fraude obedece uma distribuição Gama com parâmetros = 1 e = 2000. Calcule a probabilidade de ocorrer uma fraude com perda superior a R$ 10.000. Solução: Seja X o valor da perda em caso de fraude, então:
25
Aula 10 25 A Distribuição Gama Se x 1, x 2, …, x K, é uma amostra aleatória de uma v.a. X com distribuição Gama então as estimativas de e são (método dos momentos): onde
26
Aula 10 26 VaR Operacional O VaR sintetiza a perda máxima esperada, medida em valores monetários, dentro de determinado intervalo de tempo e dada uma probabilidade de ocorrência. Portanto, devemos sempre associar esta medida a: uma moeda (valor monetário). um intervalo de tempo (quando devemos notar a perda). uma probabilidade (com que freqüência a perda será notada).
27
Aula 10 27 VaR Operacional Em virtude do grande sucesso e da plena aceitação do VaR por parte do mercado, novas métricas para quantificação de outros riscos foram desenvolvidas tendo como base o conceito de VaR. Entre essas novas métricas, podemos citar: CFaR (Cash Flow at Risk). EaR (Earning at Risk). VaR REP (VaR Reputational). VaR OR (VaR Operacional Risk).
28
Aula 10 28 VaR Operacional Para calcular o VaR OR devemos empregar o MDP para agregar a freqüência e a severidade dos eventos operacionais. Geralmente, a distribuição das perdas operacionais não pode ser obtida analiticamente, logo alguma técnica de simulação deve ser usada. Para entender como o MDP funciona, estudaremos um exemplo hipotético. As transparências a seguir apresentam dados de freqüência e severidade de perda com pagamentos de juros a terceiros por atraso na liquidação de transações na tesouraria de um banco.
29
Aula 10 29 VaR Operacional Freqüência das perdas
30
Aula 10 30 VaR Operacional Intensidade das perdas
31
Aula 10 31 VaR Operacional A primeira tabela mostra que ocorreram 59 eventos de risco operacional a uma média de dois por dia. Em apenas 4 dias o banco não sofreu perdas com juros pagos a terceiros. A segunda tabela mostra uma perda média diária de R$ 152.244 e uma perda total de R$ 8.982.369 no período considerado. No pior dia (22/ago) o banco teve sete pagamentos por não liquidação, o que gerou uma perda total nesse dia de R$ 2.550.708.
32
Aula 10 32 VaR Operacional Teste gráfico para ajustar a distribuição de freqüência
33
Aula 10 33 VaR Operacional
34
Aula 10 34 VaR Operacional Para calcular o VaR OR é comum usar uma técnica conhecida como simulação de Monte Carlo. O primeiro passo consiste em gerar uma série de cenários para a freqüência das perdas. Admitindo uma distribuição de Poisson com parâmetro = 1,97, podemos empregar a Ferramenta de Análise Geração de Número Aleatório do MS Excel para produzir uma amostra aleatória de tamanho 10.000 oriunda de uma Poisson com parâmetro = 1,97.
35
Aula 10 35 VaR Operacional Menu Ferramentas, opção Análise de Dados Caixa de diálogo Geração de Número Aleatório
36
Aula 10 36 VaR Operacional Em seguida, devemos simular cenários de severidade das perdas para cada evento de perda gerado no passo anterior. Por hipótese, admitiremos que a severidade das perdas obedece uma distribuição Gama. Para estimar os parâmetros da distribuição Gama, a partir dos dados coletados, podemos empregar o método dos momentos:
37
Aula 10 37 VaR Operacional
38
Aula 10 38 VaR Operacional O MS Excel não possui uma função ou ferramenta para geração de números segundo uma distribuição Gama. No entanto, podemos empregar a função INV.GAMA e a função ALEATÓRIO() para realizar essa tarefa, basta fazer: A função ALEATÓRIO() gera uma número aleatório entre 0 e 1. A função INVGAMA retorna o inverso da distribuição cumulativa Gama.
39
Aula 10 39 VaR Operacional As sintaxe dessas funções são as seguintes: INVGAMA(probabilidade;alfa;beta) probabilidade é a probabilidade associada à distribuição gama. alfa é um parâmetro da distribuição. beta é um parâmetro da distribuição. ALEATÓRIO( )
40
Aula 10 40 VaR Operacional Resultado da simulação
41
Aula 10 41 VaR Operacional Para calcular o VaR OR basta tomar o percentil da coluna Perda Dia correspondente ao nível de confiança adotado. A função PERCENTIL do Ms Excel retorna o percentil de uma série de dados. Sua sintaxe é a seguinte: PERCENTIL(matriz;k) matriz é a matriz ou intervalo de dados que define a posição relativa. k é o valor do percentil no intervalo 0..1, inclusive.
42
Aula 10 42 VaR Operacional O VaR OR para diversos níveis de confiança é:
43
Aula 10 43 VaR Operacional No exemplo anterior os dados foram ajustados as distribuições de Poisson (freqüência) e Gama (severidade) por um procedimento gráfico. Na prática, para ser mais preciso, deve ser empregado algum teste de aderência. Os mais comuns são: Qui-quadrado. Kolmogorov-Smirnov. Anderson-Darling. Cramer-Von Mises.
44
Aula 10 44 VaR Operacional Uma questão interessante que surge no cálculo VaR OR é: Como incorporar a correlação existente entre perdas operacionais ? Por exemplo, uma falha em um equipamento elétrico pode afetar diversos setores. Então como tratar a dependência entre esse eventos ? Uma solução consiste em estender o raciocínio apresentado aqui e trabalhar com v.a.´s de Poisson correlacionadas. Uma boa referência para esse assunto é Powojowski et al (2002).
45
Aula 10 45 Referências Basel Committee on Banking Supervision (2003), “Overview of The New Basel Capital Accord”. Cruz, M. G. (2002) “Modeling, Measuring and Hedging Operational Risk”. Chichester: John Wiley & Sons, Ltd. Duarte Jr., A. M. ; Varga, G. (2003) “Gestão de Riscos no Brasil”. Rio de Janeiro: Financial Consultoria. Embrechts, P. (2000) “Extremes and Integrated Risk Management”. London: Risk Publications.
46
Aula 10 46 Referências Guimarães, T. A. (2003) “Implementação do Método de Distribuição de Perdas para Risco Operacional”. Dissertação de Mestrado – FEA/USP. Powojowski, M. R.; Reynolds, D.; Tuenter, H. J. (2002) “Dependent Events and Operational Risk”. Algo Research Quarterly. JORION, P. (2001) “Value at Risk: The New Benchmark for Controlling Market Risk, 2 a ed”. New York: McGraw-Hill.
47
Aula 10 47 CreditRisk+ Esse modelo foi desenvolvido pelo Credit Suisse Financial Products (CSFP) em 1997 e está baseado na abordagem atuarial. O modelo procura estabelecer medidas de perda esperada com base no perfil de sua carteira de empréstimos ou títulos e no histórico de inadimplência. O número de inadimplências em um determinado período é modelado por uma distribuição de Poisson. Se X é uma v.a. com distribuição de Poisson de parâmetro então a probabilidade de X ser igual a k, onde k é um inteiro não negativo, é
48
Aula 10 48 CreditRisk+ Por exemplo, se ocorrem em média 3 inadimplências em um mês, então as probabilidades de nenhuma inadimplência em um mês e de três inadimplências em um mês são Conhecendo a distribuição do n o de inadimplências e as perdas esperadas das diversas operações é possível determinar o risco de crédito da carteira.
49
Aula 10 49 CreditRisk+ Vejamos um exemplo. Suponha que um banco possua 100 operações de empréstimos com exposição a perda de $ 20.000 (observe que esses empréstimos podem ter valores nominais diferentes pois o que importa é o valor da perda). Suponha também que a carteira possua histórico médio de inadimplência de 3%. Logo a perda esperada é de $ 60.000 (3% x 100 x $ 20.000). Considerando que o intervalo de confiança desejado é de 99%, a perda associada seria de $ 160.000 (8 x $ 20.000), pois só no oitavo empréstimo é alcançada uma probabilidade acumulada de 99%. Assim, a perda inesperada dessa carteira de crédito é de $ 100.000 ($ 160.000 - $ 60.000).
50
Aula 10 50 CreditRisk+
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.