Risco Operacional

Prof. Jos Valentim Machado Vicente, D.Sc.

jvalent@terra.com.br

Aula 10

Contedo da Aula
Base de Dados
Mtodo da Distribuio de Perdas
Modelos de Freqncia

Distribuio de Poisson

Modelos de Severidade
Distribuio Gama
Teoria dos Valores Extremos

VaR Operacional

Aula 10

Base de Dados
Quando a deciso modelar risco operacional, a primeira
questo que surge de onde viro os dados? Essa questo mais
fcil de ser respondida para o risco de mercado e de crdito.
Os bancos, com raras excees, tm procedimento formal para
registrar e arquivar informaes sobre perdas operacionais
histricas de forma sistemtica.
Segundo pesquisa do Comit da Basilia, apenas um pequeno
nmero de bancos j est utilizando mtodos estatsticos para
modelar risco operacional.

Aula 10

Base de Dados
Existem duas grandes dificuldades em se coletar eventos de risco
operacional:
Os
eventos de risco operacional tm sua natureza
descentralizada, ou seja, este tipo de risco pode se
materializar em qualquer unidade de negcio, podendo estar
relacionado a qualquer processo, produto ou servio.
H uma carncia cultural no processo de coleta deste tipo de
perda, principalmente pelo fato de ser uma informao
sensvel e ainda no haver um claro entendimento dos
benefcios como o ganho de eficincia que este rastreamento
de perdas pode trazer.

Aula 10

Base de Dados
Existem trs formas alternativas, no excludentes, de se coletar
as perdas decorrentes de risco operacional:
Registrar manualmente as ocorrncias de risco operacional
medida que os eventos de perda ocorrem.
Coletar os dados de fontes gerenciais.
Minerar nas contas contbeis as perdas decorrentes de
eventos de risco operacional.

Aula 10

Base de Dados
Forma de Coleta

Vantagens

Desvantagens

Manual

Possibilita maior detalhamento da A cobertura das perdas requer

perda e uma identificao precisa uso intensivo de capital humano.
das causas, efeitos e aes
mitigadoras.

Gerencial

Demanda menor uso de capital A informao menos detalhada

humano e adaptvel a que no mtodo manual e menos
taxonomia de RO.
confivel do que no mtodo
contbil.

Contbil

O uso do capital humano

mnimo e a confiabilidade deste
tipo de informao muito maior
do que as outras.

Aula 10

Ainda no existem contas

especficas para este tipo de
perda e difcil identific-las
dentro da taxonomia de RO.

Base de Dados
Na anlise exploratria de dados de perdas operacionais duas
caractersticas so muitas das vezes observadas:
Uma grande quantidade de perdas com valores baixos e uma
pequena quantidade de perdas com valores altos.
A ocorrncia de recuperaes um fenmeno com pouca
chance de ocorrer, no entanto o volume total de capital
recuperado significante.

Aula 10

Mtodo da Distribuio de Perdas

O MDP consiste em agregar (ou, usando o termo matemtico
adequado, convoluir) em um nico processo estocstico a
distribuio de freqncia e a distribuio de severidade das
perdas.
Em outras palavras, a perda total S a soma de um nmero
estocstico de ocorrncias N:

S X1 X N ,
onde Xn a severidade da n-sima ocorrncia.
Aula 10

Mtodo da Distribuio de Perdas

Distribuio de Severidade

Distribuio de Freqncia

# observaes

# observaes

0.04

0.02

14.8
29.6perdas
44.4 59.2
Valor

Probabilidade

0.00
0.0

Freqncia de perdas

74.0

DPA

Total de perdas

Aula 10

Mtodo da Distribuio de Perdas

Algumas hipteses so assumidas para esse modelo:
As v.a.s X , , X condicionadas a N = n so iid;
1
n

A distribuio das v.a.s X1, , Xn condicionadas a N = n

independe de n.
A distribuio de N no depende das v.a.s X1, , Xn.

Em geral no h uma soluo analtica para a distribuio das

perdas agregadas S. necessrio, portanto, o emprego de algum
mtodo de simulao.
O primeiro passo na modelagem do MDP selecionar os
modelos de freqncia e severidade.
Aula 10

10

Modelos de Freqncia
O estudo da distribuio de freqncia envolve a contagem dos
eventos de perda em uma determinada janela de tempo (hora,
dia, ms, etc).
As distribuies mais empregadas para modelar o processo de
freqncia so:
Poisson.
Binomial Negativa.
Binomial.
Dessas, a mais importante , sem dvida, a de Poisson.

Aula 10

11

Distribuio de Poisson
a mais utilizada para modelar os processos de freqncia.
bastante simples. Sua distribuio depende de apenas um
parmetro , a mdia da distribuio.
Se X uma v.a. com distribuio de Poisson de parmetro
ento a probabilidade de X ser igual a k, onde k um inteiro no
negativo,

exp( )k
P( X k )
.
k!
Aula 10

12

Distribuio de Poisson
A funo POISSON do MS Excel retorna a distribuio de
Poisson. Sua sintaxe a seguinte:
POISSON(x;mdia;cumulativo)
x o nmero de eventos.
mdia mdia da distribuio.
cumulativo um valor lgico que determina a forma da
distribuio de probabilidade fornecida. Se cumulativo for
VERDADEIRO, POISSON retornar a probabilidade de o
nmero de eventos aleatrios estar entre zero e x; se FALSO,
retornar a probabilidade de o nmero de eventos ser x.
Aula 10

13

Distribuio de Poisson
Exemplo 1: Em mdia, ocorrem 10 quedas por hora de conexes
da rede de comunicaes de dados em um certo banco. Calcule a
probabilidade de ocorrer mais de 15 quedas por hora.
Soluo: Seja N a v.a. que representa o nmero de interrupes
da rede, ento

P ( N 15) 1 P( N 15)
1 POISSON(15;10; verdadeiro)
4,874%.
Aula 10

14

Distribuio de Poisson
14%
12%
10%
8%
6%
4%
2%
0%
1

Aula 10

11

13

15

17

19

21

15

Distribuio de Poisson
Exemplo 2: Em uma empresa ocorrem em mdia 5 fraudes por
ms. Cada fraude gera um prejuzo de R$ 100.000. Calcule a
probabilidade de ocorrer uma perda mensal devido s fraudes
superior a R$ 1.000.000.
Soluo: Prejuzo > R$ 1.000.000 #fraudes (N) > 10, ento

P ( N 10) 1 P ( N 10)
1 POISSON(10;5; verdadeiro)
1,370%.
Aula 10

16

Distribuio de Poisson
Se n1, n2, , nK, uma amostra aleatria de uma distribuio de
Poisson, ento uma estimativa do parmetro :
K

ni

i 1
K dias, ocorreram 1120 fraudes
Exemplo 3: Em um perodo de 500
em uma banco. Se o nmero de fraudes dirias obedece uma
distribuio de Poisson, ento uma estimativa do parmetro
1120/500 = 2,24.

Aula 10

17

Modelos de Severidade
Severidade ou impacto o valor monetrio que a instituio
financeira perde, caso um evento de risco operacional se
materialize.
No Exemplo 2 analisamos uma situao na qual a severidade
determinstica (no caso igual a R$ 100.000). Na prtica,
devemos impor um modelo estocstico para a severidade, da
mesma forma que fizemos para a freqncia. No entanto, neste
caso as distribuies candidatas so as distribuies contnuas.

Aula 10

18

Modelos de Severidade
As distribuies mais empregadas para modelar o processo de
freqncia so:
Gama.
Pareto.
Lognormal.
Weibull.
Normal.
Distribuies de Valores Extremos: GEV (Generalized
Extreme Value) e GPD (Genaralized Pareto Distribution).
Aula 10

19

A Distribuio Gama
A distribuio Gama foi estudada primeiramente por Laplace em
1836. Essa distribuio fornece um representao razovel para
diversas situaes fsicas, como por exemplo, na teoria de
confiabilidade.
A distribuio Gama, alm de ser uma distribuio simples,
tambm bastante flexvel, pois tem um parmetro de correo da
forma da curva, possibilitando um melhor ajuste dos dados.

Aula 10

20

A Distribuio Gama
Uma v.a., que assume apenas valores no negativos, tem
distribuio Gama se sua fdp dada por:

x 1 exp( x / )

f ( x)
( )

x0 ,
x0

onde () a funo Gama calculada no ponto . A funo

Gama uma espcie de generalizao do operador fatorial, no
sentido de que se n um inteiro positivo ento (n 1) = n! =
n(n 1) 1.
Aula 10

21

A Distribuio Gama

=1
=2
=4

Aula 10

22

A Distribuio Gama
A funo DISTGAMA do MS Excel retorna a distribuio
Gama. Sua sintaxe a seguinte:
DISTGAMA(x;alfa;beta;cumulativo)
x o valor no qual se deseja avaliar a distribuio.
alfa o parmetro da distribuio.
beta um parmetro da distribuio.
cumulativo um valor lgico que determina a forma da
funo. Se cumulativo for VERDADEIRO, DISTGAMA
retornar a funo de distribuio cumulativa; se for FALSO,
retornar a funo densidade de probabilidade.
Aula 10

23

A Distribuio Gama
Exemplo 4: Em um banco, a perda (severidade) em caso de
fraude obedece uma distribuio Gama com parmetros = 1 e
= 2000. Calcule a probabilidade de ocorrer uma fraude com
perda superior a R$ 10.000.
Soluo: Seja X o valor da perda em caso de fraude, ento:

P ( X 10000) 1 P ( X 10000)
1 DISTGAMA(10000;1;2000; verdadeiro)
0,674%.
Aula 10

24

A Distribuio Gama
Se x1, x2, , xK, uma amostra aleatria de uma v.a. X com
distribuio Gama ento as estimativas de e so (mtodo
dos momentos):

onde

2
m12
m

m
1
2

e

,
2
m1
m2 m1
K

xi

m1 i 1
K
Aula 10

2
x
i

e m2 i 1 .
K
25

VaR Operacional
O VaR sintetiza a perda mxima esperada, medida em valores
monetrios, dentro de determinado intervalo de tempo e dada
uma probabilidade de ocorrncia. Portanto, devemos sempre
associar esta medida a:
uma moeda (valor monetrio).
um intervalo de tempo (quando devemos notar a perda).
uma probabilidade (com que freqncia a perda ser notada).

Aula 10

26

VaR Operacional
Em virtude do grande sucesso e da plena aceitao do VaR por
parte do mercado, novas mtricas para quantificao de outros
riscos foram desenvolvidas tendo como base o conceito de VaR.
Entre essas novas mtricas, podemos citar:
CFaR (Cash Flow at Risk).
EaR (Earning at Risk).
VaR
REP (VaR Reputational).

VaR OR (VaR Operacional Risk).

Aula 10

27

VaR Operacional
Para calcular o VaR OR devemos empregar o MDP para agregar
a freqncia e a severidade dos eventos operacionais.
Geralmente, a distribuio das perdas operacionais no pode ser
obtida analiticamente, logo alguma tcnica de simulao deve
ser usada.
Para entender como o MDP funciona, estudaremos um exemplo
hipottico. As transparncias a seguir apresentam dados de
freqncia e severidade de perda com pagamentos de juros a
terceiros por atraso na liquidao de transaes na tesouraria de
um banco.

Aula 10

28

VaR Operacional
Freqncia das perdas
Dia
1/ago
4/ago
5/ago
6/ago
7/ago
8/ago
11/ago
12/ago

Aula 10

F
1
2
2
4
2
0
3
2

Dia
13/ago
14/ago
15/ago
18/ago
19/ago
20/ago
21/ago
22/ago

F
0
2
2
0
1
2
2
7

Dia
25/ago
26/ago
27/ago
28/ago
29/ago
1/set
2/set
3/set

F
2
2
2
1
1
1
3
2

Dia
4/set
5/set
8/set
9/set
10/set
11/set
Total
Mdia

F
2
3
3
1
4
0
59
1,97

29

VaR Operacional
Intensidade das perdas
178.870
12.666
59.005
164.184
760.288
6.899
166.907
41.852
98.115

Aula 10

250.034
91.802
31.443
43.840
82.865
130.277
73.009
64.949
28.790

171.945
170.474
88.068
29.017
207.157
127.695
337.475
155.667
64.120

691.118
39.762
87.830
134.728
556.912
3.119
363.940
37.667

37.773
9.586
240.751
746.727
483.134
58.321
68.780
17.293
Total
8.982.369

113.430
38.549
50.493
162.548
26.398
332.589
46.188
147.313

219.373
393.865
38.268
34.210
1.949
151.351
3.414
7.577
Mdia
152.244

30

VaR Operacional
A primeira tabela mostra que ocorreram 59 eventos de risco
operacional a uma mdia de dois por dia. Em apenas 4 dias o
banco no sofreu perdas com juros pagos a terceiros.
A segunda tabela mostra uma perda mdia diria de R$ 152.244
e uma perda total de R$ 8.982.369 no perodo considerado. No
pior dia (22/ago) o banco teve sete pagamentos por no
liquidao, o que gerou uma perda total nesse dia de R$
2.550.708.

Aula 10

31

VaR Operacional
Teste grfico para ajustar a distribuio de freqncia
# eventos
/dia
0
1
2
3
4
5
6
7

Aula 10

Freqncia Acumulada
4
4
6
10
13
23
4
27
2
29
0
29
0
29
1
30

Poisson
% acumulada acumulada
0,133
0,139
0,333
0,414
0,767
0,685
0,900
0,862
0,967
0,950
0,967
0,984
0,967
0,996
1,000
0,999

32

VaR Operacional
Teste grfico freqncia
1,2
0,8
% acumulada
Poisson

0,4
0
0

Aula 10

33

VaR Operacional
Para calcular o VaR OR comum usar uma tcnica conhecida
como simulao de Monte Carlo.
O primeiro passo consiste em gerar uma srie de cenrios para a
freqncia das perdas. Admitindo uma distribuio de Poisson
com parmetro = 1,97, podemos empregar a Ferramenta de
Anlise Gerao de Nmero Aleatrio do MS Excel para
produzir uma amostra aleatria de tamanho 10.000 oriunda de
uma Poisson com parmetro = 1,97.

Aula 10

34

VaR Operacional

Menu Ferramentas,
opo Anlise de Dados
Caixa de dilogo
Gerao de Nmero Aleatrio
Aula 10

35

VaR Operacional
Em seguida, devemos simular cenrios de severidade das perdas
para cada evento de perda gerado no passo anterior. Por
hiptese, admitiremos que a severidade das perdas obedece uma
distribuio Gama.
Para estimar os parmetros da distribuio Gama, a partir dos
dados coletados, podemos empregar o mtodo dos momentos:

1,07 e 141.875.
Aula 10

36

VaR Operacional
Teste grfico severidade
100%
80%
60%

% acumulada

40%

Gama

20%
0%
-

Aula 10

400.000

800.000

37

VaR Operacional
O MS Excel no possui uma funo ou ferramenta para gerao
de nmeros segundo uma distribuio Gama. No entanto,
podemos empregar a funo INV.GAMA e a funo
ALEATRIO() para realizar essa tarefa, basta fazer:

INVGAMA(ALEATRIO(); ; ).
A funo ALEATRIO() gera uma nmero aleatrio entre 0 e 1.
A funo INVGAMA retorna o inverso da distribuio
cumulativa Gama.

Aula 10

38

VaR Operacional
As sintaxe dessas funes so as seguintes:
INVGAMA(probabilidade;alfa;beta)
probabilidade a probabilidade associada distribuio
gama.
alfa um parmetro da distribuio.
beta um parmetro da distribuio.
ALEATRIO( )

Aula 10

39

VaR Operacional
Resultado da simulao
#
1
2
3
4
5
6
7

F
3
0
1
6
2
4
2

Ev 1
203.652
140.761
510.371
261.363
115.843
128.861

Ev 2
192.803
36.607
56.160
62.014
57.221

Ev 3
1.098
60.016
279.340
-

Ev 4
744.810
435.047
-

Ev 5
8.016
-

Ev 6
18.896
-

Perda Dia
397.554
140.761
1.378.717
317.523
892.245
186.082

9999
10000

4
3

66.681
248.867

10.168
433.583

231.060
39.975

158.725
-

466.634
722.425

Aula 10

40

VaR Operacional
Para calcular o VaR OR basta tomar o percentil da coluna Perda
Dia correspondente ao nvel de confiana adotado. A funo
PERCENTIL do Ms Excel retorna o percentil de uma srie de
dados. Sua sintaxe a seguinte:
PERCENTIL(matriz;k)
matriz a matriz ou intervalo de dados que define a posio
relativa.
k o valor do percentil no intervalo 0..1, inclusive.

Aula 10

41

VaR Operacional
O VaR OR para diversos nveis de confiana :

NC
90%
95%
97,50%
99%
99,90%
99,99%
Aula 10

VaR OR
703.308
888.996
1.061.080
1.270.517
1.736.403
2.132.392
42

VaR Operacional
No exemplo anterior os dados foram ajustados as distribuies
de Poisson (freqncia) e Gama (severidade) por um
procedimento grfico. Na prtica, para ser mais preciso, deve ser
empregado algum teste de aderncia. Os mais comuns so:
Qui-quadrado.
Kolmogorov-Smirnov.
Anderson-Darling.
Cramer-Von Mises.

Aula 10

43

VaR Operacional
Uma questo interessante que surge no clculo VaR OR :
Como incorporar a correlao existente entre perdas
operacionais ? Por exemplo, uma falha em um equipamento
eltrico pode afetar diversos setores. Ento como tratar a
dependncia entre esse eventos ?
Uma soluo consiste em estender o raciocnio apresentado aqui
e trabalhar com v.a.s de Poisson correlacionadas. Uma boa
referncia para esse assunto Powojowski et al (2002).

Aula 10

44

Referncias
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) Gesto de Riscos no
Brasil. Rio de Janeiro: Financial Consultoria.
Embrechts, P. (2000) Extremes and Integrated Risk
Management. London: Risk Publications.

Aula 10

45

Referncias
Guimares, T. A. (2003) Implementao do Mtodo de
Distribuio de Perdas para Risco Operacional. Dissertao 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, 2a ed. New York: McGraw-Hill.

Aula 10

46

Teoria dos Valores Extremos

A TVE tem por objetivo encontrar concluses estatsticas com
relao aos valores extremos de populaes ou processos
aleatrios.
A TVE oferece ferramentas que tornam possvel modelar as
caudas de distribuies de v.a.s.
Em anlise de risco, a TVE busca estimar perdas futuras atravs
da modelagem do comportamento menos freqente, ou raro, de
perdas associadas a eventos de inadimplncia ou a eventos
operacionais ou ainda a flutuaes dos preos de ativos
financeiros.

Aula 10

47

Teoria dos Valores Extremos

A TVE concentra-se em duas classes especiais de distribuies
de probabilidade:

As distribuies GEV (Generalized Extreme Value),

classe que inclui as distribuies de Gumbel, de
Frchet e de Weibull.
As distribuies GPD (Genaralized Pareto
Distribution), que tm como casos particulares as
distribuies Exponencial, de Pareto e Beta.

Na forma padro, GEV e GPD dependem de apenas um

parmetro, chamado de ndice de cauda.
Aula 10

48

Teoria dos Valores Extremos

H duas abordagens principais para analisar v.a.s atravs da TVE:

POT (Picks Over Threshold), que consiste em ajustar uma

distribuio de probabilidade para os valores que excedem
um limiar. Ou seja, os dados com valores inferior ao ponto de
corte so descartados. Essa abordagem desconsidera o
momento em que o evento ocorreu.
Block Maxima (ou mtodo de Gumbel), que investiga o
conjunto de valores mximos (mnimos), extrados de blocos
de observaes. Ou seja, os dados so agrupados em janelas
de tempo (meses, anos, etc) e seleciona-se apenas os
mximos (mnimos) dessas janelas.

Aula 10

49

Teoria dos Valores Extremos

$

Tempo

POT
Aula 10

Tempo

Block Maxima
50

Teoria dos Valores Extremos

A base de dados relativa a eventos extremos, evidentemente, no
grande. Isso tem causado um certo ceticismo entre os
estatsticos quanto aos resultados obtidos pela TVE. No entanto,
em anlise de risco esta teoria tem se mostrado extremamente
til.
Em virtude da complexidade matemtica envolvida no estudo
das distribuies de valores extremos, no nos estenderemos
mais nesse mtodo. Uma boa referncia para se aprofundar
nessa rea Embrechts (2000).

Aula 10

51