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
Gerencial
Contbil
Aula 10
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
S X1 X N ,
onde Xn a severidade da n-sima ocorrncia.
Aula 10
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
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
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).
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
Aula 10
47
48
Aula 10
49
Tempo
POT
Aula 10
Tempo
Block Maxima
50
Aula 10
51