UNIVERSIDADE FEDERAL CATALÃO

INSTITUTO DE MATEMÁTICA E TECNOLOGIA

Curso de Engenharia Mecatrônica

Lucas Santana Silva

Napoleão

PROCESSOS ESTOCÁSTICOS APLICADOS AO MERCADO FINANCEIRO

(MODELAGEM DE GERENCIAMENTO DE RISCO)

Catalão
2025
 Lucas Santana Silva

PROCESSOS ESTOCÁSTICOS APLICADOS AO MERCADO FINANCEIRO

(MODELAGEM DE GERENCIAMENTO DE RISCO)

Projeto apresentado ao curso de Engenharia

Mecatrônica do Instituto de Matemática e
Tecnologia da Universidade Federal Catalão,
como parte da documentação exigida na
disciplina Trabalho de Conclusão de Curso.

Orientador:
Marcus Napoleão

Catalão
2025
 RESUMO

Na década de 50, Harry Markowitz publicou seu trabalho a respeito da Teoria Moderna do
Portfólio, sobre diversificar os seus investimentos para tentar reduzir os riscos sem comprometer
os possíveis ganhos. Desde então, tornou-se uma área extremamente estudada, e aplicada por
bancos e fundos de investimento, para se identificar o risco de mercado, o risco de crédito, o risco
de liquidez entre outros.
A ferramenta que ganhou mais credibilidade para medir a probabilidade e o impacto de risco foi
a Value at Risk (VaR), que tem por característica, definir o nível de confiança, o horizonte de
tempo (quantos dias , meses ou anos) e com foco nas perdas esperadas. Entretanto, este modelo
apresenta várias limitações, como, atribui-se que as condições de mercado permanecem
inalterados durante o período analisado, não mede cenários extremos, definidos como outiliers ou
eventos do tipo cisne negro (ideia proposta por Nassim Tabel em A lógica do Cisne Negro), e não
explica o porquê das perdas.
O projeto tem como finalidade aplicar processos estocásticos no mercado financeiro, aplicado em
derivativos e gerenciamento de risco. Modelos matemáticos como Black-Scholes, movimentos
Brownianos, Cadeia de Markov são amplamente utilizados para tentar reduzir e controlar o risco
de perdas financeiras, sendo amplamente utilizados em fundos quantitativos como o
Renaissance Technologies, fundado por Jim Simons.
Contrapondo o modelo determinístico, os processos estocásticos são utilizados para modelar
fenômenos aleatórios ou incertos, onde o seu comportamento futuro não está atrelado ao seu
passado, como no mercado financeiro.
O gerenciamento de risco tem um papel fundamental em fundos hedge, já que o seu objetivo é
minimizar perdas. Métodos como Value at Risk (VaR), Expected Shortfall (ES), Stress Testing e
análise de cenários, são utilizados para identificar, mensurar e controlar os riscos associados a
ativos financeiros.

Palavras-chave: Gestão de risco. Processos Estocásticos. Backtesting.

 ABSTRACT

In the 1950s, Harry Markowitz published his work on Modern Portfolio Theory, emphasizing the
importance of diversifying investments to reduce risk without compromising potential returns.
Since then, this has become a widely studied area, applied by banks and investment funds to
assess market risk, credit risk, liquidity risk, and more. The most credible tool for measuring the
probability and impact of risk is Value at Risk (VaR), which defines a confidence level, a time
horizon (days, months, or years), and focuses on expected losses. However, this model has
several limitations, such as assuming that market conditions remain unchanged during the
analyzed period, failing to account for extreme scenarios—outliers or "black swan" events (a
concept introduced by Nassim Taleb in The Black Swan)—and not explaining the causes of
losses. This project aims to apply stochastic processes in the financial market, particularly in
derivatives and risk management. Mathematical models such as Black-Scholes, Brownian
motion, and Markov chains are widely used to mitigate and control financial losses, playing a
crucial role in quantitative funds like Renaissance Technologies, founded by Jim Simons. Unlike
deterministic models, stochastic processes are used to model random or uncertain phenomena,
where future behavior is not dependent on past trends, as is the case in financial markets. Risk
management plays a fundamental role in hedge funds, as their objective is to minimize losses.
Methods such as Value at Risk (VaR), Expected Shortfall (ES), Stress Testing, and scenario
analysis are used to identify, measure, and control the risks associated with financial assets.
 LISTA DE FIGURAS

2.1 Índice de Sharpe ……………………………………………………. 9

2.2 Comparação dos portfólios .…………………………………………10
2.3 Melhor portfólio com derivativos..……………………………..……10
3.1.1 Fórmula do VaR…..……………………………………………….…11
3.1.2 Resultados do VaR ………………………………………………….11
3.2.1 Fórmula CVaR ……………….…………………………………….11
3.2.2 Resultado CVaR…………….………………………………………..12
4.1.1 Fórmula de GARCH ..………………………………..………….…12
4.1.2 Fórmula Geral …………………..……………………..……………12
4.1.3 Resultado do GARCH ……………….………………..……………12
4.2.1 Fórmula de EGARCH…..………………………………..……;….…13
4.2.2 Resultado EGARCH………………..…..……………………..……...13
4.3.1 Fórmula de Heston-Nandi…..………………………………..…….…14
4.3.2 Resultado Heston-Nandi……………………..……………………….14
4.4.1 Fórmula do SABR….. ………………………………..………………15
4.4.2 Resultado SABR……………………..……………………..…………15
4.5.1 Fórmula da Volatilidade Estocástica …………………………………16
4.5.2 Resultado da Volatilidade Estocástica ……………………..…………16
4.6.1 Fórmula para preço do ativo ……………………………………….…17
4.6.2 Fórmula para volatilidade ……………………..………………..……17
4.6.3 Fórmula para correlação ………………………………..………….…17
4.6.4 Resultado de Heston ……………………..……………….………….17
4.7.1 Fórmula EWMA ………………….………………..…..……………. 18
4.7.2 Resultado EWMA …………….…………………………………….. 18
5.1.1 Fórmula de Meixner ….. ………………………………..………….…20
5.1.2 Resultado ….. ……………………..……………………..……………20
5.2.1 Fórmula de Merton ………………….………………..……………20
5.2.2 Resultado Merton ….. ………………………………..……;….… 21
5.3.1 Black-Scholes ……….…………………..……………………..……...21
5.3.2 Resultado Black-Scholes ….. ………………………………..…….… 21
6.1 Resultado e Discussões ……………………..……………………..….22
6.2 Sharpe Ratio ….. ………………………………..…………….… 23
6.2 Retorno Esperado …. ………………………………..…………….… 23
6.2 Black-Scholes ….. ………………………………..…………….…23
 SUMÁRIO

1 INTRODUÇÃO ……………………………………………………. 7
1.1 Objetivos .……………………………………………………………. 8
1.1.1 Objetivo Geral ..………………………………………………………. 8
1.1.2 Objetivos Específicos ………………………………………………….8
1.2 Estrutura do Trabalho…………………………………………………..8
2 FUNDAMENTAÇÃO TEÓRICA ……………………………………..9
3 MODELOS DE RISCO E GESTÃO DE CARTEIRA ………………...10
3.1 Value at Risk (VaR) .…………..………………………………………. 10
3.2 Conditional Value at Risk (CVaR) ……………………………………. 11
4 MODELOS DE VOLATILIDADE ……………….. …………………..12
4.1 Heterocedástico condicional auto regressivo generalizado (GARCH) .. 12
4.2 (EGARCH) ……………………………………………………………..13
4.3 HESTON-NANDI………………………………………………………14
4.4 Stochastic Alpha Beta Rho (SABR) .…………..……………………….15
4.5 VOLATILIDADE ESTOCÁSTICA (SV) ……………………………..16
4.6 MODELO DE HESTON ……………………………………………….17
4.7 MÉDIA EXPONENCIALMENTE PONDERADA (EWMA)………….18
5 MODELOS AVANÇADOS …………………………………………… 19
5.1 Processo de Meixner……………………………………………………. 19
5.2 Modelo de Merton .…………..…………………………………………. 20
5.3 Modelo de Black-Scholes para contratos futuros …………………… ...21
6 RESULTADOS E DISCUSSÕES ……………….. ………………………23
1 INTRODUÇÃO
O gerenciamento de risco no mercado financeiro é de extrema importância, por ser um mercado
que movimenta bilhões de dólares, é vital que se minimize as perdas e que se possa lidar com as
incertezas de mercado e as suas flutuações.
O controle e a programação de operações, como (derivativos, fundos, seguros, gestão de
portfólios), precisa considerar as atuais condições de mercado, que podem variar rapidamente por
conta de eventos macroeconômicos. Lidar com a volatilidade de mercado, e conseguir ter um
retorno positivo dele, é fundamental para que o fundo de investimento continue crescendo.
Por ser um mercado rodeado de incertezas e para muitos imprevisível, modelar a sua
imprevisibilidade, medir e controlar eventos extremos e otimizar portfólios através dos processos
estocásticos se torna uma excelente saída para esta problemática.
O projeto aborda a temática de transações de investimento, compra e venda de ações, derivativos
e outros ativos financeiros. Atualmente, essas transações são realizadas em sua maioria por
algoritmos, conhecidos como “fundos quantitativos”. Segundo a B3, 60% da movimentação no
mercado brasileiro é feita de maneira 100% automatizada ou com ajuda de softwares para a
tomada de decisão, já no mercado americano esses números são ainda maiores, com uma
estimativa de 80%. Atualmente os principais fundos quants são a D.E Shaw e a Renaissance
Technologies, fundada pelo matemático James Harris Simons, que conseguiu um retorno médio
anual acima dos 40% desde 1988 até 2024, ano de sua morte.
As métricas utilizadas ao longo do trabalho será o Value At Risk (VaR) e o Conditional VaR
(CVaR), a primeira mede a perda potência máximo de um portfólio em um período determinado e
com um nível de confiança específico, já a segunda entra para complementar, calculando a média
das perdas que ocorrem nos piores cenários.
Os portfólios simulados usará diversificação e alocação dinâmica, para equilibrar o risco e
retorno, ajustando a composição do portfólio de forma contínua conforme o desempenho do
portfólio.
Para proteger ainda mais os investimentos será utilizado hedging com derivativos, para proteger
contra oscilações de preço, juros e câmbio. O hedging atua para proteger contra perdas
potenciais, usando ativos que se movem de maneira oposta ao ativo principal. Os derivativos são
ferramentas essenciais nesse sentido, pois permitem ajustar a exposição ao risco sem vender os
ativos principais.
Os modelos utilizados foram pensados para atender os fatores estocásticos presentes no mercado
financeiro,visando capturar as aleatoriedades do mercado e tornar as análises mais robustas ao
longo do tempo.

1.1 OBJETIVOS
1.1.1 Objetivo Geral
Este trabalho tem como objetivo analisar ferramentas já existentes na gestão de risco, utilizando
abordagens paramétricas, não paramétricas, semi paramétricas, média móvel exponencialmente
ponderada, e processos estocásticos.

1.1.2 Objetivos Específicos

Comparar diferentes modelos matemáticos e analisar diferentes funcionalidades de cada uma, e
chegar a conclusão de qual modelo utilizar em diferentes cenários.

1.1.3 Estrutura do Trabalho

●​ Capítulo 2 - Construção de dois portfólios, um sem derivativos e o outro com derivativos
para poder comparar a gestão de risco nesses cenários. Para ambos os portfólios, foi
utilizado Otimização de Markowitz e o Índice de Sharp para se obter o melhor retorno
possível em relação ao seu risco.
●​ Capítulo 3 - A aplicação dos modelos foi dividida em três partes: modelos de risco e
gestão de carteira, modelos de volatilidade e modelos avançados. Para modelos de risco e
gestão de carteira foi utilizado o VaR e o CVaR.
●​ Capítulo 4 - Os modelos de volatilidade utilizados foram: GARCH, EGARCH,
Heston-Nandi, SABR, Volatilidade Estocástica e EWMA.
●​ Capítulo 5 - Já para os modelos avançados foram utilizados o Processo de Meixner,
Modelo de Merton e modelo de Black-Scholes para contratos futuros.
2 FUNDAMENTAÇÃO TEÓRICA
A construção dos portfólios foi realizada através do Índice de Sharpe, buscando otimizar retorno
e risco. Desenvolvida por William F. Sharpe, o Índice de Sharpe é uma métrica que avalia a
relação entre risco e retorno de um investimento. Sendo que quanto maior for o Índice melhor o
retorno ajustado.
Se S < 1 , o retorno pode não justificar o risco.
Se S > 1 , bom desempenho.
Se S > 2 , muito bom desempenho.

Tabela 2.1 - Fórmula e aplicação do Índice de Sharpe

S = Índice de Sharpe
Rp = Retorno do portfólio
Rf = Taxa livre de risco
σp = Volatilidade (desvio padrão dos retornos)

Cada portfólio contém 8 ativos, entre eles: petróleo, ouro, gás natural, soja, café, trigo, açúcar e o
real R$. O primeiro portfólio não foi utilizado derivativos, já o segundo sim, para poder analisar o
quão mais seguro uma carteira de investimentos se torna com o seu uso.
Para chegar na carteira ideal, foram feitas 100.000 simulações utilizando o Modelo de Monte
Carlo, e aplicando o Índice de Sharpe em cada uma para se descobrir o melhor retorno ajustado
ao risco.
O resultado obtido das simulações:
 Tabela 2.2 - Comparação dos portfólios sem e com derivativos

O portfólio ótimo com derivativos foi:

Tabela 2.3 - Índice de Sharpe simulado 10.000 vezes pelo método de Monte Carlo

3 MODELOS DE RISCO E GESTÃO DE CARTEIRA

3.1 Value at Risk (VaR)
É uma métrica estatística que estima a perda potencial máxima de um portfólio com um
determinado nível de confiança.

Tabela 3.1.1 - Fórmula do VaR

T = horizonte de tempo em dias.

σ = volatilidade do portfólio.
Zα​= valor crítico da distribuição normal.

Para o cálculo do Var, foi utilizado a abordagem histórica, levando em conta dados passados para
estimar o percentil das perdas.
O VaR obtido das duas carteiras:

Tabela 3.1.2 - Resultado do VaR

Com o VaR(95) = 1,03%, significa que , em 95% dos dias, a perda não deve ultrapassar 1.03% do
valor do portfólio. Nesse cenário, a perda máxima diária diminui com os derivativos, porém o
Índice de Sharpe também diminuiu.

3.2 Conditional Value at Risk (CVaR)

O CVaR calcula a média das perdas em cenários extremos, medindo a perda esperada além do
VaR. O CVaR mostra a perda média esperada quando o valor do VaR for ultrapassado, sendo uma
métrica complementar ao VaR.
Tabela 3.2.1 - Fórmula do CVaR
μ = retorno esperado.
σ = volatilidade do portfólio.
ϕ(Zα​) = função de densidade no ponto crítico.
α = nível de confiança.

Tabela 3.2.2 - Resultado do CVaR

CVaR(95) mostra qual a perda média quando o limite de 95% for ultrapassado. Ao analisar
carteira de investimentos com derivativos, a perda média será de 1.44% o valor do portfólio,
quando a perda ultrapassar o valor de 1.03%. Nessa abordagem, a utilização dos derivativos foi
feita da melhor maneira possível, pois a perda média diminuiu e o Índice de Sharpe aumentou.

4 MODELOS DE VOLATILIDADE

4.1 Heterocedástico condicional auto regressivo generalizado (GARCH)

O modelo é auto regressivo, ou seja, utiliza valores passados para prever séries temporais. O
modelo considera que a volatilidade condicional σ é uma função de mudança contínua de seus
valores quadrados anteriores, o que gera cluster de volatilidade. Sendo amplamente utilizado para
prever a variabilidade dos retornos ao longo do tempo.

Tabela 4.1.1 - Fórmula do GARCH

σt² = variância condicional no tempo t.

ω = termo constante ( long-run variance)
α = peso do choque passado (o quadrado do retorno passado)
β = peso da volatilidade passada ( variância do período anterior)
ϵt = retorno inesperado no tempo t
Fórmula Geral:
Tabela 4.1.2 - Fórmula Geral do GARCH

Aplicando os dois portfólios para o modelo, temos:

Tabela 4.1.3 - Resultados obtidos da aplicação do GARCH

O modelo GARCH demonstrou ser mais eficaz quando não se utiliza derivativos, o seu uso
aumentou a volatilidade e diminuiu o Índice Sharpe.

4.2 Exponential Generalized Autoregressive Conditional Heteroskedasticity (EGARCH)

É uma extensão do modelo GARCH que permite modelar assimetria na volatilidade, o EGARCH
captura o fato que quedas no mercado tendem a aumentar a volatilidade mais do que as subidas.
Garante variância positiva, como a equação usa o logaritmo da variância, a variância condicional
nunca é negativa. E o modelo também ajusta o impacto dos retornos passados na volatilidade
atual.
Fórmula:

Tabela 4.2.1 - Fórmula do EGARCH

σt² = variância condicional no tempo t

w = termo constante.
β = coeficiente de persistência da volatilidade passada.
α = sensibilidade da volatilidade a choques passados.
γ = parâmetro que captura assimetria.
ϵt = choque de retorno no tempo t.
Aplicando os dois portfólios para o modelo, temos:

Tabela 4.2.2 - Resultado da aplicação do EGARCH

O modelo EGARCH mostrou uma eficiência melhor com derivativos, diminuindo a sua
volatilidade anualizada e aumentado o Índice de Sharpe;

4.3 HESTON-NANDI
Heston-Nandi é um modelo de volatilidade estocástica combinando a estrutura do GARCH com
a dinâmica estocástica da volatilidade do modelo de Heston, bastante utilizada para derivativos e
gestão de risco.
O modelo assume que:
Tabela 4.3.1 - Fórmula do Heston-Nandi

rt = retorno do ativo no tempo t.

μ = retorno médio.
λ = risco de mercado.
vt​= variância condicional no tempo t.
ϵt = choque normal padronizado.

Aplicando os dois portfólios para o modelo, temos:

 Tabela 4.3.2 - Resultado da aplicação do Heston-Nandi

O portfólio com derivativos se mostrou superior ao sem derivativos, pois diminui a volatilidade
anualizada e aumentou o Índice de Sharpe.

[Link] Alpha Beta Rho (SABR)

Esse modelo é utilizado para modelagem de volatilidade implícita, apresentando algumas
aplicações no mercado financeiro, como a precificação de opções e taxas de juros, curva de
volatilidade para câmbio e commodities e o ajuste da volatilidade em derivativos.
Fórmula:
Tabela 4.4.1 - Fórmula do SABR

St = preço do ativo no tempo t

σt = volatilidade implícita no tempo t
β = parâmetro que controla a dependência da volatilidade
α = volatilidade da volatilidade ( vol-of-vol)
ρ = correlação entre preço do ativo e volatilidade
dWtS^s = processo de Wiener
Aplicando os dois portfólios para o modelo, temos:
Tabela 4.4.2 - Resultado do SABR
O modelo SABR também se demonstrou mais eficaz ao se utilizar derivativos, conseguindo
reduzir a volatilidade e aumentando o Índice de Sharpe.

4.5 VOLATILIDADE ESTOCÁSTICA (SV)

O modelo de volatilidade estocástica propõe a ideia que a volatilidade de um ativo não é
constante ao longo do tempo, e sim um processo estocástico, pois ela segue uma dinâmica de
aleatoriedade que pode ser modelada por um processo estocástico. Sua principal atribuição ao
mercado financeiro está em modelar a volatilidade e descobrir assimetrias de um ativo ao longo
do tempo.
Fórmula:
Tabela 4.5.1 - Fórmula da Volatilidade Estocástica

St = preço do ativo
vt​= volatilidade ao quadrado
μ = taxa de retorno
κ = taxa de reversão à média -> controla a intensidade com que a volatilidade retorna a média
θ = média de longo prazo da volatilidade
σ = volatilidade da volatilidade -> controla a flutuação da volatilidade
wt^s = processo de Wiener

Aplicando os dois portfólios para o modelo, temos:

Tabela 4.5.2 - Resultado da Volatilidade Estocástica
O modelo de volatilidade estocástico conseguiu diminuir a volatilidade e aumentar o Índice de
Sharpe quando aplicado com derivativos.

4.6 MODELO DE HESTON

A principal diferença desse modelo é em adotar uma dependência entre a volatilidade e o preço
do ativo, o que torna o modelo mais realista em relação aos outros. Sendo bastante utilizado na
precificação de opções e derivativos financeiros.
Fórmula para o preço do ativo:

Tabela 4.6.1 - Modelo de Heston

St = Preço do ativo
μ = taxa de retorno do ativo
vt = variância condicional
dWt^s = processo de Wiener

Fórmula para volatilidade:

Tabela 4.6.2 - Fórmula da volatilidade

vt = variância
k = taxa de reversão à média
θ = média de longo prazo da volatilidade
σ = volatilidade da volatilidade
dWt^v = processo de Wiener

Fórmula para correlação p:

 Tabela 4.6.3 - Fórmula para correlação

p = correlação entre ativo e volatilidade

Aplicando os dois portfólios para o modelo, temos:
Tabela 4.6.4 - Resultado do Modelo de Heston

O modelo se Heston se demonstrou péssimo nesse cenário para ambos os portfólios, ele é
bastante utilizado para precificar opções, aqui ele foi utilizado para contratos futuros, nesse
aspecto ele demonstrou ser ineficaz.

4.7 MÉDIA EXPONENCIALMENTE PONDERADA (EWMA)

A ideia por trás do EWMA consiste em dar pesos maiores para as observações mais recentes,
pois acredita que ele tem uma influência maior na estimativa da volatilidade.
Fórmula:
Tabela 4.7.1 - Fórmula da Média Exponencialmente Ponderada

σ²t = variância
σ²t-1 = variância no tempo -1
ϵ²t-1 = erro quadrado no tempo -1
λ = parâmetro de suavização ou fator de decaimento - > responsável por dar mais peso aos dados
mais recentes
ϵt-1 = retorno do ativo no tempo t-1

Aplicando os dois portfólios para o modelo, temos:

Tabela 4.7.2 - Resultado da aplicação da Média Exponencialmente Ponderada
O modelo se mostrou bastante eficiente ao se utilizar derivativos diminuindo a volatilidade e
aumentando o Índice de Sharpe.

5 MODELOS AVANÇADOS

5.1 Processo de Meixner

É uma ferramenta usada para analisar e prever o comportamento dos preços de ativos financeiros,
como ações ou derivativos. Ele é essencialmente útil quando os retornos desses ativos não
seguem uma distribuição normal, ou seja, quando há assimetria ou eventos extremos(caudas
pesadas)
Fórmula:
Tabela 5.1.1 - Fórmula do Processo de Meixner

φX​(u) = função característica do processo Xt

μ = parâmetro de deslocamento (associado à média)
λ = parâmetro de escala (tamanho dos saltos)
α = parâmetro de forma (controla a assimetria da distribuição)

Aplicando os dois portfólios para o modelo, mais um portfólio utilizando a otimização de

markowitz,temos:
Tabela 2.1 - Resultado da aplicação do Processo de Meixner

O modelo apresentado obteve um retorno esperado muito baixo, para os três portfólios.
5.2 Modelo de Merton
É um modelo estocástico utilizado para modelar o preço dos ativos financeiros e derivativos. É
uma extensão do modelo de Black-Scholes, mas incorpora saltos nos retornos dos ativos. Ao
utilizar saltos discretos, ele melhora a sua modelagem visando eventos extremos e não lineares.
Fórmula:
Tabela 5.2.1 - Fórmula do Modelo de Merton

St = preço do ativo no tempo t

μ = taxa de retorno do ativo (drift)
σ = volatilidade do ativo
dWt​= movimento browniano
dJt​= tamanho do salto, seguindo o processo de distribuição de Poisson com intensidade λ

Aplicando os dois portfólios para o modelo, mais um portfólio utilizando a otimização de

markowitz,temos:
Tabela 5.2.2 - Resultado da aplicação do Modelo de Merton

O modelo apresentou baixa eficiência sem e com derivativos, mas apresentou um resultado
positivo para a otimização de Markowitz, porém baixa.

5.3 Modelo de Black-Scholes para contratos futuros

A diferença está em como o ativo é tratado, já que não envolve os custos de carregamento como
dividendos ou juros.
Fórmula para opções de compra:
Tabela 5.3.1 - Fórmula modelo de Black-Scholes para contratos futuros
C = preço da opção de compra
F0 = preço do contrato futuro
k = Strike ( preço do exercício)
r = Taxa livre de risco
T = tempo até o vencimento
Φ(x) = função de distribuição

Aplicando os dois portfólios para o modelo, mais um portfólio utilizando a otimização de

markowitz,temos:

Tabela 5.3.2 - Resultado da aplicação de Black-Scholes

Black-Scholes para contratos futuros obteve resultado positivo nos três portfólios, no entanto o
resultado obtido foi bem abaixo em relação ao processo de Meixner.

6 RESULTADOS E DISCUSSÕES
Ao longo do projeto foram utilizadas três métricas VaR, CVaR, e Índice de Sharpe para avaliar o
desempenho obtido por sete modelos de volatilidade, o GARCH, EGARCH, Heston,
Heston-Nandi, SABR, Volatilidade Estocástica e o EWMA, e três modelos mais matemáticos
mais avançados, o Processo de Meixner, o Modelo de Merton, Modelo de Black-Scholes para
contratos futuros.
Tabela 6.1 - Comparação das métricas VaR e CVaR
As métricas do VaR e do CVaR performaram de uma ótima maneira, conseguindo reduzir ao
máximo o risco do portfólio, quando colocado os derivativos o VaR e o CVaR diminuíram mais
ainda.
Em relação aos modelos de volatilidade, o que pior performou nesse cenário foi o Modelo de
Heston, que obteve o Índice de Sharpe negativo para ambos os portfólios. E o modelo que melhor
performou em ambos os portfólios foi o Modelo de Heston-Nandi.
Tabela 6.2 - Índice de Sharpe dos modelos de volatilidade

Já os modelos matemáticos mais avançados não tiveram o mesmo desempenho em relação ao

retorno esperado, tendo o resultado negativo ou quase nulo.

Tabela 6.3 - Retorno esperado dos modelos avançados

Já o modelo de Black-Scholes acabou surpreendendo em relação a mitigação de risco, tendo um

excelente resultado para os três portfólios
Tabela 6.4 - Resultado de Black-Scholes
REFERÊNCIAS
Alexander, 2008a. Alexander, C. (2008). Market Risk Analysis, Practical Financial Econometrics
JORION, Philippe. Value at Risk: the new benchmark for managing financial risk. 3. ed. New
York: McGraw-Hill, 2006.
CAETANO, Marco Antonio Leonel. Python e mercado financeiro: programação para
estudantes, investidores e analistas. São Paulo: Blucher, 2021.
GIAMBIAGI, Fabio. Derivativos e risco de mercado. 1. ed. São Paulo: Atlas, 2017.
PINHEIRO, Marília Cordeiro; FERNANDES, Bruno Vinícius Ramos. Abordagem internacional
de VaR: backtesting para diferentes mercados de capitais. Revista Contabilidade & Finanças, v.
31, n. 83, p. 318-331, maio/ago. 2020
OLIVEIRA, Breno Tiago Novello Trotta de. Uma aplicação do Valor em Risco (VaR) no
mercado acionário brasileiro. 2012. 42 f. Trabalho de Conclusão de Curso (MBA em Finanças e
Gestão de Risco) – Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2012.
GOMES, Mariana de Andrade. Acordos administrativos a partir do art. 26 da LINDB:
consensualidade e segurança jurídica. 2021. Trabalho de Conclusão de Curso (Graduação em
Direito) – Fundação Getulio Vargas, Rio de Janeiro, 2021.
SILVA, Jaqueline Jana da. Modelagem Matemática para o Cálculo do Value at Risk (VaR) para a
Mensuração de Risco no Mercado Financeiro. 2016. Trabalho de Conclusão de Curso
(Graduação em Matemática Aplicada) – Universidade Estadual de Campinas, Campinas, 2016.