[pt] O mercado brasileiro de energia elétrica é composto basicamente de matrizes hidroelétricas e termoelétricas, sendo que seu fornecimento pode ser contratado em dois ambientes, um de contratação regulamentada e outro livre. Dessa forma o apreçamento da energia é algo complexo e com incertezas, pois seu modelo leva em consideração comportamentos de afluências futuras, além de estimar a utilização de termoelétricas, que possuem fontes de energia mais caras. No Brasil, existem quatro submercados que podem ter preços divergentes. Algumas comercializadoras se utilizam dessa diferença buscando aferir ganhos extraordinários fazendo Swaps. Essa operação consiste em compra e venda de uma mesma quantidade de energia com liquidação fixada em uma determinada data com o preço à vista entre diferentes submercados. Essas empresas utilizam medidas de otimização de carteiras e controle de risco para fazerem operações ótimas, onde há maior probabilidade de maximizar o lucro, tendo o prejuízo máximo sob controle. Esse trabalho tem como objetivo encontrar a carteira de Swaps de energia que maximiza a medida Ômega, usada como avaliador de desempenho, tendo uma expectativa de lucro e com uma restrição de risco com um limite para o Conditional Value at Risk (CVaR), assim auxiliando as comercializadoras a maximizarem seu lucro não ultrapassando seu limite de risco. O estudo levou em consideração valores de previsão reais feitos por modelos fornecidos por órgãos especializados, levando em consideração os dados para os anos de 2012 e 2013 sendo estudadas todas as combinações possíveis de Swaps para a composição da carteira ótima para cada um dos anos estudados. A carteira ótima foi encontrada, no entanto, pode-se concluir que sua composição varia de acordo com os dados simulados não existindo assim uma carteira ótima única devendo essa ser calculada caso a caso. / [en] The Brazilian energy market is composed basically by hydroelectric and thermoelectric energy sources, which can be contracted in two different environments, one regulated and the other free. In this way, the pricing of energy is something complex and uncertain, because its model takes in consideration the behavior of future water affluences, besides estimating the more expensive thermal units. In Brazil, there are four submarkets that have diverging prices and some traders use this difference to reach extraordinary gains by entering into Swap operations. This operation consists of buying and selling a same amount of energy with its liquidation fixed at pre-determined date, at a spot price between different submarkets. These companies use portfolio optimization and risk management methods to reach optimal operations, in which there is a greater probability of maximizing profits, while measuring risk. This study aim to find the portfolio of Swaps that`s maximize the Omega measurement as the performance measurement, has a estimated profit and uses the conditional Value at Risk (CVaR) as the restriction for the risk that can be taken. Its objective is to help traders maximize their profit without exceeding their risk limit. The study took in consideration values from real previsions made by models provided by specialized agencies, taking in consideration all the data for the years of 2012 and 2013, with all the combinations of Swaps being studied. The optimal portfolio was achieved in both cases however, it`s possible to conclude that this composition varies according the input data, not existing thereby a unique optimal portfolio should that be calculated by case.

[pt] Após as recentes crises financeiras que se abateram sobre os mercados financeiros de todo o mundo, com mais propriedade a de 2008/2009, mas ainda a crise no Leste Europeu em Julho/2007, a moratória Russa em Outubro/1998, e, no âmbito nacional, a mudança no regime cambial brasileiro, em Janeiro/1999, as instituições financeiras incorreram em grandes perdas em cada um desses eventos e uma das principais questões levantadas acerca dos modelos financeiros diziam respeito ao gerenciamento de risco. Os diversos métodos de cálculo do Value-atrisk, bem como as simulações e cenários traçados por analistas não puderam prever sua magnitude nem tampouco evitar que a crise se agravasse. Em função disso, proponho-me à questão de estudar os sistemas de gerenciamento de risco financeiro, na medida em que este pode e deve ser aprimorado, sob pena de catástrofes financeiras ainda maiores. Embora seu conteúdo se mostre tão vasto na literatura, as metodologias para cálculo de valor em risco não são exatas e livres de falhas. Nesse contexto, coloca-se necessário o desenvolvimento e aprimoramento de ferramentas de gestão de risco que sejam capazes de auxiliar na melhor alocação dos recursos disponíveis, avaliando o nível de risco à que um investimento está exposto e sua compatibilidade com seu retorno esperado. / [en] After recent financial crisis that have hit financial markets all around the world, with more property on 2008/2009 periods, the Eastern Europe crisis in 2007, the Russian moratorium on October/1998, and with Brazilian national exchange rate regime change on January/1999, financial institutions have incurred in large losses on each of these events and one of the main question raised about the financial models related to risk management. The Value-at-Risk management and its many forms to calculate it, as well as the simulations and scenarios predicted by analysts could not predict its magnitude or prevent crisis worsened. As a result, I intent to study the question of financial systems management, in order to improve the existing methods, under the threat that even bigger financial disasters are shall overcome. Although it s content is vast on scientific literature, the Value-at-Risk calculate is not exact and free of flaws. In this context, there is need for the development and improvement of risk management tools that are able to assist in a better asset equities allocation of resources, equalizing the risk level of an investment and it s return.

[pt] A teoria moderna de carteiras estabelece que a alocação ótima de ativos é uma função da média-variância da distribuição dos retornos. Na prática, estes retornos são modelados por distribuições Gaussianas e seus parâmetros são estimados a partir dos dados históricos do mercado, utilizando técnicas descritivas da estatística Frequentista. A dinâmica atual dos mercados globalizados gera períodos aleatórios de alta e baixa volatilidade e/ou saltos nos retornos dos ativos, provocando mudanças de regime ou quebras estruturais na série temporal dos retornos, tornando-os não Gaussianos. Consequentemente, a teoria moderna de carteiras precisa ser adaptada para atender a estas novas condições do mercado. Para contornar o problema das mudanças de regime, propõe-se a substituição do mecanismo de otimização baseada no índice de Sharpe pela otimização baseada na medida Ômega. Isto porque a medida Ômega tem a vantagem de quantificar o risco-retorno de qualquer distribuição de probabilidade e não somente distribuições Gaussianas como acontece com o índice de Sharpe, ou seja, as distribuições de retornos não Gaussianos provocadas pelas mudanças de regime são tratadas naturalmente pela medida Ômega. Para contornar o problema das quebras estruturais, propõe-se a substituição do procedimento de estimação dos parâmetros da distribuição dos retornos, baseada em técnicas da estatística Frequentista por técnicas da estatística Bayesiana. Isto porque a estatística Bayesiana, tem a vantagem de combinar as informações públicas do mercado (dados históricos dos retornos) com informações privadas do investidor (visões prospectivas do mercado) permitindo corrigir a quebra estrutural e, na sequência, tratar o retorno não Gaussiano, utilizando o mecanismo de otimização baseada na medida Ômega. / [en] Modern portfolio theory states that the optimal asset allocation is a function of the mean-variance of the distribution of returns. In practice, these returns are modeled by Gaussian distributions and their parameters are estimated from historical market data, using descriptive techniques of Frequentist statistics. The current dynamics of globalized markets generate random periods of high and low volatility and/or jumps in asset returns, causing regime shifts or structural breaks in the time series of returns, making them non Gaussian. Consequently, modern portfolio theory needs to be adapted to meet these new market conditions. To circumvent the problem of regime shifts, it is proposed to replace the optimization mechanism based on the Sharpe index by the optimization based on the Omega measure. This is because the Omega measure has the advantage of quantifying the risk-return of any probability distribution and not only Gaussian distributions as with the Sharpe index, that is, non Gaussian returns distributions caused by regime shifts are treated naturally by the Omega measure. To circumvent the problem of structural breaks, it is proposed to replace the estimation procedure for the parameters of the distribution of returns, based on Frequentist statistics techniques, by Bayesian statistical techniques. This is because the Bayesian statistic has the advantage of combining public market information (historical return data) with private investor information (prospective market views) allowing to correct the structural break, and subsequently, treating the non Gaussian return using the optimization based on the Omega measure.

[pt] Um dos principais desafios no mercado financeiro é simular preços mantendo a estrutura de correlação entre os inúmeros ativos de um portfólio. Análise de Componentes Principais emerge como uma solução para este último problema. Além disso, dada a incerteza presente nos mercados de commodities de derivados de petróleo, o investidor quer proteger seus ativos de perdas potenciais. Como uma alternativa a esse problema, a otimização de várias medidas de risco, como Value-at-risk, Conditional Value-at-risk e medida Ômega, são ferramentas financeiras importantes. Além disso, o backtest é amplamente utilizado para validar e analisar o desempenho do método proposto. Nesta dissertação, trabalharemos com um portfólio de commodities de petróleo. Vamos unir diferentes técnicas e propor uma nova metodologia que consiste na diminuição da dimensão do portfólio proposto. O passo seguinte é simular os preços dos ativos na carteira e, em seguida, otimizar a alocação do portfólio de commodities de derivados do petróleo. Finalmente, vamos usar técnicas de backtest, a fim de validar nosso método. / [en] One of the main challenges in the financial market is to simulate prices keeping the correlation structure among numerous assets. Principal Component Analysis emerges as solution to the latter problem. Also, given the uncertainty present in commodities markets, an investor wants to protect his/her assets from potential losses, so as an alternative, the optimization of various risk measures, such as Value-at-risk, Conditional Value-at-risk and Omega Ratio, are important financial tools. Additionally, the backtest is widely used to validate and analyze the performance of the proposed methodology. In this dissertation, we will work with a portfolio of oil commodities. We will put together different techniques and propose a new methodology that consists in the (potentially) decrease the dimension of the proposed portfolio. The following step is to simulate the prices of the assets in the portfolio and then optimize the allocation of the portfolio of oil commodities. Finally, we will use backtest techniques in order to validate our method.