Submitted by Camila Corrêa Moraes (camila.cmoraes@gmail.com) on 2013-02-24T03:00:19Z No. of bitstreams: 1 DISSERTAÇÃO CAMILA MORAES.pdf: 4708711 bytes, checksum: 3c2acb024f3dbcde7627bb8afea462fd (MD5) / Rejected by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br), reason: Prezada Camila, Seu titulo não confere com a Ata, não podemos aprovar o trabalho, pois não temos informação do orientador (verso da Ata) da mudança do título. Aguardo email do seu orientador informando a alteração e posteriormente o professor deve assinar o verso da ata. Att. Suzi 3799-7876 on 2013-02-25T15:26:27Z (GMT) / Submitted by Camila Corrêa Moraes (camila.cmoraes@gmail.com) on 2013-02-26T17:46:32Z No. of bitstreams: 1 DISSERTAÇÃO CAMILA MORAES.pdf: 4708711 bytes, checksum: 3c2acb024f3dbcde7627bb8afea462fd (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2013-02-26T17:50:59Z (GMT) No. of bitstreams: 1 DISSERTAÇÃO CAMILA MORAES.pdf: 4708711 bytes, checksum: 3c2acb024f3dbcde7627bb8afea462fd (MD5) / Made available in DSpace on 2013-02-26T18:41:00Z (GMT). No. of bitstreams: 1 DISSERTAÇÃO CAMILA MORAES.pdf: 4708711 bytes, checksum: 3c2acb024f3dbcde7627bb8afea462fd (MD5) Previous issue date: 2013-01-29 / Value at Risk (VaR) and Expected Shortfall (ES) are quantitative models to measure market risk of financial assets portfolios. The purpose of this study is to evaluate the results of these models for a portfolio traded in the Brazilian market through four backtesting methods - Basel Traffic Light Test, Kupiec Test, Christoffersen Test and McNeil and Frey Test - covering periods of domestic (2002) and international (2008) financial crisis. The VaR model described here presents two approaches - Parametric, where it is assumed that the distribution of asset returns follow a Normal, and Historical Simulation, where there are no assumption about the distribution of asset returns, but it is assumed that they are independent and identically distributed. The results of VaR were also evaluated with the Cornish-Fisher expansion, which tries to approximate the empirical distribution to a Normal distribution using the values of skewness and kurtosis. Another feature observed was the property of coherence, which evaluates if the risk measure follows four basic axioms - monotonicity, translation invariance, homogeneity and subadditivity. VaR is not considered a coherent risk measure because it doesn´t follow the subadditivity feature in all cases. On the other hand the ES follows the four axioms, thus considered a coherent risk measure. The ES model was evaluated according to the Parametric Normal approach. This work also verified through backtests, if the property of coherency improves the accuracy of the analyzed risk measures / Value at Risk (VaR) e Expected Shortfall (ES) são modelos quantitativos para mensuração do risco de mercado em carteiras de ativos financeiros. O propósito deste trabalho é avaliar os resultados de tais modelos para ativos negociados no mercado brasileiro através de quatro metodologias de backtesting - Basel Traffic Light Test, Teste de Kupiec, Teste de Christoffersen e Teste de McNeil e Frey – abrangendo períodos de crise financeira doméstica (2002) e internacional (2008). O modelo de VaR aqui apresentado utilizou duas abordagens – Paramétrica Normal, onde se assume que a distribuição dos retornos dos ativos segue uma Normal, e Simulação Histórica, onde não há hipótese a respeito da distribuição dos retornos dos ativos, porém assume-se que os mesmos são independentes e identicamente distribuídos. Também foram avaliados os resultados do VaR com a expansão de Cornish-Fisher, a qual visa aproximar a distribuição empírica a uma distribuição Normal utilizando os valores de curtose e assimetria para tal. Outra característica observada foi a propriedade de coerência, a qual avalia se a medida de risco obedece a quatro axiomas básicos – monotonicidade, invariância sob translações, homogeneidade e subaditividade. O VaR não é considerado uma medida de risco coerente, pois não apresenta a característica de subaditividade em todos os casos. Por outro lado o ES obedece aos quatro axiomas, considerado assim uma medida coerente. O modelo de ES foi avaliado segundo a abordagem Paramétrica Normal. Neste trabalho também se verificou através dos backtests, o quanto a propriedade de coerência de uma medida de risco melhora sua precisão.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / We present the Shortfall Deviation Risk (SDR), a risk measure that represents the expected loss of results that occur with certain probability penalized by the dispersion of results worse than such expectation. The SDR combines the Expected Shortfall (ES) and the Shortfall Deviation (SD), which we also introduce, contemplating the two fundamental pillars of the risk concept the probability of adverse events (ES) and the variability of an expectation (SD) and considers extreme results. We demonstrate that the SD is a generalized deviation measure, whereas the SDR is a coherent risk measure. We achieve the dual representation of the SDR, and we discuss issues such as its representation by a weighted ES, acceptance sets, convexity, continuity and the relationship with stochastic dominance. Illustrations using Monte Carlo simulation and real data indicate that the SDR offers greater protection to measure risk than other measures, especially in turbulent times. / Esse trabalho apresenta o Risco do Desvio da Perda (Shortfall Deviation Risk SDR), uma medida de risco que representa a perda esperada de resultados que ocorrem com determinada probabilidade penalizada pela dispersão de resultados piores que essa expectativa. O SDR combina a Perda Esperada (Expected Shortfall ES) com o Desvio da Perda (Shortfall Deviation SD), introduzido nesse trabalho, de modo a contemplar os dois pilares fundamentais do conceito de risco, que são a possibilidade de eventos ruins (ES) e a variabilidade sobre uma expectativa (SD), além de levar em conta resultados extremos. Neste estudo é demonstrado que o SD é uma medida de desvio generalizado, ao passo que o SDR é uma medida de risco coerente. A representação dual do SDR é obtida, e questões como sua representação por meio de uma ponderação da ES, conjuntos de aceitação, convexidade, continuidade e relação com dominância estocástica são discutidas. Ilustrações com simulação Monte Carlo e dados reais indicam que o SDR oferece maior proteção na mensuração do risco que outras medidas, especialmente em momentos de turbulência.

Nesta dissertação, o modelo de seleção de carteiras de Markowitz será estendido com uma análise em tempo discreto e hipóteses mais realísticas. Um produto tensorial finito de densidades Erlang será usado para aproximar a densidade de probabilidade multivariada dos retornos discretos uniperiódicos de ativos dependentes. A Erlang é um caso particular da distribuição Gama. Uma mistura finita pode gerar densidades multimodais não-simétricas e o produto tensorial generaliza este conceito para dimensões maiores. Assumindo que a densidade multivariada foi independente e identicamente distribuída (i.i.d.) no passado, a aproximação pode ser calibrada com dados históricos usando o critério da máxima verossimilhança. Este é um problema de otimização em larga escala, mas com uma estrutura especial. Assumindo que esta densidade multivariada será i.i.d. no futuro, então a densidade dos retornos discretos de uma carteira de ativos com pesos não-negativos será uma mistura finita de densidades Erlang. O risco será calculado com a medida Downside Risk, que é convexa para determinados parâmetros, não é baseada em quantis, não causa a subestimação do risco e torna os problemas de otimização uni e multiperiódico convexos. O retorno discreto é uma variável aleatória multiplicativa ao longo do tempo. A distribuição multiperiódica dos retornos discretos de uma seqüência de T carteiras será uma mistura finita de distribuições Meijer G. Após uma mudança na medida de probabilidade para a composta média, é possível calcular o risco e o retorno, que levará à fronteira eficiente multiperiódica, na qual cada ponto representa uma ou mais seqüências ordenadas de T carteiras. As carteiras de cada seqüência devem ser calculadas do futuro para o presente, mantendo o retorno esperado no nível desejado, o qual pode ser função do tempo. Uma estratégia de alocação dinâmica de ativos é refazer os cálculos a cada período, usando as novas informações disponíveis. Se o horizonte de tempo tender a infinito, então a fronteira eficiente, na medida de probabilidade composta média, tenderá a um único ponto, dado pela carteira de Kelly, qualquer que seja a medida de risco. Para selecionar um dentre vários modelos de otimização de carteira, é necessário comparar seus desempenhos relativos. A fronteira eficiente de cada modelo deve ser traçada em seu respectivo gráfico. Como os pesos dos ativos das carteiras sobre estas curvas são conhecidos, é possível traçar todas as curvas em um mesmo gráfico. Para um dado retorno esperado, as carteiras eficientes dos modelos podem ser calculadas, e os retornos realizados e suas diferenças ao longo de um backtest podem ser comparados. / In this thesis, Markowitz’s portfolio selection model will be extended by means of a discrete time analysis and more realistic hypotheses. A finite tensor product of Erlang densities will be used to approximate the multivariate probability density function of the single-period discrete returns of dependent assets. The Erlang is a particular case of the Gamma distribution. A finite mixture can generate multimodal asymmetric densities and the tensor product generalizes this concept to higher dimensions. Assuming that the multivariate density was independent and identically distributed (i.i.d.) in the past, the approximation can be calibrated with historical data using the maximum likelihood criterion. This is a large-scale optimization problem, but with a special structure. Assuming that this multivariate density will be i.i.d. in the future, then the density of the discrete returns of a portfolio of assets with nonnegative weights will be a finite mixture of Erlang densities. The risk will be calculated with the Downside Risk measure, which is convex for certain parameters, is not based on quantiles, does not cause risk underestimation and makes the single and multiperiod optimization problems convex. The discrete return is a multiplicative random variable along the time. The multiperiod distribution of the discrete returns of a sequence of T portfolios will be a finite mixture of Meijer G distributions. After a change of the distribution to the average compound, it is possible to calculate the risk and the return, which will lead to the multiperiod efficient frontier, where each point represents one or more ordered sequences of T portfolios. The portfolios of each sequence must be calculated from the future to the present, keeping the expected return at the desired level, which can be a function of time. A dynamic asset allocation strategy is to redo the calculations at each period, using new available information. If the time horizon tends to infinite, then the efficient frontier, in the average compound probability measure, will tend to only one point, given by the Kelly’s portfolio, whatever the risk measure is. To select one among several portfolio optimization models, it is necessary to compare their relative performances. The efficient frontier of each model must be plotted in its respective graph. As the weights of the assets of the portfolios on these curves are known, it is possible to plot all curves in the same graph. For a given expected return, the efficient portfolios of the models can be calculated, and the realized returns and their differences along a backtest can be compared.

Nesta dissertação, o modelo de seleção de carteiras de Markowitz será estendido com uma análise em tempo discreto e hipóteses mais realísticas. Um produto tensorial finito de densidades Erlang será usado para aproximar a densidade de probabilidade multivariada dos retornos discretos uniperiódicos de ativos dependentes. A Erlang é um caso particular da distribuição Gama. Uma mistura finita pode gerar densidades multimodais não-simétricas e o produto tensorial generaliza este conceito para dimensões maiores. Assumindo que a densidade multivariada foi independente e identicamente distribuída (i.i.d.) no passado, a aproximação pode ser calibrada com dados históricos usando o critério da máxima verossimilhança. Este é um problema de otimização em larga escala, mas com uma estrutura especial. Assumindo que esta densidade multivariada será i.i.d. no futuro, então a densidade dos retornos discretos de uma carteira de ativos com pesos não-negativos será uma mistura finita de densidades Erlang. O risco será calculado com a medida Downside Risk, que é convexa para determinados parâmetros, não é baseada em quantis, não causa a subestimação do risco e torna os problemas de otimização uni e multiperiódico convexos. O retorno discreto é uma variável aleatória multiplicativa ao longo do tempo. A distribuição multiperiódica dos retornos discretos de uma seqüência de T carteiras será uma mistura finita de distribuições Meijer G. Após uma mudança na medida de probabilidade para a composta média, é possível calcular o risco e o retorno, que levará à fronteira eficiente multiperiódica, na qual cada ponto representa uma ou mais seqüências ordenadas de T carteiras. As carteiras de cada seqüência devem ser calculadas do futuro para o presente, mantendo o retorno esperado no nível desejado, o qual pode ser função do tempo. Uma estratégia de alocação dinâmica de ativos é refazer os cálculos a cada período, usando as novas informações disponíveis. Se o horizonte de tempo tender a infinito, então a fronteira eficiente, na medida de probabilidade composta média, tenderá a um único ponto, dado pela carteira de Kelly, qualquer que seja a medida de risco. Para selecionar um dentre vários modelos de otimização de carteira, é necessário comparar seus desempenhos relativos. A fronteira eficiente de cada modelo deve ser traçada em seu respectivo gráfico. Como os pesos dos ativos das carteiras sobre estas curvas são conhecidos, é possível traçar todas as curvas em um mesmo gráfico. Para um dado retorno esperado, as carteiras eficientes dos modelos podem ser calculadas, e os retornos realizados e suas diferenças ao longo de um backtest podem ser comparados. / In this thesis, Markowitz’s portfolio selection model will be extended by means of a discrete time analysis and more realistic hypotheses. A finite tensor product of Erlang densities will be used to approximate the multivariate probability density function of the single-period discrete returns of dependent assets. The Erlang is a particular case of the Gamma distribution. A finite mixture can generate multimodal asymmetric densities and the tensor product generalizes this concept to higher dimensions. Assuming that the multivariate density was independent and identically distributed (i.i.d.) in the past, the approximation can be calibrated with historical data using the maximum likelihood criterion. This is a large-scale optimization problem, but with a special structure. Assuming that this multivariate density will be i.i.d. in the future, then the density of the discrete returns of a portfolio of assets with nonnegative weights will be a finite mixture of Erlang densities. The risk will be calculated with the Downside Risk measure, which is convex for certain parameters, is not based on quantiles, does not cause risk underestimation and makes the single and multiperiod optimization problems convex. The discrete return is a multiplicative random variable along the time. The multiperiod distribution of the discrete returns of a sequence of T portfolios will be a finite mixture of Meijer G distributions. After a change of the distribution to the average compound, it is possible to calculate the risk and the return, which will lead to the multiperiod efficient frontier, where each point represents one or more ordered sequences of T portfolios. The portfolios of each sequence must be calculated from the future to the present, keeping the expected return at the desired level, which can be a function of time. A dynamic asset allocation strategy is to redo the calculations at each period, using new available information. If the time horizon tends to infinite, then the efficient frontier, in the average compound probability measure, will tend to only one point, given by the Kelly’s portfolio, whatever the risk measure is. To select one among several portfolio optimization models, it is necessary to compare their relative performances. The efficient frontier of each model must be plotted in its respective graph. As the weights of the assets of the portfolios on these curves are known, it is possible to plot all curves in the same graph. For a given expected return, the efficient portfolios of the models can be calculated, and the realized returns and their differences along a backtest can be compared.