Master-Arbeit Univ. St. Gallen, 2007.

Master-Arbeit Univ. St. Gallen, 2008.

Master-Arbeit Univ. St. Gallen, 2008.

Master-Arbeit Univ. St. Gallen, 2008.

St. Gallen, Universiẗat, Diss., 2004.

University, Diss., 2002--Heidelberg.

PESSOA, Fernanda Salles de Oliveira. Gestão de risco setorial no mercado de ações brasileiro. 2013. 54f. Dissertação (Mestrado Profissional) - Programa de Pós Graduação em Economia, CAEN, Universidade Federal do Ceará, Fortaleza-CE, 2013. / Submitted by Mônica Correia Aquino (monicacorreiaaquino@gmail.com) on 2014-10-16T19:40:05Z No. of bitstreams: 1 2013_dissert_fsopessoa.pdf: 2508692 bytes, checksum: 99478cdb7057ed103681a29a780db21e (MD5) / Approved for entry into archive by Mônica Correia Aquino(monicacorreiaaquino@gmail.com) on 2014-10-16T19:40:18Z (GMT) No. of bitstreams: 1 2013_dissert_fsopessoa.pdf: 2508692 bytes, checksum: 99478cdb7057ed103681a29a780db21e (MD5) / Made available in DSpace on 2014-10-16T19:40:18Z (GMT). No. of bitstreams: 1 2013_dissert_fsopessoa.pdf: 2508692 bytes, checksum: 99478cdb7057ed103681a29a780db21e (MD5) Previous issue date: 2013-02-21 / This work analyzes during the period between 2008/01 and 2011/12 the market risk of six sectorial indexes from the São Paulo´s Stock Market (BM&FBovespa): the real state index (IMOB), the eletric power index (IEE), the consumption index (ICON), the industrial sector index (INDX), the financial index (IFNC) and the telecommunications sector index (ITEL). Throughout the Value-at-Risk metric (VaR), four models are estimated. Two of those models are called unconditional, due to its variance: the Unconditional Gaussian VaR, that admits that the returns follow a normal distribution, and the Unconditional Best Fitting VaR, built from the distribution of probabilities that better fits to the returns series. The other two models are called conditionals, assuming that the volatility changes along the time. The GARCH autoregressive models are used to estimate the conditional variance of each index, allowing an estimation of the Unconditional Gaussian VaR and the Unconditional Best Fitting VaR. Afterwards, the VaR models backtestings are realized, revealing the conditional models superiority. Finally, throughout the Balzer´s graphics, the indexes performances were observed over the confrontations between them. It was found that, for the analyzed period, the IEE wins every confrontation against the all other indexes, showing the best relation risk x return. The real state index sector, represented by the IMOB, lost all the confronts. / Este trabalho analisa durante o período de 01/2008 a 12/2011 o risco de mercado de seis índices setoriais da Bolsa de Valores de São Paulo (BM&FBovespa): o índice imobiliário (IMOB), o índice de energia elétrica (IEE), o índice de consumo (ICON), o índice do setor industrial (INDX), o índice financeiro (IFNC) e o índice setorial de telecomunicações (ITEL). Através da métrica Value-at-Risk (VaR) estimam-se quatro modelos. Dois desses modelos são ditos incondicionais no que se refere à variância: o VaR Gaussiano Incondicional, admitindo que os retornos seguem uma distribuição normal, e o VaR Best Fitting Incondicional, construído a partir da distribuição de probabilidades que melhor se ajusta às séries de retornos. Os outros dois modelos são chamados de condicionais, assumindo que a volatilidade varia ao longo do tempo. Os modelos autoregressivos do tipo GARCH são utilizados para estimar a variância condicional de cada índice, possibilitando a estimação do VaR Gaussiano Incondicional e do VaR Best Fitting Incondicional. Em seguida, realizam-se backtestings dos modelos de VaR, revelando a superioridade dos modelos condicionais. Por fim, através de gráficos de Balzer, observou-se a performance dos índices por meio de confrontos entre eles. Foi constatado que, para o período analisado, o IEE vence todos os embates feitos com os demais índices, apresentando a melhor relação risco x retorno. O setor imobiliário, representado pelo IMOB, perde todos os confrontos.

No description available.

Made available in DSpace on 2014-06-12T17:17:15Z (GMT). No. of bitstreams: 2 arquivo5954_1.pdf: 1673330 bytes, checksum: 087bfda06616ddb7867335ef10f4c486 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / O presente trabalho aborda o gerenciamento do risco do mercado utilizando o Value at Risk (VaR), o qual se tornou a ferramenta para a mensuração do risco esperado mais utilizada, tanto por instituições financeiras, quanto não financeiras. O VaR mede a maior perda esperada em dado período de tempo, tal perda esperada é baseada nas suposições sobre a distribuição de retorno dos fatores de risco. A suposição de mercado eficiente é normalmente a justificativa para a baixa eficácia dos modelos de gestão do risco de ativos brasileiros. No entanto a forma como a hipótese de mercado eficiente é incorporada aos modelos de previsão e de gerenciamento do risco não é explorada na literatura com a profundidade necessária. O resultado são trabalhos empíricos pouco conclusivos sobre a eficácia dos modelos de VaR aplicados ao mercado brasileiro. Neste trabalho o objetivo foi modelar o mercado de ações brasileiro sem abandonar a hipótese de mercado eficiente. Para tal fez-se necessário a incorporação da dinâmica do mercado, caracterizada pela alta volatilidade, aos modelos de VaR. Obteve-se sucesso para a modelagem das carteiras de ações, entretanto os resultados para carteiras com opções mostraram que a hipótese de mercado eficiente não é suficiente para a modelagem no mercado de opções brasileiro. O VaR foi analisado sob diversas suposições, transitando entre os modelos paramétricos e não paramétricos, das ações mais representativas do mercado acionário brasileiro: Telemar PN, Petrobrás PN e Vale do Rio Doce PNA; e das opções mais negociadas: as opções de compra de ações da Telemar PN. Os resultados mostraram que modelos de VaR dinâmico fornecem a adaptabilidade necessária para que o VaR obtivesse resultados satisfatórios. Isto ocorreu em função da velocidade da incorporação de novas informações ao modelo ratificando a hipótese de mercado eficiente. Entre os modelos de VaR, o que se mostrou mais adequado foi o de simulação de Monte Carlo pela flexibilidade de incorporação de novas suposições. Ficou claro que a tarefa de gerenciar derivativos sofisticados, como opções, deve ser iniciado pelo correto modelo de precificação de tais derivativos. O modelo de precificação de Black & Scholes, na sua forma original, não foi capaz de predizer o comportamento das opções objeto de estudo. Um ajuste ao modelo incorporando a aposta de alavancagem dos investidores em opção tornou a modelagem do risco via o VaR aceitável

Made available in DSpace on 2014-06-12T15:05:09Z (GMT). No. of bitstreams: 2 arquivo1138_1.pdf: 639102 bytes, checksum: 35cb2db02d50168acae0189ebb693f3c (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2001 / Este trabalho tem o intuito de avaliar a capacidade da abordagem Value at Risk com simulação de Monte Carlo (SMC), na previsão do risco de mercado da ação da Petrobrás (PETR4) e das opções de compra da PETR4 (PETRJ39, PETRH6, PETRH5). Compara-se a performance da SMC com os métodos denominados paramétricos: para a carteira de ações, considera-se o modelo do desvio padrão, e, para a carteira de opções, utiliza-se as aproximações Delta e Delta-Gama. Sabendo que a exatidão da estimativa do VaR pela simulação de Monte Carlo reside no modelo de precificação do valor da carteira, analisam-se os seguintes modelos: o de Black & Scholes (SMC Univariada), o de Hull & White, que inclui volatilidade estocástica (SMC Bivariada), e, por último, a inclusão da taxa de juros também estocástica através do modelo de Rendleman e Bartter (SMC Trivariada). As evidências empíricas sugerem que a estimativa do VaR pela simulação de Monte Carlo supera a dos métodos paramétricos. Especificamente quando se refere às opções, a performance da SMC é ainda melhor, devido a sua capacidade de capturar os efeitos da não-linearidade desses ativos financeiros