THIAGO MENDES CLARK
Transcript of THIAGO MENDES CLARK
THIAGO MENDES CLARK
A ESTATÍSTICA NA AVALIAÇÃO DE RISCO DECRÉDITO: APLICAÇÃO DA SIMULAÇÃO DE
MONTE CARLO NO MODELO DO CREDITRISK+
Texto apresentado ao Departamento de
Estatística da Universidade Federal Flu-
minense como requisito para a conclusão
do bacharelado em Estatística.
Niterói - RJ27/03/2013
THIAGO MENDES CLARK
A ESTATÍSTICA NA AVALIAÇÃO DE RISCO DECRÉDITO: APLICAÇÃO DA SIMULAÇÃO DE
MONTE CARLO NO MODELO DO CREDITRISK+
Texto apresentado ao Departamento de
Estatística da Universidade Federal Flu-
minense como requisito para a conclusão
do bacharelado em Estatística.
Área de Concentração:
Estatística
Orientador:
Marco Aurélio dos Santos San�ns
Niterói - RJ27/03/2013
Monogra�a de Projeto Final de Graduação sob o título �A Estatística na
Avaliação de Risco de Crédito: Aplicação da Simulação de Monte Carlo no Mo-
delo do CreditRisk+�, defendida por THIAGO MENDES CLARK e aprovada
em 27/03/2013, em Niterói, Estado do Rio de Janeiro, pela banca examinadora
constituída pelos professores:
Prof. Dr. Marco Aurélio dos Santos San�nsOrientador
Prof. Dr. Leonardo Soares BastosFundação Oswaldo Cruz
Prof. Dr. Valentin SiskoUniversidade Federal Fluminense
Clark, Thiago Mendes A estatística na avaliação de risco de crédito: aplicação da
simulação de Monte Carlo no modelo do CreditRisk+ / Thiago Mendes Clark; Marco Aurélio dos Santos Sanfins, orientador. Niterói, 2012. 57 f. : il.
Trabalho de Conclusão de Curso (Graduação em
Estatísticaa ) – Universidade Federal Fluminense, Instituto de Matemática e Estatística, Niterói, 2012.
1. Risco de crédito. 2. Modelo CreditREisk+. 3. Método de
Monte Carlo. I. Sanfins, Marco Aurélio dos Santos, orientador. II. Universidade Federal Fluminense. Instituto de Matemática e Estatística. III. Título.
CDD -
RESUMO
A demanda por metodologias robustas e mais poderosas de risco de créditovem crescendo muito devido a instabilidade econômica �nanceira que se propagapelo mundo. As avaliações de risco de crédito se tornaram cada vez mais funda-mentais para instituições �nanceiras e não-�nanceiras.
Com essa motivação, o objetivo deste trabalho é revisar os principais modelosde avaliação de crédito no mercado mundial, dentre esses o modelo do Credi-tRisk+ foi selecionado como mais adequável ao mercado de crédito brasileiro porser também um dos mais simples, visto que sua �nalidade é apenas a modelageme não a busca de causas de default.
As formulas fechadas do modelo demonstram certa sucessão a erros em certoscasos e as premissas adotadas nele, como por exemplo, distribuição de probabi-lidades assumidas não são coerente ao caso de um portfolio Brasileiro, então éintroduzido a simulação de Monte Carlo com convergências a distribuições deprobabilidades mais reais para o caso proposto neste trabalho.
Por �m, analisa-se um exemplo real de um portfolio de uma �nanceira edemonstra-se onde as teorias de estatística são aplicadas, realizando comparaçõese calculando as principais medidas de risco para suporte as análises �nais.
ABSTRACT
The demand for more powerful and robust methodologies for credit risk hasbeen increasing due to economic instability that propagates through the �nancialworld. The assessments of credit risk have become increasingly critical to �nancialand non-�nancial institutions.
With this motivation, the objective of this paper is to review the main modelsfor credit risk analisys that are used and it's models, CreditRisk was selected asthe most adaptable to the Brazilian credit market and it is also one of the simplest,since it aims only modeling and not the search for causes of the default.
The analitic model's formula demonstrate certain succession to errors in cer-tain cases and the assumptions made therein, for example, assumed probabilitydistributions are not consistent in case of a Brazilian portfolio, so is introducedthe Monte Carlo simulation with distributions more logical for the case proposedin this paper.
Finally, we analyze an actual example of a real portfolio of a �nancial instituteand demonstrates where the statistics' theory is applied, making comparativescases and calculationg the main risk measurements to support the �nal analisys.
DEDICATÓRIA
Dedico este trabalho a três pessoas que foram essenciais na minha formação
como pessoa e no suporte durante a graduação. Primeiramente ao meu pai,
Haroldo Rodrigues Clark, que sempre me ensinou que o estudo é a melhor forma
de alcançar nossos objetivos, que me mostrou o lindo caminho das ciências exatas
e me fez ter paixão pela Estatística e sempre me deu todo suporte de acesso ao
conhecimento com muita paciência e dedicação.
Dedico, também à minha mãe, Maria Lucia Mendes, que desde o momento que
nasci me ensinou coisas essenciais sobre a vida e me deu toda educação necessária,
apesar de atuar na área de humanas sempre me apoiou nas minhas escolhas
acadêmicas e pro�ssionais e com sabedoria me auxiliou a conseguir alcançar meus
objetivos.
Finalmente, dedico à Michele Semi Salek, que me acompanhou em todos
os momentos difíceis e felizes da graduação, compartilhando suas experiências e
visões mais maduras sobre a vida, sempre buscou me mostrar o melhor caminho
e me ensinou a lutar pelos meus objetivos, com inteligencia, precisão e coragem.
AGRADECIMENTOS
Agradeço a conclusão deste trabalho a todos meus professores que durante a
graduação puderam, mesmo que da mais breve forma, me passar os conhecimentos
necessários para a obtenção do título de bacharel.
Em especial, agradeço ao meu professor orientador Marco Aurélio San�ns,
que desde o começo da graduação me apresentou e me fez gostar das aplica-
ções estatísticas em �nanças, me mostrando todos os caminhos para adquirir o
conhecimento necessário para a realizações dos trabalhos em alto nível.
Agradeço aos meus colegas de curso que me ajudaram compartilhando conhe-
cimento e tornando esses anos de graduação mais agradáveis.
Para �nalizar agradeço aos meus amigos pessoais que sempre me deram su-
porte durante a graduação e que sempre souberam entender as minhas neces-
sidades de dedicação ao curso causando as vezes uma distancia que sempre foi
reduzida no �nal.
SUMÁRIO
Lista de Ilustrações
Lista de Tabelas
1 Introdução 10
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Revisão dos Modelos de Risco de Crédito 14
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Credit Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 KMV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 CreditRisk+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Comparativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 O modelo CreditRisk+ 29
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 O CreditRisk+ com taxas de default �xas . . . . . . . . . . . . . 31
3.3 O CreditRisk+ com taxas de default variáveis . . . . . . . . . . . 34
4 Simulação de Monte Carlo 37
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 Aplicação 42
5.1 O Conjunto de Dados . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6 Conclusão 51
6.1 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Referências 54
LISTA DE ILUSTRAÇÕES
1 Macro Processo do Credit Metrics . . . . . . . . . . . . . . . . . . 19
2 Matriz de transição da Standard & Poor's . . . . . . . . . . . . . 20
3 Quadro KMV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Quadro CreditRisk+ . . . . . . . . . . . . . . . . . . . . . . . . . 25
5 Quadro comparativos entre os modelos . . . . . . . . . . . . . . . 27
6 Modelo Analítico com 1 setor . . . . . . . . . . . . . . . . . . . . 49
7 Modelo via SMC com 1 setor . . . . . . . . . . . . . . . . . . . . 49
8 Modelo Analítico com 6 setores . . . . . . . . . . . . . . . . . . . 50
9 Modelo via SMC com 6 setores . . . . . . . . . . . . . . . . . . . 50
LISTA DE TABELAS
1 Classi�cação de Risco de Crédito do SERASA . . . . . . . . . . . 44
2 Probabilidade de Default e Desvios . . . . . . . . . . . . . . . . . 45
3 25 devedores do porfolio . . . . . . . . . . . . . . . . . . . . . . . 46
4 Tabela de Medidas . . . . . . . . . . . . . . . . . . . . . . . . . . 48
10
1 INTRODUÇÃO
�Eu acredito demais na sorte.
E tenho constatado que,
quanto mais duro eu trabalho,
mais sorte eu tenho�
Thomas Je�erson
11
1.1 Introdução
Com toda a incerteza do mercado �nanceiro por consequência da crise, o
mercado de crédito vem sendo demandado cada vez mais a realizar análises de
risco precisas e desenvolver metodologias robustas.
Existem quatro tipos de risco no mercado �nanceiro, o risco de mercado, risco
operacional, risco legal e risco de crédito e todos se não analisados e mensurados
podem implicar em grandes perdas �nanceiras.
O risco de mercado, que pelas palavras de (DUARTE, 1993) é de�nido como
o comportamento do preço do ativo diante das condições de mercado. A gestão
deste risco é útil para o entendimento da dinâmica dos ativos das empresas no
mercado. Ainda dentro do risco de mercado existem quatro sub divisões, o risco
de mercado acionário que é aproximado por um fator de mercado, como por
exemplo o índice BOVESPA, risco do mercado de juros que é mensurado pelos
grupos de fatores de mercado relacionados as oscilações das ETTJ(Estrutura a
termo da taxa de juros), risco de mercado de câmbio e o risco do mercado de
commodities.
Ainda segundo (DUARTE, 1993) o risco operacional é relacionado a erros de
sistemas ou falhas humanas e pode ser divido em três sub divisões, risco organi-
zacional que é diretamente ligado a administrações e gestões errôneas, risco de
operações relacionado à falhas sistêmicas e risco de pessoal que é o problema com
quali�cação de staff .
O risco legal é aquele que está relacionado aos problemas de resgatar contratos
legalmente e como consequência a geração de perdas signi�cativas.
Finalmente o risco de crédito que é descrito no mercado como o risco de perda
�nanceira decorrente do não cumprimento das dívidas assumidas pela contra parte
com o credor, que pode ser sub dividido em três grupos. O risco país, que
12
é a possibilidade de mudanças em um país que impacte o mercado �nanceiro
negativamente, o risco político que por ações políticas podem in�uenciar no �uxo
de capitais e por �m o risco pela falta de pagamento o qual é o foco deste trabalho.
A análise de risco por falta de pagamento vem se tornando fundamental para
instituições �nanceiras e atualmente até sendo aplicado para instituições não
�nanceiras, (SILVEIRA, 2007). A importância da análise é o conhecimento a fundo
da carteira de crédito, calculando valores como possíveis perdas e valores em risco
e também atendendo o Novo Acordo da Capital de Basiléia, (YANAKA; HOLLAND,
2010), que visa o aprovisionamento dos valores em risco com a �nalidade de evitar
falências de instituições �nanceiras.
Esta análise pode ser dividida em duas partes chamadas de ex ante e ex post.
A análise ex ant, como o nome sugere, é a análise de risco de crédito realizada
anteriormente a concessão de crédito. Existem duas metodologias mais famosas,
Credit Scoring focada em concessão de crédito para pessoas físicas, metodolo-
gia utilizada por bancos, ela atribui pontuação, score, as respostas sugeridas em
questionários como por exemplo, patrimônios, dependentes, ativos e etc. Após o
levantamento dos scores é de�nido um limite de crédito para a contra parte. Ou-
tra metodologia é a de CreditRating que é aplicado à classi�cação de empresas
em categorias de risco, normalmente integrando critérios quantitativos e qualita-
tivos. No Brasil a principal fornecedora de rating de crédito é a SERASA. Esses
modelos também podem ser desenvolvidos internamente por grandes instituições.
Este trabalho é focado na análise ex post, que ocorre após a concessão, tem
como principal objetivo mensurar os risco do portfolio. Existem diversas meto-
dologias no mercado �nanceiro que vem ganhando força com o passar do tempo
e o aumento de incerteza do mercado �nanceiro, nesta monogra�a será abor-
dada três das principais metodologias utilizadas pelo mundo e será realizado um
comparativo.
13
O principal objetivo deste trabalho é desmembrar e aplicar teorias estatís-
ticas na analise de crédito ex post. Utilizando modelagem estatística, teoria de
probabilidade, teoria bayesiana e noções de simulação.
A seguir será mostrado a importância do risco de crédito no mundo e no
Brasil, como também os principais modelos e suas vantagens e desvantagens.
14
2 REVISÃO DOS MODELOS DE RISCO DECRÉDITO
�O sucesso é uma consequência e não um objetivo�
Gustave Flaubert
15
2.1 Introdução
Os estudos sobre análises de risco de crédito vem evoluindo bastante durante
os últimos anos, para (DUARTE, 1993) o assunto ganhou força e importância
após uma série de bancos tradicionais mundiais como Barings Banks, Procter &
Gamble, Bankers Trust e a Orange County estavam beirando a falência. Estes
bancos ligavam o risco apenas a derivativos com �nalidade de alavancagem e
diminuição de risco.
Para (SAUDERS, 2000) existem sete motivos para essa evolução sobre análise
de risco de crédito.
1. Aumento estrutural de falências - A recessão mais recente da economia re-
gistrou um aumento signi�cativo nas estatísticas de falências quando com-
parada a recessão anterior, citada anteriormente.
2. Desintermediação - As tendências após o último período de recessão mos-
tram que os mercados de capitais se tornaram mais acessíveis para pequenas
e médias empresas, esse novo publico alvo são mais prováveis de serem me-
nores e possuírem classi�cações de risco mais fracas.
3. Margens mais competitivas - Devido ao motivo anterior a qualidade dos
empréstimos vinham caindo, consequentemente a compensação de risco-
retorno originada de empréstimos piorou. O motivo principal é a competição
por tomadores de empréstimos de menor qualidade.
4. Valores declinantes e voláteis de garantias reais - A crise imobiliária mostrou
que os valores de imóveis e ativos físicos são muito difíceis de prever, muitas
vezes esses valores são utilizados como garantias em empréstimos, então vem
crescendo as preocupações com o valor de garantias reais como imóveis e
ativos físicos.
16
5. O crescimento de derivativos extra balanço - O crescimento do risco da
contraparte justi�cada pela expansão de mercados de derivativos estendeu
a necessidade de análise de crédito para além dos empréstimos.
6. Tecnologia - O desenvolvimento acelerado da tecnologia permitiu que as ins-
tituições �nanceiras pudessem desenvolver cada vez mais a base histórica de
suas transações e também computadorizar e so�sticar mais as modelagens
de risco que estão cada dia mais velozes.
7. As exigências para capital baseados no risco do BIS (Banco para Compensa-
ções Internacionais) - A insatisfação das instituições �nanceiras com relação
ao posicionamento do BIS foi um dos mais importantes motivos para a evo-
lução das análises de risco de créditos dos Estados Unidos, o BIS utilizava
um peso único para o provisionamento de dinheiro, ou seja, um empréstimo
para uma empresa as margens da falência era tratado da mesma forma que
empréstimos a empresas boas pagadoras.
Nas palavras de (SCHECHTMAN, 2002) a gestão do risco de crédito ganhou
ênfase, no Brasil, no período de estabilidade econômica alcançado após o Plano
Real, porque anteriormente o desenvolvimento e aplicações das teorias de gestão
de crédito eram inibidas por um ambiente econômico de alta in�ação. Como des-
crito por (SAUDERS, 2000) toda movimentação nos Estados Unidos e na Europa
teve início entre 1997 e 1998 e isso junto com os motivos de (SCHECHTMAN, 2002)
acabaram in�uenciando o avanço no país.
As instituições �nanceiras passam a demandar um desenvolvimento de gestão
de crédito mais robusta e precisa após a publicação do Novo Acordo da Capital de
Basiléia, ou simplesmente Basiléia II, em 2004. Segundo, (YANAKA; HOLLAND,
2010), o acordo é mais amplo que o Basiléia I e procura ser mais sensível ao
risco, aumentando a liberdade das instituições de escolherem entre abordagens
17
padronizados ou modelos internos, e o novo acordo foi muito bem recebido pelo
mercado de capitais, já que foi um dos principais motivos para os avanços nos
estudos de risco de crédito conforme descrito por (SAUDERS, 2000)
Na prática, um dos principais objetivos das análises de risco de crédito é
estimar a distribuição de perda de um portfolio, a partir de distribuições estatís-
ticas, o mais importante para o concessor de crédito é mensurar perdas esperadas
e também realizar estimativas de perdas inesperadas futuras do seu capital em
risco, o valor em risco é chamado de V aR e sendo uma estimativa estatística pode
ter um nível de con�ança prede�nido.
Resumidamente as estimativas do V aR buscam estimar a perda máxima em
valor em um período de tempo estipulado em um nível de con�ança de interesse.
Exempli�cando como (SAUDERS, 2000), supondo que um título no mercado �-
nanceiro custe R$ 80,00 e seu desvio padrão seja de R$ 10,00 uma estimativa
de V aR nos responderia uma pergunta simples, � Se amanhã for um �dia ruim�,
qual será minha perda em valor dado um nível de con�ança, ou seja, qual meu
V aR?�. Para facilitar, estatísticas comprovam que o retorno desse título dia-
riamente segue uma distribuição normal e um dia ruim tem 1% de chance de
ocorrer. É sabido que em uma distribuição normal aproximadamente 68% das
observações de retorno estão entre 1 e -1 desvios padrões e que 95% estão entre
2 e -2. Utilizando um nível de con�ança de 99% a 1% de chance o título poderia
cair R$80, 00− σ ∗R$10, 00 = R$80, 00− 2, 33 ∗R$10, 00 = R$23, 30, portanto o
V aR do título a um nível de con�ança de 99% é de R$23,30.
Neste trabalho entraremos mais a fundo no cálculo do V aR sendo calculado
pelos modelos de risco de crédito, serão abordados 3 modelos nesta sessão, que
podem ser divididos em dois grupos. No grupo de modelos de preci�cações estão
contidos o CreditMetrics proposta por (J. P. MORGAN, 1997), o qual é um dos
modelos mais difundidos mundialmente e o modelo KMV, baseado na teoria de
18
preci�cações e opções difundida por (MERTON, 1973). O grupo de modelo atua-
riais é representado pelo CreditRisk +, (CREDIT SUISSE FINALCIAL PRODUCTS,
1997), que é um modelo mais simples e possui um background de teoria estatística
de probabilidade e teoria Bayesiana nos casos mais so�sticados.
19
2.2 Credit Metrics
OCreditMetrics é uma metodologia desenvolvida pelo JPMorgan em 1997, foi
criada com o objetivo de avaliação do risco de uma carteira de crédito, originários
de eventos de crédito relativos aos ratings dos devedores. A metodologia exige
alguns dados históricos, como a mudança durante os anos do rating e variáveis
�nanceiras do devedor.
O exemplo de (SAUDERS, 2000) citado no introdução deste capítulo aplica-se
a um titulo porém é sabido que os empréstimos não são negociados em bolsas, ou
seja, não sabemos o valor de mercado destes empréstimos nem a volatilidade do
valor ao longo de um horizonte de tempo. Devido a isso esta metodologia exige
a utilização de algumas variáveis como citamos acima, desta forma um valor de
mercado e uma volatilidade do empréstimo poderá ser calculado e consequente-
mente seu V aR de crédito.
As etapas para construção do modelo podem ser veri�cadas abaixo conforme
(J. P. MORGAN, 1997): O Credit Metrics pode ser resumido em 3 etapas:
Figura 1: Macro Processo do Credit Metrics
• Etapa 1 - Estimar o valor de exposição de cada devedor no portfolio
20
Esta etapa tem como objetivo de�nir os principais instrumentos de risco para
a carteira, como empréstimos, adiantamentos, swaps entre outros. Para mensu-
ração da carteira o modelo considera a exposição a mercado do portfolio, porém
este método pode variar se existirem concessões de prazo para vendas na carteira,
onde é considerado o valor integral desta venda.
Existe grande di�culdade para levantar deste tipo de informações da carteira
no mercado, isso acarreta na obtenção de dados viesados. Na tentativa de mi-
nimizar este problema é necessário avaliar a classi�cação de crédito (rating) do
devedor conjunto com sua probabilidade de migração, ou seja, a probabilidade
da sua classi�cação ser mudada.
• Etapa 2 - Calcular a volatilidade do valor em exposição devido a migração
da classi�cação dos devedores.
Para efetuar os cálculos desta segunda etapa é necessário, além da avaliação
de crédito, a probabilidade de migração do rating, ou seja, durante um período de
tempo estabelecido este rating pode sofrer downgrades ou upgrades, de acordo
com as agencias mundiais classi�cadoras, como por exemplo a Standard & Poor's.
Abaixo segue um exemplo da matriz de transição retirada da CreditWeek de 15
de abril de 1996, (POOR'S, 1996).
Figura 2: Matriz de transição da Standard & Poor's
Com essas informações deve-se realizar a preci�cação de cada possível estado
da classi�cação utilizando o spread ou as taxas de recuperações do empréstimo
21
por meio de instrumentos �nanceiros como por exemplo a curva zero, a qual não
será abordada nesta dissertação.
• Etapa 3 - Calcular a correlação entre os ratings dos devedores e o cálculo
do risco da carteira.
Para chegar-se ao objetivo �nal, o qual é calcular a distribuição de perda do
portfolio, deve realizar esta etapa. Como o modelo não assumi que os ratings
dos devedores não são independentes deve-se calcular a correlação entre elas, ela
é estimada por meio de informações das agências classi�cadoras , sobre o spread
ou sobre o preço dos ativos.
O primeiro ponto negativo a ser sinalizado deste modelo é o elevado custo
computacional quando é envolvido um portfolio com grande número de deve-
dores, porque será necessário cálculos com grandes matrizes, porém o modelo
(J. P. MORGAN, 1997) sugere o agrupamento dos devedores por país ou setor da
economia.
Após o mapeamento das correlações o modelo calcula a distribuição de perda
por meio de simulações da qualidade de crédito de cada devedor, ou seja, da
sua probabilidade de migração, seus adiantamento, pagamentos e preços. Cada
instrumento é preci�cado de acordo com as simulações e o valor �nal é obtido
agregando esses resultados, gerando a distribuição de perda da carteira.
22
2.3 KMV
O modelo KMV, também conhecido por CreditMonitor, nome do software
construído para a gestão de risco de crédito pela KMV Corporation, foi desenvol-
vido com base no modelo de (MERTON, 1973) e segundo ele, o risco de crédito está
associado a volatilidade do valor dos ativos da empresa no mercado. Derivando-se
disso o default está diretamente ligado ao valor de mercado da empresa. Nas
palavras de (ARAGÃO, 2003), o mercado �nanceiro para o modelo KMV é a fonte
mais robusta de informações de saúde �nanceira dos tomadores de empréstimos.
Para (SANTOS; SANTOS, 2003), existem dois resultados para o modelo, se o
valor dos ativos for superior ao valor da dívida e o inverso, ou seja, valor dos
ativos for inferior ao valor da dívida. No primeiro caso, onde a empresa pode
continuar honrando com suas dívidas, os credores receberão normalmente, ou
seja, receberão os valores do empréstimo e seus juros. No segundo caso o credor
poderá recuperar o valor do empréstimo liquidando a contra parte pelo processo
de falência já que nesta situação o devedor não terá condições de pagar suas
dívidas.
Com base nessas premissas o processo pode ser divido em três etapas de
acordo com (CROSBIE; BOHN, 2003):
• Etapa 1 - Estimativa do valor de mercado e volatilidade dos ativos da
empresa
Segundo (MERTON, 1973), a estrutura de capital de uma empresa se resume
as ações e suas dívidas, portanto o primeiro passo é calcular a frequência esperada
do default de acordo com essa estrutura.
Para (SANTOS; SANTOS, 2003) a estrutura é resumida da seguinte forma, os
ativos são preci�cados de acordo com o valor de mercado e a alavancagem de
cada empresa, essa alavancagem é calculada pela relação do passivo total da
23
empresa e o patrimônio liquido, onde a soma deles resulta no ativo total da
empresa, portanto uma empresa não seria capaz de honrar suas dívidas quando
o patrimônio liquido for igual a zero e o passivo total maior que o ativo total.
Ainda para (SILVEIRA, 2007) as dívidas podem ser dívidas em dívidas de curto
prazo e dívidas de médio prazo. Com isso, de acordo com (SANTOS; SANTOS,
2003), estudos empíricos realizados pela KMV sobre inadimplência mostram que
o ponto de inadimplência mais frequente acontece quando o valor da empresa é
igual sua dívida de curto prazo mais aproximadamente 50% das dividas a longo
prazo. O Quadro abaixo, (SILVEIRA, 2007), exempli�ca melhor as a�rmações
anteriores.
Figura 3: Quadro KMV
Observando o quadro �ca visível que o default, de acordo com o modelo,
ocorre quando o valor dos ativos não supera as dívidas a curto prazo mais metade
das dívidas a longo prazo.
• Etapa 2 - Calculando a distância ao default
A distância de default é calculada pela formula abaixo:
D =ln(V (a)
d) + (µ− (0, 5 ∗ σ2) ∗ t
σ√t
(2.1)
Onde V(a) é o valor de mercado dos ativos, d é o ponto de default estimado na
24
etapa anterior, µ é o retorno esperado dos ativos, também calculado na etapa
anterior e σ é a volatilidade do retorno dos ativos obtido, também, na etapa
anterior.
Está formula indica que a distancia do default é calculada pelo número de
desvios-padrões da média da distribuição de preços dos ativos em um horizonte
de tempo t, que geralmente é de 1 ano.
• Etapa 3 - Calculando as probabilidades de default
Por �m o modelo inicia o cálculo do default, realiza-se estudos históricos de
outras grandes empresas, na de�nida distancia de tempo, para estimar a frequên-
cia de default esperada de cada devedor. Estabelecida está estimativa do modelo,
similar ao Credit Metrics, construirá matrizes de migração de rating de cada de-
vedor com a �nalidade de avaliar a probabilidade que troquem de rating até o
�nal da análise.
Nas palavras de (SANTOS; SANTOS, 2003), o modelo estima o �uxo de caixa
em risco de cada devedor para calcular o V aR de crédito da carteira. Neste caso
os �uxos de caixa são descontados pelas probabilidades neutras ao risco, obtida
pela formula de cada devedor. De acordo com (SILVEIRA, 2007) a formula é dada
por:
Vp =Vs ∗ (1− LGD) + Vf ∗ LGD ∗ (1− q)
1 + i(2.2)
Onde Vf é o �uxo de caixa, LGD a perda dado o default, q a probabilidade de
default e i a taxa livre de risco.
Ainda de acordo com (SILVEIRA, 2007), a distribuição de perda é obtida pela
aproximação da distribuição de uma Normal Inversa, que irá retornar o valor em
risco de crédito de acordo com o percentil escolhido.
25
2.4 CreditRisk+
O modelo do CreditRisk+ é um modelo mais simples quando comparado aos
outros modelos presentes no mercado de crédito e um modelo que permite outras
abordagens além das teóricas. Este modelo foi desenvolvido pela Crédit Suisse
Financial Products (CSFP) e é muito difundido no mercado de seguros pela sua
facilidade já que não considera premissas.
De acordo com (SILVEIRA, 2007), o modelo não assume nenhuma premissa
sobre o motivo do default não sendo possível determinar o momento exato, e a
probabilidade de default dos devedores em uma carteira é obtida, basicamente,
por meio de ratings de crédito, o processo se resume similarmente ao quadro
abaixo:
Figura 4: Quadro CreditRisk+
Nas palavras de (STOLF, 2008), o objetivo principal é chegar a mensuração
de perdas esperadas e não-esperadas em uma carteira de crédito. O CreditRisk+
considera que os pagamentos dos empréstimos são levados ao vencimento, ou
seja, o pagamento ou o default é observado apenas na data do vencimento. De
acordo com (ARAGÃO, 2003), o modelo considera apenas dois eventos para o
devedor: inadimplente ou não. Para mensurar os eventos de default o modelo
sugere agrupamento dos devedores em faixas de exposição de tal forma que a
distribuição de perda pode ser aproximada de uma Poisson(µ).
26
Não é necessário um conhecimento mais profundo para perceber que a distri-
buição que se adequaria mais ao caso seria uma Bernoulli(p) para um devedor ou
uma Binomial(n,p) para uma carteira de crédito, porém de acordo com (CREDIT
SUISSE FINALCIAL PRODUCTS, 1997) em uma carteira de crédito a probabilidade
de default é baixa, ou seja, p é pequeno e quando um número de devedores é
alto (n) a distribuição Binomial(n,p) converge para uma Poisson(np).
Porém como a distribuição de Poisson não considera a volatilidade destas
taxas o modelo simples não é muito utilizado em casos reais. Então é proposto
por (CREDIT SUISSE FINALCIAL PRODUCTS, 1997) uma nova modelagem onde
as incertezas, volatilidades, das taxas de default são incorporadas, trata-se de
um modelo que assume uma distribuição Gama com a mesma média da Poisson
porém com uma variância maior.
Para os autores citados acima, assumindo a volatilidade das taxas a distribui-
ção de perda teórica e obtida através de uma formula fechada que observaremos
mais afundo no próximo capítulo, e o primeiro passo para essa distribuição é obter
a distribuição de Poisson e Gama de cada faixa e realizar uma convolução. De
acordo com as teorias de Estatística Bayesiana a multiplicação de uma Poisson
por uma Gama é proporcional a uma Gama, cuja a distribuição preditiva é uma
distribuição Binomial Negativa. A formula fechada de�ne a partir de um cálculo
recursivo sua distribuição de perda.
A partir da distribuição obtida é possível calcular o V aR de crédito assim
como a distribuição de perda e algumas estimativas pontuais como a perda espera
em um período de tempo e a perda de capital.
27
2.5 Comparativo
Como visto anteriormente cada um dos três modelos apresentados possuem
metodologias e premissas distintas, busca-se nesta seção um modelo que se adeque
melhor ao propósito deste trabalho. Por meio deste modelo espera-se que seja
possível realizar abordagens mais abrangentes de estatística além de se ajustar
melhor ao conjunto de dados real utilizado para ilustrar este trabalho.
O quadro abaixo inspirado em (SAUDERS, 2000) ilustra precisamente as ca-
racterísticas de cada modelo apresentado.
Figura 5: Quadro comparativos entre os modelos
De acordo com o autor, os modelos que consideram para o cálculo do VaR
as mudanças no valor de mercado das empresas tomadoras de empréstimo são
chamado de modelos MTM (Mark − to−MarketModel ou Modelo de reajuste
a preço de mercado) e o outro tipo chamado de DM (DefaultModel ou Modelo
de inadimplência) que foca no cálculo por meio de previsão de perda decorrente
dos empréstimos, são os dois tipo mais visto no mercado de crédito atualmente.
A diferença entre esses dois tipos de modelo é simples, os modelos MTM
permitem mudanças nos spreads porque permitem mudanças nas classi�cações
de risco, como vimos na seção 2.2, e os modelos DM consideram apenas dois
estados o default ou não.
28
O CreditMetrics de (J. P. MORGAN, 1997), como vimos no quadro acima ne-
cessita de marcação a mercado, e nas palavras de (SILVEIRA, 2007) essa exigência
do modelo quando trazidos ao mercado brasileiro é inviável porque para realizar a
marcação de mercado seria necessário um mercado secundário líquido de emprés-
timo além do alto custo computacional para a montagem da matriz de transição
de ratings.
Similar ao CreditMetrics o KMV, (CROSBIE; BOHN, 2003), necessita também
de marcações de mercado para de�nir a frequência esperada de inadimplência pelo
valor da empresa no mercado. Para (STOLF, 2008) a utilização desta metodologia
é difícil no Brasil porque existe uma grande di�culdade de atribuir as correlações
do mercado de ação local com o risco de crédito devido a di�culdade na obtenção
de estimativas consistentes e a volatilidade no mercado de ação do país.
Ainda de acordo com (STOLF, 2008) a maior limitação do CreditRisk+ é não
ser um modelo completo de V aR se concentrando apenas em taxas de perda ao
invés de mudanças de valor, porém como explicado no início desta seção está é
uma característica de um modelo DM . A principal vantagem do CreditRisk+
para (ARAGÃO, 2003) é a simpli�cação do cálculo do modelo pela falta de exigên-
cia de premissas e o método analítico possui formulas fechadas para sua utilização
precisa.
Dentre os modelos expostos neste capítulo o que melhor se adéqua ao pro-
pósito deste trabalho e ao mercado brasileiro é o CreditRisk+. O modelo não
considera premissas sobre os defaults, e não mostra uma necessidade de avaliar a
situação de mercado do devedor ou ter que utilizar base de dados macroeconômi-
cas, que usualmente tornam o trabalho de modelagem de risco crédito mais árduo.
O modelo do CreditRisk+ será apresentado a seguir com maiores detalhes.
30
3.1 Introdução
Como observou-se no quadro 4 a estrutura do modelo CreditRisk+, será ne-
cessário calcular a frequência dos defaults e a gravidade, ou severidade, das
perdas associadas para que se chegue ao objetivo �nal do modelo que é estimar
a distribuição de perda de um portfolio.
A frequência dos defaults podem ser calculados utilizando dados históricos
como fonte principal, porém neste trabalho será utilizado dados de uma agência
de classi�cação de crédito.
A gravidade das perdas mede o tamanho do impacto �nanceiro caso uma
dívida não seja honrado no espaço de tempo analisado. O modelo inteligente-
mente visando a redução do esforço computacional e minimizando a di�culdade
de modelagem agrupa os devedores em faixas similares de exposição determinando
�nalmente sua distribuição de perda.
A partir desta distribuição chega-se a perda esperada do portfolio e a esti-
mativa do V aR em um nível de con�ança estipulado.
O documento técnico do modelo, (CREDIT SUISSE FINALCIAL PRODUCTS,
1997), considera dois tipos de métodos para chegar ao objetivo �nal. Um mais
simples onde as taxas de default são constantes e outro mais complexo onde a
volatilidade destas taxas são incorporadas ao cálculo.
Neste capítulo será mostrado os dois métodos para alcançar o objetivo �nal
do modelo e todas as formulas de cálculo e também um pequeno exemplo de sua
aplicação.
31
3.2 O CreditRisk+ com taxas de default �xas
No método mais simples o modelo não considera variação das taxas de default
ao longo do período de análise. Abaixo veri�caremos a modelagem estatística para
estimar a distribuição de perda do portfolio por meio do método simples.
A partir de agora todas as formulas a seguir são baseadas em (CREDIT SUISSE
FINALCIAL PRODUCTS, 1997).
Considere uma carteira com n devedores, e que cada exposição, valor empres-
tado, tem uma conhecida probabilidade de inadimplência em um horizonte de
tempo t, então:
pA = probabilidade de inadimplência do tomador A em t. (3.1)
Abaixo veri�camos a FGP (Função Geradora de Probabilidade) que será utili-
zada para estimar a distribuição de perdas da carteira. A FGP é utilizada neste
caso com a intenção de facilitar o cálculo visto que se trata de uma distribuição
discreta.
Sendo z uma variável auxilar para simpli�cação dos cálculo e n uma variável
aleatória discreta cuja distribuição de probabilidade seja p(n). A FGP será:
F (z) =∞∑n=0
p(n)zn (3.2)
A FGP de cada devedor pode ser representada como:
F (z) = 1− pA + paz = 1 + pA(z − 1) (3.3)
Como neste método a taxa de default é constante estes eventos são por hipótese
independentes, logo a FGP dos eventos de um portfolio é o produto das FGPs
32
individuais.
F (z) =∏A
FA(z) =∏A
1 + pA(z − 1) (3.4)
Após a aplicação de algumas ferramentas matemáticas como a transformação
logarítmica e a expansão de Taylor, identi�ca-se a distribuição dos eventos de
default como uma Poisson.
p(n) =e−µ ∗ µn
n!(3.5)
Como citado anteriormente o modelo realiza um agrupamento das faixas de ex-
posição da carteira o esforço computacional na estimação. Para o devedor A são
calculados dois valores, um é a exposição comum vA que é obtida por:
vA =LAL
(3.6)
onde L é a exposição da carteira e LA a exposição do devedor A, o outro valor
auxiliar a ser calculado é o εA:
εA =λAL
(3.7)
onde λA é a perda esperada do devedor A, obtida pela multiplicação da exposição
pela probabilidade de default dele. O próximo passo é realizar o arredondamento
de vA para o inteiro mais próxima e na maioria das vezes múltiplo de 10 ou
100, reduzindo o número possível de exposições entre os devedores. Assim, o
portfolio é dividido em m faixas de exposição, identi�cadas pelo índice j. A
partir desses cálculo podemos calcular o número esperado de defaults em cada
faixa de exposição por meio de:
µj =εjvj
(3.8)
33
Consequentemente o numero total de defaults em uma carteira de crédito é:
µ =∑j
µj (3.9)
Para determinar a distribuição de perdas de toda a carteira, é necessário utilizar
a FGP para as perdas, onde An é a probabilidade de perda no valor n*L.
G(z) =∞∑n=0
p(n ∗ L)zn =∞∑n=0
AnZn (3.10)
Novamente, sendo as exposições independentes a FGP da carteira será a multi-
plicação das FGPs das faixas.
Gj(z) =∞∑n=0
e−µ ∗ µn
n!zn∗vj = e−µj+µj∗z
vj(3.11)
G(z) =m∏i=1
Gj(z) =m∏i=1
e−µj+µj∗zvj
(3.12)
O modelo propõe a formula de recorrência como forma de expressão da FGP
An =∑j
µjvjn
An−vj =∑j
εjnAn−vj (3.13)
De�nindo A0:
A0 = G(0) = exp
(−
m∑j=1
εjvj
)(3.14)
Por meio da formula 3.13 é possível obter a distribuição de perda da carteira no
modo simples, sem variação das taxas de default.
34
3.3 O CreditRisk+ com taxas de default variáveis
Na seção anterior foi introduzido o modelo do CreditRisk+ com taxas de
inadimplência �xas. Quando se tem uma carta de crédito com muitos devedores
e baixas probabilidade de default o modelo se aproxima de uma distribuição de
Poisson, porém sabemos que ao longo do ano, ou mesmo de um mês para outro,
a classi�cação de crédito do devedor pode variar por diversos motivos econômicos
e �nanceiros.
Deste modo ao considerarmos as taxas de default como �xa no período de
análise estamos sendo poucos realistas. Logo, o modelo propõe uma forma mais
so�stica onde considera a variação nas taxas durante o tempo. Essas variações
ou volatilidades, são explicadas pelas correlações implícitas que os devedores pos-
suem entre si. Como apresentado anteriormente o modelo não considera premis-
sas, portanto não considera qualquer relação casual entre os eventos de defaults
dos devedores no portfolio.
O modelo somente considera fatores de in�uencias externos com a �nalidade
de agrupar os devedor em setores e modelar de forma mais precisa a volatilidade.
Desta forma os devedores serão afetados pelos fatores externos de modo diferente
visto que o modelo considera pesos de participação de cada devedor em um ou
mais setores.
Similar a forma de cálculo apresentada na seção anterior o modelo com taxas
variáveis considera que os eventos são independentes assim como os setores, cada
setor é indexado pela letra k então como descrito na equação (3.2) a FGP da
carteira é a FGP de cada setor.
F (z) =n∑k=1
Fk(z) (3.15)
Representada pela variável aleatória xk a média de cada setor será utilizada para
35
escrever a FGP condicional como;
F (z)|[xk = x] = ex(z−1) (3.16)
O modelo propõe que xk segue uma distribuição Gama porque se xk possui uma
função de distribuição de probabilidade (FDP) fk(x), então a FGP dos eventos de
default de um setor é a média da FGP condicional para todo x. Logo, o modelo
aplica a distribuição Gama na FGP da equação (3.16), o que resulta em:
Fk(z) =
(1− pk1− pkz
), onde pk =
βk1 + βk
(3.17)
A distribuição dos eventos de default é obtida através da expansão de Taylor.
Fk(z) = (1− pk)αk
∞∑n=1
(n+ αk − 1
n
)pnkz
n (3.18)
A convolução da distribuição de Poisson com a distribuição Gama resultará em
uma distribuição Binomial Negativa que será a FDP para cada setor k.
p(n) = (1− pk)αk
(n+ αk − 1
n
)pnk (3.19)
Para �nalizar é necessário combinar a FGP com as exposições com o objetivo de
obter a distribuição de perdas do portfolio. A FGP das perdas é dada por:
G(z) =∞∑n=0
p(n ∗ L)zn =∞∑n=0
Anzn (3.20)
Novamente, como os setores são independentes.
G(z) =n∏k=1
Gk(z) (3.21)
Como foi proposto anteriormente o modelo realiza o cálculo da FGP condicional
e aplica as relações obtidas na equação (3.17) com a �nalidade de chegar na
36
distribuição de perda de cada setor.
G(z) =n∏k=1
Gk(z) =n∏k=1
1− pk
1− pkµk
∑m(k)j=1
ε(k)j
v(k)j
zv(k)j
αk
(3.22)
Finalmente, o modelo o modelo propõe uma formula de recorrência:
G(z) =∞∑n=0
Anzn (3.23)
De�ni-se G(z) de modo a satisfazer
d
dz(log(G(z)) =
1
G(z)
dG(z)
dz=A(z)
B(z)(3.24)
Onde,
A(z) = a0 + ...+ arzr (3.25)
B(z) = b0 + ...+ bszs (3.26)
Finalmente o modelo propõe a relação de recursividade,
An+1 =1
b0(n+ 1)
min(r,n)∑i=0
aiAn−1 −min(s−1,n−1)∑
i=0
bj+1(n− j)An−j
(3.27)
Portanto esta é a formula fechada proposta por (CREDIT SUISSE FINALCIAL PRO-
DUCTS, 1997) para se obter a distribuição da perda de uma carteira de crédito.
37
4 SIMULAÇÃO DE MONTE CARLO
�Não conheço nenhuma fórmula
infalível para obter o sucesso
mas conheço uma forma infalível
de fracassar:tentar agradar a todos�
John F. Kennedy
38
4.1 Introdução
O modelo do CreditRisk+ assume certas hipóteses que não são aplicáveis ao
caso brasileiro, apesar da sua fácil aplicação e solução fechada que vem tornando
esse modelo cada vez mais popular. Um exemplo é a hipótese de baixa probabi-
lidade das taxas de default, historicamente sabe-se que as taxas podem ser altas
dependendo do devedor e da sua classi�cação de crédito.
Devido a isso será introduzido o cálculo do modelo por meio de simulação
de Monte Carlo (SMC), para modelar a distribuição de perda utilizaremos a
distribuição Binomial em convolução com a distribuição Gama considerando as
taxas de default variáveis. Inicialmente o modelo foi proposto por (ARAGÃO,
2003) e é bem aceito no mercado de crédito Brasileiro, iremos ver as vantagens
deste modelo a seguir.
39
4.2 Metodologia
Uma das primeiras vantagens da SMC é o baixo recurso computacional, visto
que o modelo, como vimos anteriormente, propõe uma formula recursiva por série
de Taylor.
Como é realizada estimativas em cima das séries estimadas do modelo a pro-
babilidade de ocorrer um erro é maior do que utilizando a SMC.
Pelas palavras de (SILVEIRA, 2007), a modelagem por SMC consiste na gera-
ção de números aleatórios de uma variável com uma distribuição de probabilidade
de interesse. Após realizado a etapa anterior monta-se um histograma e calculam-
se os resultados como perda esperada, perda dado um certo nível de con�ança e
outras estimativas de interesse.
Conforme apresentado anteriormente no modelo proposto por (CREDIT
SUISSE FINALCIAL PRODUCTS, 1997), na modelagem por SMC devemos também
inicialmente associarmos uma média e uma volatilidade para cada setor, logo a
média é calculada por
µk =N∑i=1
θikµi (4.1)
e a volatilidade por
σk =N∑i=1
θikσi (4.2)
onde θik é a participação do setor K no devedor i.
Como visto na seção 3.3 supõe-se que a probabilidade de default é uma variá-
vel aleatória com distribuição Gama. Portanto partindo da média e volatilidade
de cada setor, estima-se os parâmetros α e β e realiza-se simulação da distribuição
Gama.
40
A estimação dos parâmetros ocorre da seguinte forma:E(x) = α
β= µ
V ar(x) = αβ2 = σ2
(4.3)
Logo,
α = µβ (4.4)
De 4.4 em 4.3,
σ2 = µββ2 (4.5)
β = µσ2 (4.6)
Portanto, de 4.6 em 4.4 tem-se,
α = µ µσ2 (4.7)
= µ2
σ2 (4.8)
Finalmente será utilizado os parâmetros α = µ2
σ2 e β = µσ2 para as simulações da
distribuição gama.
Nesse ponto é importante ressaltar que não deve-se prender somente a dis-
tribuição Gama para realizar simulações, porém como foi provado por (ARAGÃO,
2003) é a distribuição que melhor se adapta ao caso Brasileiro.
Simula-se, então, a distribuição para determinar um valor de xk para cada
setor. Lembrando que neste caso xk ∼ Γ(α, β) , posteriormente calcula-se xi para
cada devedor como segue:
xi =K∑k=1
(xkµi
)θikµi (4.9)
Logo, a cada devedor associamos uma probabilidade de default calculada por
meio de xk. Utiliza-se neste ponto a distribuição Binomial, para cada devedor e
41
calcula-se a perda isoladamente e para toda a carteira.
Nas palavras de(ARAGÃO, 2003) , O cálculo desta variável é multiplicada
pela exposição característica do devedor e pelo número deles. Obtém-se o histo-
grama, como descrito anteriormente, e calcula as medidas de risco e estimativas
de interesse.
Existem diversas vantagens na utilização da SMC quando comparada ao mo-
delo analítico, resumiremos as mais importantes, para maiores detalhes consultar
(ARAGÃO, 2003).
Não é necessário, via SMC, realizar aproximações para a distribuição de Pois-
son, mesmo existindo taxa de default elevadas, pode-se utilizar a distribuição
Binomial. Outra aproximação que não se torna necessária é a de agrupamento
por faixas como o modelo propões, o valor padrão de exposição in�uencia subs-
tancialmente nos resultados obtidos. Recurso computacional menos complexos
devido ao não uso de formulas de recursividade. Não é necessário considerar
que as taxas de recuperação são constantes. Como as taxas, assim, podem ter
qualquer distribuição o modelo se aproxima neste aspectos aos demais modelos
apresentados neste trabalho.
O principal benefício da SMC é que o modelo converge para a real distribuição
de probabilidade dos dados, enquanto o modelo do CreditRisk+ assume hipóteses
e aproximações, como visto anteriormente, para se tornar mais conservador.
43
5.1 O Conjunto de Dados
O conjunto de dados escolhido para as aplicados do modelo CreditRisk+ deste
trabalho foram disponibilizadas por uma instituição �nanceira que possuía uma
carteira de crédito com 85 devedores. O nome da instituição, que gentilmente,
cedeu os dados e dos seus devedores serão mantidos em absoluto sigilo.
A análise será feita considerando um o horizonte de tempo de 1 ano, ponde a
média de exposição de cada devedor será considerada. Nas palavras de (SILVEIRA,
2007), esse horizonte de tempo é mais adequado, pois permite ações de mitigação
de risco e consequentemente caso haja perdas sejam as menor possíveis.
Como visto anteriormente, para a análise utilizando o modelo do CreditRisk+
é necessário a exposição de cada devedor, sua probabilidade de default e a volati-
lidade destas taxas. Para as probabilidades de default, a instituição fornecedora
dos dados utilizou informações provenientes do SERASA.
O SERASA, hoje no Brasil, é uma das maiores empresas para classi�cação,
consulta, análises de informações para consulta de crédito. O resultado da sua
metodologia, que não será abordada neste trabalho, é uma nota que varia de 1 à
22 e tem as probabilidades de default de acordo com a tabela 1, (SERASA, 2008)
A última coluna da tabela 1 é a relação de equivalência da classi�cação do
SERASA com a escala utilizada pelo Banco Central.
Deste modo se tornou necessário calcular a probabilidade média de inadim-
plência e uma solução neste caso foi assumir que cada nível de risco as probabi-
lidades de default eram uniformemente distribuídas, logo obtem-se as seguintes
médias e desvios que serão utilizados neste trabalho na tabela 2
O próximo passo do modelo é estabelecer a segmentação setorial dos deve-
dores, hipoteticamente essa divisão foi feita e resultou em 6 setores, como por
44
Tabela 1: Classi�cação de Risco de Crédito do SERASA
Classede
Risco
Faixas deProbabilidade
deInadimplência
(%)
ProbabilidadeMédia de
Inadimplência(%)
EquivalênciaSERASA
1 0,00 a 0,10 0,05 A2 0,10 a 0,20 0,15 A3 0,20 a 0,30 0,25 A4 0,30 a 0,40 0,35 A5 0,40 a 0,50 0,45 A6 0,50 a 0,75 0,62 B7 0,75 a 1,00 0,87 B8 1,00 a 1,25 1,12 C9 1,25 a 1,50 1,37 C10 1,50 a 2,00 1,75 C11 2,00 a 3,00 2,5 C12 3,00 a 4,00 3,5 D13 4,00 a 5,00 4,5 D14 5,00 a 8,00 6,5 D15 8,00 a 10,00 9 D16 10,00 a 15,00 12,5 E17 15,00 a 30,00 22,5 F18 30,00 a 50,00 40 G19 50,00 a 99,99 75 H
20Default - Cestade Eventos/Re�
n/CCF
21
Default -RecuperaçãoJudicial e
Extra-Judicial
22Default -Falência
45
Tabela 2: Probabilidade de Default e DesviosNívelde
Risco
Probabilidade de DefaultMédia (%)
Desvio Padrão
A 0,25 0,144B 0,75 0,144C 1,69 0,577D 5,88 2,021E 12,5 1,443F 22,5 4,33G 40 5,774H 75 14,434
exemplo, pessoa física, construção civil, comercio e etc...
Na tabela 3 está ilustrado 25 devedores escolhidos ao acaso. Lembrando que
para as análises todos os devedores serão levados em consideração.
A exposição total desta carteira é de R$ 99.626.970,50
46
Tabela 3: 25 devedores do porfolio
De-vedor
ExposiçãoClas-si�-cação
S1 S2 S3 S4 S5 S6
1 R$ 866.395,14 A 100% 0% 0% 0% 0% 0%10 R$ 4.302.426,32 A 0% 100% 0% 0% 0% 0%20 R$ 4.414.296,96 B 0% 0% 100% 0% 0% 0%21 R$ 18.840,83 B 0% 0% 0% 100% 0% 0%22 R$ 2.149.938,17 B 0% 0% 100% 0% 0% 0%28 R$ 132.352,75 B 0% 0% 0% 0% 100% 0%31 R$ 497.935,02 B 0% 0% 0% 0% 0% 100%32 R$ 520.571,13 B 0% 100% 0% 0% 0% 0%34 R$ 946.189,52 B 0% 0% 100% 0% 0% 0%36 R$ 1.234.014,73 B 100% 0% 0% 0% 0% 0%50 R$ 1.748.510,50 C 0% 0% 0% 0% 100% 0%53 R$ 762.219,93 C 0% 100% 0% 0% 0% 0%54 R$ 419.603,93 C 0% 0% 0% 0% 100% 0%62 R$ 265.540,34 C 0% 100% 0% 0% 0% 0%63 R$ 2.587.338,78 D 0% 0% 0% 0% 0% 100%66 R$ 20.269,05 D 0% 0% 0% 0% 100% 0%67 R$ 5.803,27 D 100% 0% 0% 0% 0% 0%76 R$ 650.116,97 E 0% 100% 0% 0% 0% 0%77 R$ 29.434,81 E 0% 0% 100% 0% 0% 0%78 R$ 297.141,68 F 0% 100% 0% 0% 0% 0%79 R$ 200.839,14 F 0% 0% 0% 0% 100% 0%80 R$ 271.686,74 G 0% 0% 100% 0% 0% 0%82 R$ 188.898,67 G 0% 100% 0% 0% 0% 0%83 R$ 44.040,29 H 100% 0% 0% 0% 0% 0%85 R$ 19.624,79 H 0% 0% 100% 0% 0% 0%
47
5.2 Resultados
Utilizando a carteira de crédito que foi introduzida na seção anterior, realizou-
se análises utilizando o método analítico proposto em (CREDIT SUISSE FINALCIAL
PRODUCTS, 1997) e após utilizando a SMC, analisando a convergência da simu-
lação para o caso analítico e provando suas vantagens e explicando como medidas
puramente estatísticas auxiliam na análise de risco de crédito.
Lembrando que nas aplicações deste trabalho não iremos considerar o modelo
simples proposto pelo (CREDIT SUISSE FINALCIAL PRODUCTS, 1997), ou seja, mo-
delo sem volatilidade das taxas de default, pois sabe-se que as taxas de default
no mercado Brasileiro variam com o tempo.
As principais medidas de risco que são oriundas de estimações estatísticas
são a perda esperada ou Expected Loss de um portfolio, que é a quantidade de
perda esperada no ano nas operações de crédito, o seu cálculo é simples e é feito
pela multiplicação do valor de exposição do devedor pela sua probabilidade de
default. A perda esperada é uma medida importante para gerir o spread de uma
instituição �nanceira, porque caso o spread médio não suportar a perda esperada
o concessor de empréstimos virá a falência.
O V aR - V alue at Risk ou valor em risco de crédito é o quantil de probabi-
lidade da distribuição de perda do portfolio como descrito por (JORION, 2001)
Economic Capital ou Capital Econômico é o valor estimado pela subtração do
V aR de crédito pela perda esperada, logo é o valor estimado para cobrir qualquer
perda entre a esperada e o quantil de probabilidade de interesse da distribuição
de perda, ou seja, qualquer perda inesperada.
Por �m o Expected Shortfall (ES) que mede o valor esperado da perda
quando a mesma supera o V aR, ou seja, uma esperança condicional.
48
O software utilizado para realizar as análises foi o R. Para o modelo analítico
foi utilizado o pacote crp.CSFP e para os cálculos via SMC foram desenvolvidos
scripts próprios.
A tabela 4 mostra a comparação das medidas de risco nos diferentes cenários
avaliados.
Tabela 4: Tabela de Medidas
CRP 1 SetorCRP 6Setores
Simulação 1Setor
Simulação 6Setores
Total deDevedores
85
Exposição Totalda Carteira
R$ 99.626.970,50
Perda EsperadaR$
2.396.344,71R$
2.247.323,51R$
2.249.630,61R$
2.249.630,61
VaR 95%R$
9.130.000,00R$
8.270.000,00R$
10.059.678,92R$
8.919.479,14Capital
Econômico 95%R$
6.883.933,72R$
6.023.450,29R$
7.810.048,31R$
6.669.848,53
ES 95%R$
12.797.955,53R$
11.420.006,81R$
12.379.832,82R$
11.581.593,52
VaR 99%R$
14.990.000,00R$
13.260.000,00R$
14.148.998,93R$
12.983.087,58Capital
Econômico 99%R$
12.743.933,72R$
11.013.450,29R$
11.899.368,32R$
10.733.456,97
ES 99%R$
18.683.827,24R$
16.376.686,89R$
16.707.710,88R$
15.458.742,88
Observando a tabela nota-se que os modelos considerando apenas 1 setor
são mais conservadores conforme a recomendação de (CREDIT SUISSE FINALCIAL
PRODUCTS, 1997).
Na mesma tabela vemos que para o caso proposto nesse trabalho o modelo
analítico subestima o risco de crédito da carteira. Um erro comum que ocorre
pela recursividade da formula do modelo fechado devido ao agrupamento dos
devedores por bandas, portanto o modelo analítico mostra fragilidade dependendo
da escolha da faixa do parâmetro de exposição (L), que neste trabalho foi utilizado
49
L = 10000. Como demonstrado por (ARAGÃO, 2003), variando os valores de L
pode tornar a carteira instável para cálculo das medidas de risco ou subestimar
o risco de crédito.
Figura 6: Modelo Analítico com 1 setor
Figura 7: Modelo via SMC com 1 setor
Comparando visualmente, observa-se que realmente o modelo via SMC se
aproxima do modelo analítico mesmo ele subestimando o erro.
50
Figura 8: Modelo Analítico com 6 setores
Figura 9: Modelo via SMC com 6 setores
Do mesmo modo que o modelo de 1 setor, o modelo de 6 setores, um modelo
�nanceiramente mais agressivo, também converge para o modelo analítico.
51
6 CONCLUSÃO
�Julgue seu sucesso pelas coisas que
você teve que renunciar para conseguir�
Dalai Lama
52
6.1 Conclusão
A gestão de risco tem se tornado cada vez mais importante ao decorrer dos
anos no mercado �nanceiro ainda mais em tempos de instabilidade econômica.
Especialmente os avanços em metodologias de risco de crédito tem se tornado
cada vez mais rápidos principalmente após a crise dos Tigres Asiáticos em 1997.
No mercado existem diversas metodologias que não são expostas porém é sa-
bido que os modelos podem ser divididos em três grupos, modelos de preci�cação
de ativos, modelos macroeconômicos e modelos atuariais, onde o CreditRisk+ é
o mais difundido.
Para o caso Brasileiro, onde não existe um mercado secundário de crédito,
ele possuiu mais vantagens e simpli�cações em suas aplicações devido ao fato de
o modelo se concentrar apenas na modelagem das taxas de default e não em
explica-los.
As formulas fechadas do modelo, que assumem a convolução de uma distri-
buição de Poisson com uma Gama em seu caso mais so�sticado, é passível de
erro, especialmente no caso Brasileiro, com devedores com altas taxas de default
ou carteiras de créditos não muito grandes.
A utilização da metodologia de simulação se mostra mais precisa e segura
para o exemplo deste trabalho e principalmente consome menos recursos compu-
tacionais quando se utilizado em um grande portfolio.
Finalmente, utilizando um portfolio real de uma instituição �nanceira, são
realizadas análises pelo modelo analítico com e sem segmentação setorial e pela
metodologia de simulação com e sem segmentação setorial.
Concluímos que o método de simulação é mais preciso e realista, pois se
aproxima da real distribuição de probabilidade dos dados e ainda se mostra mais
53
robusto com menos chance de erro para portfolios Brasileiros já que o risco não
é subestimado pela distribuição de Poisson, que tem como premissa uma baixa
taxa de default e um grande número de devedores. Veri�ca-se a importância
da segmentação setorial para o mercado com a �nalidade de captar correlações
nos defaults de fatores externos, visto que essas in�uências no crescimento ou
decrescimento da probabilidade de default é captada pois a média do devedor
será a média ponderada dos setores de in�uência.
54
REFERÊNCIAS
ARAGÃO, C. S. L. de. Analisando o risco de uma carteira de credito viasimulações de monte carlo. 2003.
CREDIT SUISSE FINALCIAL PRODUCTS. CreditRisk+: A credit riskmanagment framework. [S.l.], 1997. Disponível em: <http://www.ma.hw.ac.uk-/�mcneil/F79CR/creditrisk.pdf>. Acesso em: 7 abr. 2012.
CROSBIE, P.; BOHN, J. Modeling default risk. 2003.
DUARTE, A. M. J. Risco: De�nições, tipos, medições e recomendações para seugerenciamento. Unibanco, 1993.
J. P. MORGAN. CreditMetrics: Technical document. [S.l.], 1997. Disponível em:<http://www.ma.hw.ac.uk/\�mcneil/F79CR/CMTD1.pdf>. Acesso em: 1 abr.2012.
JORION, P. Value at Risk - the new benchmark for managing �nancial risk.McGraw-Hill, 2001.
MERTON, R. C. On the pricing of corporate debt: the risk structure of interestrates. 1973.
POOR'S, S. . Standard & poor's creditweek. Standard & Poor's, 1996.
SANTOS, J. A. R.; SANTOS, J. O. Análise do modelo KMV na gestão do riscode crédito. 2003.
SAUDERS, A. Medindo o Risco de Crédito: Novas abordagens para value atrisk e outros paradigmas. [S.l.]: Qualitymark Editora, 2000.
SCHECHTMAN, R. Descrição e uso de um modelo de risco de crédito ao nívelde portfólio. Banco Central, 2002.
SERASA. Credit Rating ganha maior poder preditivo. 2008. Disponível em:http://www.serasaexperian.com.br/serasaexperian/publicacoes/bis/
2008/110/bis_00311.htm. Acesso em: 27 de março de 2013.
SILVEIRA, M. A. M. da. Avaliação do risco de crédito agregado: Aplicação doCreditRisk+ em instituições brasileiras não-�nanceiras. 2007.
STOLF, W. A. Quanti�cação do risco de crédito: Um estudo de caso utilizandoo modelo CreditRisk+. 2008.