Todo investimento carrega risco. Toda carteira por mais conservadora que pareça está exposta a alguma combinação de incerteza, pois os juros podem mudar, moedas podem se desvalorizar, ações podem cair, spreads de crédito podem se abrir, volatilidades podem aumentar e correlações que pareciam estáveis podem se alterar justamente quando mais precisamos delas.

Assim o desafio da gestão de riscos portanto não é eliminar a incerteza, que sabemos de que é algo impossível, mas transformá-la em informação suficientemente estruturada para apoiar decisões.

Pois é exatamente nesse ponto que o Value at Risk, ou como é mais conhecido no mercado como “VaR” ou em bom português o Valor em Risco, se tornou uma das métricas mais conhecidas da história moderna da gestão de riscos financeiros de mercado.

A grande contribuição do VaR foi aparentemente simples, mas conceitualmente poderosa de condensar em uma única medida três dimensões fundamentais de uma exposição financeira, sobre quanto podemos perder, em determinado horizonte de tempo e associado a determinado nível de confiança estatística.

Essa capacidade de transformar uma distribuição complexa de resultados possíveis em uma medida comparável ajudou a criar uma espécie de linguagem quantitativa comum entre mesas de operações, gestores de recursos, tesourarias, áreas de riscos, alta administração, comitês e supervisores.

Mas justamente porque o VaR é tão intuitivo, existe também o perigo de simplificá-lo excessivamente. Dizer que o VaR representa a “perda máxima possível” de uma carteira é tecnicamente incorreto, pois o VaR não informa a maior perda que pode ocorrer, mas informa sim essencialmente um quantil da distribuição de perdas. Essa distinção é fundamental.

Se uma carteira possui um VaR diário de R$ 1 milhão a 95%, isso não significa que ela não possa perder mais de R$ 1 milhão. Significa que, segundo o modelo utilizado e as premissas consideradas, existe aproximadamente 95% de probabilidade de a perda em um dia permanecer abaixo desse valor, e que consequentemente aproximadamente 5% de probabilidade de ela ultrapassá-lo. Pois é justamente nesses 5% restantes pode estar a parte mais perigosa da história.

Considere uma variável aleatória (L) representando a perda de uma carteira durante determinado horizonte de tempo. O VaR para um nível de confiança (\alpha) pode ser interpretado como um valor (q_\alpha) tal que:

P(L ≤ VaRα) ≈ α

Em linguagem mais simples, o VaR é o nível de perda que, de acordo com determinada distribuição estimada, não deverá ser ultrapassado em uma proporção (\alpha) dos períodos analisados.

Assim um VaR de R$ 10 milhões, para um horizonte de um dia, com nível de confiança de 99%. pode ser interpretado aproximadamente como segundo o modelo utilizado, em 99% dos dias a perda da carteira deverá ser inferior a R$ 10 milhões. Mas existe outra maneira, talvez ainda mais importante, de ler essa afirmação de que em aproximadamente 1% dos dias, a perda pode superar R$ 10 milhões.

O VaR não deve ser utilizado apenas para perguntar: “Quanto provavelmente não perderemos além disso?” Mas deve estimular imediatamente outra pergunta: “E o que pode acontecer quando ultrapassarmos esse limite?”

Essa segunda pergunta nos leva ao risco de cauda, ao Expected Shortfall, aos testes de estresse e à análise de cenários extremos.

Um número de VaR isolado praticamente não tem significado. Para interpretar corretamente a medida, precisamos conhecer pelo menos três parâmetros.

O primeiro é o portfólio ou conjunto de exposições analisado.

O VaR pode ser calculado para uma carteira de ações, uma mesa de renda fixa, uma posição cambial, uma carteira de derivativos ou, dependendo da arquitetura metodológica da instituição, para diversas posições agregadas.

O segundo parâmetro é o horizonte temporal.

Podemos calcular, por exemplo:

O terceiro parâmetro é o nível de confiança.

Os níveis de 95%, 97,5% e 99% aparecem com frequência em diferentes aplicações. Uma instituição pode, por exemplo, ter: VaR diário de R$ 20 milhões a 99%. Outra pode informar: VaR diário de R$ 15 milhões a 95%.

Esses números não podem ser comparados diretamente sem considerar os parâmetros envolvidos. Quanto maior o nível de confiança, normalmente maior será o VaR calculado, porque estamos avançando para regiões mais extremas da distribuição de perdas.

Imagine uma carteira de investimentos de R$ 500 milhões. Depois de estimadas as volatilidades, correlações e demais parâmetros de risco, o modelo calcula: VaR de 1 dia com 95% de R$ 5 milhões.

Isso significa que, segundo o modelo e suas hipóteses, aproximadamente 95% dos resultados diários deverão apresentar perdas inferiores a R$ 5 milhões. Em aproximadamente 5% dos casos, entretanto, a perda pode superar esse valor.

Agora perceba um detalhe particularmente importante. O VaR não informa se, nesses 5% dos casos, a perda esperada será: R$ 5,1 milhões, R$ 7 milhões, R$ 20 milhões, ou R$ 50 milhões.

E aqui aparece uma das principais limitações conceituais da métrica, pois o VaR identifica aproximadamente onde começa determinada região extrema da distribuição, mas não descreve adequadamente a severidade das perdas depois que entramos nela.

Antes da disseminação do VaR, diferentes mesas e unidades de negócio frequentemente utilizavam métricas distintas de exposição: sensibilidades, duration, posição cambial, beta, volatilidade, exposição nominal, gregas de opções, entre outras. Todas continuam importantes.

O problema é que elas não são diretamente comparáveis. Como comparar uma posição de R$ 100 milhões em ações com uma posição em contratos futuros de juros? Como comparar uma exposição cambial com uma carteira de opções? Como agregar riscos de instrumentos diferentes?

O VaR ofereceu uma resposta parcial, mas extremamente útil: transformar diferentes exposições em uma medida comum de perda potencial probabilística.

Essa possibilidade de agregação contribuiu para tornar o VaR uma verdadeira linguagem da gestão de risco de mercado.

Considere duas carteiras com valor de mercado de R$ 100 milhões. À primeira vista, possuem o mesmo tamanho.

Mas imagine que a primeira seja formada predominantemente por títulos públicos de baixa volatilidade e curta duration, enquanto a segunda seja composta por ações altamente voláteis e posições em derivativos.

Embora ambas tenham R$ 100 milhões em valor de mercado, seus riscos são radicalmente diferentes. O valor nominal da exposição não captura adequadamente essa diferença. O VaR tenta fazê-lo.

Essa é uma das grandes contribuições da métrica: distinguir tamanho da posição de risco da posição.

Outra característica importante do VaR é sua capacidade de incorporar efeitos de diversificação.

Imagine duas posições. A posição A possui VaR individual de R$ 6 milhões. A posição B possui VaR individual de R$ 5 milhões. Seria tentador concluir que o VaR combinado é: R$ 11 milhões.

Mas isso somente ocorreria em condições específicas de dependência entre as posições. Se os retornos dos ativos não forem perfeitamente correlacionados, a combinação das duas exposições poderá produzir diversificação.

Assim: VaR(A+B) pode ser menor que VaR(A) + VaR(B).

Essa propriedade é central para compreender a gestão de portfólio. O risco total não depende apenas dos riscos individuais. Depende também da maneira como esses riscos interagem. É por isso que a correlação ocupa posição central nos modelos de risco.

Mas existe uma dificuldade importante de que as correlações não são constantes. Em períodos normais ativos podem apresentar baixa correlação, mas durante crises entretanto as correlações podem aumentar significativamente.

A famosa diversificação que parecia funcionar perfeitamente pode desaparecer justamente no momento em que mais precisamos dela.

Existem várias metodologias para estimar VaR, mas três abordagens se tornaram particularmente conhecidas: o método paramétrico, a simulação histórica e a simulação de Monte Carlo, em que cada abordagem possui vantagens, limitações e riscos de modelo.

O método paramétrico procura representar os retornos por meio de uma distribuição estatística.

Em uma formulação simplificada, quando assumimos retornos aproximadamente normais e uma carteira com comportamento suficientemente linear, podemos representar o VaR aproximadamente como:

VaR ≈ zα × σP × √T × V

onde:

zα = quantil associado ao nível de confiança;

σP = volatilidade da carteira;

T = horizonte de tempo;

V = valor da carteira.

Para um nível de confiança unilateral de aproximadamente 95%, o valor de (z) é cerca de 1,645. Para aproximadamente 99%, o valor é cerca de 2,326.

Imagine uma carteira de R$ 100 milhões cuja volatilidade diária estimada seja 1%. Para 95% de confiança: VaR ≈ 1,645 × 1% × R$ 100 milhões. O resultado aproximado seria: R$ 1,645 milhão.

Para 99%: VaR ≈ 2,326 × 1% × R$ 100 milhões. Resultado: R$ 2,326 milhões.

Apenas alterar o nível de confiança aumentou significativamente a medida.

O método paramétrico tradicional costuma utilizar hipóteses simplificadoras sobre a distribuição dos retornos. Entretanto, mercados financeiros frequentemente apresentam características incompatíveis com uma distribuição normal perfeita.

Entre elas:

As distribuições reais podem possuir aquilo que chamamos de caudas gordas.

Eventos muito extremos podem ocorrer com frequência significativamente superior àquela que uma distribuição normal sugeriria. Esse é um dos motivos pelos quais depender mecanicamente de modelos gaussianos pode produzir falsa sensação de segurança.

A segunda metodologia clássica é a simulação histórica. Nesse caso não precisamos necessariamente assumir uma distribuição normal, pois utilizamos movimentos históricos observados dos fatores de mercado e perguntamos:

“O que aconteceria com a carteira atual se movimentos semelhantes aos observados historicamente voltassem a ocorrer?”

Podemos utilizar, por exemplo, os últimos 500 ou 1.000 dias de mercado. Reprecificamos a carteira com base nesses movimentos e construímos uma distribuição empírica de perdas e ganhos. Depois calculamos o quantil correspondente.

A vantagem é clara de que os movimentos reais de mercado já carregam características como assimetria e eventos extremos efetivamente observados.

Mas existe também uma limitação profunda. O método olha para o passado. E o fato de determinado evento não ter acontecido na janela histórica utilizada não significa que seja impossível. O passado contém informações. Mas não contém todos os futuros possíveis. Essa é uma lição essencial para qualquer gestor de riscos.

Imagine calcular o VaR utilizando uma janela composta principalmente por anos de baixa volatilidade. O modelo poderá concluir que o risco é relativamente baixo.

Isso poderá permitir:

Mas se o regime de mercado mudar, a volatilidade poderá subir rapidamente. Nesse momento o VaR aumenta justamente quando a instituição já está exposta, e isso pode criar um comportamento pró-cíclico.

Durante períodos tranquilos: volatilidade ↓ → VaR ↓ → capacidade de risco ↑ Mas durante crises: volatilidade ↑ → VaR ↑ → necessidade de redução de posições ↑

Se muitos participantes seguirem lógica semelhante ao mesmo tempo, podem ocorrer vendas simultâneas, pressão de preços e deterioração adicional da liquidez.

É um excelente exemplo de como uma métrica concebida para medir risco pode, se utilizada mecanicamente, influenciar o próprio comportamento do mercado.

A terceira metodologia é a simulação de Monte Carlo. Nesse caso criamos um grande conjunto de cenários possíveis para os fatores de risco.

Podemos simular milhares, dezenas de milhares ou centenas de milhares de trajetórias. Para cada cenário reavaliamos a carteira. Ao final obtemos uma distribuição simulada de perdas e ganhos. Então calculamos o VaR correspondente ao quantil desejado.

A simulação de Monte Carlo é particularmente poderosa quando existem:

Mas sua sofisticação tem um preço, pois um modelo de Monte Carlo não é melhor simplesmente porque executou um milhão de simulações. Se as premissas estiverem erradas, podemos produzir um milhão de resultados precisamente errados. Essa observação leva a um dos princípios mais importantes da gestão quantitativa de riscos de que precisão matemática não é sinônimo de precisão econômica.

Todo VaR depende de escolhas metodológicas.

Entre elas:

Portanto, quando alguém apresenta ao conselho: “Nosso VaR é R$ 80 milhões” a pergunta tecnicamente madura não deveria ser apenas: “R$ 80 milhões é muito ou pouco?” Deveríamos perguntar: Qual metodologia foi utilizada? Qual o horizonte? Qual o nível de confiança? Qual a janela histórica? Como a volatilidade é estimada? Como são modeladas as correlações? Quais posições apresentam maior contribuição para o risco? Quais riscos não estão bem capturados pelo modelo? Qual foi o desempenho recente do backtesting? O que os testes de estresse mostram além do VaR?

Essa é a diferença entre receber um número e compreender um risco.

Uma gestão mais sofisticada não utiliza apenas o VaR agregado, mas procura entender de onde o risco está vindo.

Podemos perguntar: Quanto determinado ativo adiciona ao VaR da carteira?

Isso nos leva ao VaR incremental.

Ele procura medir a alteração do VaR quando determinada posição é adicionada ou removida.

Também podemos analisar o VaR marginal, associado à sensibilidade do VaR total a pequenas alterações em determinada exposição.

E podemos decompor o risco por meio do chamado Component VaR, permitindo atribuir partes do VaR total a posições, mesas ou fatores.

Essa visão é particularmente importante para gestão de limites.

Não basta saber: “O banco possui VaR de R$ 200 milhões.”

Precisamos saber:

O VaR agregado é o início da conversa, não o final.

Uma das aplicações mais importantes do VaR está na definição de limites.

Uma instituição pode estabelecer limites para:

Mas os limites precisam estar conectados ao apetite a riscos.

Uma instituição não deveria escolher arbitrariamente: “Nosso limite de VaR será R$ 100 milhões.” A pergunta deveria ser: Que nível de perda é economicamente tolerável diante da nossa capacidade de risco, capital, liquidez, resultados e estratégia?

O limite quantitativo precisa estar ligado à realidade econômica da instituição.

O VaR também possui uma relação histórica importante com a mensuração de capital para risco de mercado.

A lógica é intuitiva. Se conseguimos estimar determinado nível de perda potencial, podemos utilizar essa informação como uma das referências para determinar quanto capital precisamos manter para absorver perdas adversas.

Entretanto a evolução da gestão de riscos demonstrou que olhar apenas para um quantil não era suficiente. Foi justamente a preocupação com perdas além do VaR que aumentou a importância de medidas como o Expected Shortfall.

Retomemos nosso exemplo. Uma carteira possui: VaR diário a 95% = R$ 10 milhões. Sabemos que aproximadamente 5% dos resultados podem ultrapassar R$ 10 milhões. Mas imagine duas carteiras.

Nos 5% piores resultados, as perdas ficam próximas de: R$ 10 milhões a R$ 12 milhões.

Nos 5% piores resultados, aparecem perdas como: R$ 12 milhões, R$ 30 milhões, R$ 60 milhões, R$ 100 milhões.

Ambas podem possuir exatamente o mesmo VaR de R$ 10 milhões. Mas claramente não possuem o mesmo risco de cauda.

É justamente essa deficiência que o Expected Shortfall ou ES, também chamado em determinados contextos de Conditional VaR, procura enfrentar.

O Expected Shortfall responde a uma pergunta diferente sobre “quando ultrapassamos o VaR, qual é aproximadamente a perda média nessa região extrema?”

Se o VaR a 97,5% for R$ 20 milhões e o Expected Shortfall for R$ 35 milhões, a interpretação econômica é muito diferente de simplesmente conhecer o primeiro número.

O ES olha para a cauda da distribuição. O VaR indica aproximadamente a porta de entrada. O Expected Shortfall procura entender o que existe depois da porta.

Essa distinção é uma das razões pelas quais o Expected Shortfall ganhou crescente relevância na gestão e na regulação moderna do risco de mercado.

Talvez um dos erros mais perigosos seja acreditar que uma instituição com um modelo sofisticado de VaR possui uma visão completa dos seus riscos. Não possui.

O VaR normalmente está fortemente associado à distribuição estatística construída a partir de dados, premissas ou cenários simulados.

O teste de estresse pergunta algo diferente sobre “o que acontece se ocorrer um cenário severo, mesmo que sua probabilidade seja difícil de estimar?”

Podemos testar:

Em determinadas situações, nem precisamos atribuir uma probabilidade precisa ao cenário. Queremos compreender impacto e capacidade de absorção.

Por isso que VaR e stress testing não são substitutos, mas são complementares.

Essa diferença merece destaque.

O VaR pergunta sobre “qual perda está associada a determinado quantil dentro da distribuição que construí?” O teste de estresse pergunt sobre “e se a realidade sair da distribuição que construí?”

Uma instituição madura precisa das duas perspectivas.

Um modelo de VaR precisa ser confrontado com a realidade. Esse processo é chamado de backtesting.

Imagine um VaR diário calculado com 99% de confiança. Se analisarmos aproximadamente 250 dias úteis, estatisticamente esperaríamos algo próximo de 2 ou 3 dias em que as perdas ultrapassassem o VaR, embora a realização efetiva possa variar.

Esses eventos são chamados de exceções, violações ou breaches.

Se ocorrerem exceções em quantidade muito superior àquela compatível com o nível de confiança escolhido, temos um sinal de alerta.

O modelo pode estar subestimando:

Mas a interpretação precisa ser cuidadosa. Backtesting não significa simplesmente contar exceções, mas é necessário investigar sua causa.

Uma exceção decorrente de um evento extraordinário possui interpretação diferente de uma sequência recorrente de violações provocadas por um modelo sistematicamente inadequado.

Existe uma ironia importante. Utilizamos o VaR para medir risco. Mas o próprio VaR cria risco de modelo.

O modelo pode ser inadequado. Os parâmetros podem estar errados. Os dados podem ser ruins. A implementação pode conter falhas. As premissas podem não refletir o mercado. A governança pode ser deficiente.

Portanto um framework robusto exige:

A pergunta deixa de ser apenas sobre “qual é o nosso VaR?” e passa a incluir sobre “quanto confiamos no processo que produziu esse VaR?”

Imagine apresentar um VaR = R$ 37.482.913,64. O número parece extremamente preciso. Mas essa precisão decimal pode ser ilusória.

O modelo pode depender de:

Portanto talvez seja mais importante compreender a ordem de grandeza, os drivers e a sensibilidade da medida do que admirar suas casas decimais.

Um dos grandes desafios da gestão quantitativa é evitar que sofisticação matemática produza excesso de confiança.

Outro problema surge quando assumimos que uma posição pode ser liquidada ou protegida com facilidade. Imagine uma carteira marcada a preços observados em condições normais.

Durante uma crise, entretanto:

O risco econômico real pode tornar-se muito maior do que aquele sugerido por um modelo calibrado em condições normais.

Por isso que o VaR, liquidez e horizonte de liquidação precisam ser analisados conjuntamente.

Em modelos simplificados, podemos encontrar a utilização da relação: σT ≈ σ1 × √T

Assim para converter aproximadamente uma volatilidade diária em volatilidade para dez dias: σ10 ≈ σ1 × √10

Consequentemente pode-se encontrar aproximações semelhantes para o VaR.

Mas essa relação depende de hipóteses importantes, entre elas independência e estabilidade estatística dos retornos.

Durante crises essas hipóteses podem não se sustentar.

Portanto utilizar mecanicamente a raiz quadrada do tempo sem compreender as premissas pode produzir estimativas inadequadas.

Portfólios com opções criam desafios adicionais. O valor de uma opção não varia linearmente com o ativo subjacente.

Temos sensibilidades como:

Uma pequena alteração do mercado pode produzir um comportamento. Uma alteração grande pode produzir outro completamente diferente. Por isso, aproximações lineares de VaR podem ser insuficientes para carteiras com forte opcionalidade. Nessas situações as metodologias com reprecificação completa ou Monte Carlo podem tornar-se necessárias.

Um painel de riscos bem estruturado não deveria mostrar apenas um VaR atual = R$ 80 milhões.

Seria muito mais informativo mostrar:

VaR atual: R$ 80 milhões
Limite: R$ 100 milhões
Utilização: 80%
VaR médio 30 dias: R$ 65 milhões
VaR máximo 12 meses: R$ 92 milhões
Expected Shortfall: R$ 125 milhões
Maior contribuição: juros
Segunda contribuição: câmbio
Resultado de stress severo: perda de R$ 310 milhões
Número de exceções de backtesting: X
Liquidez das maiores posições: Y

Agora temos informação para decisão. O número deixou de ser isolado e ganhou contexto.

Quando um painel mostra que o VaR passou de R$ 40 milhões para R$ 80 milhões, a discussão não deveria terminar com “Ainda estamos abaixo do limite de R$ 100 milhões.” Esse raciocínio é insuficiente.

O crescimento pode significar:

A pergunta adequada é sobre “Por que o risco dobrou?”

Depois: “Esse crescimento estava previsto na estratégia?” “Estamos sendo remunerados adequadamente pelo risco adicional?” “O stress testing continua dentro da capacidade financeira da instituição?” “O limite continua adequado?”

Essa é a gestão de riscos que transforma métricas em decisões.

Suponha: Limite de VaR: R$ 100 milhões. VaR atual: R$ 95 milhões. Formalmente, não existe violação. Mas utilizar 95% do limite pode representar uma situação de atenção elevada.

Agora imagine outro cenário: VaR atual: R$ 60 milhões. Muito abaixo do limite. Mas o teste de estresse revela potencial de perda de R$ 800 milhões por uma concentração que o VaR não captura adequadamente.

Qual carteira está realmente mais segura?

Não conseguimos responder olhando apenas para o VaR. Essa é uma lição fundamental de que conformidade com limite não é sinônimo de ausência de risco.

Existe uma forma interessante de compreender sua função. O VaR utiliza frequentemente informações históricas, portanto possui um componente de retrovisor. Ele transforma essas informações em estimativa de exposição, funcionando como radar. E cria uma linguagem comum para discutir risco. Mas não prevê o futuro com certeza.

Modelos são mapas. Mercados são territórios. Um mapa de excelente qualidade pode ser extremamente útil. Mas continua sendo uma representação da realidade, e não a própria realidade.

É comum afirmar: “Você não pode administrar aquilo que não consegue medir.” O princípio possui enorme valor.

Sem métricas, gestão de risco pode degenerar em opiniões subjetivas e impressões. Mas existe uma segunda parte que deveria acompanhar a frase:

Você também não deve acreditar que tudo aquilo que foi medido foi completamente compreendido.

Essa distinção é essencial. Quantificação melhora a decisão. Quantificação não elimina a incerteza.

Talvez essa seja uma das contribuições mais duradouras do Value at Risk, pois permite que alguém da mesa diga: “Estamos assumindo determinada exposição.” A área de riscos traduza: “Isso representa determinado impacto sobre o VaR.” A administração pergunte: “Isso está dentro do nosso apetite?” E o Conselho avalie: “Esse nível de risco é compatível com nossa estratégia, capacidade financeira e retorno esperado?”

A matemática torna-se linguagem de governança.

E esse é exatamente o ponto em que uma métrica deixa de ser apenas um cálculo estatístico para se tornar instrumento de gestão.

Nenhum risco deveria ser analisado isoladamente do retorno que se espera obter por assumi-lo.

Suponha duas estratégias. Estratégia A: Retorno esperado: R$ 10 milhões
VaR: R$ 5 milhões Estratégia B: Retorno esperado: R$ 12 milhões
VaR: R$ 20 milhões

A estratégia B oferece retorno esperado ligeiramente maior, mas exige muito mais risco.

Essa comparação pode levar a métricas de desempenho ajustadas ao risco, como o RAROC, índices baseados em volatilidade ou outras medidas definidas segundo a natureza da carteira.

O princípio é simples de que não basta perguntar quanto ganhamos, mas precisamos perguntar quanto risco foi necessário assumir para ganhar.

Existe ainda um problema de governança pouco discutido. Quando uma métrica passa a controlar comportamento, os participantes começam a otimizar suas decisões em torno dela.

Se o limite de VaR for R$ 100 milhões, as mesas podem buscar estruturar operações que produzam o maior retorno possível sem ultrapassar o modelo. Isso não é necessariamente ruim.

O problema ocorre quando riscos economicamente importantes não estão bem capturados pelo VaR. Nesse caso a instituição pode construir posições que parecem eficientes para a métrica, mas são frágeis diante da realidade.

É uma manifestação financeira da conhecida ideia de que quando uma medida se transforma em alvo, ela pode deixar de ser uma boa medida. Por isso nenhuma métrica deveria dominar sozinha o framework de risco.

Um framework robusto de risco de mercado pode combinar, entre outras medidas:

Cada métrica responde a uma pergunta, mas nenhuma responde a todas…

Mais importante do que saber calcular manualmente um VaR é entender o que o número representa, de onde vem e onde pode falhar.

Um gestor deveria saber responder sobre qual risco estamos medindo? Qual horizonte estamos utilizando? Qual nível de confiança? Qual metodologia? Qual janela histórica? Quais premissas são mais importantes? Quais fatores contribuem mais para o risco? Como o VaR mudou recentemente? Por que mudou? Como o modelo se comportou no backtesting? O que acontece além do VaR? O que mostram os testes de estresse?

Se essas perguntas não podem ser respondidas, ter um número sofisticado no relatório não significa necessariamente possuir boa gestão de riscos.

O VaR foi uma inovação extraordinária porque permitiu transformar incerteza em uma linguagem quantitativa relativamente simples. Mas sua força pode se transformar em fraqueza quando a simplicidade da apresentação esconde a complexidade do modelo.

O VaR não diz: “Isto é o máximo que podemos perder.” Ele diz algo muito mais específico: “Dadas determinadas premissas, dados, metodologia, horizonte e nível de confiança, este é aproximadamente um determinado quantil da distribuição de perdas estimada.”

Essa segunda frase é menos confortável. Mas é tecnicamente muito mais correta. E gestão de riscos não deveria existir para produzir conforto. Deveria existir para produzir compreensão.

É uma forma de organizar perguntas. Quanto risco estamos assumindo? Onde está esse risco? O que está fazendo esse risco aumentar? Quanto podemos perder em condições adversas? O que nosso modelo não consegue enxergar? Quanto risco de cauda existe? Nossa diversificação continuará existindo durante uma crise? Temos capital e liquidez para suportar cenários extremos? Estamos assumindo risco porque existe retorno econômico justificável ou simplesmente porque ainda existe espaço dentro do limite?

Essas perguntas transformam uma fórmula estatística em gestã, eE talvez essa seja a mensagem mais importante de todas.

Medir riscos é indispensável, mas compreender os limites da própria medição é uma forma ainda mais sofisticada de gestão de riscos.

O verdadeiro valor do VaR não está em produzir um número capaz de eliminar a incerteza, porque nenhum modelo conseguirá fazer isso, mas seu verdadeiro valor está em tornar parte dessa incerteza visível, comparável, discutível e administrável.

Porque uma empresa madura em gestão de riscos não pergunta apenas sobre “Qual é o nosso VaR?” Ela pergunta: “O que esse VaR está nos dizendo, e principalmente o que ele pode não estar nos dizendo?”

Pois saiba de que é nesse momento que o Value at Risk deixa de ser apenas uma ferramenta quantitativa e se transforma realmente em uma linguagem da gestão moderna de riscos.

Queria deixar uma feferências técnica para aprofundamento de quem desejar neste assunyo que é o livro clássico do Philippe Jorion chamado em inglês (ainda que existe traduzido em português também): Value at Risk: The New Benchmark for Managing Financial Risk, que diria que é uma das principais referências para compreensão conceitual, implementação, aplicações e limitações do VaR.

Tem ainda um livro do finado John C. Hull chamado Risk Management and Financial Institutions, que traz referência abrangente sobre risco de mercado, VaR, Expected Shortfall, stress testing, derivativos e modelos de risco.

Além do livro do Kevin Dowd chamado de Measuring Market Risk, que é um livro dedicado às diferentes metodologias quantitativas de mensuração de risco de mercado e às limitações estatísticas das métricas.

Para melhor ilustrar estes conceitos e pontos acima, preparei uma apresentação didática, que pode acessar online no link abaixo. Caso queria que eu faça uma palestra assim para seu time na sua empresa me procurem que tento ajudar.