Remplissage de Z mn

Utilizar-se de modelos avançados para cálculo de VaR não é o bastante para um eficiente gerenciamento de riscos operacionais. Acrescenta-se, portanto, a necessidade de conhecer que variáveis comandam o VaR, o que equivale a entender quais elementos explicam a ocorrência de perdas e como poder melhor gerenciá-los.

Os métodos avançados para analise de causa-efeito se propõem a colaborar no entendimento da influência de fatores causais sobre o VaR Operacional, como sistemas, pessoas, processos e eventos externos. A matéria prima utilizada nos modelos de causa-efeito são as informações construídas a partir dos fatores causais que são os “Fatores de Controle do Ambiente” e os “Indicadores Chaves de Risco”, mencionados na fase de modelagem de dados, e as perdas operacionais verificadas. O objetivo é estabelecer uma relação entre eles.

A literatura tem abordado esses modelos basicamente em dois grupos, os modelos econométricos e de séries de tempo e os modelos não-lineares.

Alguns exemplos de modelos econométricos:

a) Análise de Regressão – o modelo busca estudar a relação linear de dependência entre uma variável, denominada dependente, e uma ou mais outras variáveis, atribuídas como explicativas. Em análises causais de risco operacional, a variável dependente são as perdas operacionais e as variáveis explicativas podem ser representadas por um ou mais fatores de controle do ambiente e indicadores chaves de risco. Os resultados causais obtidos na utilização desses modelos devem ser criteriosamente avaliados sob o ponto de vista da significância estatística e de problemas usuais no uso desses modelos tais como a autocorrelação, multicolinearidade e homocedasticidade, conceitos que podem ser mais aprofundados com os autores Gujarati (2000), Lewis (2003) e Cruz (2003);

b) Análise Multivariada – um número considerável de fatores poderão explicar um evento de perda operacional, alguns com maior relevância, sobre os quais deverão se concentrar as ações mitigadoras de risco, e outros com menor intensidade, o quais poderão ser desprezados. O modelo tem por objetivo estabelecer uma combinação linear entre o maior número possível de variáveis que afetam as perdas e extrair um subconjunto menor desses fatores que

explica a maior parte da variância das perdas numa matriz de correlação. Maiores informações, consultar Cruz (2003);

c) Análise Discriminante – a técnica objetiva ajudar a transformar a análise qualitativa de risco em método mais quantitativo possível na tarefa de melhor gerenciar os riscos. Objetiva encontrar um peso para cada fator de risco considerado e produzir um rating de risco para um específico tipo de evento de perda em uma dada linha de negócio da empresa. A análise discriminante tem sido largamente utilizada em todo o mundo para o gerenciamento de risco de crédito, em que classificações de rating do tipo AAA, AA, B, etc., são atribuídas às exposições de risco, as quais retratam as potencialidades de perdas sob diferentes fatores e indicadores de risco considerados. Em se tratando de riscos operacionais, a técnica pode ser extremamente útil no gerenciamento das mudanças que ocorrem em um ambiente de riscos ao longo do tempo, a partir da montagem de uma matriz de migração de classificação de risco, também bastante utilizada em risco de crédito. O propósito da matriz é indicar, por exemplo, qual a probabilidade de um tipo de risco classificado como A, em um período atual, venha a ser classificado como BBB, em um período seguinte. Maiores informações, consultar Cruz (2003).

Alguns exemplos de modelos não-lineares:

a) Redes Neurais – é um modelo alternativo de regressão não-paramétrica. A técnica baseia-se no funcionamento das células nervosas do corpo humano. As células podem ser representadas por fatores de controle do ambiente e indicadores chaves de risco. A volatilidade desses fatores e índices nem sempre estabelecem padrões lineares com o comportamento das perdas. A técnica baseia-se em relacionar o conectar indicadores e/ou índices e verificar o resultado, peso ou soma dessa relação. Num passo seguinte, referidos pesos são combinados para identificação dos efeitos sobre as perdas operacionais. Rede Neural é uma matriz dos pesos das conexões entre todos os fatores e índices representativos de risco do ambiente. Maiores informações, ver Cruz (2003); b) Redes de Crenças Bayesianas – a técnica baseia-se no estudo das relações de

dependência probabilística entre eventos e os efeitos de propagação dessas relações de dependência sobre o objeto fim que se deseja conhecer. Em termos de risco operacional, propõe-se estudar as relações de dependência

probabilística entre diferentes indicadores chaves de risco ou fatores de controle do ambiente, identificar quais deles possuem relações de dependência e os efeitos dessa relação sobre as perdas operacionais e, também, identificar quais não possuem relação de dependência, mas produzem efeitos diretos sobre as perdas. O modelo pode ser representado por um diagrama, em que indicadores ou fatores estão ligados por relações de dependência, que por sua vez estão ligados com as perdas. Mais informações, consultar Lewis (2004) e Alexander (2003);

c) Data Mining – é o processo de análise de dados sob diferentes perspectivas e resumos que podem identificar informações úteis direcionadas para redução de custos, elevação de receitas ou diminuição de riscos. A tarefa basicamente é sumarizar informações de grandes bases de dados com o propósito de localizar padrões de comportamento ou correlações muito fortes entre eventos. O setor de informática tem crescido bastante nos últimos anos, no que se refere a soluções tecnológicas de armazenagem e integração de banco de dados e análise de informações, o que tem contribuído para a utilização e disseminação da técnica. Os eventos de perdas operacionais, por exemplo, podem estar associados a um número muito grande de fatores que estejam relacionados a diferentes áreas ou unidades de negócio da empresa e, portanto, sem sempre são avaliados conjuntamente. Com o uso de ferramentas de maior poder de armazenagem e processamento e de softwares de análise estatística e tendo por objeto de estudo uma base dados única (integrada), as sumarizações podem gerar informações úteis que de outra forma não era possível conhecer. Maiores informações, consultar Cruz (2003).

5 MÉTODO DE DISTRIBUIÇÃO DE PERDAS AGREGADAS

O objetivo deste capítulo é demonstrar as bases teóricas do modelo de distribuição de perdas agregadas, considerado aqui o processo estocástico essencial para mensuração de necessidades de alocação de capital para suportar perdas provenientes de riscos operacionais.

O processo inicia-se pela definição de modelos de representação de dados de freqüência e severidade das perdas históricas, identificadas segundo a classificação em diferentes tipos de perdas e linhas de negócio da empresa. Em seguida, referidos modelos são compostos através de técnica de simulação para geração das perdas totais em um dado período de tempo. Sobre as perdas totais consolidadas, demonstrar-se-á o uso de estatísticas básicas para cálculo de VaR operacional e a interpretação desse valor como indicador de alocação de capital. Ao final, realiza-se uma abordagem de validação do modelo e o desenvolvimento de cenários de stress.