Tail risk hedging - gestão de risco em dados de alta frequência

• Ano de defesa: 2023
• Autor(a) principal: Macedo Junior, Richard Willians
• Orientador(a): Hadad Junior, Eli
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• País: Brasil
• Palavras-chave em Português: tail-risk hedging; high-frequency data; fat tail; value-at-risk; expected shortfall; forecast
• Link de acesso: https://dspace.mackenzie.br/handle/10899/33372

Este estudo visa ampliar a literatura existente com base em modelos preditivos de gestão de risco para proteger carteiras de investimento contra grandes perdas em situações de mercado estressantes como eventos inesperados, minimizando o acentuado impacto negativo que costumam causar em portfolios no geral. Para isso são utilizados dados em alta frequência, que oferecem maior nível de significância estatística quando comparados a dados de baixa frequência, possibilitando a compreensão da microestrutura e o comportamento dos ativos no mercado acionário brasileiro. Assim os modelos preditivos foram desenvolvidos considerando todas as nuances envolvidas no comportamento do preço dos ativos analisados. A base deste estudo é desenvolvida nas primeiras sessões através da análise bibliométrica e revisão sistemática, base essa definida na lacuna de conhecimento encontrada de mapear e analisar a literatura acadêmica acerca do gerenciamento de risco de cauda através de modelos preditivos. Dessa forma o Generalized Methods of Moments (GMM) mostrou-se compatível com as características desejadas para a previsão do Value-at-Risk (VaR) e do Expected-Shortfall (ES), corroborado pelo fato do modelo ser capaz de lidar com distribuições não normais. As previsões contaram também com ferramentas de machine learning com uso de rede neural artificial do tipo Long Short-Term Memory (LSTM). Os resultados gerados pelo método dos momentos indicam que é possível através do modelo estimar as perdas dos ativos analisados em cenários de incerteza. Porém, resultados não favoráveis são gerados pela rede LSTM que não foi capaz de prever com exatidão as perdas para o ativo PETR3.