Baixe o app para aproveitar ainda mais
Prévia do material em texto
Departamento de Engenharia Industrial OTIMIZAÇÃO DE ATIVOS FINANCEIROS Aluno: Bruno Souza Leão Orientador: Davi Valladão Introdução Harry Markowitz desenvolveu, em 1952, a Teoria do Portfólio que até hoje serve de base para os principais modelos de seleção de carteira. Atualmente, é prática do mercado relacionar os desvios do retorno com o risco, consequência do modelo de média e variância de Markowitz. Seu trabalho serviu como base para Willian Sharpe (1964) em conjunto com outros pesquisadores como John Lintner e Jack Treynor desenvolverem modelos de precificação de ativos, como o CAPM (Capital Asset Pricing Model). Na teoria clássica é possível observar que os retornos são variáveis aleatórias e destaca-se a utilização de dois critérios: a média e o desvio padrão. No entanto, há limitações práticas em utilizar a volatilidade para mensurar o risco. Por isso, na tentativa de se obter métodos mais sofisticados para avaliar o risco e otimizar carteiras houve o aparecimento de uma série de pesquisas e estudos que contribuíram para formar a Teoria Moderna do Portfólio. Dentre os problemas de se utilizar o desvio padrão como métrica de risco como na teoria clássica, estão: a variância não só não consegue medir riscos de cauda, os valores extremos como também não é uma medida de risco propriamente dito, trata-se de uma medida de desvio da média; assume-se, implicitamente, que a distribuição de probabilidade dos retornos é simétrica. Por conseguinte, foi desenvolvida a medida de risco de cauda chamada de V@R (value at risk), em que se conseguiu solucionar parte dos desafios anteriores, porém ainda se tratava de uma forma inadequada para riscos extremos de cauda e não apresentava diversificação. Assim, com novos estudos e pesquisas, constatou-se que a média da cauda se tornaria a medida mais eficiente, ficando conhecida como CV@R (conditional value-at-risk). A grande questão é que a média-variância tem solução analítica, enquanto um modelo baseado no CV@R deve ser resolvido numericamente, o que não se um torna problema devido à possibilidade de representá-lo por programação linear e resolvê-lo com pacotes comerciais disponíveis no mercado. Objetivos Estudar e implementar diferentes modelos de seleção de carteira. Desenvolver ensaios para descobrir novas evidências e fornecer uma visão diferenciada sobre questões específicas de alocação de ativos dentro do mercado financeiro brasileiro. Detalhamento do projeto Metodologia Foi realizado um estudo com foco no desenvolvimento de técnicas de otimização sob incerteza (estocástica e robusta) para o processo de seleção de carteira de ativos financeiros. A seleção de carteira é o problema de alocação de capital em um número de ativos disponíveis com a finalidade de maximizar o retorno sobre o investimento, minimizando seu risco. O risco no modelo clássico de Harry Markowitz (1952) é mensurado apenas através de uma medida de dispersão dos retornos chamada de variância. Não obstante, na literatura atual, desenvolveram-se formas mais eficientes de se calcular esse risco como, por exemplo, as Departamento de Engenharia Industrial medidas de risco de cauda (conditional value-at-risk) que se demonstram mais plausíveis e confiáveis. Partindo desse pressuposto, a pesquisa foi direcionada para a implementação de modelos já existentes com o intuito de aperfeiçoá-los e de gerar resultados superiores aos índices de referência na indústria de investimento no mercado brasileiro. Um funcional ρ: 𝒳→ℝ é denominada medida de risco monetária se satisfaz as seguintes propriedades para todo 𝑋, 𝑌 ∈ 𝒳: Monotonicidade: Se 𝑋≥𝑌, então 𝜌(𝑋) ≤ 𝜌(𝑌) Invariância por translação: Se 𝑚 ∈ ℝ, então 𝜌(𝑋+𝑚) =𝜌(𝑋)− m. Normalização: 𝜌(0) = 0. Além disso, uma medida de risco 𝜌(. ) é coerente se, somente se possui as seguintes propriedades: Considerando duas loterias X e Y: Subaditividade: 𝜌(𝑋 + 𝑌) ≤ 𝜌(𝑋) + 𝜌(𝑌) Homogeneidade positiva 𝑆𝑒 𝛼 > 0, 𝑒𝑛𝑡ã𝑜 𝜌(𝛼𝑋) = 𝛼𝜌(𝑋) Com o objetivo de definir uma metodologia para a definição de uma medida de risco em uma carteira de investimentos, em 1980, o J. P Morgan desenvolveu o conceito do 𝑉𝑎𝑅 (Value at Risk): V@Rα(X) = infz{z ∈ R| P(X + z < 0) ≤ 1-α}, ou V@Rα(X) = infz{z ∈ R| P(-X ≤ z) ≥ α} Para distribuições contínuas: V@Rα(X)= −𝐹𝑥−1(1 − 𝛼) Intuitivamente, pode ser interpretado como o menor aporte z para que a probabilidade de prejuízo do projeto X mais o aporte z seja menor ou igual a 1 − 𝛼, onde 𝛼 ∈ (0, 1) é conhecido como nível de confiança. Os valores típicos para 𝛼 são 0.90, 0.95 e 0.99. Nas figuras abaixo, estão representados graficamente o V@R para um 𝛼 qualquer em uma função Fx(x) acumulada e para uma distribuição de probabilidade hipotética (contínua) com nível de confiança de 5% , simultaneamente. Figura 1 Departamento de Engenharia Industrial É comum, porém, em casos práticos, que o fluxo financeiro associado a alguma opção de investimento seja discreto, isto é, existe um número discreto de estados da natureza ou realizações do fluxo financeiro. Como consequência, a Função Distribuição Acumulada é discreta e, portanto, certo cuidado deve ser tomado para calcularmos o Value-at-Risk nesta situação. É possível que, para determinados valores do (1 − 𝛼) , o 𝑉𝑎𝑅𝛼 gere confusão. Por isso, há um exemplo a seguir. Exemplo 1: Considere um investimento financeiro 𝑋 em que existe 80% de probabilidade de um ganho de 100 milR$, 10% de probabilidade de uma perda de 70 milR$ e 10% de probabilidade de perdas de 100 milR$. A árvore de decisão abaixo ilustra o contexto. A seguir, apresentaremos um procedimento para obter o Value-at-Risk associado a um fluxo financeiro discreto. Pela definição, basicamente, devemos “concentrar” os estados da natureza até obtermos um acúmulo de probabilidade estritamente maior que o Nível de Significância desejado. Assim, como exemplo, para (1 − 𝛼) = 15%, temos que: Figura 3 Tabela 1 Figura 2 Figura 3 Departamento de Engenharia Industrial Por conseguinte, o 𝑉𝑎𝑅85%(𝑋) = −𝑋(𝜔2) = 70 milR$. Note que o acúmulo de probabilidade deve ser feito adicionando o estado que gera o menor próximo valor para o fluxo financeiro. Desta forma, se invertermos a ordenação fazendo 𝑋(𝜔1) = −70 milR$ e 𝑋(𝜔2) = 100 milR$, então, temos que a terceira linha da tabela acima terá o estado 𝜔1 e não 𝜔2 como apresentado. Novamente, vamos calcular o 𝑉𝑎𝑅80%. Temos, então, Analogamente, 𝑉𝑎𝑅80%(𝑋) = −𝑋(𝜔1) = −100 milR$. De maneira geral, a tabela abaixo faz uma relação entre o nível de significância (1 − 𝛼) e o 𝑉𝑎𝑅𝛼(𝑋). Seja (Ω,ℱ,ℙ) um espaço de probabilidade e 𝒳 o conjunto de opções de investimentos representados por Variáveis Aleatórias. Para qualquer 𝛼 ∈ (0, 1), 𝜌 = 𝑉𝑎𝑅𝛼 é uma Métrica de Risco. Prova: Para demonstrarmos esta proposição, vamos verificar se a definição de Value-atRisk satisfaz as condições de Medidas de Risco. 1. Monotonicidade: Se 𝑋 ≤ 𝑌, então 𝜌(𝑋) ≥ 𝜌(𝑌). Note que se 𝑋 ≤ 𝑌 então 𝐹𝑋 ≥ 𝐹𝑌 Consequentemente, para um Nível de Significância fixo (1 − 𝛼), 𝑉𝑎𝑅𝛼(𝑋) ≥ 𝑉𝑎𝑅𝛼(𝑌). Assim, 𝜌(𝑋) ≥ 𝜌(𝑌). A figura a seguir ilustra este resultado. Figura 4 Tabela 2 Tabela 3 Departamento de Engenharia Industrial 2.Invariância a Translação: Para 𝑚 ∈ ℝ, então 𝜌(𝑋 + 𝑚) = 𝜌(𝑋) − 𝑚. Pela definição, temos que 𝑉𝑎𝑅𝛼(𝑋) − 𝑉𝑎𝑅𝛼(𝑋 + 𝑚) = 𝑚. Portanto, 𝑉𝑎𝑅𝛼(𝑋 + 𝑚) = 𝑉𝑎𝑅𝛼(𝑋) − 𝑚. A figura a seguir ilustra este resultado. 3. Normalização: Para 𝟎 ∈ 𝒳, 𝜌(𝟎) = 0. Aplicando a definição, temos que : 𝑉@𝑅𝛼(𝟎) = min{𝑧 ∈ ℝ | ℙ({𝜔∈ Ω | 𝟎(𝜔) + 𝑧 < 0}) ≤ 1 − 𝛼} = min{𝑧 ∈ ℝ | ℙ({𝜔 ∈ Ω | 0 + 𝑧 < 0}) ≤ 1 − 𝛼} = 0 O V@R é uma medida de risco bastante difundida no mercado financeiro, não obstante é necessário ter atenção com as suas limitações: Para caudas largas, o V@R demonstra-se inadequado, ou seja, em resumo, o V@R quantifica o menor valor tal que a probabilidade de prejuízo seja inferior ao nível de significância, mas nada nos informa sobre o quão ruim é o investimento nos piores casos, como pode ser verificado na figura abaixo: Figura 5 Figura 6 Departamento de Engenharia Industrial Outro problema associado à métrica de Value-at-Risk é a possível violação de um dos conceitos básicos da análise de investimento, a diversificação. Em diversos casos, o Value-at- Risk de uma carteira de ativos é superior à soma do Value-at-Risk dos ativos individuais, isto é, o risco da carteira é maior que o acúmulo do risco individual. Esta violação vai de encontro ao conhecido Efeito Portfólio largamente estudado na literatura. Exemplo 2: Suponha dois possíveis investimentos 𝑋1 e 𝑋2 tais que suas realizações sejam independentes. O fluxo financeiro destes investimentos é: Obtendo o Value-at-Risk para um Nível de Significância (1 − 𝛼) = 50%, em ambas as opções de investimento, temos que 𝑉𝑎𝑅50%(𝑋1) = −1 e 𝑉𝑎𝑅50%(𝑋2) = −5. Supõe-se agora uma carteira 𝑋 com uma alocação igualitária. Assim, o fluxo financeiro da carteira pode ser escrito como: Portanto, o 𝑉𝑎𝑅50%(𝑋) = −4. Assim, temos que 𝑉𝑎𝑅50%(𝑋) = 𝑉𝑎𝑅50%(𝑋1 + 𝑋2) = −4 > −1 − 5 = 𝑉𝑎𝑅50%(𝑋2) + 𝑉𝑎𝑅50%(𝑋1) Assim, 𝑉𝑎𝑅50%(𝑋1 + 𝑋2) > 𝑉𝑎𝑅50%(𝑋2) +𝑉𝑎𝑅50%(𝑋1), implicando que o risco da carteira é maior que o risco individual dos investimentos. Assim, apesar de portfólios diversificados possuírem vantagens sob portfólios não diversificados, o correspondente Value-at-Risk não reflete esta vantagem, sendo, portanto, um ponto negativo desta métrica. Outro ponto negativo do Value-at-Risk é o fato de esta métrica ser muito sensível à escolha do nível de significância, especialmente quando estamos em um contexto discreto. Exemplo 3: Suponha um investimento 𝑋 com o seguinte fluxo financeiro: O Value-at-Risk a um Nível de Significância de 50% é −1. Contudo, para um nível de significância de 49.9%, o Value-at-Risk é 1. O fato de esta métrica ser descontínua com relação ao nível de significância implica que uma leve alteração neste nível pode resultar em uma significante alteração na quantificação de “risco” do investimento. Uma crítica final feita à métrica Value-at-Risk está associada a sua formulação como um Equação 1 Equação 2 Equação 3 Departamento de Engenharia Industrial problema de otimização. A formulação de problemas de decisão baseados na minimização desta métrica (quanto menor o risco, melhor!) é realizada sob o contexto de programação matemática não linear e costumam ser bastante complexos. Consequentemente, não há registros na literatura de algoritmos eficientes para resolver estes problemas para um caso geral, sendo a formulação de boas metodologias de solução dependentes caso-a-caso. Como pode ser verificado, a métrica Value-at-Risk possui um conjunto de ineficiências que foi sendo melhorada pelas medidas coerentes de risco, cuja definição está descrita acima. Dentro desta classe destaca-se o Conditional Value-at-Risk (CV@R) que foi usado intensivamente no trabalho realizado e sua definição encontra-se a seguir. Seja (Ω,ℱ,ℙ) um espaço de probabilidades e 𝑋 ∈ 𝒳 uma variável aleatória que representa o fluxo financeiro de um investimento. A métrica Conditional Value-at-Risk é um funcional 𝐶𝑉𝑎𝑅𝛼: 𝒳 → ℝ definido como: 𝐶𝑉𝑎𝑅𝛼(𝑋) = −(𝑧 − 𝔼[(z−X)+] 1−𝛼 ), onde (𝑥)+ = max{𝑥, 0}, 𝑧 = −𝑉𝑎𝑅𝛼(𝑋) e 𝛼 ∈ (0, 1), assim como definido para o Value-at- Risk. Para o caso de distribuições contínuas, o Conditional Value-at-Risk pode ser definido como: 𝐶𝑉𝑎𝑅 (𝑋) = = −𝔼[𝑋 | 𝑋 ≤ −𝑉𝑎𝑅𝛼(𝑋)], ou seja, o Conditional Value-at-Risk representa o Valor Esperado dos fluxos que são inferiores ao –Va𝑅𝛼, isto é, inferiores ao quantil de (1-α)%. Na figura abaixo, há a representação da relação entre o Value-at-Risk e o Conditional Value-at-Risk para uma distribuição de probabilidade (contínua) hipotética e um Nível de Confiança (1-α)=5%. Exemplo 4: Utilizando o mesmo exemplo dado para o cálculo do VaR pode-se extrair o CVaR conforme será demonstrado abaixo. Novamente analisa-se um investimento financeiro 𝑋 tal que existe 80% de probabilidade de um ganho de 100 milR$, 10% de probabilidade de uma perda de 70 milR$ e 10% de probabilidade de perdas de 100 milR$ cuja árvore de decisão está representada a seguir. Figura 7 Figura 8 Departamento de Engenharia Industrial Já chegou-se a conclusão de que para 𝛼 = 85%, o 𝑉𝑎𝑅85%(𝑋) = 70 milR$. A partir deste valor e da primeira definição dada de CVaR, é possível calcular o CVaR85%(𝑋) e encontrar a seguinte tabela: A partir desta tabela, podemos calcular o Conditional Value-at-Risk a um Nível de Significância de (1 − 𝛼) = 15%. CVaR85%(X) = − (−VaR85%(X) − 𝔼[(−VaR85% − X)+] 1 − α ) = −(−70 − ∑ (−70 – X(ω))+ ℙ({ω})w ∈{ω1,ω2,ω3 } 0.15 ) = − (−70 − (30 ⋅ 0.1 + 0 ⋅ 0.1 + 0 ⋅ 0.8) 0.15 ) = 90 Para um nível de significância de (1-α)= 20%, recalcula-se: 𝑉𝑎𝑅80%(𝑋) = −100milR$ (resultado obtido através do exemplo 1) Assim, CVaR80%(X) = −(−VaR80%(X) − 𝔼[(−VaR80%(X) − X) +] 1 − α ) = −(100 − ∑ (100 − X(ω) )+ ℙ({ω}) ω ∈{ω1,ω2,ω3 } 0.2 = −(−100 − (200 ⋅ 0.1 + 170 ⋅ 0.1 + 0 ⋅ 0.8) 0.2 ) = 85 Tabela 4 Tabela 5 Departamento de Engenharia Industrial Uma das propriedades que o Conditional Value-at-Risk possui é o fato de não ser descontínuo com relação a pequenas variações do nível de significância (1 − 𝛼), ao contrário do Value-at-Risk. Na figura a seguir, foi plotado a curva do 𝐶𝑉𝑎𝑅𝛼(𝑋) e o 𝑉𝑎𝑅𝛼(𝑋) em função de 𝛼. Observe que, de fato, o 𝐶𝑉𝑎𝑅𝛼(𝑋) não possui saltos como verificou-se no 𝑉𝑎𝑅𝛼(𝑋). Esta propriedade é bastante interessante para mesurar “risco”, uma vez que uma leve alteração no nível de significância (1 − 𝛼) não gera uma significante alteração na métrica de risco como acontecia com o 𝑉𝑎𝑅𝛼 . Além disso, o 𝐶𝑉𝑎𝑅𝛼(𝑋) está sempre “por cima” do 𝑉𝑎𝑅𝛼(𝑋). Tomando como base tal medida de risco e a premissa de que a distribuição de probabilidade dos retornos futuros é estimada de forma não paramétrica, em que cada dia do histórico utilizado representa um cenário possível de retorno futuro, foi possível desenvolver um modelo para otimizar a alocação de ações de empresas brasileiras no mercado financeiro brasileiro. Foram utilizadas ferramentas computacionais para se coletar dados de empresas listadas em bolsa nacional a fim de, a partir de uma análise de seus retornos mensais passados, realizar, dentro de um retorno requerido e de um risco máximo suportado, a alocação ótima dos ativos. Para isso, foi necessário implementar um modelo de programação estocástica de dois estágios e utilizar o CV@R como métrica de risco. Portanto, o modelo necessita apenas da entrada dos retornos passados de empresas, do retorno que se espera obter e do risco máximo admitido. Posteriormente, como saída é determinado o percentual de cada ação que maximiza o retorno levando em consideração o risco tolerado. Uma das grandes vantagens do CV@R em relação ao V@R é a possibilidade de escrevê-lo em forma de problema de programação linear estocástica, conforme está explicitado abaixo: Figura 9 Departamento de EngenhariaIndustrial max 𝑧,{𝑦𝑠},{𝑥𝑖} {𝑧 − ∑ 𝑝𝑠 𝑦𝑠 1 − 𝛼 𝑠 } 𝑦𝑠 ≥ 𝑧 − ∑ 𝑅𝑖(𝑠)𝑥𝑖 𝑖 , ∀𝑠 𝑦𝑠 ≥ 0, ∀𝑠 ∑ 𝑥𝑖 𝑖 = 1 ∑ ∑ 𝑝𝑠𝑅𝑖(𝑠) 𝑠 𝑥𝑖 𝑖 ≥ 𝛾 Equação 4 Em que Z corresponde ao Value-at-Risk (V@R) no ótimo, ys= variável auxiliar para cada cenário que no ótimo é igual a (𝑧 − ∑ 𝑅𝑖(𝑠)𝑥𝑖) + 𝑖 , xi= percentual ótimo alocado em cada empresa, Ri= retorno em cada cenário, ps= probabilidade de cada cenário e γ= retorno requerido. Resultados numéricos Foram coletados dados de 11 empresas listadas em bolsa de valores brasileira: Vale (‘VALE5.SA’), AmBev (‘ABEV3.SA’), Petrobrás (‘PETR4.SA’), Eletrobrás (‘ELET3.SA’), Banco Bradesco (‘BBDC3.SA’), Souza Cruz (‘CRUZ3.SA’), Companhia Siderúrgica Nacional (‘CSNA3.SA’), Lojas Americanas (‘LAME4.SA’), Embraer (‘EMBR3.SA’), Gerdau (‘GOAU4.SA’), Banco do Brasil (‘BBAS3.SA’). Para efeito comparativo de mudanças devido a problemas macroeconômicos, dividiu-se a coleta de dados mensal em três períodos: 1) 1º de janeiro de 2003 até 31 de maio de 2011, em que se observa tanto a grande recessão de 2008, quanto os problemas econômicos brasileiros resultantes da entrada de Lula no poder cujo partido tinha um viés de esquerda que era bastante temido pelo mercado em 2003 10,000.00 20,000.00 30,000.00 40,000.00 50,000.00 60,000.00 70,000.00 80,000.00 Variação Ibovespa Figura 10 Departamento de Engenharia Industrial 2)1º de janeiro de 2005 até 31 de maio de 2011, contendo apenas a grande crise global de 2008 3)1º de junho de 2009 até 31 de maio de 2011, cujo resultado demonstra-se mais positivo obviamente já que abrange uma janela sem crises. - 10,000.00 20,000.00 30,000.00 40,000.00 50,000.00 60,000.00 70,000.00 80,000.00 3-jan-05 3-jan-06 3-jan-07 3-jan-08 3-jan-09 3-jan-10 3-jan-11 Variação do Ibovespa -10.00% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 2 -j an -0 9 2 -m ar -0 9 2 -m ai -0 9 2 -j u l- 0 9 2 -s e t- 0 9 2 -n o v- 0 9 2 -j an -1 0 2 -m ar -1 0 2 -m ai -1 0 2 -j u l- 1 0 2 -s e t- 1 0 2 -n o v- 1 0 2 -j an -1 1 2 -m ar -1 1 2 -m ai -1 1 2 -j u l- 1 1 2 -s e t- 1 1 2 -n o v- 1 1 Variação do Ibovespa Figura 11 Figura 12 Departamento de Engenharia Industrial Para a obtenção dos dados do Yahoo Finanças foi utilizado a ferramenta financeira do programa Matlab. Assim, com o objetivo de analisar as informações obtidas, ou seja, os retornos de cada ativo mensal nos três períodos destacados, foi desenvolvido um modelo de otimização baseado no 𝐶𝑉𝑎𝑅, cuja fórmula se encontra na equação 4. Por conseguinte, foi possível colocar como input retornos de um determinado ativo, o retorno requerido e o risco máximo suportado e gerar como output a carteira ótima que maximiza os ganhos. Vale destacar que o modelo foi resolvido através dos pacotes comerciais para problemas lineares: Mosek e Yalmip. Nota-se, portanto, que ao exigir como retorno um intervalo de -0.01 até 0.01, variando de 0.001 em 0.001, com um intervalo de confiança de 95% e com as empresas cujos tickers são: 'PETR4' 'VALE' 'ABEV' 'BBD' 'BBAS' 'ELET' 'GOAU' 'LAME' 'EMBR' 'CRUZ' 'CSNA', obtém-se a seguinte fronteira ótima a seguir, em que o a linha em verde corresponde ao 3º intervalo, vermelha ao 2º e azul ao terceiro. Figura 13 Percebe-se um evidente melhor resultado na linha verde cuja janela é de 2009 para 2011, em que não houve grandes problemas econômicos. Observa-se uma linha verde melhor que a vermelha cujo intervalo engloba a crise de 2008 e melhor que a azul, claramente a pior cuja janela possui além da crise de 2008, os problemas econômicos de 2003. Além disso, a seguir está expresso as carteiras ótimas para cada intervalo simultaneamente. Departamento de Engenharia Industrial Intervalo de 2003 até 2011 Intervalo de 2005 até 2011 Figura 14 Figura 15 Departamento de Engenharia Industrial Intervalo de 2009 até 2011 Nota-se que devido ‘as incertezas por um partido de esquerda assumir o governo, no primeiro intervalo de tempo, as carteiras ótimas possuem um número maior de empresas que não são estatais. Conforme há a mudança nos intervalos, fica claro um maior esforço do governo para melhorar as estatais e, por conseguinte, apresentam melhores resultados, aumentando o número de empresas estatais nas carteiras ótimas com maior retorno. Figura 16 Departamento de Engenharia Industrial Conclusão O estudo teórico permitiu uma maior compreensão da evolução dos modelos de otimização e das finanças. Pode-se notar que a aplicação de medidas de risco mais modernas como o CV@R se mostra um caminho deveras consistente para se obter resultados mais verossímeis e eficientes. A utilização do modelo proposto é bastante simples, sendo necessário apenas ter o conjunto de retornos passados das empresas para realizar a alocação ótima dos ativos de uma carteira, ou seja, maximizar o retorno e minimizar o risco. O procedimento descrito pode ser implementado não só para o caso de empresas brasileiras como também para mercados internacionais. Assim, torna-se evidente, portanto, que o continuo desenvolvimento dessas técnicas de otimização e de mensuração do risco será essencial para se conseguir melhorias significativas no processo de seleção de carteira. Referências 1 - JORION, Philippe Value at risk, Irwin Chicago, 1997. 2- ROCKAFELLAR, R. Tyrrel, Coherent Aproaches of risk in optimization under uncertainty, Tutorials in Operations Research, informs, 38-61, 2007 3- ROCKAFELLAR, R. Tyrrel e S. Uryasev, Conditional-value-at-risk for General Loss Distributions, 2008 4 – ARTZNER, Ph., F. Delbaen, J. M. Eber, e D. Heath, Coherent Measures of Risk, Mathematical Finance, 9, 203-229, 1999 5-Pflug, G., Some results on Value-at-risk and Conditional-Value-at-Riks in S. Uryasev Ed., Probabilistic Constrained Optimization: Methodology and Applications, Kluwer Academic, Norwell, MA, 2000 ∎ Departamento de Engenharia Industrial
Compartilhar