Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ECO 1721 – Introdução à Estatística Econômica Professor: Juarez da Silveira Figueiredo Combinações Lineares de Variáveis Aleatórias Definição Considerem-se n variáveis aleatórias quaisquer 1 2 3 nX ,X ,X , ... ,X e n números reais 1 2 3 na ,a ,a , ... ,a . Faça-se n i i i=1 Y a X (1) A variável aleatória Y denomina-se combinação linear de 1 2 3 nX ,X ,X , ... ,X . Média (Expectância) e Variância da Combinação Linear Adotando a notação: 2 2 Y Y i i i iμ E(Y) σ V(Y) μ E(X ) σ V(X ) i 1,2,3,...,n i jij i j ij X X i j σ Cov(X ,X ) ρ ρ Cor(X ,X ) i, j 1,2,3,...,n a média (expectância) de Y é dada por n n n Y i i i i i i i=1 i=1 i=1 μ E(Y) E a X a E(X ) a μ (2) e a variância de Y é dada por 2 2 n n n 22 Y Y i i i i i i i i=1 i=1 i=1 σ V(Y) E Y-μ E a X - a μ E a X μ n n n n 2 Y i i i j j j i j i i j j i=1 j=1 i=1 j=1 σ E a X μ a X μ E a a X -μ X -μ 2 n n n n 2 Y i j i i j j i j i j i=1 j=1 i=1 j=1 σ a a E X -μ X -μ a a Cov X ,X ou seja, n n n n 2 Y i j i j i j ij i=1 j=1 i=1 j=1 σ a a Cov X ,X a a σ (3) Notando que ij i j j i ji 2 ii i i i i σ Cov(X ,X ) Cov(X ,X ) σ i, j 1,2,3,..., n e σ Cov(X ,X ) V( X ) i 1,2,3,..., n (4) podemos desmembrar a expressão anterior na soma de duas parcelas, a primeira das quais se refere aos índices de somação que são iguais (i j) e a segunda relativa aos índices de somação que são diferentes (i j) , obtendo a seguinte expressão: n n n n n n 2 2 2 2 Y i i i j i j i i i j ij i=1 i=1 j=1 i=1 i=1 j=1 j>i j >i σ a V(X ) 2 a a Cov X ,X a σ 2 a a σ (5) Lembrando a definição de coeficiente de correlação linear, temos: i j i j ij ij X X i ji j Cov(X ,X ) σ ρ ρ σ σV(X )V(X ) o que implica ij ij i jσ ρ σ σ (6) Assim, podemos reescrever a expressão (5), alternativamente, na forma: n n n 2 2 2 Y i i i j i j ij i=1 i=1 j=1 j>i σ a σ 2 a a σ σ ρ (7) Se as variáveis 1 2 3 nX ,X ,X , ... ,X forem não correlacionadas (linearmente), o que evidentemente ocorre no caso mais particular de serem independentes, verifica-se, tanto de (5) quanto de (6), que a expressão da variância se reduz ao caso já estudado anteriormente, isto é: n 2 2 2 Y i i i=1 σ a σ 3 Exemplo 1 Sejam 1 2X eX duas variáveis aleatórias, 1 2a ea dois números reais e Y uma combinação linear dessas duas variáveis, isto é 2 i i 1 1 2 2 i=1 Y a X a X a X . Então, tem-se: 2 Y i i 1 1 2 2 i=1 μ E(Y) a μ a μ a μ e 2 2 2 2 2 2 2 2 2 2 Y i i i j ij 1 1 2 2 1 2 12 i=1 i=1 j=1 j>i σ V(Y) a σ 2 a a σ a σ a σ 2a a σ Exemplo 2 Sejam 1 2 3X ,X eX tres variáveis aleatórias, 1 2 3a ,a e a tres números reais e Y uma combinação linear dessas tres variáveis, isto é 3 i i 1 1 2 2 3 3 i=1 Y a X a X a X a X Então, tem-se: 3 Y i i 1 1 2 2 3 3 i=1 μ E(Y) a μ a μ a μ a μ e 3 3 3 2 2 2 Y i i i j ij i=1 i=1 j=1 j>i σ V(Y) a σ 2 a a σ 2 2 2 2 2 21 1 2 2 3 3 1 2 12 1 3 13 2 3 23a σ a σ a σ 2 a a σ a a σ a a σ Matriz de Covariâncias e Matriz de Correlações Considere-se a variável aleatória multidimensional 1 2 3 nX ,X ,X , ... ,X e representem- se por ij e por ijρ , respectivamente, a covariância e o coeficiente de correlação linear entre as variáveis aleatórias i jX eX , para i, j 1,2,3,...,n . Então: A matriz 4 11 12 1n 21 22 2n C n1 n2 nn σ σ ... σ σ σ ... σ M ... ... ... ... σ σ ... σ (8) denomina-se matriz de covariâncias associada a 1 2 3 nX ,X ,X , ... ,X . Observe-se, de acordo com (4), que CM é simétrica e que os elementos da sua diagonal principal são as variâncias das variáveis aleatórias 1 2 3 nX ,X ,X , ... ,X , nessa ordem. Prova-se, ainda, que o determinante de CM é não-negativo. A matriz 11 12 1n 21 22 2n n1 n2 nn ρ ρ ... ρ ρ ρ ... ρ R ... ... ... ... ρ ρ ... ρ (9) denomina-se matriz de correlações associada a 1 2 3 nX ,X ,X , ... ,X . Observe-se, de acordo com (6), que R é simétrica e que os elementos da sua diagonal principal são todos iguais a 1. Prova-se, ainda, que o determinante de R é não-negativo. Exemplo 3 Uma carteira de investimentos deverá ser formada apenas pelos ativos A e B. Sejam X e Y, respectivamente, os retornos de A e B para uma aplicação durante certo período de tempo (por exemplo um mês). Sabendo-se que a variância de X é igual a 25, a variância de Y é igual a 16 e o coeficiente de correlação linear entre x e Y é igual a 0,5 , determinar a proporção dos recursos da carteira que devem ser investidos em cada um desses ativos, de sorte a minimizar a variância do retorno (também denominada risco) da carteira. Sejam: R = retorno da carteira e 2 RV(R) σ a variância do retorno da carteira α = proporção dos recursos investidos no ativo A; sendo 0 α 1 O retorno da carteira é uma combinação linear dos retornos de A de de B, podendo ser expresso por: R αX + (1-α)Y ; para 0 α 1 Empregando a expressão (7), tem-se: 5 2 2 2 2 R 1 1 1 2 12V(R) σ α σ + (1- α) σ + 2α(1- α)σ σ ρ 2 225α + 16(1- α) + 2α(1- α) 25 16 . 0,5 2 2 225α + 16 32α + 16α 20α 20α 221α 12α 16 ; para 0 α 1 Se não levarmos em consideração a restrição 0 α 1 vemos que a expressão anterior é um trinômio do segundo grau em α , não negativo (uma vez que 2 Rσ 0 ), cujo coeficiente de 2α é positivo. Portanto, esse trinômio do segundo grau apresenta um mínimo em todo o campo real, correspondente ao valor de α em que se anula a primeira derivada da expressão da variância do retorno da carteira, 2 Rσ . Após a obtenção desse valor, deve-se verificar se ele pertence ou não ao intervalo [0,1], para se concluir qual é a solução adequada. No caso, tem-se: 2 2Rdσ d 21α 12α + 16 42 α 12 0 dα dα logo 42 α 0,286 12 Assim, em todo o campo real, o mínimo do trinômio corresponde a um valor de α que pertence ao intervalo [0,1]. Portanto, deve-se investir 28,6% dos recursos no ativo A e 71,4% no ativo B, para que o risco de mercado da carteira seja mínimo. Exemplo 4 Admita-se, no exemplo anterior, que se tenha:2 2 1 2 12σ 1 , σ 9 e ρ 0,6 Neste caso, 2 2 2 RV(R) σ 1α + 9(1- α) + 2α(1- α) 1 9 . 0,6 2 2 21α + 9 18α 9α 3,6α 3,6α 26,4α 14,4α 9 ; para 0 α 1 do que resulta 6 2 2Rdσ d 6,4α 14,4α + 9 12,8 α 14,4 0 dα dα ou seja 14,4 α 1,125 12,8 Assim, verifica-se que α 1 e, portanto, o trinômio 2 2 Rσ 6,4α 14,4α 9 é decrescente para α 1,125 . Portanto, o valor de α [0,1] que minimiza 2 Rσ é igual a 1. Logo deve-se investir todos os recursos da carteira no ativo A. Exemplo 5 Admita-se, agora, que no exemplo 3 anteriormente apresentado se tenha: 2 2 1 2 12σ 4 , σ 1 e ρ 0,8 Neste caso, 2 2 2 RV(R) σ 4α + 1(1- α) + 2α(1- α) 4 1 . 0,8 2 2 24α + 1 2α α 3,2α 3,2α 21,8α 1,2α 1 ; para 0 α 1 do que resulta 2 2Rdσ d 1,8α 1,2α + 1 3,6 α 1,2 0 dα dα ou seja 1,2 α 0,333 3,6 Logo, verifica-se que α 0 e, portanto, o trinômio 2 2 Rσ 1,8α 1,2α 1 é crescente para α 0,333 . Assim sendo, o valor de α [0,1] que minimiza 2 Rσ é igual a 0. Logo deve-se investir todos os recursos da carteira no ativo B. Exemplo 6 Uma carteira de investimentos é composta por 20% do ativo A, 30% do ativo B e 50% do ativo C. O retorno semanal desses ativos possui distribuição normal com as seguintes características: 7 Vetor de médias: t A B Cμ (μ ,μ ,μ ) (3,6,2) Matriz de covariâncias: C 4.0 1,6 1,8 M 1,6 16,0 4,8 1,8 4,8 9,0 Pede-se: a) Calcular a probabilidade de que a carteira venha a apresentar prejuízo em determinada semana; b) Determinar o VAR (Value at Risk) semanal da carteira, ao nível de confiança de 95% (VAR(95%) = perda ma´xima da carteira com probabilidade 5%) A B CR 0,2X + 0,3X + 0,5X R A B Cμ E R 0,2E X + 0,3E X + 0,5E X 0,2.3 0,3.6 0,5.2 3,4 2 2 2 2Rσ V R (0,2) 4,0 (0,3) 16,0 (0,5) 9,0 2 (0,2)(0,3)1,6 (0,2)(0,5)1,8 (0,3)(0,5)4,8 donde 2 Rσ 5,8420 e Rσ 5,8420 2,4170 Portanto, o retorno da carteira tem distribuição normal de média Rμ 3,4 e desvio padrão Rσ 2,417 Então, segue: a) 0 3,4 P R <0 P Z P Z 1,41 0,5 H(1,41) 0,0793 2,417 b) Seja v o value at risk, então v 3,4 P R < v P Z 0,05 2,417 Verifica-se que v-3,4 z 0 2,417 logo v 3,4 (v 3,4) P R < v P Z P Z 0,05 2,417 2,417 E assim (v 3,4) (v 3,4) P Z 0,5 H 0,05 2,417 2,417 Consequentemente, 8 (v 3,4) H 0,500 0,05 0,4500 H(1,645) 2,417 donde v 1,34 1,645 2,417 e finalmente v 3,4 1,645.2,417 3,4 3,976 0,576 0,58 Então VAR(95%) = 0,58 Bibliografia Keller Filho, Thadeu: Combinações Lineares de Várias Variáveis Aleatórias Nota Didática elaborada para o curso da disciplina ECO 1722 – Estatística Econômica e Introdução à Econometria, Rio de Janeiro, 2003 Goldberger, A.: A Course in Econometrics Harvard University Press, London, 1991 Securato, J. R.: Decisões Financeiras em Condições de Risco Editora Atlas, São Paulo, 1996 Jorion, P.: Value at Risk – A Nova Fonte de Referência para o Controle do Risco do Mercado – Bolsa de Mercadoria & Futros, agosto de 2001
Compartilhar