Monte Carlo VaR é um método para estimar VaR (Value at Risk) que usa software de computador para gerar centenas ou milhares de resultados possíveis com base nos dados iniciais inseridos pelo usuário.
Os resultados obtidos são ordenados da maior para a menor rentabilidade como no cálculo do VaR pelo método histórico. A seguir, identificamos os 5% de dados com os retornos mais baixos, e o maior desses 5% de retornos mais baixos será o VaR. Os dados geralmente são apresentados graficamente para uma melhor visualização dos resultados e sua frequência.
A principal vantagem de estimar o VaR pelo método de Monte Carlo é por sua vez sua principal desvantagem, pois dependendo dos dados iniciais inseridos, uma série de premissas serão geradas que irão nortear os resultados (dependência do caminho ou dependente do caminho escolhido). Dada a complexidade de Monte Carlo, você pode ter uma falsa sensação de confiabilidade, mas se os dados inseridos (entradas) não estiverem corretos, as informações não serão confiáveis. Apesar disso, geralmente é mais preciso do que o método VaR paramétrico.
Simulação de Monte CarloExemplo de VaR pelo método Monte Carlo
Imagine que depois de ter gerado 100 resultados diferentes pelo programa de computador (normalmente mais são usados, mas usaremos 100 para facilitar o exemplo), e ordenando os valores obtidos do maior para o menor, obtemos que os cinco piores são os seguintes :
-15,25%, -12,75%, -10,85%, -10,05%, -8,75%
Se quisermos calcular o VaR com 95% de confiança, devemos escolher os 5% com os piores resultados. Em seguida, escolhemos o quinto pior resultado (5% de 100) de todo o período, que é -8,75%. Se assumirmos que o investimento neste ativo é de 1 milhão de euros, o VaR de 5% será de 87.500 euros, ou seja, existe uma probabilidade de 5% de perder pelo menos 87.500 euros e uma probabilidade de 95% de que essa perda seja inferior. Assim, a empresa terá de ter em conta que cinco em cada 100 meses perderão pelo menos 87.500 euros, ou que um em cada 20 meses perderá pelo menos 87.500 euros.
