Este documento descreve um estudo sobre a modelagem da dependência entre taxas de resgate de seguros de vida e taxas de juro em Portugal através da teoria das cópulas. O resumo apresenta:
1) O objetivo de modelar as distribuições marginais das séries de taxas de resgate e juros e determinar a cópula que melhor representa sua dependência.
2) Uma breve introdução ao conceito de cópula e suas aplicações na modelagem de dependência entre variáveis aleatórias.
3) Os principais passos met
1. UNIVERSIDADE TÉCNICA DE LISBOA
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO
MESTRADO EM: Ciências Actuariais
APLICAÇÃO DE CÓPULAS AO RAMO VIDA
Risco de resgate e Risco de taxa de juro
DORA MARINA BRANCO LEAL
Orientação: Professor Doutor Alfredo Duarte Egídio dos Reis
Professor Doutor Jorge Manuel Afonso Garcia
DOCUMENTO PROVISÓRIO
2. Aplicação de Cópulas ao Ramo Vida
2
Lista de Abreviaturas
AIC – critério de informação de Akaike
AR – Processo Autorregressivo
ARCH – Processo de Heterocedasticidade Condicional Autorregressivo
ARMA – Processo Misto Autorregressivo e de Médias Móveis
CML – Canonical Maximum Likelihood
FAC – Função de Autocorrelação
FACP – Função de Autocorrelação Parcial
IFM – Inference Functions for Margins
MA – Processo de Médias Móveis
ML – Maximum Likelihood
3. Aplicação de Cópulas ao Ramo Vida
3
APLICAÇÃO DE CÓPULAS AO RAMO VIDA: riscos de resgate e de taxa de juro
Dora Marina Branco Leal
Mestrado em: Ciências Actuariais
Orientadores: Professor Doutor Alfredo Duarte Egídio dos Reis
Professor Doutor Jorge Manuel Afonso Garcia
Resumo
O presente trabalho de projecto tem como principal objectivo determinar uma estrutura
de dependência entre as taxas de resgate dos seguros de capital diferido,
comercializados pelas empresas de seguros que operam no mercado segurador
português, e as taxas de juro, através da aplicação de cópulas. O conceito de cópula
surgiu em 1959 por Able Sklar, dando origem ao teorema de Sklar que diz que a cópula
corresponde a uma função que transforma conjuntamente as funções de distribuição
marginais na distribuição conjunta das variáveis aleatórias. Como tal, o presente
trabalho pretende modelar, através da análise dos dados históricos das taxas de resgate e
das taxas de juro, as distribuições marginais que permitam modelar as respectivas séries
de forma univariada através de processos ARMA-ARCH e, posteriormente determinar,
com base na aplicação de diferentes famílias de cópulas existentes, a cópula que melhor
representa uma estrutura de dependência entre as séries.
Palavras-Chave: Cópulas, cópulas condicionadas, dependência, risco de resgate, risco
de taxa de juro, ARMA-ARCH.
4. Aplicação de Cópulas ao Ramo Vida
4
USE OF COPULAE IN LIFE INSURANCE: surrender and interest rate risks
Dora Marina Branco Leal
Master in: Actuarial Science
Advisors: Professor Alfredo Duarte Egídio dos Reis
Professor Doutor Jorge Manuel Afonso Garcia
Abstract
This project has the main purpose to find a structure of dependence between the
surrender rates of savings, marketed by insurance companies operating in Portugal, and
interest rates through the use of copulae. The copula was established in 1959 by Able
Sklar, giving rise to the Sklar's theorem which says that a copula corresponds to a
function that transforms the marginal distribution into the joint distribution functions of
random variables. As such, this work has a dual goal: modelling the marginal
distributions of the surrender rates and interest rates, through ARMA-ARCH processes
and then fit a set of pre-determined copula functions and determine the best copula that
represents a structure of dependency between the series.
Keywords: Copulas, conditional copulas, dependency, surrender risk, interest rate risk,
ARMA-ARCH.
5. Aplicação de Cópulas ao Ramo Vida
5
Índice
Resumo............................................................................................................................. 3
Lista de Tabelas................................................................................................................ 7
Lista de Figuras ................................................................................................................ 9
1. Introdução................................................................................................................ 11
2. Cópulas: conceitos gerais........................................................................................ 13
2.1. Definição de Cópula....................................................................................... 13
2.2. Famílias de Cópulas ....................................................................................... 15
2.3. Medidas de Dependência................................................................................ 18
2.3.1. Coeficiente de Correlação de Pearson........................................................ 19
2.3.2. Medidas de Concordância: Tau de Kendall e Rho de Spearman................ 20
2.3.3. Dependência de Cauda ............................................................................... 22
2.4. Métodos de Estimação dos Parâmetros de Cópulas ....................................... 23
2.4.1. Método ML................................................................................................. 23
2.4.2. Método IFM................................................................................................ 24
2.4.3. Método CML.............................................................................................. 25
2.4.4. Outros métodos de estimação..................................................................... 25
2.5. Cópulas Condicionadas e Processos ARCH................................................... 26
3. Cópulas: aplicação prática....................................................................................... 32
3.1. Análise dos Dados .......................................................................................... 32
3.2. Modelação das séries empíricas ..................................................................... 36
3.2.1. Taxas de Resgate ........................................................................................ 36
3.2.2. Taxas de Juro.............................................................................................. 45
6. Aplicação de Cópulas ao Ramo Vida
6
3.3. Funções de Distribuição Marginais................................................................ 49
3.4. Estrutura de dependência: ajustamento de Cópula......................................... 52
4. Notas Finais............................................................................................................. 56
7. Aplicação de Cópulas ao Ramo Vida
7
Lista de Tabelas
Tabela 2.1 – Dependências de cauda .......................................................................................... 23
Tabela 2.2 – Identificação dos processos estacionários .............................................................. 29
Tabela 3.1 – Estatísticas descritivas das séries empíricas........................................................... 35
Tabela 3.2– Correlograma das funções FAC e FACP da série corrigida das taxas de resgate ... 37
Tabela 3.3 – Resultados da estimação dos modelos ARMA....................................................... 38
Tabela 3.4– Correlograma das funções FAC e FACP dos resíduos............................................ 39
Tabela 3.5 – Resultados do teste Box & Pierce .......................................................................... 41
Tabela 3.6 - Correlograma da função FAC e FACP do quadrado dos resíduos.......................... 41
Tabela 3.7 – Resultados do teste ARCH-LM.............................................................................. 42
Tabela 3.8 – Resultados da estimação do modelo ARMA(0,2)(1,0)12-ARCH(2)....................... 43
Tabela 3.9 - Resultados do teste ARCH-LM .............................................................................. 44
Tabela 3.10 – Correlogramas da FAC e da FACP dos resíduos e do seu quadrado.................... 45
Tabela 3.11– Correlograma das funções FAC e FACP da série corrigida das taxas de juro ...... 46
Tabela 3.12 – Resultados da estimação do modelo ARMA(1,0) ................................................ 46
Tabela 3.13– Correlogramas da FAC e da FACP dos resíduos e do seu quadrado .................... 47
Tabela 3.14 – Resultados da estimação do modelo ARMA(1,0)- ARCH(2) .............................. 48
Tabela 3.15– Correlogramas da FAC e da FACP dos resíduos e do seu quadrado .................... 48
Tabela 3.16 – Resultados do teste ARCH-LM............................................................................ 48
Tabela 3.17 – Estatísticas descritivas das séries ajustadas.......................................................... 49
Tabela 3.18 – Estatísticas descritivas dos resíduos estandardizados........................................... 51
8. Aplicação de Cópulas ao Ramo Vida
8
Tabela 3.19 – Resultados da estimação das cópulas Gaussiana, t-Student, Gumbel, Clayton e
Frank ........................................................................................................................................... 53
Tabela 3.20 - Resultados da estimação das cópulas Gaussiana, t-Student, Gumbel, Clayton e
Frank, considerando o período de Janeiro de 2003 a Setembro de 2009 .................................... 55
9. Aplicação de Cópulas ao Ramo Vida
9
Lista de Figuras
Figura 3.1 – Séries empíricas das taxas de resgate e das taxas de juro....................................... 34
Figura 3.2 – Série empírica das taxas de resgate......................................................................... 36
Figura 3.3 – Série empírica das taxas de resgate com uma diferenciação simples e série empírica
com uma diferenciação sazonal................................................................................................... 37
Figura 3.4 - Série empírica das taxas de juro .............................................................................. 45
Figura 3.5 - Série empírica das taxas de juro com uma diferenciação simples........................... 46
Figura 3.6 – Ajustamentos ARMA-ARCH das séries corrigidas................................................ 49
Figura 3.7 – Funções de distribuição marginais dos resíduos estandardizados das séries
corrigidas das taxas de resgate e das taxas de juro...................................................................... 50
Figura 3.8 – Série bivariada dos resíduos estandardizados das séries corrigidas........................ 51
Figura 3.9 - Série bivariada da transformação dos resíduos estandardizados............................. 52
Figura 3.10 – Funções de densidade de distribuição das cópulas elípticas, Gaussiana e t-Student,
e respectivos diagramas das curvas de nível ............................................................................... 54
Figura 3.11 - Funções de densidade de distribuição das cópulas Arquimedianas, Gumbel,
Clayton e Frank, e respectivos diagramas das curvas de nível.................................................... 54
10. Aplicação de Cópulas ao Ramo Vida
10
Agradecimentos
Aos Professores Alfredo Duarte Egídio dos Reis e Jorge Manuel Afonso Garcia pela
orientação e aconselhamento prestados para a concretização do presente trabalho de
projecto.
Ao Conselho Directivo do Instituto de Seguros de Portugal, ao Dr. António Egídio dos
Reis e à Dra. Ana Cristina Santos por me terem proporcionado a frequência deste
Mestrado e disponibilizado os dados que foram testados na parte prática.
À Dra. Gabriela Antunes pelo apoio incondicional, conselhos e tempo disponibilizado
ao longo da realização deste trabalho.
À Dra. Vanda Antunes e à Dra. Ana Rita Pimenta pela enorme preocupação e
compreensão demonstradas, pelos esclarecimentos prestados e pela revisão efectuada,
cujas sugestões foram muito úteis.
À Dra. Ana Marisa Rodrigues, Dra. Carla Sá e ao Dr. Hugo Borginho pelo apoio e
referências bibliográficas fornecidas.
À Cláudia Duarte, pelas discussões existentes ao longo de todo o trabalho.
À minha família, em particular o Tiago, e aos restantes amigos por todo o apoio,
paciência e compreensão demonstrados.
11. Aplicação de Cópulas ao Ramo Vida
11
1. Introdução
A revisão em curso do actual regime de solvência aplicável às empresas de seguros a
operar no Espaço Económico Europeu, fundado na adopção de princípios económicos
para a avaliação dos activos e dos passivos, e de requisitos de capital baseados nos
riscos efectivamente assumidos, tem levado a profundas alterações na forma de gerir os
riscos a que essas empresas se encontram expostas.
Com efeito, a gestão dos riscos tem vindo a assumir uma importância cada vez maior na
gestão sã e prudente do negócio, sendo essencial um conhecimento aprofundado e
adequado de todos os riscos em exposição.
Face ao elevado número de factores de risco existentes, é possível recorrer ao conceito
de cópula para modelar uma estrutura de dependência desses riscos, que mais não é do
que uma função que transforma conjuntamente as funções de distribuição marginais na
distribuição conjunta das variáveis aleatórias.
As cópulas têm sido bastante utilizadas na área financeira na modelação de dependência
entre as distribuições do preço de diferentes activos, nomeadamente no que se refere à
não normalidade do retorno dos activos e à dependência das caudas da distribuição
conjunta. No entanto, existem muitas outras áreas ainda não devidamente exploradas em
que é possível recorrer ao método das cópulas para estudar o comportamento futuro de
variáveis aleatórias.
Na actividade seguradora, alguns dos riscos importantes associados à exploração do
ramo vida são o risco de resgate e o risco de taxa de juro, sendo primordial para uma
gestão eficaz das carteiras das empresas de seguros a sua previsão. Assim, o presente
trabalho consiste em modelar uma estrutura de dependência, caso exista, entre as taxas
12. Aplicação de Cópulas ao Ramo Vida
12
de resgate e as taxas de juro através da teoria das cópulas, de modo a efectuar uma
previsão do comportamento futuro das mesmas.
O Capítulo 2 sintetiza a teoria das cópulas, nomeadamente as definições e os conceitos
gerais, a descrição das famílias de cópulas mais utilizadas na prática, as medidas de
dependência, incluindo as principais características, e os modelos de estimação dos
parâmetros das cópulas. Na última secção deste capítulo é efectuado um breve resumo à
teoria de cópulas condicionadas e de séries temporais, dada a sua enorme importância
na aplicação prática.
No Capítulo 3 é apresentada uma aplicação prática das cópulas, que visa modelar uma
estrutura de dependência entre o risco de taxa de juro e o risco de resgate dos seguros de
capital diferido comercializados pelas seguradoras com actividade em Portugal. A
construção do modelo foi efectuada através dos seguintes passos:
1. Determinação, através da análise das séries empíricas das taxas de resgate e das
taxas de juro, das distribuições marginais que permitam modelar as respectivas
séries de forma univariada;
2. Escolha, com base na aplicação de diferentes famílias de cópulas existentes, da
cópula que melhor representa uma estrutura de dependência entre as séries;
Todo o trabalho de programação foi efectuado utilizando o programa Eviews, na
modelação das distribuições marginais das séries empíricas e o programa Matlab, na
modelação de cópulas e respectivas medidas de dependência. A programação poderá ser
facultada através do email leal_dora@hotmail.com bem como os dados utilizados.
13. Aplicação de Cópulas ao Ramo Vida
13
2. Cópulas: conceitos gerais
2.1.Definição de Cópula
O termo cópula foi introduzido por Abe Sklar (1959), correspondendo a uma função
que une funções de distribuição unidimensionais (distribuições marginais) de forma a
obter uma função de distribuição multivaridada. Por outras palavras, a cópula é uma
função que transforma conjuntamente as funções de distribuição marginais na
distribuição conjunta das variáveis aleatórias, permitindo, assim, modelar uma estrutura
de dependência de uma função de distribuição conjunta, separando o comportamento
marginal de cada variável.
Teorema de Sklar
Seja H uma função de distribuição conjunta com funções de distribuição marginais F
e G. Então, existe uma cópula C tal que, para todo o ,
. (2.1)
Se F e G são contínuas, então C é única. Pelo contrário, se C é uma cópula e F e G são
funções de distribuição, então a função H definida em (2.1) é uma função de
distribuição conjunta com funções marginais F e G.
A demonstração do teorema pode ser consultada em Nelsen (1999) ou em
Denuit et al. (2005), através da qual se retira que
, (2.2)
É importante salientar que:
as funções de distribuição F e G têm domínio , são não decrescentes e
e e e ;
14. Aplicação de Cópulas ao Ramo Vida
14
a função de distribuição conjunta H, tem domínio , se for crescente em relação
a cada uma das variáveis e e .
Deste modo, H tem funções marginais F e G dadas por e
.
Para uma maior compreensão do teorema anterior, considere-se o exemplo seguinte, o
qual pode ser consultado em Nelsen (1999).
Exemplo: Seja uma função com domínio dada por:
e
Invertendo as funções e , fica e para
. Logo, substituindo as funções inversas na função de distribuição ,
obtém-se a expressão da cópula
.
Utilizar uma cópula como a base de construção de um modelo multivariado torna-se
muito útil, na medida em que não existem restrições no que respeita às funções de
distribuição marginais. Deste modo, as funções de distribuição marginais podem
15. Aplicação de Cópulas ao Ramo Vida
15
resultar de diferentes famílias de distribuição, podendo a cópula ser parametrizada
através de um parâmetro de dependência entre as distribuições marginais.
Refira-se que para variáveis aleatórias independentes, a cópula corresponderá
simplesmente ao produto das distribuições marginais.
2.2.Famílias de Cópulas
Existe uma enorme diversidade de famílias de cópulas pré-determinadas, sendo que este
ponto visa apresentar as principais características das cópulas elípticas e das cópulas
Arquimedianas, por se tratar das cópulas utilizadas no presente trabalho.
2.2.1. Cópulas Elípticas
A classe de cópulas elípticas consiste em funções de distribuição multivariadas que
resultam das funções de distribuição elípticas e goza de muitas das propriedades da
função de distribuição Normal multivariada, com a vantagem de ser possível obter
estruturas de dependência não normais.
As funções de cópulas que se destacam nesta classe são a cópula Normal (ou Gaussiana)
e a cópula t-Student, as quais se descrevem de seguida.
Normal ou Gaussiana
A cópula Normal ou Gaussiana descreve uma estrutura de dependência induzida pela
função de distribuição Normal bivariada, no caso das distribuições marginais serem
normais, e é dada por
, (2.3)
onde corresponde à inversa da função de distribuição Normal padrão e à
função de distribuição Normal bivariada com coeficiente de correlação linear .
16. Aplicação de Cópulas ao Ramo Vida
16
A função de distribuição Normal multivariada é muito utilizada na gestão de riscos para
simular a distribuição dos factores de risco presentes numa determinada carteira de
investimentos de modo a avaliar o risco de mercado e/ou o risco de crédito.
Refira-se, no entanto, que basta uma das funções de distribuição marginais não ser
Normal para que a função de distribuição conjunta seja diferente da distribuição Normal
bivariada.
Este tipo de cópula é simétrica e não apresenta dependência nas caudas da distribuição.
t-Student
A cópula de t-Student é obtida a partir da função distribuição de Student bivariada, do
mesmo modo que a cópula Gaussiana se obtém a partir da função de distribuição
Normal bivariada, e é definida por:
(2.4)
em que corresponde aos graus de liberdade e ao coeficiente de correlação linear da
distribuição de Student bivariada. Quando a cópula de t-Student converge para a
Normal ou Gaussiana.
A cópula t-Student é mais adequada para modelar eventos extremos, tais como
oscilações não previstas no mercado de acções uma vez que, ao contrário da cópula
Gaussiana, a t-Student permite algum grau de dependência na cauda da distribuição,
apesar de ser o mesmo em ambas as caudas (dada a simetria da função).
Mais se acrescenta que quanto maior o número de graus de liberdade da cópula, mais a
função se aproxima da cópula Gaussiana, pelo que a relação de dependência existente
nas caudas tende para zero à medida que os graus de liberdade tendem para infinito.
17. Aplicação de Cópulas ao Ramo Vida
17
2.2.2 Cópulas Arquimedianas
Contrariamente às cópulas elípticas, a classe de cópulas Arquimedianas permite captar
uma estrutura de dependência nas caudas, nos casos onde existe alguma assimetria no
comportamento das variáveis em estudo, na medida em que possibilita a utilização de
diferentes coeficientes de dependência para a cauda da função de distribuição.
Além disso, as cópulas Arquimedianas não são obtidas directamente das funções de
distribuição multivariadas e do Teorema de Sklar já enunciado. Para definir as cópulas
Arquimedianas é necessário definir, de acordo com o apresentado por Nelsen (1999), a
função geradora da cópula, seja , bem como a sua função pseudo-inversa, .
Seja tal que:
(i) ;
(ii) Para todo o , ou seja, é decrescente;
(iii) Para todo o , ou seja, é convexa.
E seja, , tal que:
Se for convexa, então a função cópula é definida da seguinte forma:
(2.5)
Se , então .
De entre a panóplia de cópulas que constituem as cópulas Arquimedianas, destacam-se
as cópulas Gumbel, Clayton e Frank, cuja especificação das respectivas funções
depende apenas de um parâmetro, tornando-as, assim, bastante utilizadas na prática.
18. Aplicação de Cópulas ao Ramo Vida
18
a) Gumbel
A cópula Gumbel é definida para como sendo
(2.6)
em que .
De referir que esta cópula apresenta apenas dependência na cauda superior.
b) Clayton
A cópula Clayton é definida para como sendo
(2.7)
com .
Ao contrário da cópula Gumbel, a cópula Clayton apresenta apenas dependência na
cauda inferior.
c) Frank
A cópula Frank é definida para como sendo
(2.8)
com .
Esta cópula apresenta a mesma dependência em ambas as caudas da função, tal como as
cópulas elípticas descritas anteriormente.
2.3.Medidas de Dependência
Para medir a relação existente entre os diversos factores de risco existem diversas
medidas de dependência, das quais se destaca o coeficiente de correlação linear. Esta
19. Aplicação de Cópulas ao Ramo Vida
19
secção visa descrever, para além deste coeficiente de correlação, as principais medidas
de dependência que estão directamente relacionadas com as cópulas, designadamente o
tau de Kendall, o rho de Sperman e as dependências de cauda.
2.3.1. Coeficiente de Correlação de Pearson
O coeficiente de correlação de Pearson é uma medida de dependência entre duas
variáveis aleatórias que captura o seu grau de relação linear e é definido por:
. (2.9)
O coeficiente de correlação linear situa-se no intervalo , onde -1 representa uma
correlação linear perfeita negativa e 1 representa uma correlação linear perfeita positiva.
No caso de duas variáveis aleatórias independentes, o coeficiente de correlação é nulo, o
que significa que não dependem linearmente uma da outra. No entanto, o inverso não é
verdadeiro, como é o caso da correlação nula entre uma variável aleatória com função
de distribuição Normal padrão e uma variável aleatória correspondente ao quadrado da
anterior que segue uma função de distribuição de com 1 grau de liberdade, quando
claramente as variáveis aleatórias não são independentes. Em grande parte dos casos
existirá alguma dependência não linear, pelo que este caso deverá ser sempre analisado
com algum cuidado.
Esta definição pressupõe a existência de variâncias finitas para X e Y, o que torna esta
medida de dependência bastante limitada, sobretudo quando se trabalha com funções de
distribuição com caudas pesadas. Além disso, o coeficiente de correlação de Pearson
não é invariante a transformações estritamente crescentes.
Trata-se de uma medida de dependência muito útil, pela sua facilidade de cálculo,
tendo, no entanto, o inconveniente de apenas resultar no caso de funções de distribuição
20. Aplicação de Cópulas ao Ramo Vida
20
multivariadas normais ou, mais genericamente, funções de distribuição multivariadas
elípticas, pelo que nos casos em que as variáveis não seguem este tipo de funções, a
utilização do coeficiente de correlação linear não será a mais adequada.
2.3.2. Medidas de Concordância: Tau de Kendall e Rho de Spearman
Em geral, a covariância não revela toda a informação da estrutura de dependência da
cópula, pelo que surgiram outros conceitos de dependência designados por correlações
de ordem, o tau de Kendall e o rho de Sperman, formando ambas uma medida de
dependência conhecida como concordância.
Um par de variáveis aleatórias diz-se concordante se valores elevados de uma dessas
variáveis estiverem tendencialmente associados a valores elevados da outra variável e,
da mesma forma, valores diminutos de uma associados a valores diminutos da outra.
Seja e um par de observações das variáveis aleatórias X e Y. O par de
observações diz-se concordante se e , ou se e e
discordantes se e , ou se e .
Em alternativa, e dizem-se concordantes se e
discordantes se .
Ao contrário do coeficiente de correlação linear, as medidas de concordância são
invariantes a transformações não lineares.
Tau de Kendall
O tau de Kendall ( ) corresponde à probabilidade de concordância entre duas variáveis
aleatórias subtraída da probabilidade de discordância dessas mesmas variáveis, tal como
pode ser consultado em Nelsen (1999).
21. Aplicação de Cópulas ao Ramo Vida
21
Sejam, n o número total de observações de cada variável aleatória, m o número de pares
distintos e de observações existentes na amostra, c o número de pares
concordantes e d o número de pares discordantes.
Então, o tau de Kendall da amostra é dado por
.
O tau de Kendall da população para um vector de variáveis aleatórias contínuas ,
com função de distribuição conjunta H, é dado por:
. (2.10)
De forma similar se define o tau de Kendall para duas variáveis aleatórias contínuas
e cópula :
. (2.11)
Como caso particular, o tau de Kendall para as cópulas Arquimedianas é dado por
. (2.12)
O tau de Kendall goza da propriedade de invariância sob transformações estritamente
monótonas e também é definido entre -1 e 1, em que -1 indica uma dependência perfeita
negativa e 1 uma dependência perfeita positiva.
Rho de Spearman
Sejam , e três vectores aleatórios independentes, com função de
distribuição conjunta H e cópula , o rho de Sperman, , é dado por:
. (2.13)
22. Aplicação de Cópulas ao Ramo Vida
22
De forma similar se define o rho de Spearman para duas variáveis aleatórias contínuas
e cópula :
. (2.14)
Refira-se a possibilidade de relacionar as diversas medidas de dependência entre si, na
cópula Gaussiana, através da seguinte expressão:
. (2.15)
No caso das cópulas Arquimedianas, as medidas de dependência podem ser obtidas
através dos parâmetros estimados: para a Gumbel, para a
Clayton e para a Frank.
2.3.3. Dependência de Cauda
Para além das medidas de dependência anteriormente explicadas, existem ainda as
dependências de cauda superior, , e inferior, , as quais se definem da seguinte
forma, respectivamente:
, (2.16)
. (2.17)
A dependência de cauda superior representa a associação da cauda existente no
quadrante superior direito e a dependência de cauda inferior representa a associação no
quadrante inferior esquerdo. Se ou , significa que não existe dependência
de cauda inferior e superior, respectivamente.
As dependências de cauda são determinadas a partir das diferentes famílias de cópulas,
através dos parâmetros estimados.
23. Aplicação de Cópulas ao Ramo Vida
23
A Tabela 2.1 apresenta as diversas medidas de dependência de cauda existentes para as
diferentes cópulas estudadas no presente trabalho.
Tabela 2.1 – Dependências de cauda
Cópula Cauda
Gaussiana
t-Student
Gumbel ;
Clayton
Frank
2.4.Métodos de Estimação dos Parâmetros de Cópulas
Nas distribuições paramétricas as cópulas podem ser estimadas através do método
Maximum Likelihood (ML), do método Inference Functions for Margins (IFM) e do
método Canonical Maximum Likelihood (CML).
2.4.1. Método ML
O método de máxima verosimilhança consiste em estimar simultaneamente os
parâmetros das funções de distribuição marginais e da função cópula.
Seja a função densidade de probabilidade da função de distribuição conjunta , dada
por:
, (2.18)
onde e correspondem às funções densidade das funções de distribuição marginais
e e à função densidade da cópula dada pela seguinte expressão:
(2.19)
24. Aplicação de Cópulas ao Ramo Vida
24
Suponha-se um conjunto de dados empíricos, , para as variáveis aleatórias e e seja
o espaço dos parâmetros a estimar, onde corresponde ao vector dos
parâmetros das funções de distribuição marginais e ao vector dos parâmetros da
cópula.
A função do logaritmo da verosimilhança, , é dada por:
. (2.20)
O estimador ML para , seja , é aquele que maximiza o argumento da função do
logaritmo da verosimilhança, isto é,
.
No entanto, o facto de estimar conjuntamente todos os parâmetros pode tornar o
estimador bastante complexo, principalmente no caso de funções de distribuição com
muitos parâmetros.
Refira-se ainda que o estimador ML é consistente e assintoticamente normal.
2.4.2. Método IFM
O método IFM consiste em estimar os parâmetros das funções de distribuição marginais
e da cópula em dois passos, os quais são os seguintes:
1. Estimação dos parâmetros das funções de distribuição marginais pelo método
ML, ou seja,
,
.
25. Aplicação de Cópulas ao Ramo Vida
25
2. Estimação do parâmetro da cópula, considerando a estimação efectuada aos
parâmetros das funções de distribuição marginais, ou seja,
.
O estimador IFM é igualmente consistente e assintoticamente normal, apresentando, no
entanto, uma menor eficiência face ao estimador ML. Isto decorre do facto de poderem
ocorrer erros de estimação ao utilizar dois passos, o que poderá originar uma
propagação dos mesmos. Contudo, os resultados não são muito diferentes na maioria
dos casos.
2.4.3. Método CML
O método CML baseia-se nas distribuições empíricas das funções de distribuição
marginais, não assumindo assim qualquer hipótese para os seus parâmetros. A
estimação dos parâmetros também é efectuada em dois passos como no método IFM:
1. Transformação dos dados em dados de realizações/observações de variáveis
aleatórias uniformes e , usando as funções de distribuição empíricas;
2. Estimação dos parâmetros da cópula através do método ML, ou seja,
2.4.4. Outros métodos de estimação
Para além da aplicação dos métodos ML, IFM e CML, existem ainda as seguintes
possibilidades de estimação: a estimação não-paramétrica, que consiste em utilizar
cópulas empíricas construídas a partir dos dados da amostra e a estimação baseada nas
medidas de dependência, a qual apenas é possível no caso de cópulas bivariadas com
26. Aplicação de Cópulas ao Ramo Vida
26
um parâmetro. Este último tipo de estimação consiste em recorrer às relações existentes
entre as medidas de dependência já descritas anteriormente e os parâmetros das cópulas.
Apesar da sua simplicidade, a aplicação deste método tem como grande desvantagem o
facto de negligenciar parte da informação disponível, apresentando resultados bastante
diferentes dependendo da medida de dependência utilizada.
2.5.Cópulas Condicionadas e Processos ARCH
No presente trabalho, cuja aplicação prática se descreve no capítulo seguinte, foram
aplicadas as chamadas cópulas condicionadas, que consistem numa combinação da
teoria de cópulas apresentada nos pontos anteriores e os processos de
heterocedasticidade condicional autorregressivos (ARCH) utilizados na modelação de
sucessões cronológicas ou séries temporais, de acordo com o descrito em
Murteira et al. (1993) e em Muller (1995).
Uma sucessão cronológica pode ser definida como uma trajectória particular, limitada
no tempo, de um processo estocástico, seja . As sucessões cronológicas são
normalmente constituídas por três componentes: tendência (inércia da sucessão),
sazonalizade (variações que se repetem, em torno da tendência, ao longo do período) e
ruído aleatório (movimentos irregulares de origem desconhecida).
O objectivo primordial na análise deste tipo de sucessões consiste na identificação e
estimação do modelo probabilístico que melhor se ajusta aos dados, de forma a permitir
prever o seu comportamento futuro.
Uma sucessão cronológica diz-se estacionária se apresentar uma tendência neutra, não
tiver movimentos estritamente periódicos (isto é, a variabilidade da série não pode ir
aumentando ou diminuindo ao longo do tempo) e se a variância se encontrar
27. Aplicação de Cópulas ao Ramo Vida
27
estabilizada ao longo do período de observação. Para eliminar estas componentes
recorre-se a transformações das sucessões, ou seja, a diferenciações simples para
eliminar a tendência e a diferenciações sazonais para eliminar o efeito da sazonalidade.
Dos processos estacionários existentes destacam-se o ruído branco, , os processos de
médias móveis (MA), os processos autoregressivos (AR) e os processos mistos
autoregressivos e de médias móveis (ARMA). Podem ainda existir sucessões
cronológicas com componentes sazonal e não sazonal, para as quais podem ser
definidos os processos mistos multiplicativos.
Ruído Branco
O processo , diz-se um ruído branco se para todo
. Adicionalmente, se o processo é tal que,
então o processo diz-se estacionário.
Processo de Médias Móveis
Seja um ruído branco estacionário, o processo diz-se um processo
de médias móveis de ordem , , se
, (2.21)
com para .
28. Aplicação de Cópulas ao Ramo Vida
28
Processo Autoregressivo
Seja um ruído branco estacionário, o processo diz-se um processo
autoregressivo de ordem , , se
, (2.22)
com para .
Processo Misto
Seja um ruído branco estacionário, o processo diz-se um processo
misto autoregressivo e de médias móveis de ordens e , , se
, (2.23)
com para .
Processo Misto Multiplicativo
Seja um ruído branco estacionário, o processo diz-se um processo
misto autoregressivo e de médias móveis de ordens e para a componente não
sazonal e de ordens e para a componente sazonal , , se
, (2.24)
com para , e
para .
A estacionaridade da sucessão bem como a identificação do tipo de processo a aplicar
pode ser verificada através da análise da função de autocorrelação (FAC), seja , e da
função de autocorrelação parcial (FACP).
29. Aplicação de Cópulas ao Ramo Vida
29
A FAC é dada por
. (2.25)
Considere-se o modelo de regressão linear múltipla de sobre dos seus valores
passados ,
. (2.26)
O coeficiente corresponde à FACP e dá uma medida da correlação entre e ,
conhecendo-se os respectivos valores intermédios, e trata-se de um ruído branco.
A Tabela 2.2 sintetiza a identificação dos diferentes processos estacionários através da
análise das funções FAC e FACP.
Tabela 2.2 – Identificação dos processos estacionários
AR MA ARMA
FAC
Decaimento exponencial e/ou
sinusoidal para zero
Decaimento brusco para zero a
partir da ordem do processo
Decaimento exponencial
e/ou sinusoidal para zero
FACP
Decaimento brusco para zero a
partir da ordem do processo
Decaimento exponencial e/ou
sinusoidal para zero
Decaimento exponencial
e/ou sinusoidal para zero
Segundo a teoria de Box-Jenkins, quando se obtém um ruído branco para os resíduos do
modelo significa que o ajustamento do modelo é bom. No entanto, a volatilidade desse
ruído branco poderá não ser constante ao longo do tempo. Esta é a situação típica da
análise de séries financeiras, as quais são normalmente modeladas pelos chamados
processos ARCH.
Processo de Heterocedasticidade Condicional Autorregressiva
Considere-se uma sequência de variáveis aleatórias independentes e identicamente
distribuídas (i.i.d.), seja , com média zero e variância unitária. Um processo , diz-se
30. Aplicação de Cópulas ao Ramo Vida
30
um processo de heterocedasticidade condicional autorregressiva de ordem , ,
se:
(2.27)
com , .
O processo é estacionário se e só se .
Os parâmetros podem ser estimados pelo método de máxima verosimilhança,
assumindo que os resíduos estandardizados, variáveis , são i.i.d. e seguem uma
distribuição Normal padrão, ou seja,
No presente trabalho as diferentes famílias de cópulas foram aplicadas aos resíduos
estandardizados de forma a analisar uma estrutura de dependência dos mesmos, pelo
que os métodos de estimação apresentados no ponto anterior podem ser aplicados, com
as devidas adaptações.
Seja uma função de distribuição conjunta condicionada por , com funções de
distribuição marginais e .
(2.28)
A função do logaritmo da verosimilhança condicionada é dada pela versão condicionada
do Teorema de Sklar.
(2.29)
31. Aplicação de Cópulas ao Ramo Vida
31
As conclusões retiradas quanto ao ajustamento do processo estacionário determinado no
capítulo que se segue, bem como quanto ao ajustamento das cópulas, basearam-se no
critério de informação de Akaike (1974), mais conhecido como critério AIC, o qual é
determinado da seguinte forma:
, (2.30)
onde representa o número de parâmetros da família de distribuição ajustada. Segundo
este critério, o modelo que melhor se ajusta aos dados será o que minimiza o
correspondente valor de AIC, uma vez que significa que é o modelo que terá uma menor
variância residual.
Por último, refira-se que, tendo em consideração o objectivo do presente trabalho, toda a
teoria apresentada anteriormente foi baseada no caso bivariado. No entanto, importa
realçar o facto de a mesma poder ser facilmente generalizada para o caso multi-
dimensional.
32. Aplicação de Cópulas ao Ramo Vida
32
3. Cópulas: aplicação prática
Neste capítulo pretende-se descrever a modelação de uma estrutura de dependência
entre as taxas de resgate e as taxas de juro através da teoria das cópulas de modo a
determinar o mais aproximadamente possível o comportamento futuro das mesmas.
Como referido na introdução do trabalho, a construção do modelo será efectuada através
dos seguintes passos:
1. Determinação, através da análise das séries empíricas das taxas de resgate e das
taxas de juro, das distribuições marginais que permitam modelar as respectivas
séries de forma univariada;
2. Escolha, com base na aplicação de diferentes famílias de cópulas existentes, da
cópula que melhor representa uma estrutura de dependência entre as séries;
3.1. Análise dos Dados
Os dados utilizados na análise correspondem ao histórico das taxas de resgate dos
seguros de capital diferido, comercializados pelas empresas de seguros com actividade
em Portugal, e das taxas de juro a 12 meses, ambas relativas ao período de Janeiro de
1998 a Setembro de 2009 (141 observações).
Os seguros de capital diferido caracterizam-se por garantir o pagamento imediato do
valor do capital constituído na conta poupança da pessoa segura se esta for viva na data
de vencimento do contrato ou em caso de falecimento antes da data de vencimento do
contrato. A maioria deste tipo de seguros caracteriza-se por garantir uma determinada
taxa de juro fixa, conferindo ainda o direito a uma participação nos resultados em
função das melhores rendibilidades obtidas com os activos que estão afectos a estes
33. Aplicação de Cópulas ao Ramo Vida
33
produtos. De referir ainda que em caso de resgate são, geralmente, cobradas
penalizações.
As taxas de resgate foram determinadas, para cada trimestre, pelo quociente entre os
montantes pagos relativos a resgates e a média das provisões matemáticas, cujos valores
foram trabalhados com base nos dados reportados pelas empresas de seguros ao
Instituto de Seguros de Portugal. Sobre esta matéria importa referir que uma vez que
apenas foi possível determinar taxas de resgate trimestrais, as taxas de resgate mensais
utilizadas foram obtidas por interpolação linear, através da seguinte forma:
,
em que representa o extremo inferior do intervalo de tempo considerado, representa
o extremo superior do intervalo de tempo considerado e representa um ponto
intermédio do intervalo .
A necessidade de obter dados mensais resulta do facto de um maior número de
observações melhorar o ajustamento.
O histórico das taxas de juro utilizadas foi retirado do sítio da internet do Banco Central
Europeu1
e corresponde às taxas de juro a 12 meses, por se tratar de taxas mais líquidas.
Refira-se que o programa utilizado na modelação das séries empíricas foi o Eviews,
pelo que todas as figuras utilizadas na análise das mesmas são as que resultam como
output do programa. Para a modelação das diferentes cópulas utilizadas foi utilizado o
programa Matlab, pelo que, do mesmo modo, as ilustrações e resultados apresentados
foram os que resultaram do próprio programa.
1
http://www.ecb.int/ecb/html/index.pt.html.
34. Aplicação de Cópulas ao Ramo Vida
34
A Figura 3.1 apresenta as séries históricas das taxas de resgate e das taxas de juro
utilizadas.
Figura 3.1 – Séries empíricas das taxas de resgate e das taxas de juro
Os dados encontram-se autocorrelacionados ao longo do tempo, sendo possível
visualizar na figura anterior a existência das componentes tendência, sazonalizade e
ruído aleatório, principalmente na série empírica das taxas de resgate. Atendendo à
existência destas componentes, o objectivo será transformar adequadamente as séries de
modo a eliminar estes efeitos, e, de seguida, identificar e estimar um modelo estocástico
linear que permita descrever as mesmas.
Para tal, recorreu-se à modelação Box-Jenkins, uma vez que tem em conta que uma
sucessão cronológica representa uma realização particular limitada no tempo de um
processo estocástico, tal como descrito em Murteira et al. (1993) e em Muller (1995).
De referir ainda que a modelação Box-Jenkins exige a estacionaridade dos processos.
A Tabela 3.1 sintetiza as estatísticas descritivas de cada uma das séries em análise bem
como o respectivo coeficiente de correlação linear, o qual evidencia uma relação de
dependência linear entre as taxas de resgate e as taxas de juro de aproximadamente 0,11.
35. Aplicação de Cópulas ao Ramo Vida
35
Tabela 3.1 – Estatísticas descritivas das séries empíricas
Taxas de Resgate Taxas de Juro
Média 0,023851 0,034381
Mediana 0,019141 0,034832
Máximo 0,071588 0,053932
Mínimo 0,009732 0,012610
Desvio-padrão 0,012987 0,010506
Correlação linear 0,107570
Considerando as estatísticas descritivas determinadas, verificou-se que ao longo do
período analisado a média das taxas de resgate foi de 2,39% e a média das taxas de juro
de 3,44%, tendo as taxas de resgate atingido o seu máximo nos 7,16%. Saliente-se que
este pico observou-se no período que decorreu em consequência da enorme crise dos
mercados financeiros (2008), altura em que as taxas de juro registaram igualmente os
seus maiores valores (5,39%).
A correlação de 0,11 não se revela muito significativa, facto que pode estar associado às
características do tipo de seguros em análise. Por exemplo, considere-se um seguro de
capital diferido com uma taxa técnica garantida de 3%, conferindo ainda o direito a uma
participação nos resultados se as taxas de rendibilidade dos activos afectos forem
superiores à taxa garantida. Se as taxas de juro de mercado estiverem nos 4% e a taxa de
rendibilidade dos activos for de 4,5%, então o beneficiário do seguro irá receber, além
da taxa garantida, uma percentagem da diferença (0,5%) como participação nos
resultados, pelo que apesar da taxa de juro ser superior à taxa garantida, não existiria
vantagem em efectuar o resgate do capital existente à data. Por outro lado, se a taxa de
rendibilidade for abaixo dos 4%, a penalização cobrada por resgate poderá continuar a
não ser compensatória.
36. Aplicação de Cópulas ao Ramo Vida
36
Importa, contudo, referir que considerando o histórico das taxas de resgate e das taxas
de juro para um período mais recente, entre Janeiro de 2003 a Setembro de 2009, a
correlação linear entre as taxas é de aproximadamente 0,37. De facto, observando
novamente a Figura 3.1, é possível visualizar uma alteração do comportamento das
séries naquele período, não se evidenciando, ainda assim, uma correlação muito
significativa entre as séries.
O ponto que se segue consiste em determinar os modelos aplicáveis às séries temporais,
descritos no capítulo anterior, de forma a obter as funções de distribuição marginais a
utilizar nas cópulas para cada uma das séries empíricas.
3.2. Modelação das séries empíricas
3.2.1. Taxas de Resgate
A Figura 3.2 representa a série histórica das taxas de resgate.
Figura 3.2 – Série empírica das taxas de resgate
Analisando o gráfico da série empírica, observa-se uma tendência crescente bem como
movimentos periódicos em torno da mesma, pelo que foi necessário efectuar uma
diferenciação simples e uma diferenciação sazonal de modo a estacionarizar a série de
dados. Pela teoria de Box-Jenkins para que uma sucessão seja estacionária tem de
apresentar uma tendência neutra, não apresentar movimentos estritamente periódicos e a
variância tem de se encontrar estabilizada ao longo do período de observação, facto que
37. Aplicação de Cópulas ao Ramo Vida
37
pode ser verificado através da análise das séries corrigidas apresentadas na Figura 3.3,
bem como da análise das suas funções de autocorrelação, seguidamente apresentadas na
Tabela 3.2.
Figura 3.3 – Série empírica das taxas de resgate com uma diferenciação simples e série empírica
com uma diferenciação sazonal
Tabela 3.2– Correlograma das funções FAC e FACP da série corrigida das taxas de resgate
Da análise efectuada a estas funções denota-se na FAC um corte brusco para zero a
partir do segundo desfasamento temporal bem como um ligeiro decaimento exponencial
para zero na FACP, ou seja, verifica-se a existência de correlação nos primeiros
38. Aplicação de Cópulas ao Ramo Vida
38
desfasamentos. Este comportamento, de acordo com a Tabela 2.2, é típico dos processos
de médias móveis de ordem 2, . Adicionalmente, apesar da reduzida evidência do
tipo de comportamento associado às funções de autocorrelação, observa-se a
necessidade de modelar os desfasamentos relativos à sazonalidade. Note-se que a FAC
sai fora das barras de significância nos desfasamentos 12 e 36.
O modelo de estimação será, então, do tipo , tendo sido
identificados vários modelos possíveis para a parte sazonal do processo, nomeadamente
e , ou seja, considerando na componente sazonal
quer um processo de médias móveis de primeira ordem quer um processo
autorregressivo de primeira ordem.
De seguida, procedeu-se à estimação dos parâmetros dos modelos identificados pelo
método ML, cujos resultados se apresentam na Tabela 3.3.
Tabela 3.3 – Resultados da estimação dos modelos ARMA
Modelo Estimativas Parâmetros Desvio-Padrão Estatística t Valor-p AIC
ARMA(0,2)(0,1)12
0.261882 0.055632 4.707422 0.0000
-10.173170.781188 0.056545 13.81526 0.0000
-0.286343 0.093998 -3.046266 0.0028
ARMA(0,2)(1,0)12
-0.415751 0.109426 -3.799395 0.0002
-10.196240.330770 0.054914 6.023451 0.0000
0.829113 0.050682 16.35912 0.0000
Para avaliar a qualidade estatística do modelo estimado verificou-se a estacionaridade
do mesmo, observando se os parâmetros estimados se encontravam na vizinhança das
regiões de não estacionaridade, ou seja, os parâmetros têm de ser, em módulo, inferiores
a 1. Além disso, testou-se a significância estatística dos parâmetros estimados,
procedendo-se à realização do teste t, definido de seguida.
39. Aplicação de Cópulas ao Ramo Vida
39
Seja o parâmetro estimado e a respectiva variância empírica, a estatística teste
é dada por e o parâmetro diz-se estatisticamente nulo, com um nível de
significância de 5%, se .
Uma vez que foram estimados vários modelos que satisfaziam as condições anteriores, a
escolha do melhor modelo foi efectuada pelo critério AIC já definido anteriormente.
Verificou-se, assim, quer através da significância estatística dos parâmetros estimados,
com um nível de significância de 5%, quer do critério AIC, que o modelo que melhor se
ajusta à série corrigida é o . Trata-se de um processo misto
multiplicativo com um para a parte não sazonal e um para a parte
sazonal, cuja expressão algébrica, de acordo com a fórmula (2.4), é a seguinte:
.
De seguida foi necessário analisar os resíduos de forma a testar a qualidade de
adequação do modelo à série empírica corrigida, o que pode ser efectuado através da
análise do comportamento das funções de autocorrelação dos mesmos, as quais se
apresentam na Tabela 3.4. Para que se esteja perante um bom ajustamento do modelo,
os resíduos deverão comportar-se como uma realização de um processo de ruído branco.
Tabela 3.4– Correlograma das funções FAC e FACP dos resíduos
40. Aplicação de Cópulas ao Ramo Vida
40
De acordo com o teste individual de Kendal & Stuart definido em Murteira et al. (1993),
os autores demonstraram, para uma sucessão de variáveis aleatórias i.i.d., o seguinte
resultado assintótico,
.
Podendo estabelecer-se uma região de confiança ao nível de 5% dada por
.
Se todos os valores da FAC estiverem compreendidos nesta região serão considerados
estatisticamente nulos, aceitando-se a hipótese de que os resíduos têm um
comportamento semelhante ao de um ruído branco.
De facto, observando o comportamento das funções de autocorrelação dos resíduos do
modelo determinado, verifica-se a inexistência de desfasamentos temporais por
modelar, uma vez que os valores da FAC estão todos dentro das barras de significância,
pelo que se aceita a hipótese de ruído branco para os resíduos do modelo estimado.
Adicionalmente, realizou-se o teste de nulidade conjunta dos valores da FAC através do
teste Box e Pierce, igualmente definido em Murteira et al. (1993), cuja estatística teste é
dada por
,
em que representa a ordem das diferenciações simples efectuadas e o número de
desfasamentos temporais considerados.
Os autores demonstraram que a estatística converge para um com graus
de liberdade. Considerando um nível de significância de 5%, se rejeita-se
a hipótese de ruído branco para os resíduos.
41. Aplicação de Cópulas ao Ramo Vida
41
Tabela 3.5 – Resultados do teste Box & Pierce
Teste Box & Pierce
Estatística Q 5,1163
18,3070
Valor-p 0,824
Como , considerando um nível de significância de 5%, então aceita-se a
hipótese de nulidade conjunta, isto é, os resíduos do modelo são um ruído branco.
Note-se que o valor-p é bastante superior a 5%.
No entanto, todos os modelos aplicados anteriormente assumem uma variância residual
constante ao longo do tempo (homocedasticidade), facto que poderá não ser verdade,
uma vez que muitas séries temporais evidenciam períodos de grande volatilidade
seguidos de períodos de pequena volatilidade. Assim sendo, foi ainda necessário
verificar se existia algum efeito de heterocedasticidade, recorrendo-se, assim, aos
processos de tipo ARCH definidos no capítulo anterior.
De acordo com o definido em Ehlers (2007) e em Muller (1995), a característica chave
dos modelos ARCH é que a variância condicional dos resíduos comporta-se como um
processo autorregressivo. Se os resíduos do modelo forem um processo ARCH então o
quadrado dos resíduos admite uma representação autoregressiva, facto que pode ser
analisado através do correlograma das funções de autocorrelação do quadrado dos
resíduos apresentado na Tabela 3.6.
Tabela 3.6 - Correlograma da função FAC e FACP do quadrado dos resíduos
42. Aplicação de Cópulas ao Ramo Vida
42
Analisando o correlograma do quadrado dos resíduos, verifica-se a existência de efeitos
heterocedásticos, uma vez que existem alguns desfasamentos temporais por modelar.
Uma vez que o comportamento das funções de autocorrelação não se revela evidente, ou
seja, não se observa um corte brusco para zero na FACP, efectuaram-se várias tentativas
de modelação dos desfasamentos, tendo-se verificado um melhor ajustamento através de
um processo para os resíduos, quer em termos de significância estatística dos
parâmetros estimados quer ao nível do critério AIC.
A ordem do processo ARCH pode ser confirmada através do teste ARCH-LM definido
em Muller (1995), o qual considera a seguinte hipótese nula:
.
em que representa a ordem do processo.
A estatística teste é dada por que se demonstra ter assintoticamente a distribuição
de um com graus de liberdade, onde representa o coeficiente de determinação
da regressão e o número de observações.
Considerando , os resultados do teste ARCH-LM são os seguintes:
Tabela 3.7 – Resultados do teste ARCH-LM
Teste ARCH-LM
Estatística teste 9,501461
5,99
Valor-p 0,008645
Como , considerando um nível de significância de 5%, então
rejeita-se a hipótese nula, isto é, existe efeito ARCH por modelar.
43. Aplicação de Cópulas ao Ramo Vida
43
Após a identificação da ordem do processo, procedeu-se à estimação dos parâmetros do
modelo ARMA que melhor se ajustou à série corrigida das taxas de resgate, assumindo
um processo de tipo ARCH para os resíduos do modelo. A estimação foi efectuada
através do método ML, assumindo que os resíduos estandardizados seguiam uma
distribuição normal. A Tabela 3.8 apresenta os resultados da estimação.
Tabela 3.8 – Resultados da estimação do modelo ARMA(0,2)(1,0)12-ARCH(2)
Modelo Estimativas Parâmetros Desvio-Padrão Estatística t Valor-p AIC
ARMA(0,2)(1,0)12
ARCH(2)
-0.148006 0.065370 -2.264117 0.0236
-10.25091
0.396355 0.171224 2.314840 0.0206
0.607060 0.148980 4.074777 0.0000
0.000001 0.000000 7.496368 0.0000
0.102349 0.084137 1.216447 0.2238
0.342765 0.166150 2.062988 0.0391
A expressão algébrica para o modelo da série corrigida das taxas de resgate, seja , é
então a seguinte:
A variável segue uma distribuição Normal padrão e os parâmetros , são
superiores a zero. Além disso, como a soma dos parâmetros do processo é inferior a 1
significa que o modelo é estacionário.
Considerando o teste t, verifica-se a significância estatística dos parâmetros estimados,
considerando um nível de significância de 5%, à excepção do parâmetro
correspondente à primeira ordem do processo ARCH.
44. Aplicação de Cópulas ao Ramo Vida
44
Relativamente ao valor do AIC, observa-se uma melhoria do modelo ARMA-ARCH
face ao modelo ARMA, uma vez que o valor do AIC reduziu de -10,196 para -10,251.
Para aferir da adequabilidade do modelo efectuou-se novamente o teste ARCH-LM
considerando a seguinte hipótese nula:
.
Os resultados do teste foram os seguintes:
Tabela 3.9 - Resultados do teste ARCH-LM
Teste ARCH-LM
Estatística teste 1,477082
5,99
Valor-p 0,477810
Como , considerando um nível de significância de 5%, então
aceita-se a hipótese nula, isto é, não existe efeito ARCH por modelar. Note-se que o
valor-p é superior a 5%.
Analisando novamente os correlogramas das funções FAC e FACP dos resíduos e do
quadrado dos resíduos, apresentado na Tabela 3.10, verifica-se a inexistência de
desfasamentos por modelar, apesar do correlograma dos resíduos ao quadrado
evidenciar efeitos heterocedásticos no desfasamento 12. No entanto, considerando um
processo para tentar corrigir este efeito a estimação do modelo piora
significativamente e os parâmetros deixam mesmo de ser significativos. Considerou-se,
assim, o como sendo o melhor modelo ajustável aos resíduos do modelo
.
45. Aplicação de Cópulas ao Ramo Vida
45
Tabela 3.10 – Correlogramas da FAC e da FACP dos resíduos e do seu quadrado
3.2.2. Taxas de Juro
A modelação da série dos dados relativos às taxas de juro baseou-se na mesma análise
efectuada às taxas de resgate, quer ao nível da identificação do modelo, quer
relativamente à estimação e avaliação da qualidade de ajustamento do mesmo, pelo que
a análise efectuada será apresentada de uma forma mais sucinta.
A Figura 3.4 apresenta a série histórica das taxas de juro.
Figura 3.4 - Série empírica das taxas de juro
De forma a estabilizar a série empírica efectuou-se uma diferenciação simples (Figura
3.5) e analisou-se o respectivo correlograma das funções de autocorrelação FAC e
FACP (Tabela 3.11).
46. Aplicação de Cópulas ao Ramo Vida
46
Figura 3.5 - Série empírica das taxas de juro com uma diferenciação simples
Tabela 3.11– Correlograma das funções FAC e FACP da série corrigida das taxas de juro
Da análise efectuada a estas funções denota-se um corte brusco para zero a partir do
primeiro desfasamento na FACP, bem como um ligeiro decaimento exponencial para
zero na FAC. De acordo com o definido na Tabela 2.2 do capítulo anterior, este é um
comportamento típico dos modelos autorregressivos de ordem 1.
Paralelamente, não é evidenciada a necessidade de modelar os desfasamentos relativos à
sazonalidade (note-se que as funções FAC e FACP encontram-se dentro das barras de
significância no desfasamento 12).
O modelo de ajustamento considerado foi, assim, um , cujos resultados da
estimação efectuada pelo método ML se apresentam na Tabela 3.12.
Tabela 3.12 – Resultados da estimação do modelo ARMA(1,0)
Modelo Estimativas Parâmetros Desvio-Padrão Estatística t Valor-p AIC
ARMA(1,0) 0.669937 0.063228 10.59559 0.0000 -10.15202
47. Aplicação de Cópulas ao Ramo Vida
47
O parâmetro autorregressivo é estatisticamente significativo (valor-p nulo) e inferior
a 1, o que evidencia a estacionaridade do modelo. O valor do AIC foi de -10,152.
Tendo em consideração o facto de os resíduos do modelo serem já um ruído branco, foi
necessário proceder à verificação da existência de algum efeito de heterocedasticidade,
pelo que se procedeu à análise dos correlogramas das funções de autocorrelação dos
resíduos e do quadrado dos resíduos apresentados na Tabela 3.13.
Tabela 3.13– Correlogramas da FAC e da FACP dos resíduos e do seu quadrado
Analisando o correlograma do quadrado dos resíduos, verifica-se um ligeiro efeito de
heterocedasticidade no desfasamento 10, pelo que se tentou corrigir este efeito através
de um processo ARCH de ordem 10. No entanto, os parâmetros do processo não eram
estatisticamente significativos. Deste modo, foram realizadas diversas tentativas,
verificando-se uma melhoria do critério AIC quando considerado um .
Assim sendo, o melhor modelo de estimação encontrado para a série corrigida das taxas
de juro, seja , foi o modelo com resíduos do tipo e cuja
expressão algébrica é a seguinte:
48. Aplicação de Cópulas ao Ramo Vida
48
Os resultados da estimação do modelo apresentam-se na Tabela 3.14.
Tabela 3.14 – Resultados da estimação do modelo ARMA(1,0)- ARCH(2)
Modelo Estimativas Parâmetros Desvio-Padrão Estatística t Valor-p AIC
ARMA(0,1)
ARCH(2)
0.659070 0.091444 7.207376 0.0000
-10.15963
0.000002 0.000000 6.797425 0.0000
0.243052 0.084137 2.694297 0.0071
0.056535 0.166150 0.675230 0.4995
Para aferir da adequabilidade do modelo analisou-se novamente o correlograma dos
resíduos e do quadrado dos resíduos, verificando-se a inexistência de desfasamentos por
modelar, o que foi igualmente corroborado pelo teste ARCH-LM.
Tabela 3.15– Correlogramas da FAC e da FACP dos resíduos e do seu quadrado
Tabela 3.16 – Resultados do teste ARCH-LM
Teste ARCH-LM
Estatística teste 0,022500
5,99
Valor-p 0,988813
Como , considerando um nível de significância de 5%, então
aceita-se a hipótese nula, isto é, não existe efeito ARCH por modelar. Note-se que o
valor-p é superior a 5%.
49. Aplicação de Cópulas ao Ramo Vida
49
3.3. Funções de Distribuição Marginais
Na secção anterior identificaram-se e estimaram-se, pelo método de máxima
verosimilhança, os modelos ARMA-ARCH que melhor se ajustaram às séries corrigidas
das taxas de resgate e das taxas de juro, assumindo que os resíduos estandardizados
seguiam uma distribuição Normal padrão2
, ou seja,
.
A representação gráfica bem como algumas estatísticas descritivas dos modelos
encontrados apresentam-se na Figura 3.6 e na Tabela 3.17.
Figura 3.6 – Ajustamentos ARMA-ARCH das séries corrigidas
Tabela 3.17 – Estatísticas descritivas das séries ajustadas
Estatísticas Descritivas ARMA(0,2)(2,0)-ARCH(2) ARMA(1,0)-ARCH(2)
Média -0,000039 -0,000143
Mediana 0,000004 0,000098
Máximo 0.002963 0.003190
Mínimo -0.004512 -0.005921
Desvio-padrão 0.001103 0.001379
Correlação linear 0,096729
2
Refira-se, por último, que foi igualmente estimado o mesmo modelo, mas assumindo uma distribuição
t-Student para os resíduos estandardizados, tendo-se, no entanto, obtido um pior ajustamento (quer em
termos de significância estatística dos parâmetros, quer ao nível do critério AIC).
50. Aplicação de Cópulas ao Ramo Vida
50
De referir que após o ajustamento das séries empíricas das taxas de resgate e das taxas
de juro, o coeficiente de correlação linear diminuiu ligeiramente de 0,108 para 0,097,
em consequência dos ajustamentos realizados, necessários à estacionarização das séries.
A partir da estimação dos modelos ARMA-ARCH, e tendo em consideração a metodologia
apresentada em Dias (2004), em Huang et al. (2009) e em Palaro et al. (2006), foram
extraídos os resíduos estandardizados de cada uma das séries em análise, de forma a
analisar a sua estrutura de dependência. Estas serão as distribuições marginais a utilizar
como input nas diferentes famílias de cópulas a estimar.
A Figura 3.7 representa as funções de distribuição dos resíduos estandardizados das
séries corrigidas das taxas de resgate e das taxas de juro, respectivamente, e a Tabela
3.18, as estatísticas descritivas das mesmas. Note-se que o coeficiente de correlação
linear entre os resíduos estandardizados é de 0,023, tendo diminuído substancialmente
face à correlação inicial existente (0,11).
Figura 3.7 – Funções de distribuição marginais dos resíduos estandardizados das séries corrigidas
das taxas de resgate e das taxas de juro
51. Aplicação de Cópulas ao Ramo Vida
51
Tabela 3.18 – Estatísticas descritivas dos resíduos estandardizados
Estatísticas Descritivas
Resíduos Estandardizados
Taxas de Resgate Taxas de Juro
Média -0.032189 -0.032949
Mediana 0.007732 0.079980
Máximo 2.870860 3.316146
Mínimo -4.128999 -5.203030
Desvio-padrão 1.020081 1.016927
Correlação linear 0,022623
A Figura 3.8 apresenta a série bivariada dos resíduos estandardizados, evidenciando a
dependência positiva existente.
Figura 3.8 – Série bivariada dos resíduos estandardizados das séries corrigidas
Dadas as funções de distribuição marginais, procedeu-se à transformação das mesmas
em distribuições uniformes entre 0 e 1, de forma a determinar uma estrutura de
dependência dos resíduos estandardizados através da utilização de cópulas,
transformação essa que se apresenta na Figura 3.9.
52. Aplicação de Cópulas ao Ramo Vida
52
Figura 3.9 - Série bivariada da transformação dos resíduos estandardizados
3.4. Estrutura de dependência: ajustamento de Cópula
Considerando os resíduos estandardizados das séries ajustadas das taxas de resgate e das
taxas de juro, determinaram-se as cópulas elípticas Gaussiana e t-Student e as
Arquimedianas Clayton, Frank e Gumbel.
A estimação dos parâmetros das cópulas foi efectuada através do método CML definido
no capítulo anterior, cujos resultados se apresentam na Tabela 3.19. Este método de
estimação é efectuado em dois passos, ou seja, transforma os resíduos estandardizados
em dados de realizações/observações de variáveis aleatórias uniformes e estima os
parâmetros da cópula através do método ML.3
Na mesma tabela são igualmente apresentadas as medidas de dependência estudadas, o
tau de Kendall, o rho de Spearman e as dependências de cauda, bem como o valor do
AIC para cada cópula estimada.
3
Foi ainda aplicado o método IFM, que consistiu em transformar os resíduos estandardizados através da
função de distribuição Normal, no entanto, obteve-se um pior ajustamento.
53. Aplicação de Cópulas ao Ramo Vida
53
Tabela 3.19 – Resultados da estimação das cópulas Gaussiana, t-Student, Gumbel, Clayton e Frank
Resultados da Estimação AIC
Cópulas
Elípticas
Gaussiana - 0,0494 0,0314 0,0471 - - 1,7196
t-Student 17 0,0169 0,0394 0,0591 0,0009 0,0009 1,3945
Cópulas
Arquimedianas
Gumbel - 1,0426 0,0409 0,0614 0,0558 - 1,5729
Clayton - 0,0561 0,0273 0,0093 - 0,000004 1,7754
Frank - 0,5054 0,0560 0,0839 - - 1,3164
Conforme evidencia a tabela supra, a cópula que melhor se ajusta à estrutura de
dependência entre os dados é a cópula Frank, uma vez que é a que apresenta o menor
valor de AIC. De facto, considerando os resultados estimados, observa-se que a cópula
Frank é a que determina uma maior dependência não linear entre os resíduos
estandardizados das séries (0,056 para o tau de Kendall e 0,084 para o rho de
Spearman).
A dependência não linear revelou-se, assim, ligeiramente superior à correlação linear
obtida entre os resíduos estandardizados, para qualquer uma das cópulas consideradas.
No caso particular da cópula Frank, essa dependência aproximou-se mais da correlação
linear obtida entre as séries ajustadas (comparando com a Tabela 3.17), revelando-se,
ainda assim, ligeiramente inferior. A dependência das caudas é praticamente nula em
qualquer uma das cópulas, à excepção da cópula Gumbel.
As funções de densidade de distribuição das cópulas estimadas representam-se nas
ilustrações seguintes bem como os respectivos diagramas das curvas de nível.
54. Aplicação de Cópulas ao Ramo Vida
54
Figura 3.10 – Funções de densidade de distribuição das cópulas elípticas, Gaussiana e t-Student, e
respectivos diagramas das curvas de nível
Figura 3.11 - Funções de densidade de distribuição das cópulas Arquimedianas, Gumbel, Clayton e
Frank, e respectivos diagramas das curvas de nível
Toda a metodologia apresentada foi igualmente aplicada para o período que decorreu
entre Janeiro de 2003 e Setembro de 2009, atendendo ao facto de o coeficiente de
correlação linear ter evidenciado, à partida, uma correlação bastante superior (0,37).
55. Aplicação de Cópulas ao Ramo Vida
55
Após a aplicação das cópulas aos resíduos estandardizados, os resultados da estimação
obtidos para as dependências não lineares foram os que se apresentam na Tabela 3.20.
Tabela 3.20 - Resultados da estimação das cópulas Gaussiana, t-Student, Gumbel, Clayton e Frank,
considerando o período de Janeiro de 2003 a Setembro de 2009
Resultados da Estimação AIC
Cópulas
Elípticas
Gaussiana - 0,1474 0,0942 0,1409 - - 0,5067
t-Student 5 0,2075 0,1330 0,1985 0,0908 0,0908 -1,3104
Cópulas
Arquimedianas
Gumbel - 1,1409 0,1235 0,1834 0,1641 - -0,2374
Clayton - 0,1394 0,0652 0,0232 - 0,0069 1,4399
Frank - 1,5358 0,1668 0,2483 - - -1,3768
A cópula Frank foi novamente a que revelou um melhor ajustamento, observando-se
valores de dependência não lineares ligeiramente inferiores ao coeficiente de correlação
linear das séries empíricas.
56. Aplicação de Cópulas ao Ramo Vida
56
4. Notas Finais
O presente trabalho de projecto teve como principal objectivo determinar uma estrutura
de dependência entre as taxas de resgate dos seguros de capital diferido,
comercializados pelas empresas de seguros que operam no mercado segurador
português, e as taxas de juro, através da aplicação de cópulas condicionadas.
Para tal foi aplicada uma metodologia já desenvolvida na literatura, que consiste numa
modelação em dois passos: determinar, através da análise dos dados históricos das taxas
de resgate e das taxas de juro, as distribuições marginais que permitem modelar as
respectivas séries de forma univariada através de processos ARMA-ARCH e,
posteriormente, com base nos resíduos estandardizados dessas distribuições, determinar,
por aplicação de diferentes famílias de cópulas existentes, a cópula que melhor
representa uma estrutura de dependência entre as séries. Esta metodologia pode ser
consultada em Dias (2004), em Huang et al. (2009) e em Palaro et al. (2006).
Os resultados obtidos com a aplicação referida sugerem uma dependência entre as taxas
de resgate e as taxas de juro mais baixa do que se esperaria. No entanto, essa mesma
dependência poderá não ser estranha atendendo às características dos seguros de capital
diferido comercializados no mercado segurador português.
A falta de conhecimento dos subscritores relativamente aos produtos comercializados,
por um lado, e a existência, na maioria dos produtos, de penalizações por resgate, por
outro, poderão ser factores explicativos deste fenómeno. Além disso, estes produtos
têm, muitas vezes, uma taxa técnica garantida, conferindo ainda o direito a uma
participação nos resultados em função das taxas de rendibilidade dos activos afectos aos
produtos.
57. Aplicação de Cópulas ao Ramo Vida
57
Adicionalmente, observa-se igualmente no mercado segurador, por estratégia comercial
da empresa de seguros, o resgate do valor constituído da conta poupança de um
determinado seguro para investir noutro seguro do mesmo tipo, o que na essência acaba
por se tratar de uma simples transferência de contratos.
Não obstante as justificações anteriores apresentadas, a aplicação da metodologia
revelou dependências não lineares inferiores às correlações lineares iniciais, quer
considerando todo o histórico de dados existente, quer considerando o período de
Janeiro de 2003 a Setembro de 2009, período no qual se observou uma alteração do
comportamento das séries de dados. Este facto pode estar associado aos ajustamentos
efectuados para a estacionarização das séries bem como à utilização dos resíduos
estandardizados dos processos ARMA-ARCH de forma a aplicar as cópulas elípticas
Gaussiana e t-Student e as cópulas Arquimedianas, Gumbel, Clayton e Frank, uma vez
que como existem desfasamentos temporais entre a alteração das taxas de juro e o seu
impacto imediato na realização dos resgates, os ajustamentos podem retirar alguma
parte da dependência existente.
De facto, os casos práticos conhecidos com a aplicação da metodologia apresentada no
presente trabalho utilizam séries de dados com um número de observações muito
significativo, sendo, na sua maioria, dados referentes às variações dos preços de fecho
de determinados índices bolsistas, pelo que existe uma maior sincronização nos dados.
Em suma, apesar dos resultados obtidos no presente trabalho com a aplicação das
cópulas não evidenciarem uma estrutura de dependência não linear muito diferente da
correlação linear, a metodologia estudada deverá ser aplicada com algum cuidado, uma
vez que poderá não ser a mais adequada para séries com determinado tipo de
comportamento.
58. Aplicação de Cópulas ao Ramo Vida
58
Bibliografia
Akaike, H. (1974), A new look at the statistical model identification, IEEE Transactions
on Automatic Control 19 (6), 716–723
Denuit M., Dhaene J., Goovaerts M. and Kaas R. (2005), Actuarial Theory for
Dependent Risks – Measures, Orders and Models, Wiley.
Dias, A. (2004), Copula Inference for Finance and Insurance, Doctoral Thesis.
Ehlers, R. S. (2007), Análise de Séries Temporais, 4.ª edição publicada.
Embrechts, P. (2009), Copulas: A personal view, Department of Mathematics, ETH
Zurich, Switzerland.
Embrechts, P., McNeil, A. and Straumann, D. (1999), Correlation: Pitfalls and
Alternatives, Department of Mathematics, ETH Zurich.
Embrechts, P., McNeil, A. and Straumann, D. (1999), Correlation and dependence in
risk management: properties and pitfalls, Department of Mathematics, ETH Zurich.
Huang, J., Lee, K., Liang, H. and Lin, W. (2009), Estimating value at risk of portfolio
by conditional copula-GARCH method, Insurance: Mathematics and Economics, Vol.
45, pg. 315-324.
Muller, D. (1995), Sucessões Cronológicas e Previsão, ISEG, Lisboa.
Murteira, B. J. F., Muller, D.A. e Turkman, K. F. (1993), Análise de Sucessões
Cronológicas, McGraw-Hill, Lisboa.
Nelsen, R. B. (1999), An Introduction to Copulas, Lecture Notes in Statistics No 139,
Springer-Verlag, New York.
Palaro, H. P. and Hotta, L. K. (2006), Using Conditional Copula to Estimate Value at
Risk, Journal of Data Science, Vol. 4, 93-115.
Romano, C. (2002), Calibrating and Simulating Copula Functions: an application to the
Italian Stock Market, Working Paper, Rome.
Sklar, A. (1959), Fonctions de répartition à n dimensions et leurs marges, Publications
de l'Institut de Statistique de L'Université de Paris 8, 229-231.