💰 quantitative finance

Modeling dependency between operational risk losses and macroeconomic variables using Hidden Markov Models

Este artigo propõe uma extensão dos Modelos Ocultos de Markov para prever perdas de risco operacional e analisar sua dependência de variáveis macroeconômicas, detalhando a calibração do modelo via algoritmo EM e a relevância da inclusão de covariáveis econômicas.

Autores originais: Nikeethan Selvaratnam, Dorinel Bastide, Clément Fernandes, Wojciech Pieczynski

Publicado 2026-04-24

📖 4 min de leitura☕ Leitura rápida

CC0 1.0

Autores originais: Nikeethan Selvaratnam, Dorinel Bastide, Clément Fernandes, Wojciech Pieczynski

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o capitão de um grande navio (um banco) navegando em um oceano cheio de tempestades. O seu maior medo não é apenas a chuva, mas os "monstros do mar" que podem afundar o navio sem aviso prévio. No mundo dos bancos, esses monstros são chamados de Riscos Operacionais: fraudes de funcionários, falhas de computadores, erros de processos ou ataques cibernéticos.

O problema é que esses monstros não aparecem de forma aleatória e constante. Às vezes, o mar está calmo e só há pequenos peixes (pequenas perdas). Outras vezes, uma tempestade perfeita se forma e surgem gigantes (grandes perdas).

Os modelos antigos de bancos funcionavam como um relógio de sol: eles assumiam que o sol (o risco) se movia sempre na mesma velocidade, independentemente de estar chovendo ou fazendo sol. Isso funcionava bem em dias normais, mas falhava miseravelmente quando a tempestade chegava, subestimando o perigo.

A Nova Solução: O "Detetive de Regiões" (Modelos de Markov Ocultos)

Os autores deste artigo propõem uma nova ferramenta: um Detetive de Regiões chamado Modelo de Markov Oculto (HMM).

Em vez de olhar apenas para o passado e achar que o futuro será igual, esse detetive percebe que o oceano tem regiões diferentes:

Região de Águas Calmas: Onde os erros são raros e pequenos.
Região de Tempestade: Onde os erros são frequentes e devastadores.

O "segredo" é que o banco não consegue ver diretamente qual região está navegando agora (daí o nome "Oculto"). O detetive precisa inferir isso observando as ondas (os dados de perdas).

O Grande Truque: Usando o "Barômetro" (Variáveis Macroeconômicas)

Aqui entra a inovação principal do artigo. O detetive tradicional olha apenas para as ondas do mar (as perdas passadas). Mas os autores dizem: "E se usarmos também o barômetro?"

O barômetro neste caso é um indicador de volatilidade do mercado (o VSTOXX), que mede o medo e a incerteza dos investidores.

A Analogia: Imagine que você está tentando prever se vai chover. Você pode olhar para o céu (dados de perdas), mas se você também olhar para a pressão atmosférica caindo (indicador econômico), sua previsão fica muito mais precisa.

O modelo proposto conecta o medo no mercado financeiro com a probabilidade de erros internos no banco. A ideia é que, quando o mercado está nervoso (alta volatilidade), os funcionários podem ficar mais estressados, cometer mais erros ou até tentar fraudes para esconder prejuízos, mudando o banco da "Região de Águas Calmas" para a "Região de Tempestade".

O Experimento: O que eles descobriram?

Os pesquisadores testaram essa ideia em diferentes tipos de "monstros" (categorias de risco):

Fraudes Internas (O Monstro Sensível):
- Para fraudes cometidas por funcionários, o modelo com o "barômetro" funcionou maravilhosamente.
- Por que? Quando o mercado está em crise, a pressão aumenta, e a chance de alguém tentar um golpe interno aumenta. O modelo conseguiu prever melhor quando essas tempestades iam acontecer, ajustando o alerta de risco.
- Analogia: É como saber que, quando a pressão no trabalho aumenta (mercado ruim), o funcionário estressado é mais propenso a quebrar um vaso (cometer fraude).
Falhas de Sistema ou Danos Físicos (Os Monstros Indiferentes):
- Para coisas como um servidor cair ou um incêndio, o "barômetro" não ajudou muito.
- Por que? Um servidor não cai porque o mercado está nervoso; ele cai porque é velho ou mal configurado. Um incêndio não depende da bolsa de valores.
- Analogia: Não adianta olhar para a pressão atmosférica para prever se um pneu de carro vai furar. O pneu fura por causa do asfalto, não do clima.

A Lição Principal

O artigo nos ensina que nem todo risco reage da mesma forma ao mundo exterior.

Antes: Os bancos usavam um modelo único para tudo, como se todos os riscos fossem iguais.
Agora: Eles podem usar um modelo inteligente que "ouve" o mercado. Se o mercado está tenso, o modelo avisa: "Ei, cuidado! A probabilidade de fraudes internas subiu, vamos nos preparar!".

Isso é crucial para os Testes de Estresse (simulações de crise). Em vez de apenas imaginar um cenário de desastre, o banco pode usar modelos que reagem dinamicamente às condições econômicas reais, tornando-os mais resilientes e menos propensos a ser pegos de surpresa quando a tempestade realmente chegar.

Resumo em uma frase: O artigo mostra que, para prever certos tipos de erros bancários (como fraudes), é essencial olhar não apenas para o histórico do banco, mas também para o "humor" do mercado financeiro, usando um modelo matemático que detecta quando o clima está prestes a mudar.

Resumo Técnico: Modelagem de Dependência entre Perdas de Risco Operacional e Variáveis Macroeconômicas usando Modelos Ocultos de Markov

1. O Problema

O gerenciamento de Risco Operacional (RO) enfrenta desafios significativos devido à heterogeneidade e à dependência temporal dos dados reais. As abordagens tradicionais, como a Abordagem de Distribuição de Perdas (LDA) baseada em Processos de Poisson Compostos (CPP), assumem frequentemente que os eventos ocorrem de forma independente e com intensidade constante (propriedade de falta de memória). No entanto, na prática:

Os eventos de risco operacional exibem dependência temporal e agrupamento (clustering), especialmente durante crises.
Existem mudanças de regime (ex: períodos normais vs. períodos de estresse financeiro) que alteram a distribuição das perdas.
As abordagens estáticas falham em capturar a relação dinâmica entre as perdas operacionais e variáveis macroeconômicas (como volatilidade de mercado), o que é crucial para testes de estresse regulatórios (ex: CCAR, EBA) e para a estimativa de capital econômico.

O objetivo do artigo é desenvolver um modelo que capture essas dependências temporais e a influência de covariáveis macroeconômicas sobre a distribuição de perdas.

2. Metodologia

Os autores propõem uma extensão do Modelo Oculto de Markov (HMM) para observações multivariadas, integrando variáveis macroeconômicas diretamente no processo de observação.

Estrutura do Modelo:
- Estado Oculto ( $X_n$ ): Uma cadeia de Markov discreta com $K$ estados (regimes), representando diferentes ambientes de risco (ex: regime de baixa perda vs. regime de alta perda).
- Observações ( $Y_n$ ): Um vetor bidimensional $(Y^1_n, Y^2_n)$ $(Y_{n}^{1}, Y_{n}^{2})$ que segue uma distribuição Gaussiana condicional ao estado oculto:
  - $Y^1_n$ : Uma covariável macroeconômica (neste estudo, o índice de volatilidade VSTOXX, derivado do EURO STOXX 50).
  - $Y^2_n$ : A variável de perda operacional.
- Dependência: A dependência entre as perdas e a macroeconomia é modelada através da estrutura latente de Markov, que governa simultaneamente a dinâmica de ambas as variáveis.
Algoritmos de Calibração:
- O modelo é calibrado utilizando o algoritmo Expectation-Maximization (EM), conhecido como algoritmo Baum-Welch no contexto de HMMs.
- Utiliza-se o algoritmo Forward-Backward para calcular as probabilidades filtradas e suavizadas dos estados ocultos.
- A estimação de parâmetros (distribuição inicial $\pi$ , matriz de transição $A$ , e parâmetros de emissão $\theta_i = (\mu_i, \Sigma_i)$ ) é realizada maximizando a verossimilhança dos dados observados.
Previsão e Métricas de Risco:
- O objetivo é estimar o quantil 90% das perdas operacionais futuras ( $Y^2_{N+1}$ ) dado o histórico de observações.
- A previsão é feita simulando trajetórias baseadas na densidade preditiva de um passo à frente, derivada das probabilidades filtradas do estado atual e das probabilidades de transição.
- A validação é feita através de backtesting (teste de retorno), comparando as previsões do VaR (Value-at-Risk) com as perdas reais, utilizando a taxa de exceções e o Erro Quadrático Médio (MSE) das exceções.

3. Contribuições Principais

Modelo Multivariado com Covariáveis: Diferente de aplicações tradicionais de HMM que focam apenas na identificação de estados, este trabalho integra explicitamente variáveis macroeconômicas no vetor de observação, permitindo avaliar se indicadores externos ajudam a explicar ou antecipar mudanças na distribuição de perdas.
Abordagem Dinâmica para Testes de Estresse: O modelo supera as limitações dos processos de Poisson compostos estáticos ao permitir intensidades variáveis no tempo e dependência de regimes, alinhando-se melhor às necessidades de testes de estresse que exigem cenários baseados em choques macroeconômicos.
Análise Granular por Tipo de Evento: O estudo não trata o risco operacional como um todo, mas analisa a sensibilidade de diferentes categorias de eventos (definidas pelo Basel II) às variáveis macroeconômicas, demonstrando que a dependência não é uniforme.
Reconciliação de Não-Markovianidade: O modelo captura padrões não-Markovianos observados nos dados (como memória e persistência) através de uma estrutura Markoviana latente, mantendo a tratabilidade matemática.

4. Resultados Empíricos

O estudo foi aplicado a um conjunto de dados de perdas operacionais (anonimizado e escalonado) de um grande banco, cobrindo o período de 2000 a 2018, com foco principal na categoria Fraude Interna (ET1).

Impacto da Agregação Temporal:
- Dados Trimestrais/Mensais: O HMM padrão consegue capturar bem os regimes de risco. A inclusão da variável macroeconômica (VSTOXX) melhora a precisão, mas o ganho é moderado.
- Dados Semanais (Alta Frequência): O HMM padrão sofre com ruído, alternando rapidamente entre estados e falhando em identificar regimes estruturais. A inclusão do VSTOXX estabiliza a inferência do regime, tornando as probabilidades filtradas mais persistentes e melhorando significativamente a previsão.
Desempenho por Categoria de Evento (MSE):
- Fraude Interna (ET1) e Fraude Externa (ET2): A inclusão do VSTOXX reduziu consistentemente o Erro Quadrático Médio (MSE) em todas as configurações (2, 3 e 4 estados) e frequências. Isso confirma uma dependência estatística significativa entre a volatilidade de mercado e essas perdas.
- Outras Categorias (ET3, ET4, ET5, ET6): Para categorias como "Práticas de Emprego", "Clientes/Produtos", "Danos Físicos" e "Falhas de Sistema", a inclusão da variável macroeconômica não melhorou consistentemente a previsão. Em alguns casos, o MSE foi maior ou similar. Isso sugere que esses riscos são impulsionados por fatores operacionais, tecnológicos ou ambientais, e não diretamente pela volatilidade do mercado financeiro.
Número de Estados Ocultos:
- Modelos com muitos estados (ex: 4) tendem a sofrer de overfitting em frequências mais baixas (trimestrais), enquanto modelos com 2 ou 3 estados oferecem o melhor equilíbrio entre flexibilidade e interpretabilidade.

5. Significado e Conclusões

Validade da Abordagem: O estudo demonstra que a dependência entre risco operacional e variáveis macroeconômicas é específica do tipo de evento. Não se deve assumir uma correlação universal; a modelagem deve ser adaptada à natureza do risco.
Utilidade para Regulação: O framework proposto oferece uma ferramenta flexível para testes de estresse, permitindo simular como choques macroeconômicos (como aumentos na volatilidade) se propagam para as perdas operacionais em diferentes cenários de regime.
Limitações e Futuro: O uso de distribuições Gaussianas facilita o cálculo, mas pode não capturar adequadamente as caudas pesadas (extremos) das perdas operacionais. Os autores sugerem extensões futuras para distribuições de cauda pesada (ex: Student-t) e a inclusão de outras covariáveis, como indicadores climáticos ou geopolíticos.

Em suma, o artigo fornece um marco metodológico robusto para integrar dados macroeconômicos na modelagem de risco operacional, demonstrando que essa integração é estatisticamente justificada e benéfica para certos tipos de risco, melhorando a precisão das previsões de capital e a eficácia dos testes de estresse.