💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

Este artigo apresenta um novo framework de Regressão por Processos Gaussianos Híbridos com Simulação Histórica que combina modelagem dinâmica de volatilidade univariada com correlações históricas estáveis e uma estratégia de Inicialização Agressiva de Ruído para alcançar previsões de volatilidade-covariância superiores e em conformidade com regulamentações para carteiras de ações globais, em comparação com modelos econométricos tradicionais.

Autores originais: Ujjwala Vadrevu

Publicado 2026-05-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ujjwala Vadrevu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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 navio massivo (uma carteira de investimentos de um banco) navegando pelo oceano dos mercados de ações globais. Sua tarefa mais importante é prever o quão grandes as ondas podem ficar amanhã, para que você possa carregar botes salva-vidas suficientes (capital) para sobreviver a uma tempestade. Se você supor que as ondas são pequenas demais, o navio afunda. Se você supor que são grandes demais, você desperdiça dinheiro carregando botes salva-vidas desnecessários.

Este artigo apresenta uma nova e mais inteligente maneira de prever essas ondas, chamada de Framework Híbrido GPR-HS. Veja como funciona, dividido em conceitos simples:

1. O Problema com os Mapas Antigos

Por muito tempo, os bancos usaram "Mapas Antigos" (modelos matemáticos tradicionais como GARCH ou EWMA) para prever ondas. O artigo argumenta que esses mapas têm três falhas principais:

Eles assumem que o oceano está calmo: Eles esperam que as ondas sejam suaves e previsíveis, mas os mercados reais têm "caudas pesadas" — tsunamis súbitos e massivos que esses modelos ignoram.
Eles são rígidos demais: Eles assumem que más notícias e boas notícias afetam o oceano igualmente. Na realidade, uma tempestade (más notícias) geralmente cria ondas muito maiores do que um dia calmo (boas notícias).
Eles ficam confusos em meio à multidão: Quando você tenta prever como sete navios diferentes (ações) se movem juntos, esses modelos antigos frequentemente falham ou fornecem respostas matematicamente impossíveis.

2. A Nova Solução: Uma Abordagem "Híbrida Inteligente"

Os autores construíram um novo sistema que combina o melhor de dois mundos: Regressão por Processos Gaussianos (GPR) e Simulação Histórica (HS). Pense nisso como usar um radar meteorológico de alta tecnologia para ondas individuais, mas usando um livro de história confiável para como as ondas interagem entre si.

O Radar (GPR): Em vez de forçar as ondas a um formato rígido, esta parte do modelo aprende a "rugosidade" do oceano. Ela usa uma ferramenta especial chamada kernel Matern 5/2. Imagine tentar desenhar uma linha costeira. Uma curva suave (como um círculo) não se parece com uma costa real e irregular. O kernel Matern é como um esboço irregular e realista que captura a natureza áspera e imprevisível dos preços das ações melhor do que curvas suaves.
O Livro de História (HS): Enquanto o radar prevê como um navio reage ao vento, o livro de história analisa como todos os navios se moveram juntos no passado. Isso mantém a matemática estável e impede que o modelo fique confuso quando a frota aumenta.

3. O Segredo: "Inicialização Agressiva de Ruído" (ANI)

Esta é a maior inovação do artigo. Ao ensinar um computador a aprender, você precisa dar a ele uma suposição inicial. Geralmente, as pessoas começam com uma suposição "segura". Este artigo diz: "Comece com uma suposição alta e conservadora."

A Analogia: Imagine que você está ensinando um aluno a dirigir. Se você começar com ele em uma estrada tranquila e vazia, ele pode ficar excessivamente confiante. Em vez disso, os autores dizem ao computador: "Comece assumindo que a estrada está cheia de buracos e caos."
O Resultado: Ao começar com essa suposição "alta" (definindo o nível de ruído igual à verdadeira selvageria dos dados), o computador é forçado a ser muito cauteloso. Ele nunca subestima o perigo. Isso garante que, mesmo que o modelo cometa um erro, ele erre pelo lado da segurança — carregando mais botes salva-vidas do que o necessário, o que os reguladores adoram.

4. O Teste de Estrada

Os autores testaram esse novo sistema em sete principais mercados de ações globais (incluindo EUA, Europa, Japão e Índia) ao longo de cinco anos (2020–2025). Eles usaram um método de "encadeamento direto", que é como dirigir um carro olhando apenas pelo para-brisa, nunca espiando no retrovisor para trapacear.

Os Resultados:

Segurança em Primeiro Lugar: O novo modelo passou no rigoroso teste de "Shortfall Esperado" (uma medida de quanto dinheiro você perde em um desastre) 100% das vezes para toda a carteira.
Melhor que o Jeito Antigo: Ele superou o "VaR Histórico" padrão (o mapa antigo) em 71,4% dos casos em termos de precisão e foi mais seguro (menos violações surpresa) em 100% dos casos.
Vantagem Conservadora: Em alguns casos, o modelo previu menos colapsos do que realmente aconteceram. No mundo bancário, isso é um "fracasso bom". Significa que o banco manteve capital extra e estava seguro, em vez de ser pego de surpresa.

5. A Conclusão

Este artigo propõe uma nova maneira de medir o risco financeiro que é mais inteligente, mais flexível e mais segura do que os métodos tradicionais. Ao usar um kernel matemático "áspero" para capturar o caos do mundo real e começar com uma suposição "conservadora", o sistema garante que os bancos estejam preparados para as piores tempestades, satisfazendo regulamentações governamentais rigorosas sem precisar usar matemática instável e complexa que quebra facilmente.

Em resumo: É um novo sistema de navegação que assume que o oceano é sempre mais agitado do que parece, garantindo que o navio nunca fique sem botes salva-vidas.

Resumo Técnico: Uma Estrutura Híbrida de Regressão por Processos Gaussianos para Estimação Estável de Volatilidade-Covariância

Declaração do Problema
A previsão precisa da Matriz de Volatilidade-Covariância (VCV) é crítica para os processos de adequação de capital regulatório, especificamente o Processo de Avaliação de Adequação de Capital Interno (ICAAP) e a Análise e Revisão de Capital Abrangente (CCAR). Modelos econométricos tradicionais, incluindo as famílias GARCH e abordagens de Média Móvel Ponderada Exponencialmente (EWMA), enfrentam limitações estruturais significativas em ambientes financeiros modernos. Estas incluem rigidez paramétrica, dependência de pressupostos de normalidade que levam à subestimação sistemática do risco de cauda ("caudas pesadas"), falha em capturar o efeito de alavancagem e incapacidade de modelar dependências não lineares e contágio de correlação durante estresse sistêmico. Além disso, extensões multivariadas como o GARCH de Correlação Condicional Dinâmica (DCC) frequentemente sofrem de instabilidade numérica, particularmente na manutenção da Definição Positiva (PD) da matriz VCV em escala. Embora a Regressão por Processos Gaussianos (GPR) ofereça uma alternativa não paramétrica capaz de modelar heterocedasticidade não linear e variante no tempo, a aplicação direta de GPR de Saída Múltipla (MOGPR) às dimensões de portfólio introduz complexidade computacional proibitiva ( $O((N \cdot T)^3)$ ) e falhas de convergência.

Metodologia
O artigo propõe uma estrutura Híbrida de Regressão por Processos Gaussianos–Simulação Histórica (GPR-HS) projetada para desacoplar a estimação de volatilidades de ativos individuais das correlações entre ativos.

Dados e Pré-processamento: O estudo utiliza preços de fechamento diários de sete principais índices de ações globais (S&P 500, EURO STOXX 50, Nikkei 225, FTSE 100, Hang Seng, Nifty 50 e BSE SENSEX) de 30 de junho de 2020 a 30 de junho de 2025. Os dados são pré-processados para garantir um calendário de negociação síncrono e transformados em retornos logarítmicos diários.
GPR Univariada para Volatilidade: As variâncias condicionais de ativos individuais são modeladas usando GPR Univariada com um kernel Matern 5/2. Este kernel é selecionado em detrimento do kernel de Função de Base Radial (RBF) porque seu pressuposto de diferenciabilidade duas vezes reflete melhor a "rugosidade" inerente dos retornos financeiros, enquanto a diferenciabilidade infinita do RBF é teoricamente inadequada. Um kernel de Ruído Branco é adicionado para modelar heterocedasticidade irredutível.
Inicialização Agressiva de Ruído (ANI): Uma estratégia de hiperparâmetro inovadora é introduzida, onde a variância inicial do Ruído Branco ( $\sigma_n^2$ $σ_{n}^{2}$ ) é definida igual à variância empírica dos retornos de treinamento. Isso serve a três propósitos:
- Conservadorismo Regulatório: Impulsiona o otimizador em direção a funções estruturais mais suaves, gerando estimativas de volatilidade conservadoras alinhadas com os requisitos de VaR de Estresse (SVaR).
- Estabilidade Numérica: Garante que a matriz Gram seja bem condicionada desde o início, prevenindo falhas de inversão.
- Convergência Global: Achata a superfície da verossimilhança marginal, auxiliando o otimizador L-BFGS-B a escapar de ótimos locais.
Construção Híbrida de VCV: A matriz de VCV do portfólio é construída combinando as variâncias condicionais dinâmicas, previstas pela GPR (elementos diagonais), com covariâncias históricas estáveis (elementos fora da diagonal) derivadas de uma janela de treinamento em expansão. Isso reduz a complexidade computacional de $O((N \cdot T)^3)$ para $O(N \cdot T^3)$ .
Derivação de Métricas de Risco: O Valor em Risco (VaR) e o Shortfall Esperado (ES) são derivados assumindo uma distribuição t de Student com $\nu=5$ graus de liberdade para capturar leptocurtose.
Validação: A estrutura é avaliada usando um esquema de validação cruzada de encadeamento forward com janela em expansão (2022–2025). O desempenho é avaliado por meio de testes de Cobertura Incondicional (UC) de Kupiec, Cobertura Condicional (CC) de Christoffersen, testes de backtest de ES de McNeil-Frey e funções de Perda Quadrática (QL), comparados a um VaR Histórico estático.

Principais Contribuições
O artigo faz três contribuições primárias:

Arquitetura Híbrida: Introduz uma estrutura inovadora que combina GPR Univariada para volatilidade dinâmica com Simulação Histórica para correlação, resolvendo as restrições de escalabilidade e estabilidade da MOGPR completa.
Inicialização Agressiva de Ruído (ANI): Propõe uma estratégia de inicialização principista que garante a definição positiva da matriz Gram, estabilidade numérica e conservadorismo compatível com regulamentação.
Validação Empírica Transversal de Mercados: Fornece backtesting rigoroso em sete mercados de ações globais heterogêneos ao longo de cinco anos, demonstrando a robustez da estrutura em diferentes regimes de mercado.

Resultados

Convergência do Modelo: Os modelos GPR alcançaram convergência ótima em todos os sete mercados, evidenciada por pontuações de Verossimilhança Marginal Logarítmica (LML) monotonicamente crescentes à medida que a história de treinamento se expandia.
Desempenho Univariado: A estrutura alcançou taxas de aprovação de Cobertura Condicional (CC) entre 75% e 100% para a maioria dos índices. As falhas na Cobertura Incondicional (UC) e no Shortfall Esperado (ES) foram predominantemente caracterizadas como "excessivamente conservadoras" (menos violações do que o esperado), que é o modo de falha preferido em contextos regulatórios.
Desempenho em Nível de Portfólio: A estrutura híbrida alcançou uma taxa de aprovação de 100% para o teste de ES em todas as divisões, a validação regulatória mais exigente. Embora os testes de Kupiec tenham mostrado algumas "falhas conservadoras" (violações reais < esperadas) em divisões específicas, os testes de Cobertura Condicional foram aprovados em todos os casos, confirmando que o modelo rastreia a volatilidade variante no tempo sem agrupar violações.
Comparação com Benchmark: A estrutura GPR-HS superou o benchmark de VaR Histórico estático em 71,4% dos casos univariados com base na Perda Quadrática (precisão) e foi superior ou empatou em 100% dos casos com base na contagem de violações (segurança). Em comparações em nível de portfólio, a estrutura GPR-HS demonstrou valores de Perda Quadrática significativamente menores (por exemplo, 0,619 vs. 13,931 em 2022) em comparação com o VaR Histórico.

Significado e Alegações
O artigo alega que a estrutura Híbrida GPR-HS oferece uma solução viável e compatível com regulamentação para medição dinâmica de risco de portfólio. Ao desacoplar a estimação de volatilidade e correlação, supera a instabilidade computacional e numérica da GPR multivariada completa, evitando ao mesmo tempo a rigidez paramétrica dos modelos GARCH tradicionais. A estratégia de Inicialização Agressiva de Ruído é destacada como uma contribuição metodológica que garante previsões conservadoras e defensáveis, adequadas para testes de estresse ICAAP e CCAR. A capacidade da estrutura de manter estabilidade e conservadorismo em diversos mercados globais, incluindo regimes asiáticos de alta incerteza, sugere sua utilidade como uma ferramenta robusta para a gestão moderna de riscos de mercado. Os autores reconhecem a limitação do pressuposto de correlação estática, mas observam que o componente de volatilidade dinâmica compensa efetivamente isso na prática, resultando em medidas de risco de portfólio robustas. Trabalhos futuros são notados para estender esta estrutura para análise de cenários estressados e interpretabilidade de modelos via valores SHAP.