Forward-Looking Stress Testing Under Macro Scenarios: Stable SVaR Estimation Using a Hybrid GPR-HS Framework with SACS

Resumo Técnico: Testes de Estresse Prospectivos sob Cenários Macroeconômicos

Definição do Problema
Os marcos regulatórios, como o Comprehensive Capital Analysis and Review (CCAR) e o Internal Capital Adequacy Assessment Process (ICAAP), exigem a estimativa do Stressed Value-at-Risk (SVaR) e do Stressed Expected Shortfall (SES) sob cenários macroeconômicos prospectivos. Existe um desafio técnico crítico na produção computacional dessas estimativas: os modelos paramétricos tradicionais (ex: família GARCH, EWMA) frequentemente exibem instabilidade numérica ou quebra de modelo ao serem condicionados a trajetórias de retornos negativos extremas. Essa instabilidade compromete a confiabilidade e a defensibilidade regulatória das projeções de capital. Além disso, as estruturas de correlação estimadas dinamicamente tornam-se instáveis sob condições extremas, falhando em fornecer uma representação robusta das dependências entre ativos durante o estresse.

Metodologia
Este artigo estende o framework híbrido de Regressão de Processo Gaussiano–Simulação Histórica (GPR-HS), introduzido anteriormente por Vadrevu (2026), para o domínio dos testes de estresse prospectivos. A metodologia integra três componentes principais:

1. GPR Específico para Estresse com Inicialização de Ruído Agressiva (ANI):
   Para cada um dos sete índices de ações globais, um modelo Univariante GPR dedicado é ajustado a uma trajetória de estresse prospectiva de 252 dias. Para garantir estabilidade numérica e uma estimativa de volatilidade conservadora, o artigo adapta a estratégia ANI. Diferente do ajuste de caso base, a variância do kernel de Ruído Branco ($\sigma_n^2$) é inicializada com a variância empírica total das séries de retornos estressadas. Isso força o otimizador bayesiano a iniciar em uma região que reflete uma maior incerteza, impedindo que o modelo interprete choques extremos como ruído transitório e retorne a priors de baixa volatilidade.

2. Construção de Cenários:
   Três cenários distintos de risco sistêmico são operacionalizados como choques cumulativos de retorno de um ano, no estilo ICAAP:

   • Guerra no Oeste da Ásia: Um conflito geopolítico causando interrupção na cadeia de suprimentos e estagflação.
   • Risco Climático: Danos físicos climáticos (inundações, ondas de calor) afetando agricultura e infraestrutura.
   • Bolha de IA/Carga Regulatória: O estouro de uma bolha no setor de tecnologia seguido por regulação global rigorosa.
     As trajetórias diárias de retornos estressados são geradas usando um componente de drift linear determinístico (calibrado para atingir choques cumulativos específicos até o dia 252) combinado com ruído estocástico histórico para preservar a dinâmica de volatilidade intradia realista.

3. Estabilização de Covariância Média por Cenário (SACS):
   Para abordar a instabilidade das correlações estimadas dinamicamente sob estresse, o artigo introduz o SACS. Em vez de estimar as correlações apenas a partir da trajetória de estresse, a matriz de covariância do período de estresse ($\Sigma_{SACS}$) é construída como uma agregação ponderada de estruturas de covariância observadas em regimes de crise históricos (ex: Crise Financeira Global de 2008, COVID-19). Os elementos diagonais utilizam as variâncias condicionais previstas pelo GPR, enquanto os elementos fora da diagonal utilizam as covariâncias derivadas do SACS.

4. Cálculo de Risco e Avaliação de Estabilidade:
   O SVaR e o SES do dia terminal (T=252) são calculados analiticamente a partir da distribuição condicional resultante sob uma suposição de distribuição t de Student ($\nu=5$). Como os cenários prospectivos carecem de dados realizados para o backtesting tradicional, a estabilidade do modelo é avaliada via Log-Marginal Likelihood (LML). A convergência consistente do LML em todos os ajustes serve como o principal diagnóstico de integridade numérica.

Principais Contribuições
O artigo identifica quatro contribuições primárias:

• Extensão de Estresse do Híbrido GPR-HS: Demonstra que a arquitetura GPR estabilizada por ANI mantém a estabilidade numérica sob três cenários macro extremas distintas, produzindo projeções de SVaR e SES em conformidade com as normas regulatórias.
• Metodologia de Design de Cenários: Desenvolve um framework consistente com o ICAAP para a construção de cenários prospectivos que combinam drift determinístico com ruído estocástico, garantindo que as trajetórias sejam plausíveis e não descontínuas.
• Estabilização de Covariância Média por Cenário (SACS): Introduz um framework estável para a construção de covariância de períodos de estresse ao agregar regimes de crise observados empiricamente, abordando a instabilidade das estimativas de dependência dinâmica.
• Validação no Mundo Real: Destaca o alinhamento contemporâneo entre os cenários modelados e os desenvolvimentos globais atuais (especificamente o conflito no Oeste da Ásia e a aplicação de regulação de IA), fornecendo contexto externo para a plausibilidade da calibração do estresse.

Resultados
O framework foi aplicado a uma carteira de sete índices de ações globais através dos três cenários:

• Estabilidade Numérica: Todos os 21 ajustes de estresse (7 índices $\times$ 3 cenários) alcançaram convergência bem-sucedida de LML. Não foram observados LML divergentes ou extremos, confirmando a estabilidade do framework GPR sob entradas extremas. O índice Hang Seng, notado por sua dinâmica complexa, alcançou ajustes estáveis em todos os cenários.
• Projeções de SVaR e SES: As estimativas de SVaR do dia terminal variaram de -2,1020% (Risco Climático) a -2,2231% (Guerra no Oeste da Ásia). O cenário da Guerra no Oeste da Ásia produziu o maior impacto de capital, refletindo a profundidade dos choques aplicados.
• Coerência: A propriedade fundamental de medida de risco coerente $|SES| > |SVaR|$ foi preservada em todos os cenários, confirmando a conformidade com Artzner et al. (1999).
• Comportamento do Modelo: Os resultados exibiram um ranking de risco monotônico consistente com as magnitudes dos choques e mantiveram um piso conservador, evitando que o modelo colapsasse para estimativas de risco irrealisticamente baixas.

Significância e Alegações
O artigo afirma que o framework híbrido GPR-HS, aumentado com SACS e ANI, serve como um motor estável, interpretável e alinhado aos reguladores para a estimativa de SVaR e SES prospectivos. Sua principal significância reside na capacidade de satisfazer os três requisitos simultâneos do teste de estresse: estabilidade numérica, conservadorismo e transparência.

Os autores sustentam que a estratégia ANI é uma escolha de design regulatório crítica, prevenindo a divergência do modelo em ambientes de produção (como CCAR ou ICAAP) onde a falha do modelo é operacionalmente inaceitável. Ao ancorar as estimativas de correlação em regimes de crise históricos via SACS, o framework fornece uma aproximação robusta de dependências estressadas que prioriza a estabilidade sobre o refinamento dinâmico potencialmente instável. O artigo conclui que esta arquitetura é adequada para as projeções de 9 trimestres exigidas pelo CCAR e para avaliações de horizonte mais longo do ICAAP, oferecendo uma alternativa viável aos modelos paramétricos tradicionais que falham sob condicionamento extremo.