Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

No mundo das finanças, bancos e empresas de investimento gerenciam vastas coleções de empréstimos, conhecidas como carteiras. Na maioria das vezes, essas carteiras apresentam um bom desempenho e o dinheiro flui suavemente. Mas, ocasionalmente, uma tempestade perfeita atinge o sistema: uma recessão, uma queda súbita no mercado ou uma cascata de inadimplências que faz com que a carteira perca uma quantidade massiva de dinheiro de uma só vez. Esses são eventos raros, mas são os que podem destruir um banco. Para se manterem seguros, os reguladores exigem que os bancos saibam exatamente quanto dinheiro precisam manter em reserva para sobreviver a tal desastre. O problema é que esses desastres acontecem tão raramente que, se você tentar simulá-los em um computador usando métodos padrão, poderá rodar a simulação um milhão de vezes e nunca ver um único desastre. É como tentar prever uma inundação de uma vez por século observando um rio durante uma única tarde; você simplesmente não verá a água subir o suficiente para importar.

Para resolver isso, matemáticos usam uma técnica chamada amostragem de importância (importance sampling). Em vez de observar o rio normalmente, eles alteram artificialmente o clima em sua simulação para fazer com que a inundação ocorra com mais frequência. Eles então usam uma correção matemática para ajustar os resultados de volta à realidade, garantindo que a resposta final seja precisa. No entanto, este método tem uma pegadinha: se o clima artificial for alterado demais, a correção torna-se instável e os resultados tornam-se ruidosos. Se o clima for alterado de menos, a inundação ainda ocorrerá raramente, e a simulação permanecerá inútil. A chave para fazer isso funcionar é encontrar o equilíbrio perfeito para como a simulação é alterada. Este é o desafio que os pesquisadores Fang Fang, Xiaoyu Shen e Qinling Wang enfrentaram em seu trabalho recente sobre risco de carteira de crédito.

Os pesquisadores focaram em um tipo específico de modelo financeiro onde a saúde de muitos tomadores de empréstimos diferentes está ligada por alguns fatores subjacentes comuns, como o estado geral da economia. Quando a economia enfrenta dificuldades, muitos tomadores de empréstimos enfrentam dificuldades ao mesmo tempo. Para estimar o risco de uma perda massiva, eles precisavam descobrir exatamente como seria a economia se um desastre estivesse prestes a acontecer. O objetivo deles era calibrar a simulação para que ela derivasse naturalmente para esses estados econômicos perigosos sem quebrar as regras matemáticas.

Por anos, a forma padrão de fazer essa calibração era executar um conjunto preliminar de simulações e simplesmente contar quantas vezes um desastre ocorria. Se um cenário econômico específico levasse a um desastre, ele recebia um voto de "sim"; se não, recebia um voto de "não". Os pesquisadores então usavam esses votos de sim ou não para ajustar a simulação. O problema com essa abordagem é que, nos níveis extremos de risco que os bancos monitoram, os desastres são tão raros que, em uma execução preliminar de um quarto de milhão de cenários, você poderia obter apenas algumas centenas de votos de "sim". Com tão poucos pontos de dados, o ajuste resultante é instável e pouco confiável, muito parecido com tentar adivinhar a altura média de uma população medindo apenas três pessoas.

A equipe propôs um novo método, que chamam de ISCOS, para substituir esses votos brutos de sim ou não por algo muito mais suave. Em vez de perguntar, "Este cenário causou um desastre?", eles perguntaram, "Qual é a probabilidade de que este cenário cause um desastre?". Eles usaram uma ferramenta matemática sofisticada, baseada em uma técnica chamada método Fourier-cosseno, para calcular essa probabilidade diretamente da estrutura do modelo. Essa ferramenta permitiu que eles estimassem a chance de um desastre para cada cenário simulado, mesmo que esse cenário específico não tenha resultado em um desastre na execução preliminar. Ao usar essas estimativas de probabilidade suaves em vez de respostas binárias de sim ou não, eles puderam reunir informações muito mais úteis a partir do mesmo número de simulações computacionais.

Quando testaram este novo método contra o antigo, a diferença foi impressionante. Em seus experimentos, que envolviam uma carteira de cem tomadores de empréstimos e onze fatores econômicos diferentes, o novo método produziu resultados muito mais estáveis. Especificamente, quando analisaram quanto cada tomador de empréstimo individual contribuía para o risco total de um desastre, o novo método forneceu respostas muito mais claras. O método antigo produzia intervalos amplos e incertos para essas contribuições, enquanto o novo método reduziu esses intervalos significativamente. Em um teste, o novo método reduziu a incerteza nas estimativas de risco em mais de vinte por cento. Isso significa que um banco usando este método poderia ter uma imagem muito mais nítida de onde residem suas vulnerabilidades, permitizando melhores decisões sobre quanto capital manter.

Os pesquisadores também verificaram se o seu novo método era matematicamente sólido. Eles provaram que, ao usar as estimativas de probabilidade suaves, estavam essencialmente removendo uma camada de ruído aleatório que assolava o método antigo. Isso tornou suas estimativas estatisticamente mais eficientes, o que significa que obtiveram resultados mais precisos com a mesma capacidade de processamento. Eles testaram isso em dois tipos diferentes de modelos financeiros: um que assumia que os fatores econômicos seguiam uma distribuição de curva de sino padrão, e outro que permitia eventos de cauda pesada mais extremos. Em ambos os casos, o novo método superou o antigo, entregando alocações de risco mais confiáveis sem exigir significativamente mais tempo de computação.

Uma das descobertas mais importantes foi que o novo método não apenas melhorou o número de risco geral; ele melhorou a decomposição desse risco. Os bancos precisam saber não apenas que estão em risco, mas quais empréstimos específicos estão impulsionando esse risco. O método antigo frequentemente tinha dificuldade em identificar essas contribuições individuais com precisão quando o limite de desastre era muito alto. O novo método, no entanto, forneceu um mapa muito mais claro desses riscos individuais. Isso é crucial para os gestores de risco que precisam decidir se vendem um empréstimo específico ou compram um seguro contra ele. A capacidade de ver esses detalhes com maior precisão, sem esperar por uma simulação mais longa, é uma vantagem prática significativa.

O estudo foi conduzido usando uma carteira de referência específica com cem tomadores de empréstimos, divididos em dez grupos com diferentes tamanhos de perdas potenciais. Os pesquisadores definiram o nível de confiança em 99,9%, um padrão para regulamentação financeira de alto risco, e buscaram cenários onde a perda total excedesse um limite específico elevado. Eles executaram suas simulações em uma configuração de computador padrão, comparando diretamente sua nova abordagem com o método estabelecido. Os resultados mostraram que, embora o novo método exigisse um pequeno tempo extra para calcular as probabilidades suaves, esse custo era insignificante comparado ao tempo economizado ao obter resultados precisos mais rapidamente. O tempo total para rodar a simulação completa foi apenas cerca de quatro por cento maior, mas a qualidade da avaliação de risco foi substancialmente melhor.

Os pesquisadores foram cuidadosos ao notar que suas descobertas são baseadas em simulações e casos de teste específicos. Eles não alegaram que seu método resolveria todos os problemas em todos os possíveis mercados financeiros, nem sugeriram que fosse uma solução mágica que eliminaria toda a incerteza. As melhorias foram medidas em termos de quanto as estimativas variavam de uma execução para outra e quão apertados eram os intervalos de confiança em torno dos números finais. Nos testes que realizaram, o novo método produziu consistentemente intervalos mais estreitos e estimativas mais estáveis, particularmente para as contribuições de risco de cauda, que são as mais difíceis de calcular.

Em última análise, este trabalho demonstra que, ao mudar a forma como olhamos para os dados durante a fase de calibração, podemos tornar as simulações de eventos raros muito mais poderosas. Em vez de depender da sorte de atingir um desastre em uma execução preliminar, o novo método usa o insight matemático para entender o potencial de desastre em cada cenário. Essa mudança de contar eventos raros para estimar sua probabilidade permite uma avaliação muito mais robusta e confiável do risco financeiro. Para as instituições que dependem desses cálculos para proteger a economia global, a capacidade de ver o perigo com mais clareza, com menos ruído e menos incerteza, é um passo vital para a gestão do desconhecido.