💰 quantitative finance

Climate aware lending allocation under NGFS scenarios - A Monte Carlo approach

Este artigo apresenta uma estrutura baseada em Monte Carlo que integra cenários climáticos do NGFS a um modelo estrutural de risco de crédito para simular probabilidades de default de devedores e otimizar a alocação de carteiras de empréstimos, permitindo assim que os bancos vinculem riscos de transição climática e físicos a resultados de risco de crédito prospectivos e testes de estresse.

Autores originais: Marina Palaisti

Publicado 2026-10-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Marina Palaisti

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

Os bancos há muito dependem do passado para prever o futuro. Ao decidir quem recebe um empréstimo, eles observam como os tomadores de empréstimos se comportaram no passado, assumindo que as relações econômicas permanecerão relativamente estáveis. Essa abordagem funciona bem em tempos normais, mas tem dificuldade quando o mundo muda de formas que não possuem precedentes históricos. As mudanças climáticas são uma dessas forças. Elas introduzem dois tipos distintos de perigo para os tomadores de empréstimos: riscos físicos, onde o clima extremo danifica ativos e interrompe operações, e riscos de transição, onde a mudança para uma economia de baixo carbono altera custos, regulamentações e demanda de mercado. Como essas forças são voltadas para o futuro e impulsionadas por políticas, e não apenas por ciclos de mercado, as ferramentas tradicionais costumam falhar em capturar o risco real. Os reguladores agora pedem aos bancos que olhem para frente, para entender como diferentes caminhos em direção a um futuro mais verde podem afetar a segurança de seus empréstimos.

Uma pesquisadora chamada Marina Palaisti desenvolveu uma nova maneira de responder a essa questão. O trabalho envolve a construção de um modelo computacional que simula como um grande grupo de tomadores de empréstimos pode se comportar nos próximos três a cinco anos sob diferentes cenários climáticos. Em vez de adivinhar, o modelo utiliza histórias específicas e estruturadas sobre o futuro, fornecidas pela Network for Greening the Financial System (Rede para o Verdecimento do Sistema Financeiro), um grupo global de bancos centrais e supervisores. Essas histórias variam de uma transição suave e ordenada para um mundo de baixo carbono até uma situação caótica, onde as mudanças políticas ocorrem subitamente e os danos físicos causados por tempestades aumentam. O modelo pega essas histórias amplas e as traduz em efeitos específicos para empresas individuais, ajustando a velocidade de seu crescimento e a probabilidade de falência.

O cerne do estudo é uma simulação de mil empresas hipotéticas. A pesquisadora alimenta o modelo com diferentes cenários climáticos para ver como cada um deles altera a saúde financeira das empresas. No modelo, o valor de uma empresa está ligado à sua capacidade de produzir bens e gerir o seu uso de energia. Quando um cenário climático atinge a empresa, ele atua como um choque em seu motor de crescimento. Por exemplo, um cenário com novos impostos rigorosos sobre o carbono pode desacelerar uma fábrica que depende de carvão, enquanto um cenário com melhor tecnologia pode ajudar uma empresa de energia eólica a crescer mais rápido. O modelo calcula a probabilidade de cada empresa cair abaixo de um limite crítico e entrar em inadimplência em seu empréstimo. Ao executar milhares dessas simulações, a pesquisadora consegue ver não apenas o risco médio, mas como o risco está distribuído por todo o grupo de tomadores de empréstimos.

Os resultados mostram que a escolha da história climática importa profundamente. Diferentes cenários produzem padrões de risco muito distintos. Em um cenário, onde a ação política é adiada e os danos físicos causados pelo clima aumentam, o risco é distribuído de forma relativamente uniforme, com muitas empresas enfrentando desafios moderados. Em outro cenário, onde a transição para uma economia verde ocorre como um choque súbito e abrupto, o risco torna-se mais desigual. Algumas empresas que antes eram seguras passam a enfrentar altos riscos, enquanto outras permanecem estáveis. O estudo descobriu que o cenário onde a transição é ordenada e coordenada produziu, na verdade, o maior risco médio para o portfólio nesta simulação específica, enquanto um cenário com um despertar repentino produziu o menor risco médio. Isso destaca que a severidade de um cenário não se trata apenas de quão ruim o clima fica, mas de como a economia reage às mudanças.

Usando esses riscos calculados, a pesquisadora então fez uma pergunta prática: como um banco deve emprestar seu dinheiro se quiser maximizar os retornos mantendo a segurança? O modelo atua como um guia, mostrando quais setores parecem mais atraentes sob cada história climática. No cenário onde os desastres físicos são a principal ameaça, o modelo sugere emprestar mais para infraestruturas resilientes, como energia eólica e hidrelétrica. No cenário onde a transição é súbita e caótica, o modelo desloca sua preferência para tecnologias de "ponte", como o gás natural mais limpo e sistemas de captura de carbono, que podem ser mais valiosos em um mercado em rápida mudança. Curiosamente, mesmo nos cenários mais extremos, o modelo não corta completamente o empréstimo para os setores de combustíveis fósseis, mas reduz drasticamente a quantidade de dinheiro destinado a eles em comparação com as alternativas mais limpas.

O estudo enfatiza que essas descobertas são específicas para a simulação e para as premissas incorporadas ao modelo. Os resultados dependem de como as histórias climáticas são traduzidas em dados ao nível da empresa, e o modelo ainda não captura todos os detalhes de como as empresas individuais podem se adaptar ou como suas localizações específicas podem afetá-las. No entanto, a estrutura fornece uma maneira clara e transparente para os bancos ligarem narrativas climáticas de alto nível ao risco real de suas carteiras de empréstimos. Mostra que o risco climático não é um número único, mas um cenário complexo que muda dependendo do caminho que o mundo tomar. Ao utilizar esse tipo de análise voltada para o futuro, os bancos podem ir além de olhar apenas para o passado e começar a se preparar para os desafios específicos que diferentes futuros climáticos podem trazer.

Resumo Técnico: Alocação de Empréstimos Conscientes ao Clima sob Cenários NGFS

Formulação do Problema

O artigo aborda o desafio de integrar o risco climático prospectivo na gestão de risco de crédito e na alocação de capital. Os modelos tradicionais de risco de crédito baseiam-se em dados históricos e relações econômicas estáveis, tornando-os inadequados para o risco climático, que é impulsionado por políticas, dependente de cenários e prospectivo. Reguladores demandam cada vez mais ferramentas que traduzam os cenários da Rede para um Sistema Financeiro Verde (NGFS) em implicações de perdas e capital ao nível de portfólio para o Processo de Avaliação da Adequação do Capital Interno (ICAAP) e testes de estresse.

O problema central é definido como um problema de otimização com restrições: uma instituição financeira busca alocar um orçamento total de capital $K$ entre $N$ devedores para maximizar a receita de juros esperada, sujeito a riscos de inadimplência e restrições de diversificação. O objetivo é determinar o montante ideal de empréstimo $x_i$ para cada devedor $i$ de modo que:
$\max_{x_1, \dots, x_N} \sum_{i=1}^N x_i \eta_i (1 - PD_i)$
sujeito a $\sum x_i = K$ e $0 \le x_i \le \kappa K$ , onde $\eta_i$ é a taxa de juros ajustada ao risco e $PD_i$ é a probabilidade de inadimplência (default). O desafio crítico é que o $PD_i$ não é estático, mas sim uma função de trajetórias de cenários climáticos (riscos de transição e físicos) que alteram a dinâmica das empresas.

Metodologia

O artigo propõe uma estrutura de risco de crédito estrutural que incorpora os cenários de curto prazo do NGFS (2024) nas dinâmicas de valor das empresas. A metodologia procede através de quatro etapas principais:

1. Modelagem de Emissões e Produção ao Nível da Empresa

As empresas são modeladas como agentes otimizadores que escolhem estratégias de emissão $\gamma_i$ para maximizar o valor presente líquido dos lucros.

Estrutura de Custos: As empresas enfrentam custos quadráticos para produção de energia e penalidades/recompensas regulatórias baseadas em desvios de benchmarks de emissão.
Dinâmica de Produção: O nível de produção logarítmica $p_t^i$ segue uma equação diferencial estocástica (SDE). O termo de deriva (drift) $\mu_i$ é ajustado por fatores climáticos, incluindo escolhas de emissão e uma penalidade de alavancagem ( $x_i \eta_i$ ) que representa o custo da exposição ao capital.
Estratégia Ótima: O artigo estabelece a existência e unicidade de uma política de emissão ótima sob estruturas de custos convexos, derivando uma solução de forma fechada para a estratégia ótima sob custos quadráticos.

2. Modelagem Estrutural de Inadimplência (Default)

O valor da empresa $V_t^i$ é definido como o valor presente esperado dos fluxos de caixa futuros (líquidos de perdas climáticas) menos as perdas físicas esperadas (EPL).

Condição de Inadimplência: A inadimplência ocorre quando o valor da empresa cai abaixo de um limite de passivo $L_i(t)$ .
Função de Valor: O processo de valor está ligado ao processo de produção logarítmica via uma função determinística $h_i(t, x)$ , que integra crescimento de produção, custos e perdas físicas.
Ajuste de Deriva (Drift): Choques de cenários NGFS (transição e físicos) são mapeados para ajustes setoriais, que modificam a deriva do processo de produção da empresa. Isso cria uma deriva ajustada pelo clima $\tilde{\mu}_i^\theta$ .

3. Dependência e Simulação (Monte Carlo)

Para modelar inadimplências conjuntas e risco sistêmico, o artigo emprega a Análise de Componentes Principais (PCA) na matriz de covariância dos fatores de risco sistêmico.

Redução de Dimensionalidade: O vetor de risco sistêmico $X_t$ é aproximado pelos dois primeiros componentes principais (autovalores $\nu_1, \nu_2$ ), reduzindo a estrutura de correlação de alta dimensão para dois fatores ortogonais ( $G_1, G_2$ ).
Estimativa de Probabilidade de Inadimplência: Utilizando simulação de Monte Carlo ( $M=5000$ sorteios), o modelo simula choques idiossincráticos e sistêmicos para estimar a probabilidade de inadimplência ( $PD_i$ ) para cada devedor sob cenários específicos. A condição de inadimplência é transformada em uma comparação entre um estado idiossincrático $A_t^i$ e um limiar sistêmico $X_t^i$ .

4. Otimização com Restrições

Os valores estimados de $PD_i$ são inseridos em um resolvedor de programação linear para determinar a alocação ideal de empréstimos $x_i$ . A otimização maximiza o retorno ajustado ao risco enquanto adere a um limite de diversificação ( $\kappa = 0,05$ ), evitando concentração excessiva em um único devedor.

Principais Contribuições

Integração Estrutural de Cenários NGFS: O estudo incorpora os cenários de curto prazo do NGFS diretamente em um modelo de risco de crédito de portfólio estrutural, ligando narrativas climáticas de alto nível às dinâmicas de inadimplência e sinais de capital ao nível da empresa.
Ajuste de Deriva Dependente de Cenário: Introduz um mecanismo onde choques de risco de transição e físicos ajustam a deriva das dinâmicas de valor da empresa, traduzindo impactos climáticos setoriais em métricas de solvência específicas para o devedor.
Otimização de Portfólio Tratável: O framework fornece uma abordagem computacionalmente viável (usando PCA e programação linear) para avaliar padrões de alocação de empréstimos através de diferentes trajetórias climáticas, ofereção um overlay prospectivo aos modelos de crédito existentes.
Análise de Portfólio Sintético: Ao utilizar um portfólio sintético de 1.000 devedores, o artigo demonstra a mecânica do framework na ausular de dados proprietários bancários, destacando o risco de modelo e as dependências de calibração.

Resultados

O estudo simula resultados através de quatro cenários NGFS: Desastres e Estagnação de Políticas (DAPS), Estrada para Paris (HWTP), Despertar Repentino (SWUC) e Realidades Divergentes (DiRe).

Distribuições de Probabilidade de Inadimplência: Embora os PDs absolutos permaneçam baixos (geralmente < 1,5%), as distribuições transversais variam significativamente.
- HWTP (Transição ordenada) produz a média, mediana e cauda superior de PD mais altas.
- SWUC (Transição abrupta) produz as menores médias e medianas de PD.
- DAPS e DiRe apresentam distribuições dispersas e agrupadas, respectivamente, refletindo exposições heterogêneas a riscos físicos e de transição.
- Nota: Estes rankings são implícitos ao modelo e dependentes de calibração, não são medidas empíricas de severidade de cenário.
Padrões de Alocação de Empréstimos:
- DAPS: O capital concentra-se em infraestrutura de baixo carbono resiliente (Eólica, Hidrelétrica, Biomassa).
- HWTP: Semelhante ao DAPS, favorecendo Eólica e Hidrelétrica, com alocações menores para setores de suporte à transição (Fotovoltaica, Nuclear, Captura de CO2).
- SWUC e DiRe: Estes cenários resultam em portfólios mistos onde tecnologias de "ponte" (Gás Limpo) e tecnologias de mitigação (Captura de CO2) recebem as maiores alocações, juntamente com os setores de transporte e manufatura. Setores fósseis não são totalmente excluídos, mas recebem alocações limitadas e controladas.
Robustez: Testes de sensibilidade confirmam que o limite de diversificação é essencial para evitar soluções de canto degeneradas. Os resultados de alocação são estáveis entre sorteios independentes de Monte Carlo, embora os rankings individuais de devedores variem devido ao ruído da simulação.

Significância e Limitações

Significância:
O artigo afirma oferecer um framework tratável para que os bancos liguem os cenários NGFS ao risco de crédito setorial e aos resultados de perda de portfólio. Ele apoia o ICAAP e o teste de estresse climático ao identificar exposições mais sensíveis ao risco climático e adicionar um overlay prospectivo aos modelos existentes. Contribui para a literatura ao conectar finanças climáticas, otimização de portfólio sob incerteza e pesquisa de testes de estresse.

Limitações:
O autor afirma explicitamente que os resultados dependem do desenho dos cenários NGFS e das estimativas de impacto setorial, que permanecem incertas.

Heterogeneidade: O modelo mapeia choques por classificação setorial e não captura totalmente a heterogeneidade dentro do setor (ex: intensidade de carbono da empresa, exposição geográfica, capacidade de adaptação).
Passivos Estáticos: Os passivos das empresas são mantidos constantes, ignorando reestruturações ou refinanciamentos dinâmicos.
Fatores de Risco: O risco climático entra apenas através do componente de deriva; mudanças de volatilidade, resultados de cauda pesada (fat-tailed) e riscos de salto (jump risks) são excluídos.
Dados Sintéticos: A análise utiliza um portfólio sintético; a validação empírica com dados reais de bancos é necessária para aplicação prática.

O artigo conclui que, embora o framework seja uma ferramenta valiosa para explorar os impactos dos cenários na solvência e na resiliência do portfólio, ele deve ser visto como um overlay de análise de cenário, e não como um substituto para modelos de crédito empíricos.