Commodities energéticas: um estudo sobre a precisão das previsões do value-at-risk

Abstract

Momentos de fortes oscilações nos preços das commodities podem provocar consequências indesejáveis para a economia como um todo. Esses movimentos acontecem com uma certa frequência no tempo, são difíceis de serem evitados e podem provocar prejuízos relevantes para quem não estiver preparado para enfrentá-los. Por isso, é de extrema importância para os agentes económicos tentar amenizar esses possíveis prejuízos através da criação de algum mecanismo de proteção no mercado futuro de commodities. Embora seja aconselhável, a exposição a esse mercado traz riscos adicionais que devem ser mensurados, como o risco de cauda. Uma das formas de controlar esse risco adequadamente é através da mensuração de medidas de risco, como o Valueat-Risk. Por envolver uma certa complexidade, os agentes económicos podem estar enfrentando dificuldades em realizar previsões confiáveis dessa medida de risco para as commodities. Por esse e por outros motivos, esta pesquisa buscou oferecer uma especificação estatística comum para que os agentes possam estimar com confiança o Value-at-Risk de quatro importantes commodities com fins energéticos. Para isso, analisamos diversas especificações diferentes do modelo Markov-switching GARCH, compostas por várias especificações de modelos heterocedásticos, várias distribuições condicionais e uma cadeia de Markov com até dois regimes, que podem ser homogéneos ou heterogéneos. Como resultado geral, aconselhamos o uso do modelo GARCH com distribuição de erro generalizada como a especificação estatística comum que possui a melhor qualidade média de previsão do Valueat- Risk. Esse resultado empírico foi obtido através dos seguintes passos: primeiro, identificamos os modelos heterocedásticos, as funções de densidade de probabilidade e os procedimentos que deveríamos utilizar nesta pesquisa; segundo, mostramos que a utilização de estruturas matemáticas mais complexas nos modelos heterocedásticos não está relacionada a melhores previsões do Value-at-Risk e que parâmetros adicionais nas funções de densidade permitem que os modelos se ajustem mais adequadamente aos dados; terceiro, oferecemos um caminho para encontrar a especificação estatística que possui a melhor qualidade média de previsão do Value-at-Risk para todas as commodities analisadas e mostramos que a utilização de cadeias de Markov homogéneas na estimação dos modelos não são aconselháveis; quarto, inovamos criando cadeias de Markov heterogéneas e mostramos que a sua utilização também não é aconselhada para prever as medidas de risco de cauda das commodities. Aqui, além do Value-at-Risk, analisamos também o Expected shortfall com o intuito de fortalecer as evidências encontradas; quinto, para ilustrar a importância dos resultados expostos, apresentamos um estudo de caso hipotético de uma aplicação prática da especificação estatística proposta dentro da aérea da gestão de risco de cauda; e sexto, por fim, criamos uma estratégia de negociação de pares no mercado futuro de commodities, como uma aplicação alternativa da especificação proposta. Todas essas evidências empíricas encontradas ao longo do desenvolvimento desta pesquisa são importantes e podem ajudar os agentes económicos a maximizarem as suas funções de utilidade, levando a um crescimento económico como um todo.

Moments of strong fluctuations in commodity prices can have undesirable consequences for the economy. These movements occur with a certain frequency in time, are difficult to avoid, and can cause significant losses for those who are not prepared to face them. Therefore, it is extremely important for economic agents to try to mitigate these possible losses by creating some sort of protection mechanism in the commodities futures market. Although it is advisable, exposure to this market brings additional risks that must be measured, such as tail risk. One way to control this risk properly is through the measurement of risk measures, such as Value-at-Risk. Since this involves a certain complexity, economic agents may be facing difficulties in making reliable risk forecasts for commodities. For this and other reasons, this research sought to provide a common statistical specification for agents to reliably estimate the Value-at-Risk of four important energy commodities. To this end, we analyze several diferente specifications of the Markov-switching GARCH model, consisting various heteroscedastic model specifications, various conditional distributions, and a Markov chain with up to two regimes, which can be homogeneous or heterogeneous. As an overall result, we advise the GARCH model with generalized error distribution as the common statistical specification that has the best average Value-at-Risk forecast quality. This empirical result was obtained through the following steps: first, we identified the heteroscedastic models, the probability density functions, and the procedures we were to use in this research; second, we show that the use of more complex mathematical structures in heteroscedastic models is not related to better Value-at-Risk forecasts and that additional parameters in the density functions allow the models to fit the data better; third, we provide a way to find the statistical specification that has the best average forecast quality of Value-at-Risk for all analysed commodities and show that the use of homogeneous Markov chains in estimating the models is not advisable; fourth, we innovate by creating heterogeneous Markov chains and show that their use is also not advisable for forecasting commodity tail risk measures. Here, in addition to Value-at-Risk, we also analyse Expected shortfall to strengthen the evidence found; fifth, to illustrate the importance of the results found exposed, we present a hypothetical case study of a practical application of the proposed statistical specification within the tail risk management field; and sixth, finally, we create a strategy for pair trading in the commodities futures market, as an alternative application of the proposed specification. All this empirical evidence found throughout the development of this research is important and can help economic agents maximize their utility functions, leading to overall economic growth.