Um Modelo Híbrido Fracionário com Redes Neurais Artificiais para Previsão do Value at Risk em Mercados Financeiros Emergentes

Resumo

Objetivo: Desenvolver e avaliar uma metodologia aprimorada para a previsão do Value at Risk, superando as limitações dos modelos tradicionais de mensuração de risco que não capturam adequadamente dependências não lineares e comportamentos de memória longa nos retornos financeiros.

Método: A pesquisa adota uma abordagem quantitativa e aplicada, integrando cálculo fracionário e Redes Neurais Artificiais. Foram utilizados dados diários de retornos dos índices NIFTY 50 e SENSEX, a partir dos quais se construíram características de ordem fracionária para representar dinâmicas de memória longa. Essas variáveis foram utilizadas como entradas de uma rede neural treinada com função de perda quantílica, permitindo a estimação direta do Value at Risk nos níveis de confiança de 95 por cento e 99 por cento. O desempenho do modelo foi avaliado por meio de procedimentos clássicos de backtesting, incluindo os testes de Kupiec e de cobertura condicional de Christoffersen, com comparação a modelos de referência como Variância Covariância, Simulação Histórica e GARCH.

Resultados: Os resultados indicam que o modelo proposto apresenta desempenho superior aos métodos tradicionais, fornecendo estimativas mais precisas do risco de cauda, com menor número de violações e melhor aderência aos níveis de cobertura esperados. Os testes de backtesting confirmam a consistência estatística do modelo, especialmente em períodos de elevada volatilidade do mercado.

Conclusão: Conclui-se que a integração entre cálculo fracionário e aprendizado não linear por meio de redes neurais artificiais constitui uma abordagem robusta e eficaz para a previsão do Value at Risk, ampliando a confiabilidade das estimativas de risco em mercados financeiros voláteis e emergentes.