Simulação de Monte Carlo: muitos cenários, uma distribuição de perdas

O método em uma frase

A simulação de Monte Carlo sorteia valores para variáveis incertas, calcula o resultado em cada sorteio e usa o conjunto desses resultados para estimar probabilidades, quantis e médias de cauda.

Nicholas Metropolis e Stanislaw Ulam apresentaram o método em 1949 como uma abordagem estatística para problemas matemáticos difíceis. Em finanças, a mesma lógica permite reavaliar uma carteira sob combinações de juros, preços, câmbio, volatilidade e eventos de crédito.

Como uma simulação de carteira é construída

O processo começa pela definição dos fatores que realmente movem as posições. Depois vêm as distribuições individuais e a estrutura de dependência. A partir daí, cada trajetória segue uma sequência simples:

• Sortear um choque conjunto para os fatores de risco.
• Recalcular o valor de cada posição sob esse choque.
• Somar ganhos e perdas para obter o resultado da carteira.
• Repetir o processo muitas vezes.
• Ordenar as perdas e calcular as medidas desejadas, como o Valor em Risco (VaR) e o Expected Shortfall (ES).

Aleatório não significa irreproduzível

Computadores geram sequências pseudoaleatórias: números que se comportam como sorteios, mas partem de uma regra e de um estado inicial. Fixar a semente permite repetir exatamente a mesma sequência para auditoria e comparação.

Reprodutibilidade não exige usar para sempre a mesma sequência. Exige registrar a versão do gerador, a semente e as hipóteses. Assim, uma mudança no resultado pode ser atribuída a dados, parâmetros ou método, e não a um sorteio diferente escondido.

Convergência: quando há cenários suficientes?

O erro de Monte Carlo cai aproximadamente com a raiz quadrada do número de trajetórias. Para reduzir o ruído pela metade, é comum precisar de cerca de quatro vezes mais simulações. Esse custo cresce rápido.

Medidas de cauda convergem mais devagar porque usam uma pequena fração dos cenários. Num ES a 97,5%, apenas 2,5% das trajetórias formam a cauda. Por isso, uma análise responsável mede o erro estatístico, repete a estimativa em blocos e aumenta o número de trajetórias até atingir uma tolerância definida.

Um número grande de trajetórias não é prova automática de qualidade. Um milhão de simulações baseadas numa hipótese errada apenas estimam essa hipótese errada com grande precisão.

Onde o risco de modelo entra

A simulação precisa escolher como cada fator se distribui e como os fatores se relacionam. Distribuições normais podem suavizar eventos extremos. Correlações médias podem enfraquecer crises sincronizadas. Séries curtas podem omitir regimes relevantes.

Também há risco de implementação: sinais trocados, unidades incompatíveis, posições duplicadas, matrizes de correlação inválidas ou aproximações usadas fora do domínio em que funcionam. A matriz precisa ser matematicamente válida; o método de Higham para a matriz de correlação mais próxima é uma referência para esse controle numérico.

Testes históricos, cenários de estresse e validações de sensibilidade continuam necessários. Monte Carlo organiza a incerteza; não elimina a incerteza.

Quando o método acrescenta valor

Monte Carlo é especialmente útil quando a carteira tem instrumentos não lineares, fatores correlacionados ou uma medida que depende da distribuição conjunta. Ele permite observar não só uma perda central, mas a forma completa dos resultados simulados.

Para uma posição simples com boa série histórica, um método direto pode ser mais transparente. Complexidade computacional só se justifica quando representa uma complexidade econômica real e vem acompanhada de dados, testes e limites claros.