Simulação de risco

Simulação de risco

A simulação de risco é uma avaliação sistêmica da probabilidade e do valor das perdas para a tomada de decisões, como limites, reservas, hedge, políticas automáticas e priorização de medidas. Abaixo, um esqueleto end-to-end, do mapa de ameaças à exploração de modelos.

1) Mapa de risco e KRI

Domínios: operacionais (incidentes/SLA), financeiros (FX, liquidez), alimentos (qualidade/conversão), comportamentais (frod/RG), regulatórios (multas, bloqueios), parcerias (associados/provedores), IB (vazamentos/hackeamento), risco-modelo.

KRI (Key Risk Indicators): frequência de incidentes, p95/99 atrasos, proporção de charjbacks, FPR antifrode, proporção de queixas, share of voice negativo, monitoramento coverage, «sinais de alerta precoce» (liding) vs consequências (lagging).
Todos os KRI com dono, frequência, liminares, histerese e canal de escalada.

2) Frequência x Peso: matemática básica de perdas

[
N \sim \text{Poisson}(\lambda)\ \text{или}\ \text{NegBin}(r,p),
\quad X_i \sim F_{\text{severity}}(\theta),
\quad L=\sum_{i=1}^{N} X_i
]

Frequência (N): Poisson (eventos independentes raros), NegBin (superdesporção/cluster).
Peso (X): Lognormal (caudas moderadas), Gama, Pareto/Jong-Pareto (caudas grossas), modelos misturados (mixture).
Zero-inflation: com muitos zeros.
Censura/franquia - contabilidade de deduções/limites de seguro.

Loss Distribuição Approach (LDA): pegue (\lambda) e parâmetros de gravidade, em seguida Monte Carlo ou FFT → métricas de cauda.

3) Riscos de cauda e EVT

• Bloco Máxima → GEV, Peaks-Over-Threshold → GPD, escolha da liminar (u) + verificação de fixidade.
• Calibrar de acordo com a estabilidade da cauda (QQ-plot, Hill estimator).
• O objetivo é estimar corretamente uma perda de grande dimensão rara (1/100-1/1000).

4) Dependências: correlações e copulas

• Gaussian (simples, mas fraca cauda), Student-t (tail-dependence), Clayton/Gumbel (caudas assimétricas).
• Primeiro, ajuste os marginais (severity/frequência) e, em seguida, copie-os para simular a carteira de risco e concentração.

5) Métricas de risco e indicadores econômicos

VaR (_\alpha): Quantidades de perdas (por exemplo, 99%).
CVaR/Expected Shortfall (_\alpha): perda média fora do VaR - preferida para as caudas.
EL/UL: perda prevista/inesperada.
RAROC: (\text{Risk-Adjusted Return on Capital}=\frac{\text{Доход} - \text{Ож. Perdas de Processo de Desperdício de Parte de Parte de Baixo Risco de Causa de Risco de Parte de Parte de Parte de Parte de Parte de Parte.
Capital sob risco: nível de cobertura (por exemplo, CVaR 99. 5%) + tampões.

6) Cenários e testes de estresse

Cenário = choque de entrada + correlação + regras de negócios.
Tipos: histórico (2020-kovid-pic), hipotético (bloqueio regulatório, outage PSP), inverso ("que pneus dão perda ≥ X? »).
Resultados - intervalo de perda, não ponto. Documente as permissões e os canais de decisão (limites/caps/pausas).

7) Baies e atualização de conhecimento

Frequência/gravidade Bayesa: Apriores (Gama-Poisson, Lognormal com parâmetros hiper informativos) → Atualização online quando os dados são recebidos.
Útil para pequenas seleções/novos mercados (partial pooling, modelos hierárquicos).

8) Dados e qualidade (Point-in-Time!)

Contratos de dados: esquemas, chaves, temporizões, versionagem de eventos, bandeiras de ajuste.
Ponto-in-Time correto: sem sinais futuros de treinamento (especialmente para frod/falhas operacionais).
Alterações de políticas/ismos. medições: no calendário de eventos.
Estagnação e deslocamento: Perfira a deriva (PSI/KL) em fichas-chave.

9) Procedimento de modelagem (passos)

1. Defina a mala e o horizonte: que há «perda», período, unidade (marca x país x canal).
2. Forma dataset: frequência, gravidade, cobiçados (sazonalidade, promo, FX, provedores).
3. Seleção de família: Poisson/NegBin x Lognormal/Pareto (verifique as balsas QQ/KS/AD).
4. Dependências: modelo de copila/fator para agregação de carteiras.
5. Calibragem: MLE/Bayesian; contabilidade de censura, dedatos, outliers.
6. Validação/battest: revestimento das caudas, estabilidade dos parâmetros, sensibilidade ao stress.
7. Monte Carlo: (10 ^ 5) - (10 ^ 6) ups; Avaliem VaR/CVaR, perdas de cenário.
8. Soluções: limites, caps, pausas, alocação de reserva, priorização de medidas.
9. Documentos: cartão modelo, passaporte de cenário, runbook.

10) Integração com políticas e automação

Triggers: excesso de KRI/liminares VaR/CVaR → passos (reforço KYC, 3DS-enforce, redução de limites, throttling canal de pagamento, desativação de promo).
Histeresis/cooldown: diferentes liminares de entrada/saída para evitar «piscar».
Filas de risco: triagem por (\mathbb\E 03 [EV]) = danos evitados - custo de medidas - prejuízo.

11) Modelo compound de exemplo (pseudo-Python)

python import numpy as np

1) frequency (week) and severity (EUR)
lam = 3. 2            # Poisson rate mu, sigma = 6. 0, 1. 1      # Lognormal params (ln-space)
S = 200000           # simulations

N = np. random. poisson (lam, S) # event rate sev = lambda n: np. exp(np. random. normal (mu, sigma, n)) # severity loss = np. array([sev(n). sum() if n>0 else 0. 0 for n in N])

VaR99 = np. quantile(loss, 0. 99)
CVaR99 = loss[loss >= VaR99].mean()
EL   = loss. mean()

Hierarquia/carteira: Conte em cada segmento e, em seguida, agregue-o através de copula/fator ou amostra de conjunto empírico.

12) Controle de limites e capital

Limites/caps: por canais/países/provedores, atrelados a um CVaR válido.
Reservas: nível de cobertura (por exemplo, CVaR 99% mensal) + tampão de controle.
Transferências de risco: reajuste/seguro, hedge FX, diversificação de provedores.

13) Risco de modelo e exposição

Modelo Card (modelo)

Alvo e área de aplicação; métricas de VaR/CVaR/coverage; dados e período; suposições; restrições; sensibilidade; fairness/ética; proprietários; versão; data da revisão.

MLOps/ModelOps: registro de modelos, controle de versões, shadow/canarela, função parity online/offline, monitoramento de qualidade e à deriva, alertas de auto, «pare-torneira».

Validação/Bactest

Capa: revestimento de cauda (Kupiec/Christoffersen), estabilidade de parâmetros, resistência ao estresse, especificações alternativas.

14) Monitoramento de venda e runibuki

Métricas

Revestimento de VaR (avanços reais/esperados), calibragem CVaR, dinâmica EL/UL.
Entrada à deriva (PSI), proporção de segmentos «novos», superaquecimento de limites.
Operações: latency computing, atraso dos fids,% dos folbacks.

Runbook (exemplo de «surto de charjbacks»)

1. Verificar a frescura dos dados e a correção das marcas.
2. Segmentação de êxodo (país/pagamento/dispositivo/parceiro).
3. Incluir o step-up KYC/3DS nos segmentos afetados, reduzir os limites.
4. Iniciar o cenário de stress «perda de PSP», contar CVaR.
5. Comunicação aos donos dos canais, plano de compensação.
6. Retrospectiva e atualização de configurações de modelo/regras.

15) Passaporte de palco (template)

ID/versão, data, proprietário

Narrativ: O que aconteceu (bang regulatório x FX x outage PSP)

Choques: (\Delta) frequência, alterações de gravidade/correlação, duração

Estimativa de perdas: EL/ VaR/ CVaR (dia/semana/mês)

Contramedidas: limites/mudança de provedores/comunicações/seguro

Pontos de saída: condições de retirada (histerese)

16) Passaportes KRI e limites (breve)

KRI: código, definição, fórmula, janela, liminares 'warn/critical', histerese, proprietário, canal de alerta.
Limite: objeto (canal/país/provedor), métrica (CVaR99/EL), valor, período, prioridade, excesso, exclusões/janelas temporárias.

17) Anti-pattern

Suporte para o meio em vez de caudas; «Lindo RMSE» e mau CVaR.
Correlações «como é» sem tail-dependence.
Falta do Point-in-Time → fuga, reavaliação da «precisão».
Ignorar cenários/estresse; um modelo para tudo.
Edição silenciosa de parâmetros sem versão/changelog.
Não há histerese na política.

18) Folha de cheque antes de lançar contornos de modelagem de risco

• Mapa de risco e KRI estão formalizados, proprietários designados
• Dados PIT, contratos de fontes, calendário de eventos/políticas
• Calibrada frequência e gravidade, cauda verificada (EVT)
• Dependências simuladas (copula/fator), carteira agregada
• Batest VaR/CVaR, revestimento e estabilidade de parâmetros normais
• Cenários e testes de stress prontos, passaporte e runbook concluídos
• Integração com limites/caps/políticas, histerese incluída
• Modelo Card, versão, proprietários, monitoramento e alertas configurados

Resultado

A simulação de risco não é «estimar a perda média», mas controlar as caudas: frequência e gravidade corretas, EVT para extremos, dependências via copulas, cenários e testes de estresse, VaR/CVaR e métricas econômicas (RAROC), além de disciplina de ModelOps. Esse caminho transforma os riscos dos cisnes negros em soluções quantificadas com limites, reservas e acções claras.