Modelos de Simulação de ALM: Monte Carlo vs. Baseado em Cenários

Na gestão de ativos e passivos (ALM), os modelos de simulação projetam como as variações das taxas de juros afetam o valor econômico dos ativos e passivos ao longo do tempo. Duas abordagens dominantes são a simulação Monte Carlo e a simulação baseada em cenários. A simulação Monte Carlo utiliza técnicas de trajetórias estocásticas — também chamadas de simulações estocásticas — para gerar centenas ou milhares de possíveis trajetórias futuras de taxas de juros, baseando‑se em pressupostos probabilísticos (por exemplo, reversão à média, volatilidade). Em contraste, a simulação baseada em cenários constrói um conjunto limitado de trajetórias economicamente coerentes e prospectivas — frequentemente ancoradas em episódios históricos, eventos de estresse ou previsões macroeconômicas — para avaliar alternativas estratégicas discretas ou resultados de solvência.

A simulação Monte Carlo no ALM baseia‑se em um Gerador de Cenários Econômicos (ESG) para simular um grande número de trajetórias estocásticas de taxas de juros, tipicamente usando modelos dinâmicos de estrutura a termo. Cada trajetória representa uma possível evolução das taxas de curto prazo, da forma da curva de juros e das volatilidades ao longo do horizonte de projeção. O modelo de ALM então reavalia ativos e passivos sob cada trajetória, gerando uma distribuição de resultados para métricas como valor econômico do patrimônio (EVE) ou receita líquida de juros (NII). Essa distribuição permite o cálculo de intervalos de confiança, Value‑at‑Risk (VaR) ou perda esperada para o risco de taxa de juros.

• Fundamento de modelagem estocástica: Utiliza ESGs calibrados para simular trajetórias consistentes com os dados de mercado observados e a teoria econômica (por exemplo, modelos Cox‑Ingersoll‑Ross ou Hull‑White).
• Distribuição de resultados: Produz uma saída probabilística completa, sustentando métricas de risco que quantificam a exposição de cauda e as perdas esperadas.
• Uso na prática: Aplicada com frequência na validação de modelos internos, alocação de capital e modelagem dinâmica de EAR para orçamento e planejamento estratégico.

A simulação baseada em cenários constrói um pequeno conjunto — geralmente de 3 a 10 — de trajetórias macroeconômicas e de taxas de juros plausíveis e internamente consistentes. Esses cenários podem ser históricos (por exemplo, aperto de 1979‑1982), hipotéticos (por exemplo, ressurgimento rápido da inflação) ou baseados em previsões (por exemplo, perspectiva macroeconômica de consenso). Cada cenário é aplicado de forma determinística ao modelo de ALM, gerando estimativas pontuais de EVE ou NII para cada trajetória. A abordagem enfatiza a interpretabilidade e a coerência narrativa em detrimento da precisão estatística.

• Design orientado por narrativa: Os cenários são selecionados para refletir pontos de estresse ou inflexões estratégicas credíveis, frequentemente alinhados às expectativas dos supervisores ou às estruturas de apetite ao risco interno.
• Suporte à decisão: Utilizado para avaliar trade‑offs estratégicos — como reposicionamento de ativos ou decisões de hedge — sob regimes macroeconômicos específicos.
• Integração com a governança: Facilita a adesão de partes interessadas não técnicas ao basear a análise em suposições claras e baseadas em narrativas.

Monte Carlo e a simulação baseada em cenários desempenham papéis complementares na ALM, cada um com forças e limitações distintas.

• Cobertura vs. clareza: Monte Carlo oferece ampla cobertura probabilística, capturando risco de cauda e incerteza estatística, mas seus resultados podem ser abstratos e difíceis de traduzir em ações específicas. A simulação baseada em cenários fornece insights claros e acionáveis, porém pode subrepresentar eventos de baixa probabilidade e alto impacto que não estejam incorporados nos cenários selecionados.
• Risco de modelo: Monte Carlo é sensível à calibração do ESG e às suposições distributivas; erros na volatilidade ou nos parâmetros de reversão à média podem distorcer as estimativas de risco. A simulação baseada em cenários é vulnerável a viés de seleção — omissão de trajetórias plausíveis ou dependência excessiva de análogos históricos que podem não se repetir.
• Alinhamento regulatório: Os supervisores (por exemplo, o OCC) reconhecem ambas as abordagens, mas os métodos baseados em cenários são frequentemente preferidos para testes de estresse supervisionados e relatórios estratégicos, enquanto Monte Carlo apoia a validação interna de modelos e a mensuração dinâmica de risco.

Suponha que uma instituição queira avaliar o impacto de um aumento paralelo de 200 pb nas taxas ao longo de dois anos. Na simulação Monte Carlo, o ESG gera 5.000 trajetórias em que a taxa curta segue um processo de reversão à média com volatilidade calibrada; a distribuição resultante das variações do EVE pode apresentar perda no 5º percentil de US$ 120 milhões e ganho no 95º percentil de US$ 45 milhões. Na simulação baseada em cenários, aplica‑se uma única trajetória determinística — que reproduz o deslocamento de 200 pb e a dinâmica implícita da curva de juros — gerando uma estimativa pontual de queda de US$ 90 milhões no EVE. O resultado Monte Carlo sustenta cálculos de capital e VaR; o resultado do cenário apoia a discussão ao nível do conselho sobre respostas estratégicas, como acelerar o reprecificação de ativos ou ajustar metas de duration.

• Use a simulação Monte Carlo ao estimar métricas de risco que exigem rigor estatístico — por exemplo, capital econômico, VaR ou perda esperada — ou ao avaliar o impacto da incerteza em resultados estratégicos de longo prazo através de um amplo conjunto de trajetórias possíveis.
• Use a simulação baseada em cenários ao comunicar risco a órgãos de governança, testar decisões estratégicas sob regimes macroeconômicos específicos ou alinhar-se a estruturas de testes de estresse supervisionados, onde a coerência narrativa e a capacidade de ação são priorizadas em relação à completude probabilística.

Ambos os métodos são frequentemente usados em conjunto: Monte Carlo para validação interna de modelos e quantificação de risco, e análise baseada em cenários para tomada de decisões estratégicas e relatórios regulatórios.