Value at Risk, o VaR, é a métrica que quantifica a perda máxima provável da sua carteira — e entendê-la muda para sempre a forma como você enxerga o risco

Uma pergunta que a maioria nunca respondeu com precisão

"Quanto posso perder?" parece uma questão óbvia. Mas a maioria dos investidores — mesmo os experientes — nunca a respondeu com rigor. Estimam. Intuem. Torcem para que o pior não aconteça. O VaR existe justamente para transformar essa incerteza vaga num número concreto, auditável e comparável.

Value at Risk, na tradução direta, é o "valor em risco". Tecnicamente, é a perda máxima esperada de um ativo ou portfólio dentro de um determinado período de tempo, dado um intervalo de confiança estatística. Simples de definir, poderoso de usar — e, com frequência, perigosamente mal interpretado.

O que o número realmente diz

Um exemplo direto ajuda a entender. Se uma carteira apresenta VaR diário de R$ 50.000 com 95% de confiança, isso significa que, em condições normais de mercado, há 95% de probabilidade de que a perda num único dia não ultrapasse esse valor. Em outros termos: a cada 20 dias de negociação, a carteira deve esperar ao menos um dia em que essa barreira seja rompida.

Esse detalhe é crítico e muitos o ignoram. O VaR não diz o que acontece nos 5% restantes. Não captura a magnitude do pior cenário — apenas avisa que ele existe. É aqui que gestores despreparados se machucam: tratam o VaR como teto de perda quando, na verdade, ele é apenas o limite do que pode ser estatisticamente previsto em condições consideradas normais.

Os três métodos de cálculo que você precisa conhecer

Há três formas consagradas de calcular o VaR, cada uma com vantagens e limitações distintas.

O método paramétrico, também chamado de variância-covariância, parte da premissa de que os retornos seguem uma distribuição normal e usa média e desvio padrão históricos para estimar a perda máxima. É o mais rápido e acessível — mas falha quando o mercado se comporta fora da curva, o que acontece com muito mais frequência do que os modelos querem admitir.

A simulação histórica é mais intuitiva: aplica os retornos reais observados no passado à posição atual e calcula o que teria acontecido. Captura melhor os eventos extremos já registrados, mas é cega para crises inéditas — aquelas que ainda não têm histórico para servir de referência.

O método de Monte Carlo é o mais sofisticado dos três. Gera milhares de cenários aleatórios a partir dos parâmetros estatísticos do ativo e constrói uma distribuição completa de perdas possíveis. Exige mais capacidade computacional, mas oferece a visão mais granular do risco real da carteira.

Por que o VaR não basta sozinho

O VaR tem um defeito bem documentado: ignora o que acontece além do seu intervalo de confiança. Em mercados sob estresse — crises de liquidez, eventos geopolíticos, colapsos setoriais súbitos — as perdas raramente obedecem à distribuição normal que os modelos assumem.

Por isso, gestores profissionais combinam o VaR com o CVaR (Conditional Value at Risk ou Expected Shortfall), que calcula a perda média esperada nos cenários que já ultrapassaram o limite do VaR. Onde o VaR termina, o CVaR começa — e é lá que vivem os riscos capazes de destruir patrimônio de verdade.

Testes de stress e simulações de cenários extremos completam o arsenal técnico. Juntos, esses instrumentos oferecem uma visão mais honesta do risco real — não apenas do risco confortável de se mensurar em dias tranquilos.

Ferramenta indispensável, não oráculo infalível

O VaR está no coração dos modelos de risco dos maiores bancos do mundo, nas exigências regulatórias de Basileia III e nas planilhas de todo gestor que leva a sério o que faz. Mas ele não prevê o imprevisível. Quantifica o provável — e é nessa distinção que reside toda a sua utilidade, e todo o seu limite.

👇🏼👇🏼👇🏼

LEITURA RECOMENDADA

LIVRO: "Iludidos pelo Acaso", de Nassim Nicholas Taleb.

Por que ler? Taleb desmonta com precisão cirúrgica a ilusão de que modelos estatísticos conseguem prever o futuro dos mercados. Leitura essencial para qualquer investidor que usa — ou pretende usar — métricas como o VaR sem cair na armadilha de confundir o modelo com a realidade que ele tenta representar.

👇🏼👇🏼👇🏼

👉 Clique aqui para acessar o livro na Amazon.