Previsão de risco no mercado de créditos de carbono
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/255947 |
Resumo: | Sistemas de comércio de créditos de carbono têm sido implementados no mundo todo como forma de endereçar a crise climática. Nesse contexto, o entendimento sobre os riscos envolvidos nesses mercados é determinante para uma gestão e regulamentação mais adequadas, o que contribui para a sua manutenção e a efetiva redução das emissões de carbono. Dessa forma, tomando os dados dos retornos de créditos de carbono do Sistema Europeu de Comércio de Emissões (EU-ETS), esse estudo computou as previsões do Valor em Risco (VaR) e da Perda Esperada (ES), considerando diferentes distribuições de probabilidade para o termo aleatório do modelo ARMA-GARCH. Foram empregadas oito distribuições diferentes e considerados dois níveis de significância, 1% e 5%, para gerar previsões de ambas medidas um passo à frente com janela de estimação rolante de 250 e 1000 observações. As previsões foram avaliadas através da Perda Realizada. Os resultados sugerem que as distribuições t de Student e Generalizada do Erro são as mais indicadas para previsão de risco desse mercado, enquanto que as distribuições Normal e Empírica obtiveram desempenho ruim. Esses resultados contribuem para o manejo de risco de carbono nas empresas, promovendo tomadas de decisão mais acuradas diante do cenário de mudanças ambientais. |
id |
UFRGS-2_6a9134b83eb20cdc088fb7144d7cd20e |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/255947 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Bonazza, Gabrielle LippertMüller, Fernanda Maria2023-03-18T03:31:56Z2022http://hdl.handle.net/10183/255947001160363Sistemas de comércio de créditos de carbono têm sido implementados no mundo todo como forma de endereçar a crise climática. Nesse contexto, o entendimento sobre os riscos envolvidos nesses mercados é determinante para uma gestão e regulamentação mais adequadas, o que contribui para a sua manutenção e a efetiva redução das emissões de carbono. Dessa forma, tomando os dados dos retornos de créditos de carbono do Sistema Europeu de Comércio de Emissões (EU-ETS), esse estudo computou as previsões do Valor em Risco (VaR) e da Perda Esperada (ES), considerando diferentes distribuições de probabilidade para o termo aleatório do modelo ARMA-GARCH. Foram empregadas oito distribuições diferentes e considerados dois níveis de significância, 1% e 5%, para gerar previsões de ambas medidas um passo à frente com janela de estimação rolante de 250 e 1000 observações. As previsões foram avaliadas através da Perda Realizada. Os resultados sugerem que as distribuições t de Student e Generalizada do Erro são as mais indicadas para previsão de risco desse mercado, enquanto que as distribuições Normal e Empírica obtiveram desempenho ruim. Esses resultados contribuem para o manejo de risco de carbono nas empresas, promovendo tomadas de decisão mais acuradas diante do cenário de mudanças ambientais.Carbon credit trading systems have been implemented around the world as a way to address the climate crisis. In this context, understanding the risks involved in these markets is crucial for more accurate management and regulation, contributing to their maintenance and the effective reduction of carbon emissions. In this way, taking the data of the carbon credits returns from the European Union Emissions Trading System (EU-ETS), this study computed the predictions of Value-at-Risk (VaR) and Expected Shortfall (ES), considering different probability distributions for the random term of the ARMA-GARCH model. Eight different distributions were used and two levels of significance, 1% and 5%, were considered to generate one-step-ahead predictions of both measures with a rolling estimation window of 250 and 1000 observations. Forecasts were evaluated using Loss. The results suggest that the Student's t and Generalized Error distributions are the most suitable for predicting risk in this market, while the Normal and Empirical distributions performed poorly. These results contribute to the management of carbon risk in companies, promoting more accurate decision-making in the face of the scenario of environmental changes.application/pdfporCréditos de carbonoMercado financeiroRisco financeiroAdministração financeiraCarbon creditsRisk forecastDistributionsPrevisão de risco no mercado de créditos de carbonoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de AdministraçãoPorto Alegre, BR-RS2021/2Administraçãograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001160363.pdf.txt001160363.pdf.txtExtracted Texttext/plain64753http://www.lume.ufrgs.br/bitstream/10183/255947/2/001160363.pdf.txtf3380829070a7204c711af1c95499de4MD52ORIGINAL001160363.pdfTexto completoapplication/pdf359649http://www.lume.ufrgs.br/bitstream/10183/255947/1/001160363.pdfa03ccdc1c4e8a0b37006eab6f10e9560MD5110183/2559472023-03-19 03:34:45.232341oai:www.lume.ufrgs.br:10183/255947Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-03-19T06:34:45Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Previsão de risco no mercado de créditos de carbono |
title |
Previsão de risco no mercado de créditos de carbono |
spellingShingle |
Previsão de risco no mercado de créditos de carbono Bonazza, Gabrielle Lippert Créditos de carbono Mercado financeiro Risco financeiro Administração financeira Carbon credits Risk forecast Distributions |
title_short |
Previsão de risco no mercado de créditos de carbono |
title_full |
Previsão de risco no mercado de créditos de carbono |
title_fullStr |
Previsão de risco no mercado de créditos de carbono |
title_full_unstemmed |
Previsão de risco no mercado de créditos de carbono |
title_sort |
Previsão de risco no mercado de créditos de carbono |
author |
Bonazza, Gabrielle Lippert |
author_facet |
Bonazza, Gabrielle Lippert |
author_role |
author |
dc.contributor.author.fl_str_mv |
Bonazza, Gabrielle Lippert |
dc.contributor.advisor1.fl_str_mv |
Müller, Fernanda Maria |
contributor_str_mv |
Müller, Fernanda Maria |
dc.subject.por.fl_str_mv |
Créditos de carbono Mercado financeiro Risco financeiro Administração financeira |
topic |
Créditos de carbono Mercado financeiro Risco financeiro Administração financeira Carbon credits Risk forecast Distributions |
dc.subject.eng.fl_str_mv |
Carbon credits Risk forecast Distributions |
description |
Sistemas de comércio de créditos de carbono têm sido implementados no mundo todo como forma de endereçar a crise climática. Nesse contexto, o entendimento sobre os riscos envolvidos nesses mercados é determinante para uma gestão e regulamentação mais adequadas, o que contribui para a sua manutenção e a efetiva redução das emissões de carbono. Dessa forma, tomando os dados dos retornos de créditos de carbono do Sistema Europeu de Comércio de Emissões (EU-ETS), esse estudo computou as previsões do Valor em Risco (VaR) e da Perda Esperada (ES), considerando diferentes distribuições de probabilidade para o termo aleatório do modelo ARMA-GARCH. Foram empregadas oito distribuições diferentes e considerados dois níveis de significância, 1% e 5%, para gerar previsões de ambas medidas um passo à frente com janela de estimação rolante de 250 e 1000 observações. As previsões foram avaliadas através da Perda Realizada. Os resultados sugerem que as distribuições t de Student e Generalizada do Erro são as mais indicadas para previsão de risco desse mercado, enquanto que as distribuições Normal e Empírica obtiveram desempenho ruim. Esses resultados contribuem para o manejo de risco de carbono nas empresas, promovendo tomadas de decisão mais acuradas diante do cenário de mudanças ambientais. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022 |
dc.date.accessioned.fl_str_mv |
2023-03-18T03:31:56Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/255947 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001160363 |
url |
http://hdl.handle.net/10183/255947 |
identifier_str_mv |
001160363 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/255947/2/001160363.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/255947/1/001160363.pdf |
bitstream.checksum.fl_str_mv |
f3380829070a7204c711af1c95499de4 a03ccdc1c4e8a0b37006eab6f10e9560 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224655225225216 |