Previsão de risco no mercado de créditos de carbono

Abstract

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.

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.