Risk assessment and management of a portfolio value-at-risk

Abstract

This thesis examines the measurement and management of market risk through the application of Value-at-Risk (VaR) methodologies to a diversified portfolio composed of fixed-income securities and equities from the United States, European, and Asian markets. The research pursued two main objectives, namely, to determine which estimation method provides the most reliable VaR and to assess whether a management framework based on this measure can enhance portfolio stability and long-term performance. Several methodologies were considered, including the Normal model, Historical Simulation, Quantile Regression (QR), and the Skewed Generalized Student-t (SGSt) model. The analysis showed that models capable of capturing asymmetrical and heavy tails provide more robust estimates than simpler approaches. Backtesting procedures confirmed the reliability of the chosen model across different market conditions. When applied to portfolio management during 2023 to 2024, the chosen model proved effective in identifying the main sources of risk and guiding the implementation of a dynamic hedging strategy that reduced volatility and improved risk adjusted returns. The contribution of this research lies in its systematic comparison of parametric and non-parametric VaR models within a multi asset portfolio and in demonstrating the practical value of integrating VaR into active portfolio management. The findings demonstrate that diversification on its own is not sufficient in periods of market turbulence, when global markets tend to move together. They underline the importance of combining accurate modelling with timely management actions in order to protect capital and to sustain consistent financial performance over time.

Esta dissertação examina a avaliação e a gestão do risco de mercado através da aplicação de metodologias de Value-at-Risk (VaR) a um portefólio diversificado composto por títulos de dívida e ações dos mercados dos Estados Unidos, Europa e Ásia. Este estudo teve dois objetivos principais, nomeadamente identificar o método de estimação mais fiável e avaliar se a gestão baseada nesta medida melhora a estabilidade e o desempenho de longo prazo do portefólio. Foram consideradas várias metodologias, incluindo o modelo Normal, a Simulação Histórica, a Quantile Regression (QR) e o Skewed Generalized Student-t (SGSt). A análise demonstrou que modelos capazes de captar assimetrias e caudas pesadas (também designadas por caudas grossas) produzem estimativas mais robustas do que abordagens simplificadas. Os procedimentos de backtesting confirmaram a fiabilidade do modelo selecionado em diferentes condições de mercado. Quando aplicado à gestão do portefólio, no período de 2023 a 2024, o modelo revelou-se eficaz na identificação das principais fontes de risco e na orientação da implementação de uma estratégia dinâmica de cobertura que reduziu a volatilidade e melhorou os retornos ajustados ao risco. Os resultados mostram que a diversificação, por si só, não é suficiente em períodos de turbulência, quando os mercados globais tendem a mover-se em conjunto. Sublinha-se assim a importância de combinar uma modelação rigorosa com ações de gestão oportunas para proteger o capital e sustentar um desempenho financeiro consistente.