A previdência privada é uma aposentadoria que não está ligada ao sistema do Instituto Nacional do Seguro Social (INSS). Ela é complementar a previdência pública. Todo setor de previdência é fiscaçizado pela Supeintendência de Seguros Privados (SUSEP), órgão do governo federal. fonte: https://economia.uol.com.br/noticias/redacao/2019/12/27/previdencia-privada-como-funciona-rendimento.htm
Por razões regulatórias os bancos devem manter um determinado nível de capital proporcional aos riscos assumidos (o mesmo é valido para as seguradoras), porém, os bancos mantêm um volume de capital superior ao capital regulamentar, o chamado bufferde capital. Obuffer de capital pode ser explicado, do ponto de vista regulatório,como um seguro contra o risco de violar a exigência de capital mínimo, ou seja, os bancos buscam evitar os custos gerados por uma demanda de capitalnão esperada por parte do regulador. Esta motivação deriva de duas outras razões: (i) as instituiçoes financeiras não podem ajustar o capital e o risco instantaneamente; (ii) a violação dos requisitos de capital mínimo regulamentar desencadeia ações de supervisão, que podem levar a uma penalidade com alto custopara as instituiçes (Stolz e Wedow, 2005; Jokipii e Milne, 2008; Stolz e Wedow, 2011).
O presente trabalho é um exercicio proposto aos estágiarios pela equipe de modelagem no setor de gestão de riscos, Curitiba - PR, e tem o objetivo de gerar um relatório contendo indicadores e parametros do comportamento do premio e resgate da previdencia privada que permitam ao grupo segurador mensurar o buffer de capital. De acordo com esses indicadores, os gestores podem tomar decisões de maneira mais assertiva, alinhados com as normas do mercado e normas internas. O exercico utlizou de ferramentas estatistas aplicados na linguarem de programação R, mais especificamentes modelos ARIMA. Esta metodologia consiste em ajustar modelos autorregressivos integrados de médias móveis, ARIMA(p,d,q), a um conjunto de dados. Para a construção do modelo seguimos um algorítimo no qual a escolha da estrutura do modelo é baseado nos próprios dados.A base de dados utilizada e pública e disponibilizada pela SUSEP em: https://www2.susep.gov.br/menuestatistica/SES/principal.aspx
O seguinte estudo tem o objetivo de ……
Base de dados SES/ANS: Ses_seguros(ramo = 992, 994 e 1392), SES_pgbl_uf
Série de todo o mercado acumulado por trimestre:
Ajuste Arima
## Series: Contribuicao_Previdencia.ts
## ARIMA(1,1,2)(2,1,2)[4]
##
## Coefficients:
## ar1 ma1 ma2 sar1 sar2 sma1 sma2
## -0.9999 0.5589 -0.4214 -1.2414 -0.9470 0.5188 0.8763
## s.e. 0.0013 0.3538 0.3465 0.2502 0.1283 0.4166 NaN
##
## sigma^2 estimated as 3.977e+18: log likelihood=-394.77
## AIC=805.55 AICc=823.55 BIC=812.21
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -244471837 1344519576 1040425426 -1.088091 3.643258 0.2548373
## ACF1
## Training set -0.01386452
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,2)(2,1,2)[4]
## Q* = 8.5434, df = 3, p-value = 0.03602
##
## Model df: 7. Total lags used: 10
Comparação gráfica entre a série real e a ajustada:
Projeção para os próximos três anos:
Choque:
| data | forecast_u | forecast_l | forecast_mean | diferenca_u | diferenca_l | percent_u | percent_l |
|---|---|---|---|---|---|---|---|
| 2020-09-01 | 34603432919 | 25174651539 | 29889042229 | 4714390690 | -4714390690 | 0.1577297 | -0.1577297 |
| 2020-12-01 | 34674181922 | 23989916146 | 29332049034 | 5342132888 | -5342132888 | 0.1821261 | -0.1821261 |
| 2021-03-01 | 31062176386 | 19142381838 | 25102279112 | 5959897274 | -5959897274 | 0.2374245 | -0.2374245 |
| 2021-06-01 | 31523507774 | 18720372082 | 25121939928 | 6401567846 | -6401567846 | 0.2548198 | -0.2548198 |
| 2021-09-01 | 36990699670 | 22294331205 | 29642515438 | 7348184233 | -7348184233 | 0.2478934 | -0.2478934 |
| 2021-12-01 | 37703196253 | 21910961101 | 29807078677 | 7896117576 | -7896117576 | 0.2649075 | -0.2649075 |
| 2022-03-01 | 36341831256 | 19299160877 | 27820496067 | 8521335190 | -8521335190 | 0.3062970 | -0.3062970 |
| 2022-06-01 | 33345590757 | 15360045652 | 24352818205 | 8992772553 | -8992772553 | 0.3692703 | -0.3692703 |
| 2022-09-01 | 46404860354 | 23206730897 | 34805795625 | 11599064729 | -11599064729 | 0.3332510 | -0.3332510 |
| 2022-12-01 | 44644705337 | 19296397737 | 31970551537 | 12674153800 | -12674153800 | 0.3964321 | -0.3964321 |
| 2023-03-01 | 43101905443 | 15333920953 | 29217913198 | 13883992245 | -13883992245 | 0.4751877 | -0.4751877 |
| 2023-06-01 | 33669222296 | 4120074297 | 18894648297 | 14774573999 | -14774573999 | 0.7819449 | -0.7819449 |
Ajuste Arima
série de todo o mercado acumulado por trimestre
## Series: Resgate_Previdencia.ts
## ARIMA(2,1,1)(2,1,1)[4]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2 sma1
## -0.3859 0.1486 -1.0000 -0.3130 -0.4824 -0.1740
## s.e. 0.7250 1.0652 0.3417 0.8425 0.4119 1.0165
##
## sigma^2 estimated as 1.972e+18: log likelihood=-382.18
## AIC=778.37 AICc=790.81 BIC=784.2
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -148226644 992961560 693121037 -1.183648 4.055258 0.4061488
## ACF1
## Training set -0.04396891
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,1)(2,1,1)[4]
## Q* = 6.5958, df = 3, p-value = 0.08596
##
## Model df: 6. Total lags used: 9
| data | forecast_u | forecast_l | forecast_mean | diferenca_u | diferenca_l | percent_u | percent_l |
|---|---|---|---|---|---|---|---|
| 2020-09-01 | 23227340722 | 17467971300 | 20347656011 | 2879684711 | -2879684711 | 0.1415241 | -0.1415241 |
| 2020-12-01 | 21626135346 | 15635098189 | 18630616768 | 2995518579 | -2995518579 | 0.1607847 | -0.1607847 |
| 2021-03-01 | 26390993107 | 20075297934 | 23233145520 | 3157847587 | -3157847587 | 0.1359199 | -0.1359199 |
| 2021-06-01 | 23191514177 | 16869437764 | 20030475971 | 3161038206 | -3161038206 | 0.1578114 | -0.1578114 |
| 2021-09-01 | 25794041275 | 18342682714 | 22068361995 | 3725679281 | -3725679281 | 0.1688245 | -0.1688245 |
| 2021-12-01 | 24515870242 | 17046947153 | 20781408697 | 3734461545 | -3734461545 | 0.1797020 | -0.1797020 |
| 2022-03-01 | 27183508439 | 19548367030 | 23365937735 | 3817570704 | -3817570704 | 0.1633819 | -0.1633819 |
| 2022-06-01 | 25948644453 | 18340798963 | 22144721708 | 3803922745 | -3803922745 | 0.1717756 | -0.1717756 |
| 2022-09-01 | 26785638016 | 18924425780 | 22855031898 | 3930606118 | -3930606118 | 0.1719799 | -0.1719799 |
| 2022-12-01 | 26336041841 | 18507467864 | 22421754852 | 3914286989 | -3914286989 | 0.1745754 | -0.1745754 |
| 2023-03-01 | 29912164804 | 22028715996 | 25970440400 | 3941724404 | -3941724404 | 0.1517773 | -0.1517773 |
| 2023-06-01 | 26673747389 | 18810381018 | 22742064203 | 3931683185 | -3931683185 | 0.1728815 | -0.1728815 |