Nesta tese são apresentadas duas aplicações de estimação de Value at Risk (VaR): VaR de Crédito e VaR em Credit Default Swaps (CDS). O VaR de crédito foi estimado com base em pressupostos de correlação diferentes, utilizando as cópulas Gaussiana e t, e comparado com a perda observada numa carteira de crédito de uma instituiçao financeira Portuguesa, num total de 72 observações mensais no período entre 2004 e 2009. Concluo que existe evidência empírica de que algumas das hipóteses assumidas pelas agências de rating para avaliar CDOs são desadequadas em situações de stress, como a crise financeira observada em 2008. As estimativas de VaR de crédito foram comparadas usando procedimentos de backtesting. O modelo que melhor se adequa ao portfolio em análise baseia-se no estimador empírico de correlação proposto por De Servigny e Renault (2002a), considerando a cópula t com 8 graus de liberdade. Relativamente à aplicação de modelos de VaR a CDS, o VaR foi estimado usando vários métodos: Regressão de Quantis, Simulação Histórica, Simulação Histórica Filtrada, Teoria dos Valores Extremos e vários modelos GARCH. A análise baseia-se em 242 entidades, no período entre setembro 2001 e abril 2011. As estimativas de VaR em CDS foram comparadas usando procedimentos de backtesting. Concluo que a Regressão de Quantis proporciona melhores resultados na estimaçãao de VaR que os restantes métodos e que os rácios financeiros propostos por Campbell et al (2008) para determinar o risco de falˆencia contribuem para explicar o preço do CDS.

This thesis presents two applications of Value at Risk (VaR) estimation: Credit VaR and VaR in Credit Default Swaps (CDS). I compare Credit VaR estimates based on different correlation assumptions, using Gaussian and t copulas, with the observed loss in a credit portfolio of a Portuguese financial institution, for a time series of 72 monthly observations, covering the period between 2004 and 2009. I provide empirical evidence that some of the assumptions made by rating agencies to evaluate CDOs are inadequate in stress situations like the financial crisis observed in 2008. All Credit VaR estimates were compared using backtesting procedures. I find that the most accurate Credit VaR model for this portfolio is based on asset correlation given by the empirical estimator proposed by De Servigny and Renault (2002a) and assuming a dependence structure given by the t copula with 8 degrees of freedom. Regarding the application of VaR models to CDS, I estimate VaR using several methods: Quantile Regression, Historical Simulation, Filtered Historical Simulation, Extreme Value Theory and GARCH-based models. The analysis of the determinants of CDS spreads is based on 242 reference entities and the time period ranges from September 2001 to April 2011. All VaR models were compared using backtesting procedures. I find that Quantile Regression provides better results than the other models tested and that the financial ratios proposed by Campbell et al (2008) to determine the risk of bankruptcy contribute to explain the determinants of the price of CDS.