ads:
1
Mario Domingues Simões
Decisão de Sazonalização de Contratos de Fornecimento
de Energia Elétrica através da Otimização da Medida
Ômega (Ω)
Dissertação de Mestrado
Dissertação apresentada ao Programa de Pós-
Graduação em Administração da PUC-Rio como
requisito parcial para obtenção do título de Mestre
em Administração.
Orientador: Prof. Leonardo Lima Gomes
Rio de Janeiro
Fevereiro de 2009
PUC-Rio - Certificação Digital Nº 0712952/CA
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
2
Mario Domingues Simões
Decisão de Sazonalização de Contratos de Fornecimento
de Energia Elétrica através da Otimização da Medida
Ômega (Ω)
Dissertação apresentada como requisito parcial para obtenção do título
de Mestre em Administração pelo Programa de Pós-Graduação em
Administração da PUC-Rio. Aprovada pela Comissão Examinadora
abaixo assinada.
Prof. Leonardo Lima Gomes
Orientador
Departamento de Administração – PUC-Rio
Prof. Luiz Eduardo T. Brandão
Departamento de Administração – PUC-Rio
Dr. Luiz Guilherme Marzano
CEPEL
Dr. Pedro Moretzon David
EPE
Prof. Nizar Messari
Vice-Decano de Pós-Graduação
do CCS - PUC-Rio
Rio de Janeiro, 17 de fevereiro de 2009
PUC-Rio - Certificação Digital Nº 0712952/CA
ads:
3
Todos os direitos reservados. É proibida a reprodução total
ou parcial do trabalho sem autorização da universidade, do
autor e do orientador.
Mario Domingues de Paula Simões
Graduado em Engenharia Química na Universidade
Federal do Rio de Janeiro Escola de Química) em 1979, em
seguida obteve o título de Master of Science in Chemical
Engineering Practice pelo Massachusetts Institute of
Technology em 1982, ingressando no Programa de Pós-
Graduação em Administração da PUC-Rio em 2007. É
consultor independente de várias empresas.
Ficha Catalográfica
Simões, Mario Domingues de Paula
Decisão de sazonalização de contratos de
fornecimento de energia elétrica através da otimização da
medida Ômega (Ω) / Mario Domingues de Paula Simões ;
orientador: Leonardo Lima Gomes. – 2009.
52 f. : il. ; 30 cm
Dissertação (Mestrado em Administração)–Pontifícia
Universidade Católica do Rio de Janeiro, Rio de Janeiro,
2009.
Inclui bibliografia
1. Administração – Teses. 2. Análise de decisão. 3.
Medida ômega. 4. Energia elétrica. 5. Simulação. 6.
Otimização. I. Gomes, Leonardo Lima. II. Pontifícia
Universidade Católica do Rio de Janeiro. Departamento
de Administração. III. Título.
CDD: 658
PUC-Rio - Certificação Digital Nº 0712952/CA
4
RESUMO
Simões, Mario Domingues; Gomes, Leonardo, Lima; Decisão de
Sazonalização de Contratos de Fornecimento de Energia
Elétrica através da Otimização da Medida Ômega (Ω). Rio de
Janeiro, M 2009. M 52p. M Dissertação M de M estrado M – M Departamento M de
Administração, Pontifícia Universidade Católica do Rio de Janeiro
Desde o final dos anos 90, o setor elétrico brasileiro vem passando
por grandes reformas, cujos principais objetivos são aumentar a
competição e a eficiência na alocação de recursos. Em função deste
aumento de eficiência na alocação de recursos e devido ao consumo
sazonal de energia no Brasil, foi estabelecida uma flexibilidade para as
hidrelétricas conhecida como sazonalização. A sazonalização permite
que, a cada ano, o agente de geração declare para o próximo ano o
quanto é a energia mensal respeitando-se certos limites. Neste artigo,
propõe-se um modelo de análise de decisão da sazonalização a partir da
otimização da medida ômega, com restrições de valor em risco (restrição
prática difundida na indústria). Para o cálculo desta medida, utiliza-se
simulação dos preços de curto prazo. Aplica-se este modelo ao caso de
uma pequena central hidrelétrica. Os resultados indicam que a decisão de
sazonalização muda substancialmente quando há restrição de valor em
risco, fazendo com que a decisão ótima fique mais próxima de uma
alocação uniforme ao longo do ano.
Palavras-chave
análise de decisão; medida ômega; energia elétrica; simulação;
otimização
PUC-Rio - Certificação Digital Nº 0712952/CA
5
ABSTRACT
Simões, Mario Domingues; Gomes, Leonardo, Lima; Decision of
the Seasonalization of Electricity Supply Contracts based on
the Optimization of the Omega Measurement (Ω). Rio de
Janeiro, M 2009. M 52p. M Sc. M Dissertation M – M Departamento M de
Administração, Pontifícia Universidade Católica do Rio de Janeiro
Since the late 1990s, the Brazilian electric power industry has
undergone significant structural changes, the main objective being to
increase competition and resources allocation efficiency. Due to this
increase in efficiency and because of seasonal electricity consumption,
there is the inclusion of a contractual flexibility, named seazonalization.
This flexibility in the contract allows for the generation agent (hydroelectric
plant) to choose the monthly electricity amount generated and supplied to
the system, each year, within certain limits. In this work it is proposed a
model for the analysis and decision of the best energy supply profile, for
the twelve months of the contract time span, based on the optimization of
the omega measurement, subjected to value at risk restrictions (restriction
widely employed in the related industry). In order for this omega
measurement to be employed, the simulation of short term prices is used,
and the model then applied to a small hydroelectric generation facility. The
results indicate that the seazonalization decision will change substantially
when there are “value at risk” restrictions, forcing the optimal decision to
be closer to a flat allocation throughout the year.
Keywords
decision analysis; omega measurement; electricity; simulation;
optimization
PUC-Rio - Certificação Digital Nº 0712952/CA
6
Sumário
1 INTRODUÇÃO 10
2 O MERCADO DE ENERGIA ELÉTRICA NO BRASIL 14
2.1 Formatação dos Contratos 14
2.2 A Sazonalização 15
3 REVISÃO DA LITERATURA E A MEDIDA ÔMEGA (Ω) 16
3.1 Alguns Métodos de Escolha de Carteiras 16
3.2 A Medida VaR 18
3.3 A Medida Ômega 20
3.4 Definição e Cálculo da Medida Ômega 21
3.5 Visão alternativa da Medida Ômega 25
3.6 Simplificação para Retornos Equiprováveis 28
4 METODOLOGIA 30
4.1 Modelagem dos Resultados Considerando Sazonalização 30
4.2 Cálculo e Simulação dos PLDs 32
4.3 Aferição dos Resultados 34
4.4 Otimização e Convergência 35
5 Resultados 37
5.1 Variação do Ω e do VaR 95% em Função da Meta 37
5.2 Variação do Ω Fixando o VaR
95%
29
5.3 Sensibilidade de Ω e VaR
95%
ao Preço Contratado
5.4 Perfil de Entrega Sazonalizada 40
6 Conclusões 42
PUC-Rio - Certificação Digital Nº 0712952/CA
7 Referências Bibliográficas 46
8 Apêndices 48
8.1 O Sistema Elétrico Brasileiro 48
8.1.1 Procedimento de Formação dos PLDs 48
8.1.2 Operação de um Sistema Hidrotérmico 48
8.1.3 Cálculo do PLD 51
8.1.4 Simulação dos PLDs 52
PUC-Rio - Certificação Digital Nº 0712952/CA
8
Lista de Figuras
Figura 1 – Distribuição de Exemplo de Retornos e limite L = 1,2 21
Figura 2 – Ilustração da Definição de Ômega Ω (L) 22
Figura 3 – Ilustração das Parcelas Ganho e Perda (todos os
valores) 23
Figura 4 – Numerador EC(L) e Denominador ES(L) para a derivação
de Ω 25
Figura 5 – Percentis Referentes à Simulação de PLDs 33
Figura 6 - Opções de execução do add-in Solver 35
Figura 7 - Ω e VaR95% Variando-se a Meta (limite L) 37
Figura 8 – Ω com restrição de VaR
95%
38
Figura 9 – Ω vs Preços Contratuais 39
Figura 10 – Perfil Ótimo de Entrega Sazonalizada com Restrição de
VaR
95%
40
Figura 11 – Perfil Ótimo de Entrega Sazonalizada sem Restrições 41
Figura 12 – Processo de decisão para sistemas hidrotérmicos
(GOMES, L. L.; Luiz, I. G.; 2009) 49
Figura 13 – Custo Imediato e Futuro (GOMES, L. L.; LUIZ, I. G.;
2009) 50
Figura 14 – Uso Ótimo da Água (GOMES, L. L.; Luiz, I. G.; 2009) 50
PUC-Rio - Certificação Digital Nº 0712952/CA
9
Lista de Tabelas
Tabela 1 – Exemplo de Distribuição de Resultados 22
Tabela 2 – Marcha de Cálculo dos Ganhos e Perdas Ponderadas
para a Distribuição de Retornos de Exemplo e dado um Limite L =1,2 24
Tabela 3 – Marcha de Cálculo do Valor da Medida Ômega (Ω) de
acordo com a Equação (3) e um Limite L =1,2 para os Dados da
Distribuição Exemplar 27
Tabela 4 -Diferenças de valores Ω para entregas mensais com
variações marginais (+1 MW e -1 MW) 36
PUC-Rio - Certificação Digital Nº 0712952/CA
10
1
INTRODUÇÃO
O setor elétrico brasileiro (SEB) passou por grandes mudanças nos
últimos anos, destacando-se a reformulação do setor, que foi iniciada a
partir do segundo semestre de 1997 quando foram efetuadas as primeiras
privatizações. Até aquele ponto a situação era, basicamente, traduzida
por um monopólio estatal administrado por empresas federais e
estaduais. A partir daquele momento as privatizações foram iniciadas, o
que acarretou uma grande reestruturação do setor.
As mudanças então iniciadas foram baseadas no chamado Projeto
de Reestruturação do Setor Elétrico Brasileiro (Projeto RE-SEB),
coordenado pelo Ministério de Minas e Energia, apresentando como
principais características:
• a desverticalização da produção, transmissão, distribuição e
comercialização de energia elétrica;
• a liberalização da competição nos segmentos de produção e
comercialização, com preços contratados definidos pelo mercado;
• a permissão a geradores e comercializadores de ter livre acesso
às redes de transmissão e distribuição;
• a criação do Mercado Atacadista de Energia (MAE), atualmente
rebatizado de Câmara de Comercialização de Energia Elétrica
(CCEE), como sendo um ambiente de contabilização e liquidação
da energia elétrica negociada.
Posteriormente, o formato de negociação de energia foi aprimorado.
Os ambientes de negociação de energia elétrica foram estabelecidos no
decreto n
o
5.163 de 30 de Julho de 2004, sendo regulamentados na forma
do Ambiente de Contratação Livre (ACL) e do Ambiente de Contratação
Regulada (ACR).
PUC-Rio - Certificação Digital Nº 0712952/CA
11
O ACL é definido como o segmento do mercado no qual se realizam
as operações de compra e venda de energia elétrica, objeto de contratos
bilaterais livremente negociados. Já o ACR é o ambiente que envolve as
contratações de energia com as distribuidoras por meio de processos
regulados.
Empresas de geração podem vender energia tanto no ACR como no
ACL, dependendo da estratégia adotada. No caso específico das
hidrelétricas, essas possuem uma capacidade máxima de contratação de
energia que é dada por sua energia assegurada.
Atualmente a energia assegurada é calculada conforme a Resolução
nº 9 do MME, de 28 de julho de 2008, que alterou o critério de cálculo da
energia assegurada, definindo a igualdade CMO (Custo Marginal de
Operação) = CME (Custo Marginal de Expansão) além do puro cálculo
estatístico da energia que uma hidrelétrica consegue disponibilizar ao
sistema em uma situação hidrológica crítica, dado um nível de
confiabilidade de 95%. Por exemplo, uma hidrelétrica pode ter 450
MWmed de capacidade instalada mas apenas 200 MWmed de energia
assegurada. Assim, esta hidrelétrica só poderá realizar contratos de
venda totalizando até 200 MWmed.
Devido ao consumo sazonal de energia no Brasil, foi estabelecida
uma flexibilidade para as hidrelétricas conhecida como sazonalização da
energia assegurada, esta sendo de particular interesse e objeto deste
trabalho.
A sazonalização permite que, a cada ano, o agente de geração
hidrelétrica declare para o ano seguinte o quanto será a energia mensal
fornecida, respeitando-se os limites inferior de zero e superior da
capacidade instalada, assim como o total anual da energia assegurada.
Assim, considerando o exemplo anterior, uma hidrelétrica que detém
200 MWmed de energia assegurada poderia escolher uma sazonalidade
a partir da qual fornece 400 MWmed no mês de janeiro e 0 MWmed no
mês de dezembro, mantendo-se em 200 MWmed a energia assegurada
PUC-Rio - Certificação Digital Nº 0712952/CA
12
nos outros meses. A média anual permaneceu em 200 MWmed e o limite
superior da capacidade instalada não foi violado (450 MWmed).
Dessa forma, é possível haver fornecimentos de energia, durante o
período contratado, acima ou abaixo da média especificada, desde que o
total fornecido no período obedeça ao contrato firmado.
Quando isso acontece, com a energia assegurada mensal sendo
maior ou menor do que a energia contratada, as diferenças contabilizadas
a maior ou a menor são liquidadas de acordo com os preços de curto
prazo (Preço de Liquidação das Diferenças - PLD), que podem ser
maiores ou menores do que o preço fixo contratual.
A análise da decisão da sazonalização é uma questão prática com a
qual os agentes de geração hidrelétrica se deparam anualmente, sendo
uma das principais decisões comerciais de um gerador.
Ressalta-se que as empresas de geração, que realizam a
sazonalização como uma operação descasada, têm uma preocupação
muito grande em controlar o risco e conseqüentemente o tamanho do
descasamento. É comum que estas empresas utilizem o Value at Risk
(VaR) para controlar a exposição ao risco de mercado. Na seção 3.1 será
apresentada a definição de VaR.
Assim, a questão de pesquisa que se pretende abordar no presente
trabalho diz respeito à seguinte situação: “Qual é a melhor forma de
sazonalizar a Energia Assegurada maximizando o resultado da
hidrelétrica, considerando-se restrições de valor em risco (VaR)”?
No sentido de responder a esta questão, a maximização da medida
ômega (Ω) foi escolhida como critério de seleção da sazonalização, dado
um determinado nível de VaR. A medida Ω foi escolhida porque consegue
incorporar todos os momentos da distribuição de resultados, fornecendo
uma completa descrição das características do risco-retorno, de tal modo
que resulta em uma medida intuitivamente atrativa e facilmente
computável.
No caso específico de trabalhos sobre comercialização de energia
elétrica no Brasil, observam-se distribuições de preços extremamente
PUC-Rio - Certificação Digital Nº 0712952/CA
13
afastadas da normalidade, o que torna o uso da medida Ω particularmente
valioso devido a sua independência a hipóteses de normalidade.
Além de procurar responder a uma pergunta associada a um
problema real, este artigo contribui com a utilização de uma técnica
recente de otimização de carteira que é a maximização da medida Ω com
restrição de VaR.
Este trabalho está organizado da seguinte forma: a seguir será feita
uma introdução ao mercado de energia elétrica no Brasil, buscando
apontar e explicar algumas características deste. Em continuidade, será
feita uma revisão da literatura com uma explicação sobre a função ômega
e suas particularidades. Após esta explicação, serão apresentadas a
modelagem do problema, as soluções obtidas e, finalmente, serão
enunciadas as conclusões e recomendações.
PUC-Rio - Certificação Digital Nº 0712952/CA
14
2
O MERCADO DE ENERGIA ELÉTRICA NO BRASIL
2.1
Formatação dos Contratos
No Brasil, a unidade básica negociada em contratos de energia
elétrica é o megawatt-hora (MWh), com os preços negociados em reais
por megawatt-hora (R$/MWh). Um contrato de fornecimento especifica as
quantidades de energia elétrica a serem entregues durante determinados
intervalos de tempo.
Seja um contrato com prazo de dois meses, para entrega em março
e abril de determinado ano, que determina que o fornecedor entregue
74.400 MWh em março e 72.000 MWh em abril. Se o preço contratado for
de 50 R$/MWh, o faturamento do fornecedor deverá ser de R$ 50 x
74.400 em março e de R$ 50 x 72.000 em abril.
Como os meses de março e abril têm, respectivamente, 744 e 720
horas e o valor médio de energia entregue será de 100 megawatts (MW),
é bastante comum que a quantidade negociada seja expressa em MW
médios (MWmed), indicando ser esta a média no período. A quantidade
negociada, de 100 MWmed para março e abril, equivale a 100 (MW) x
744 (horas) MWh em março e 100 (MW) x720 (horas) MWh em abril.
O mercado brasileiro de energia elétrica está dividido em quatro sub-
mercados, embora o sistema seja integrado em âmbito nacional.
Dependendo da situação do armazenamento de água, da oferta e da
demanda, cada sub-mercado pode apresentar preços bastante diferentes.
Daí a importância da especificação do local da entrega em cada contrato.
No exemplo aqui apresentado, o contrato seria expresso com as
seguintes características:
• Ponto de Entrega: sub-mercado Sudeste/Centro-oeste;
PUC-Rio - Certificação Digital Nº 0712952/CA
15
• Duração: Março e Abril do ano tal;
• Quantidade: 100 MWmed;
• Preço: 50 R$/MWh.
2.2
A Sazonalização
Segundo a CCEE, “Sazonalização é o processo de alocar
mensalmente um montante anual de energia, seja de um contrato ou a
energia assegurada de uma usina”. Ou seja, trata-se de uma das
principais flexibilidades automaticamente inseridas na capacidade de
fornecimento de uma hidrelétrica.
A sazonalização da Energia Assegurada possui como limites a
máxima capacidade instalada e zero. Assim, uma Pequena Central
Hidrelétrica (PCH) de capacidade de geração de 20 MW, poderia ter uma
quantidade de energia assegurada no âmbito da CCCE aferida em 10
MWmed, e poderia sazonalizar seu contrato de fornecimento de energia
entre 0 e 20 MWmed, conforme sua expectativa das condições esperadas
no período.
Supondo-se que a PCH do exemplo anterior tivesse contratado
uniformemente toda a sua energia assegurada de 10 MWmed, no caso
em que a energia sazonalizada mensal fosse abaixo dos 10 MWmed
contratados, a diferença seria contabilizada como um débito contra este
fornecedor, ao PLD do período. Ao contrário, seria um crédito nas
mesmas condições.
Partindo-se da premissa de que a sazonalização levará a geradora a
ter excedentes em alguns meses e déficits em outros, a simulação dos
PLDs se torna uma informação bastante relevante na análise de decisão.
No apêndice, ao final, descreve-se como o PLD é formado a partir da
operação ótima de um sistema hidrotérmico.
PUC-Rio - Certificação Digital Nº 0712952/CA
16
3
REVISÃO DA LITERATURA E A MEDIDA ÔMEGA (Ω)
3.1
Alguns Métodos de Escolha de Carteiras
O trabalho de Markowitz (1952) foi o precursor na análise de decisão
em formação de carteiras. Aquele autor utilizou a variância do retorno da
carteira como medida de risco. Em seu trabalho, deseja-se obter uma
carteira de risco mínimo, ou seja, de variância mínima sujeito a restrições
de uso do capital e de limite mínimo de retorno na carteira.
O risco sobre o retorno pode ser tratado como uma variável
aleatória, sendo que apenas o segundo momento da distribuição de
probabilidades do retorno, expresso através da variância (e do desvio
padrão), é o indicador que define maior ou menor exposição ao risco ao
qual o ativo está exposto.
Adicionalmente ao trabalho desenvolvido por Markowitz, surgiram
outras medidas e índices de desempenho utilizados para escolher
carteiras. Os resultados formalizados pelos tradicionais trabalhos de
Treynor (1965), Sharpe (1966) e Jensen (1968) contribuíram com alguns
índices amplamente conhecidos e aceitos no mercado.
Todos estes estudos, entretanto, têm em comum duas
características, quais sejam (a) a aceitação de que os dados estudados
conformam-se às características de distribuições normais, e (b) utilizam
dados históricos para a derivação de dados de performance.
A partir destes, a literatura cita inúmeros trabalhos que abordaram a
análise de risco, enriquecendo de sobremaneira as alternativas para a
mensuração de resultados, embora de forma geral aceitando a hipótese
subjacente de normalidade, ainda que sempre com a preocupação
presente de avaliar que tipo de problemas e distorções uma tal
abordagem poderia gerar.
PUC-Rio - Certificação Digital Nº 0712952/CA
17
O índice de Sharpe (IS), por exemplo, avalia o desempenho de uma
carteira levando-se em conta a divisão entre o retorno esperado e o
desvio padrão do retorno da carteira. Isto é perfeitamente aceitável
quando se pode determinar perfeitamente o desvio padrão envolvido, mas
pode não ser tão apropriado em um caso no qual o desvio padrão, por
estar associado a uma distribuição não normal de resultados, não a
descreva completamente.
Por outro lado, estes trabalhos também se valem do histórico da
performance das carteiras para comparar sua performance em relação ao
comportamento passado, o que não seria possível no caso de se tentar
avaliar e comparar alternativas de resultados futuros previstos
(simulados).
Na evolução dos critérios de escolha de carteiras e controle de risco,
surgiu o Value at Risk (VaR), forma de quantificação desenvolvida pelo
banco JP Morgan (1996). Esta é uma forma sistemática resultante do
esforço de determinar, a cada período, qual o valor provável da perda,
dado determinado nível de significância estatística. Maiores detalhes e
considerações sobre a sobre esta medida de risco serão feitas na próxima
seção.
Uma outra medida de risco também existente é a conhecida como
Perda Média Esperada (Expected Shortfall - ES) ou Conditional Value-at-
Risk (CVaR) , que decorre de uma crítica relacionada ao VaR, na medida
em que este indica apenas uma probabilidade de perda acima de um
limite, mas não de que tamanho pode ser esta perda
uma vez incorrida
(Rockafellar e, Uryasev, 2000), enquanto o ES fornece informações sobre
a cauda da distribuição esperada de resultados.
Acerbi e Tasche (2001) claramente apontam que o uso do VaR
como medida de risco pode levar a resultados e erros paradoxais, uma
vez que esta medida não atende às características aceitas de uma
medida de risco coerente.
Além disso, no trabalho mencionado acima, fica bastante claro a que
tipo de erro o uso de uma restrição de risco na forma de VaR pode levar,
PUC-Rio - Certificação Digital Nº 0712952/CA
18
através da apresentação de exemplos didáticos. Uma medida que baseia-
se em hipóteses de normalidade pode levar a situações bastante
distorcidas na otimização de ativos, e recomenda-se que ao menos as
potencialidades de erro e suas origens sejam conhecidas.
Entretanto, devido a sua grande simplicidade conceitual, facilidade
de cálculo e rápida aplicabilidade, o VaR tornou-se a medida de risco
financeiro padrão, de fato, e aceita de forma geral (Yamai e Yoshiba,
2002).
3.2
A Medida VaR
Como já indicado anteriormente, o VaR é uma medida de risco
largamente utilizada pelo mercado financeiro, tendo sida introduzida pelo
banco JP Morgan em 1966, e que a despeito de inúmeras críticas (Artzner
et al, 1997), a seu respeito é, de fato, o padrão de medida de risco
utilizado.
Esta medida é uma estimativa da máxima perda potencial que um
agente financeiro estaria disposto a perder, dado um determinado nível de
confiança e um período admitido para avaliação.
Exemplificando-se, o VaR
95%
traduziria que no próximo período, por
exemplo, de uma semana, a perda prevista pela distribuição esperada de
resultados das operações em questão, a um nível de confiança de 95%,
seria de um valor v. Assim, uma instituição pode balizar suas ações e
operações através do máximo valor em risco admitido pela política
definida pela direção da empresa, forçando o seu VaR a ser inferior (ou
igual) aquele valor (Marzano, 2004).
Em outras palavras, o VaR traduziria a perda máxima possível para
as determinadas operações, dado um horizonte temporal e um certo nível
de confiança.
No caso em questão, poderíamos usar a definição estrita de que,
sendo z = f(r,s) o resultado
1
obtido com uma operação de sazonalização
1
Define-se valor ao risco como o negativo do resultado
PUC-Rio - Certificação Digital Nº 0712952/CA
19
da entrega da energia assegurada, cujo valor é função de uma coleção r
de resultados de faturamento, e s um vetor de distribuição de entrega de
energia sazonalizada a cada mês, o VaR será o valor de z do percentil
definido como referência, para aquela distribuição de resultados.
Assim, para uma determinada distribuição de resultados, o valor z =
f(r,s) é uma variável com distribuição de probabilidades bem definida no
conjunto de números reais, determinada pelos valores de entrega de
energia e sujeito à probabilidade de cada resultados p(r), determinados
pelos preços de liquidação simulados (PLDs).
Sendo (1-β) a probabilidade de um resultado de faturamento
exceder determinado valor ν, temos:
o que significa o mesmo que dizer que a probabilidade do valor ao
risco ν ser dado por β é de:
Assim, o valor ν representa o VaR da sazonalização específica, a
um nível de confiança β%. Este valor determina um resultado mínimo que
só é batido em (1-β)% dos casos (observe que os PLDs são constantes,
uma vez que são obtidos através de uma única coleção de simulações
para todos os casos sazonalizados).
Em outras palavras, o VaR a um nível de confiança de 95% está
associado a um resultado de faturamento mínimo ν, cuja probabilidade de
ocorrência é de 5%, dado aquele vetor de distribuição de entrega de
energia de sazonalizada, ou seja, em 95% dos casos teremos valores de
faturamento superiores a ν.
∫
≥
−==≥
ν
βννν
r
dprprob 1)()(
(1)
∫
≤
==≤
ν
βννν
r
dprprob )()(
(2)
PUC-Rio - Certificação Digital Nº 0712952/CA
20
3.3
A Medida Ômega
Muitas dificuldades são encontradas no momento de definir uma
adequada medida de desempenho de um ativo ou de uma carteira. A
maioria dos indicadores considera duas importantes simplificações: a
média e a variância descrevem completamente a distribuição de retornos.
Estas simplificações são válidas se é assumida uma distribuição
normal dos retornos ou valores; entretanto, é geralmente aceito o fato
empírico de que os retornos dos investimentos não possuem uma
distribuição normal. Assim, além da média e da variância, momentos de
ordem superior seriam necessários para descrever melhor a distribuição.
A medida Ômega (Ω), apresentada por Keating e Shadwick (2002),
consegue incorporar todos os momentos da distribuição. Ela fornece uma
completa descrição das características do risco-retorno, resultando em
uma medida intuitivamente atrativa e explicativa, facilmente calculada. Ao
invés de estimar alguns momentos individuais, a medida Ω considera o
impacto total da distribuição, o qual é certamente de interesse dos
tomadores de decisão.
A medida Ω, por definição, leva em conta um nível de retorno ou
valor chamado de “limite” (L), definido exogenamente, o qual é a fronteira
entre o que se considera como ganho e como perda. Mesmo em
distribuições normais, dependendo do valor do L, a medida Ω fornece
informações adicionais que só a média e variância não conseguiriam. Isto
levaria a obter diferentes resultados em otimização de carteiras, se
comparado com a otimização clássica de Markowitz.
Cabe destacar que a definição de um limite (L), também interpretado
como uma meta, possui uma alta aderência à realidade das empresas e
do mercado financeiro. Empresas e investidores estão habituados a
definirem metas, abaixo das quais se considera perda e acima das quais
se considera ganho.
A utilização da medida Ω é recente, tendo grande potencial de
desenvolvimento e novas aplicações. Alguns trabalhos que já
PUC-Rio - Certificação Digital Nº 0712952/CA
21
empregaram este índice de performance podem ser citados, tendo o uso
da medida trazido a contribuição da demonstração de que a função
ômega Ω(L) pode ser escrita como uma divisão de dois valores esperados
(Kazemi, Schneeweis e Gupta, 2003). Uma proposta para otimizar uma
carteira de ações utilizando a medida Ω é feita em Ick e Nowak (2006) e,
por fim, a otimização da medida Ω é utilizada na escolha de carteiras de
projetos com opções reais Castro (2008). Neste último caso, a
metodologia desenvolvida é aplicada a projetos do setor petrolífero
brasileiro.
3.4
Definição e Cálculo da Medida Ômega
Conforme mencionado acima, a medida Ômega (Ω) tem por
finalidade capturar a informação contida em toda a distribuição de
retornos esperada e, desta forma, necessita de uma informação sobre a
qualidade requerida destes retornos. Assim, um limite L deve ser definido
exogenamente, de acordo com as preferências características do
indivíduo ou entidade em pauta, assim como do tipo de investimento.
Figura 1 – Distribuição de Exemplo de Retornos e limite L = 1,2
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
-0,3 -0,1 0 0,2 0,4 0,6 0,9 1,2 1,4 1,5 1,7 1,9 2,4 2,9
probabilidade %
retornos
L = 1,2
PUC-Rio - Certificação Digital Nº 0712952/CA
22
A distribuição apresentada na Figura 1 servirá de exemplo para
melhor caracterizar a forma de cálculo da medida ômega para um
determinado caso, conforme será mostrado.
Esta distribuição servirá para ilustrar o conceito desta métrica e a
forma de calcular o valor da função Ω para um determinado limite L, dada
uma distribuição de retornos esperada para um ativo, seja ele um ativo
único ou uma carteira ou coleção deles.
Tabela 1
– Exemplo de Distribuição de Resultados
Valor -0,3
-0,1
0,0 0,2 0,4 0,6 0,9 1,2 1,4 1,5 1,7 1,9
2,4 2,9
prob (
%
)
1 2 3 7 10 13 15 14 12 10 7 4 1,5 0,5
prob cum (
%
)
1 3 6 13 23 36 51 65 77 87 94 98
99,5
100
De acordo com sua definição, o cálculo de Ômega para uma certa
distribuição de freqüência e dado um limite dos retornos requeridos L,
Figura 2 – Ilustração da Definição de Ômega Ω (L)
PUC-Rio - Certificação Digital Nº 0712952/CA
23
o valor de Ω(L) é dado exatamente pela equação (3), com F(x) sendo a
função de distribuição cumulativa (FDC) dos retornos “x”:
Esta situação apresenta-se conforme mostrado na Figura 2, e o
valor de Ω é resultado da divisão da área superior pela inferior do gráfico,
sempre em relação ao limite especificado L.
No caso de uma distribuição discreta de resultados, é necessário
que se faça uma integração numérica dos valores, de forma a se obter os
dados para o cálculo de Ω(L) conforme definido.
Para a distribuição de exemplo, mostrada na Tabela 1, o cálculo
pode ser feito utilizando-se todos os valores disponíveis no intervalo,
conforme ilustrado na Figura 3.
Figura 3 – Ilustração das Parcelas Ganho e Perda (todos os valores)
[ ]
∫
∫
∞−
+∞
−
==Ω
L
L
dxxF
dxxF
I
I
L
)(
)(1
)(
1
2
(3)
0,0%
20,0%
40,0%
60,0%
80,0%
100,0%
-0,3 -0,1 0 0,2 0,4 0,6 0,9 1,2 1,4 1,5 1,7 1,9 2,4 2,9
retornos
probabilidade %
PUC-Rio - Certificação Digital Nº 0712952/CA
24
A função Ω(L), assim definida e exemplificadamente calculada como
sendo 0,41 de acordo com a
Tabela 2
, engloba todas as características da
distribuição de retornos, pois considera toda a função de distribuição
destes, incorporando todos os efeitos dos momentos de ordem superior
que porventura possam ser relevantes. Mais detalhes sobre a definição e
as propriedades da medida Ω podem ser encontrados em Keating, C.;
Schadwick, W.; (2002), bem como Cascon, A.; Keating, C.; Shadwick, W.;
(2003).
Tabela 2 – Marcha de Cálculo dos Ganhos e Perdas Ponderadas para a Distribuição
de Retornos do Exemplo e dado um Limite L =1,2
R<L ς
i
F(r) ς
i
*F(r
i
) R≥L γ
i
F(r
i
) 1-F(r
i
)
γ
i
*(1-
F(r
i
))
-0,3
0,200
1,0%
0,002
-0,1
0,100
3,0%
0,003
0
0,200
6,0%
0,012
0,2
0,200
13,0%
0,026
0,4
0,200
23,0%
0,046
0,6
0,300
36,0%
0,108
0,9
0,300
51,0%
0,153
1,2
1,2 0,2 65,00%
35,00%
0,070
1,4 0,1 77,00%
23,00%
0,023
1,5 0,2 87,00%
13,00%
0,026
1,7 0,2 94,00%
6,00% 0,012
1,9 0,5 98,00%
2,00% 0,010
2,4 0,5 99,50%
0,50% 0,003
2,9
Perda ponderada = Σ
ς
i
*F(r
i
)
0,350
Ganho ponderado = Σ
γ
i
*(1-F(r
i
))
0,144
Ω = 0,144 / 0,350 = 0,410
PUC-Rio - Certificação Digital Nº 0712952/CA
25
3.5
Visão alternativa da Medida Ômega
De acordo com Kazemi, H.; Schneeweis, T.; Gupta, 2003, a função
Ômega é essencialmente igual ao resultado da divisão dos valores
esperados de ganhos pelo das perdas:
onde o numerador EC(L) é o valor esperado dos ganhos condicionados a
resultados positivos, também conhecido como Expected Chance (EC), ou
Figura 4 – Numerador EC(L) e Denominador ES(L) para a derivação de Ω
)
(
)(
)(
L
ES
LEC
L =Ω
(4)
PUC-Rio - Certificação Digital Nº 0712952/CA
26
seja, exatamente o preço de uma opção de compra, e o denominador
ES(L) é o valor esperado das perdas condicionadas a resultados
negativos, também conhecido como Expected Shortfall (ES), ou seja,
exatamente o preço de uma opção de venda.
Graficamente, esta situação pode ser visualizada como na Error!
Reference source not found., onde se tem mostrada a situação
completa da curva de resultados e posteriormente subdividida com foco
nas perdas e nos ganhos, a cada lado do limite imposto L.
A tradução da idéia que motiva esta visão alternativa da função
Ômega reside nas seguintes questões:
• o que se espera ganhar, caso se ganhe (what is the expected
return given no losses)?
• o que se espera perder, caso se perca (what is the expected
return given losses)?
A razão entre os valores das respostas às questões acima, uma vez
definido o limite entre perdas e ganhos (L), é exatamente o valor Ω(L).
Estes também são os valores que satisfazem a definição de preços de
opções de compra e de venda, dadas as restrições de limite mínimo
aceitável de ganhos (L), uma vez que será este o valor monitorado como
limite da compra/venda do ativo. A seguinte equação prevalece:
A completa derivação das equações acima pode ser vista em
Kazemi, H.; Schneeweis, T.; Gupta, 2003, com a resolução analítica da
Equação (5). Quando esta equação é aplicada à distribuição de exemplo
apresentada na Tabela 1, sua resolução numérica pode ser vista na
Tabela 3, abaixo.
Especificamente no caso do exemplo adotado, a diferença dos
valores que é observada nos resultados do valor de Ω(L) é extremamente
pequena, e devida ao pequeno número de pontos usados na integração
[ ]
[ ]
[ ]
)(
)(
)0,max(
)0,max(
)()(
)()(
)(
)(1
)(
LES
LEC
xLE
LxE
dxxfxL
dxxfLx
dxxF
dxxF
L
L
L
L
L
=
−
−
=
−
−
=
−
=Ω
∫
∫
∫
∫
∞−
+∞
∞−
+∞
(5)
PUC-Rio - Certificação Digital Nº 0712952/CA
27
numérica dos exemplos, com suas conseqüentes distorções geométricas,
mas ainda assim menor do que 1%. Como esperado, a menos de
precisão numérica, o resultado dos cálculos é essencialmente o mesmo.
Pelo mesmo raciocínio, o resultado particular para as distribuições
equiprováveis mostrado na Equação (8) (item 3.6 adiante) também se
sustenta nesse caso, simplificando a determinação de ômega e tornando
esta medida bastante atrativa.
Tabela 3 – Marcha de Cálculo do Valor da Medida Ômega (Ω) de acordo com a
Equação (3) e um Limite L =1,2 para os Dados da Distribuição Exemplar
R f(r) F(r)
max(r-
L,0)
max(L-
r,0)
f(r) *
max(r-
L,0)
f(r) *
max(L-
r,0)
-0,3
1,0% 1,0% 1,50 0,015
-0,1
2,0% 3,0% 1,30 0,026
0
3,0% 6,0% 1,20 0,036
0,2
7,0% 13,0% 1,00 0,070
0,4
10,0% 23,0% 0,80 0,080
0,6
13,0% 36,0% 0,60 0,078
0,9
15,0% 51,0% 0,30 0,045
1,2
14,0% 65,0%
1,4
12,0% 77,0% 0,20 0,024
1,5
10,0% 87,0% 0,30 0,030
1,7
7,0% 94,0% 0,50 0,035
1,9
4,0% 98,0% 0,70 0,028
2,4
1,5% 99,5% 1,20 0,018
2,9
0,5% 100,0% 1,70 0,009
[
]
)0,max( LrE
−
0,144
[
]
)0,max( rLE
−
0,350
Ω(1,2) = 0,144 / 0,350 = 0,413
PUC-Rio - Certificação Digital Nº 0712952/CA
28
3.6
Simplificação para Retornos Equiprováveis
A grande simplificação, que torna tão atraente o uso da medida
ômega na comparação das situações referentes ao problema descrito
nessa dissertação, é apresentada a seguir.
No caso de uma distribuição de retornos calculada através de algum
tipo de simulação de um modelo ajustado para a previsão do
comportamento de algum tipo de ativo, caso em que todos os retornos
gerados terão exatamente a mesma probabilidade, uma grande
simplificação pode ser feita no cálculo da função Ômega.
Assim, em sendo os resultados provenientes de modelos que são
simulados numericamente, a simplificação bastante útil vem da
constatação de que esses valores têm exatamente a mesma
probabilidade, isto é, são equiprováveis. O raciocínio por trás desta
simplificação é demonstrado a seguir:
prob
val
prob
val
j
L
aj
j
i
b
Li
i
−
=
−
+
=
+
∑
∑
×
×
=Ω
(6)
onde
LrLrval
iii
>∀−=
+
,
LrrLval
jjj
<∀−=
−
,
mas se os resultados são equiprováveis (e neste caso são!), temos
i
n
prob
i
∀= ,
1
(7)
onde n é o número de resultados (simulações) disponíveis
Substituindo (7) em (6) e fazendo as simplificações possíveis, temos
que a equação (8) vale,
∑
∑
=
−
=
+
=Ω
L
aj
j
b
Li
i
val
val
(8)
PUC-Rio - Certificação Digital Nº 0712952/CA
29
ou seja, simplesmente a soma dos ganhos dividida pela soma das perdas
(considerando-se em relação ao limite definido L), o que torna o uso desta
medida extremamente prático e de fácil cálculo, além dela ser bastante
intuitiva e completa.
PUC-Rio - Certificação Digital Nº 0712952/CA
30
4
METODOLOGIA
4.1
Modelagem dos Resultados Considerando Sazonalização
A sazonalização da quantidade de energia assegurada versus a
quantidade contratada uniforme, em contratos de fornecimento de energia
elétrica, será decidida em função dos ganhos esperados da
comercialização da energia de acordo com as condições contratuais vis a
vis os resultados obtidos com sua venda ou compra no mercado livre ao
PLD do momento.
Assim, em primeiro lugar, é necessário que sejam definidos os
limites possíveis desta sazonalização. Em seguida, deve-se obter um
conjunto de PLDs simulados, preços de liquidação para esta energia, a
cada momento.
Será considerado aqui o caso de uma PCH com energia
assegurada de 10 MWmed e um respectivo contrato de venda no mesmo
montante e uniforme ao longo dos meses. Esta PCH tem uma capacidade
instalada de 20 MWmed. Assim, o limite mensal de sazonalização é de
100% para cima ou para baixo, isto é, com entrega de 0 a 20 MWmed, a
cada mês.
O resultado de uma sazonalização da energia assegurada, para o
caso desta PCH, será a diferença entre o valor da energia produzida e
entregue nas condições de contrato, e o da energia comprada no
mercado livre (no caso de entrega menor do que o valor contratado) ou da
energia vendida naquele mercado (no caso de entrega maior do que o
valor assegurado), para cada mês de liquidação.
Na realidade, a energia gerada seria também uma incerteza, uma
vez que a geração de uma central hidroelétrica é influenciada por uma
PUC-Rio - Certificação Digital Nº 0712952/CA
31
grande número de fatores. Entretanto, para o escopo deste trabalho, uma
vez que que esta incerteza é muito menor do que a dos PLDs, esta
variável será considerada um parâmetro (constante).
Para cada uma destas situações, a única variável a ser considerada
é o preço de liquidação das diferenças (PLD), uma vez que todos os
demais fatores são constantes ou fixos, e iguais para quaisquer das
alternativas.
A equação que traduz o faturamento obtido por uma geradora, em
base mensal é exatamente a quantidade de energia contratada
multiplicada pelo preço de contrato, somado à diferença de quantidades
de energia assegurada (sazonalizada) e de energia contratada liquidada
(
)
PLDEcEaPcEcFm ×−+×=
(9)
onde: Fm = resultado mensal
Ec = energia contratada
Ea = energia assegurada/sazonalizada
Pc = preço contratado
PLD = preço de liquidação de diferenças (spot)
Admitindo R = F
m
– (E
c
x P
c
), substituindo-se em (9) e considerando-
se o número de horas para cada mês, temos a equação (10), que traduz
os resultados anuais obtidos, líquido de impostos:
)1()()(
12
1
12
1
IhPLDEcEaR
ii
i
i
i
i
−×××−=
∑∑
==
(10)
onde: R = resultado apurado cada mês
Ea = energia assegurada/sazonalizada (MWmed)
Ec = energia contratada (MWmed)
h = número de horas no mês
PLD = PLD médio mensal (R$/MWh)
I = total de impostos e taxas
É importante notar que o resultado da equação (10) é o valor em R$,
referente à soma mensal dos superávits ou déficits de uma determinada
PUC-Rio - Certificação Digital Nº 0712952/CA
32
sazonalização durante o período de um ano, em relação a entrega
contratada pura e simples.
Desta forma, a sazonalização ideal é exatamente a diferença entre a
capacidade total de geração de energia que sobre para ser entregue nos
demais meses, perfazendo o contrato. Exemplificando, caso o ideal de
entrega para ganho máximo fosse 20, 20, 20, 20, 20 e 19,7 MWmed nos
meses de junho a novembro, perfazendo um total de 119,7 Mwmed, a
sazonalização ideal seria a distribuição dos restantes 119,7 MWmed entre
os meses de dezembro e de janeiro a maio.
Estes cálculos dos ganhos podem ser baseados em séries
simuladas dos PLDs para o período em questão. Ora, a coleção de
resultados calculados de acordo com a equação (10) produzirá uma
distribuição de probabilidade de valores. Por exemplo, para a simulação
de 2000 séries de PLDs serão obtidas 2000 séries de valores mensais,
chegando-se a 2000 resultados anuais.
O problema então, consiste em escolher os montantes de energia de
tal forma a maximizar a medida ômega (para L definido) referente à
distribuição dos resultados anuais, considerando-se a restrição de
VaR
95%
. O problema de otimização pode ser apresentado na forma:
max Ω(L,s)
s
s.a. VaR
95%
≤ v
onde: L = limite ou meta escolhida
s = conjunto de valores mensais de energia entregue
v = VaR
95%
máximo admissível
4.2
Cálculo e Simulação dos PLDs
Embora de fundamental importância na consecussão do objetivo
deste trabalho, os PLDs não foram um objeto deste mas obtidos através
do procedimento da própria CCEE. A formação e simulação destes PLDs
PUC-Rio - Certificação Digital Nº 0712952/CA
33
foi efetuada através do modelo Newave-versão 14, elaborado pelo Centro
de Pesquisas de Energia Elétrica (Maceira et al, 2008).
Como mencionado anteriormente, este modelo otimiza a estratégia
de geração de médio prazo, simulando preços em base mensal. Mais
uma vez, cabe ressaltar que este é o modelo utilizado na formação dos
preços de curto prazo (PLD) publicados na CCEE.
Foram utilizados os dados de entrada empregados no programa
mensal de operação de agosto/2008, coordenado pelo Operador Nacional
do Sistema (ONS), sendo considerados um piso de preço de R$
15,47/MWh e um teto de R$ 569,59/MWh, segundo o Despacho ANEEL
Nº 002 de 04/01/2008.
As 2000 séries de preços obtidas formaram a distribuição
estatística de preços prováveis para o período em que se deseja analisar
e calcular a sazonalização ótima que forneça um resultado máximo
possível de ser obtido. A Figura 5
apresenta os percentis referentes às
distribuições de probabilidade correspondentes aos PLDs simulados.
Figura 5 – Percentis Referentes à Simulação de PLDs
PLD mensal para 2009
0
100
200
300
400
500
600
jan fev mar abr mai jun jul ago set out nov dez
R $/M W h
percentil 10%
percentil 30%
percentil 70%
percentil 90%
média
mediana
PUC-Rio - Certificação Digital Nº 0712952/CA
34
4.3
Aferição dos Resultados
Os dados do contrato de venda e das condições de sazonalização
considerados no exemplo do estudo aqui desenvolvido são apresentados
a seguir:
• contrato de 10 MWmed mensais de energia assegurada;
• capacidade máxima de geração de 20 MW;
• sazonalização de entrega mensal de 0 a 20 MWmed;
• preço contratado de venda de R$ 100/MWh;
• impostos totais de 43,25% (IR, CSSL, PIS e COFINS).
Estas características são bastante semelhantes à situação de uma
PCH, conforme modelo adotado no Brasil, tornando este estudo bastante
relevante a operadores deste tipo de usina.
Assim, foi calculado um valor de Ω para comparação das diversas
alternativas de sazonalização da entrega de energia, de acordo com a
seguinte marcha:
1. foi definida uma coleção de valores de partida, para a entrega
sazonalizada de energia;
2. foi definida uma meta de resultado, em R$, a ser obtido em R$,
implicando na efetiva alocação do limite L mencionado no item
3.2, acima;
3. para cada das séries de PLDs simuladas anteriormente um
resultado (déficit/excesso) em relação a L;
4. foi calculado o valor de Ω, para a distribuição de resultados,
segundo a equação (6) ;
5. o processo foi iterado desde o início (5.)começo para se obter o
valor ótimo de Ω, correspondente a uma coleção sazonalizada
de valores de entrega de energia para o limite L especificado.
PUC-Rio - Certificação Digital Nº 0712952/CA
35
4.4
Otimização e Convergência
Os cálculos foram efetuados em um computador do tipo PC,
usando-se uma planilha MS Excel e com a ajuda dos programas add-in
Solver e Solver Premium, integrados à própria planilha.
Figura 6 - Opções de execução do add-in Solver
A configuração das opções de execução do add-in Solver, por todo o
trabalho apresentado foi a seguinte, conforme a Figura 6. Houve uma
grande preocupação com a qualidade dos resultados do ponto de vista
numérico, isto é, qual a confiabilidade que se poderia ter em determinado
ponto ótimo, do ponto de vista da convergência ser obtida de forma
apropriada.
Já a escolha de um ponto de partida para cada corrida de
otimização dos valores sazonalizados provou ter influência decisiva na
convergência a um valor ótimo, evitando convergência a valores sub-
ótimos regionais.
PUC-Rio - Certificação Digital Nº 0712952/CA
36
Para evitar estes problemas e poder ser mantida a mesma base de
comparação, foi adotado a seguinte marcha para a escolha de um ponto
de partida:
1. calcular ômega para variações marginais na energia mensal
entregue (+1 e -1 MW);
2. calcular a diferença entre os valores ômega mensais para
variações marginas de geração (Ω-1 MW - Ω+1 MW) calculadas
acima;
3. escolher as 5 maiores diferenças e atribuir o dobro do valor de
contrato à entrega nesses meses;
4. escolher a sexta maior diferença, e atribuir (soma dos itens
acima - total anual contratado) à entrega no mês;
5. atribuir zero à entrega dos demais seis meses (seis menores
diferenças).
Os cálculos efetuados de acordo com o procedimento supra
geraram os resultados mostrados na Tabela 4, abaixo, que resultaram
numa distribuição sazonalizada inicial de 0 MW de janeiro a maio e em
dezembro, e 20 MW de junho a outubro e 19,7 MW em novembro
(diferenças devidas aos distintos números de horas mensais).
Tabela 4 - Diferenças de valores Ω para entregas mensais com variações marginais (+1 MW e -1
MW)
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Ω (+1 MW) 0,06
0,08
0,07 0,06
0,05
0,02
0,02
0,03
0,03
0,03
0,04
0,05
Ω (-1 MW) 1,92
1,75
2 1,98
2,47
3,46
3,67
3,08
3,06
2,84
2,57
2,42
delta Ω 1,86
1,67
1,93 1,92
2,42
3,44
3,65
3,05
3,03
2,81
2,53
2,37
PUC-Rio - Certificação Digital Nº 0712952/CA
37
5
Resultados
Foram realizadas várias análises de sensibilidade, analisando-se
como a medida Ω varia com a mudança da meta e do VaR.
Adicionalmente, estudou-se o comportamento da decisão de
sazonalização propriamente dita variando-se a meta e o VaR.
5.1
Variação do Ω e do VaR 95% em Função da Meta
Figura 7 - Ω e VaR95% Variando-se a Meta (limite L)
A fim de evidenciar o comportamento do Ω e do VaR95% em função
do limite L estabelecido, este último foi variado desde zero até pouco mais
de R$ 2,3 milhões, com o resultado sendo mostrado na Figura 7.
Ômega e VaR 95% vs Meta
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
0,0 0,3 0,5 0,8 1,0 1,3 1,6 1,8 2,1
Meta (R$ milhão)
Ômega
0,0
0,5
1,0
1,5
2,0
2,5
3,0
VaR 95% R$ milhão
Ômega
VaR 95%
PUC-Rio - Certificação Digital Nº 0712952/CA
38
Como pode ser observado, o valor de ômega cai rapidamente desde
pouco mais de 4, tendendo a uma assíntota próxima de zero. Com uma
sazonalização ótima podendo render algo em torno de R$ 600 mil / ano,
há uma relação da ordem de 1:1, entre ganhos e perdas. A partir da
Figura 8 também se pode observar que o VaR95% sobe rapidamente,
tendendo para um valor assintótico em torno de R$ 2,6 milhões.
5.2
Variação do Ω Fixando o VaR
95%
Os valores do limite L considerados foram de R$ 0,5 milhão a pouco
menos de R$ 1,3 milhão. Foram obtidas seis curvas de Ω travando-se o
VaR95% de 0,5 a 3,0 milhões de R$ / ano.
As curvas apresentadas na Figura 8 mostram uma maior dificuldade
de convergência do algortimo de otimização parqa os níveis mais
restritivos de VaR
95%
, que correspondem a valores Ω mais baixos. Esta
situação pode ser evidenciada pelos gráficos menos uniformes obsrvados
nas curvas para restrição de VaR
95%
de R$ 0,5 e R$ 1,0 milhão.
Figura 8
– Ω com restrição de VaR
95%
Ômega Restrito por VaR (R$ milhão)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Meta (R$ milhão)
Ômega
VaR 0,5
VaR 1,0
VaR 1,5
VaR 2,0
VaR 2,5
VaR 3,0
PUC-Rio - Certificação Digital Nº 0712952/CA
39
Também fica claro, e se pode facilmente observar, que as restrições
mais intensas de VaR
95%
implicam em valores de ômega extremamente
pequenos. Isto denota que, se por um lado pretende-se minimizar riscos
através da imposição de valores de VaR reduzidos, por outro lado, torna-
se difícil alcançar metas um pouco mais audaciosas, uma vez que os
níveis de Ω serão próximos a zero.
5.3
Sensibilidade de Ω e VaR
95%
ao Preço Contratado
A Figura 9 mostra os resultados esperados para níveis de valor
contratado com uma variação de 20% para mais ou para menos do valor
de 100/MWh.
Figura 9
– Ω vs Preços Contratuais
Os resultados indicam que mudanças nos valores do preço
contratado não alteram as perspectivas de resultados a serem alcaçados,
mesmo considrando-se uma sazonalização otimizada.
Valores mais altos ou mais baixos para o preço do contrato de
venda, e por conseguinte maiores diferenças possíveis entre estes e os
PLDs parecem ser canceladas, para cima e para baixo.
Ômega vs Meta
(valor do contrato)
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Meta R$ (milhão)
Ômega
R$ 80/MWh
R$ 90/MWh
R$ 100/MWh
R$ 110/MWh
R$ 120/MWh
PUC-Rio - Certificação Digital Nº 0712952/CA
40
5.4
Perfil de Entrega Sazonalizada
Tendo sido feitas as diversas avaliações mostradas anteriormente,
resta saber qual o perfil ideal de entrega de energia em função dos
parâmetros escolhidos, seja com restrição ou sem restrição de VaR
95%
.
Nas Figura 10 e Figura 11 a seguir, pode ser visto o perfil de entrega
mensal para diversos tipos de sazonalização da entrega mensal de
energia.
Figura 10
– Perfil Ótimo de Entrega Sazonalizada com Restrição de
VaR
95%
A Figura 10 apresenta a sazonalização ótima adotando-se metas de
0,6 e 1,0 milhão de R$ / ano. Existem três situações. Na primeira, não há
restrição de VaR
95%
. Nas outras duas há restrição de VaR
95%
de 1,0
milhão de R$ / ano, diferenciando-se as metas.
A Figura 11 apresenta a sazonalização ótima adotando-se metas de
0,6, 0,93 e 1,0 milhão de R$ / ano. Não há restrição de VaR95%.
Observa- se que a decisão de sazonalização é praticamente a mesma
Perfil de Entrega Mensal
com restrição de VaR
0
2
4
6
8
10
12
14
16
18
20
jan fev mar abr mai jun jul ago set out nov dez
MW médio
1,0 - Ótimo - 0,60
0,6 - VaR 1 - 0,16
1,0 - VaR 1 - 0,04
Meta em R$
milhão - tipo - Ω
PUC-Rio - Certificação Digital Nº 0712952/CA
41
para as três situações
2
, ainda que elas tenham diferentes metas e atinjam
valoes diversos de ômega. Ou seja, o resultado final aprece ser a
concentração de entrega de toda a energia assegurada entre junho e
novembro.
Figura 11 – Perfil Ótimo de Entrega Sazonalizada sem Restrições
Pode-se visualisar que a decisão de sazonalização muda
consideravelmente nas duas situações em que há restrição de VaR
95%
.
Para estas duas situações, existem alocações significativas de energia
nos meses de janeiro a março também. Percebe-se que a restrição de
VaR
95%
faz com que a decisão ótima fique mais próxima de uma alocação
uniforme ao longo do ano.
Um ponto extremamente importante, e que fica claro na Figura 11, é
que embora os resultados para diversas conições de otimização (Ω e
VaR
95%
) sejam extremamente difrentes, na prática eles não têm
significado em função da precisão numérica adotada no MRE.
2
Observe-se que a pequena diferença na energia entregue, aparente no mês de
novembro, é devida ao total de horas mensais diferente de 720 horas
Perfil de Entrega Mensal
sem restrição de VaR
0
2
4
6
8
10
12
14
16
18
20
jan fev mar abr mai jun jul ago set out nov dez
MW m édio
0,6 - Ótimo - 1,00
0,93 - Ótimo - 0,66
1,0 - Ótimo - 0,60
Meta em R$
milhão - tipo - Ω
PUC-Rio - Certificação Digital Nº 0712952/CA
42
6
Conclusões
Neste artigo encontrou-se a melhor forma de sazonalizar a energia
assegurada de uma usina, maximizando o seu resultado e tendo-se
considerado restrições de VaR
95%
.
No sentido de otimizar o resultado, foi escolhido como critério de
seleção da sazonalização a maximização da medida ômega (Ω) para a
distribuição esperada de resultados, dado um nível de VaR
95%
. A medida
Ω foi escolhida porque consegue incorporar todos os momentos da
distribuição, fornecendo uma completa descrição das características do
risco-retorno.
Além de procurar responder a uma questão relacionada a um
problema real, este trabalho apresenta a utilização prática de uma técnica
recente de otimização de carteiras, que é a maximização da medida Ω,
com restrição de VaR, para uma distribuição esperada de resultados.
Adicionalmente, apresentou-se variáveis e especificidades do SEB pouco
exploradas em trabalhos científicos brasileiros, mas que permitem aos
agentes exercerem escolhas de flexibilidade nos contratos de
fornecimento de energia elétrica.
Os resultados mostraram que os valores da medida ômega (Ω)
diminuem muito rapidamente com o aumento do limite L. Ou seja, se a
meta de ganhos (o valor do limite “L”) for ousada demais para o porte da
operação, a relação entre ganho e perda fica muito prejudicada, do ponto
de vista que a chance de um resultado, estando diretamente ligada à
relação traduzida por Ω, fica muito pequena.
Por outro lado, a negociação de valores mais altos ou mais baixos
para o contrato de de venda, parece não afetar os resultados obtidos com
a sazonalização, isto é, incorrendo em risco de entrega.
PUC-Rio - Certificação Digital Nº 0712952/CA
43
Uma situação peculiar é que a decisão de sazonalização muda
substancialmente quando há restrição de VaR. Especificamente, a
imposição deste tipo de restrição faz com que haja menos espaço de
manobra para se exercer variações nos volumes de energia fornecidos,
uma vez que também há que se avaliar o VaR envolvido em determinado
perfil de entrega. Esta restrição faz com que a decisão ótima tenda a se
deslocar no sentido de um maior espalhamento, ou seja, uma alocação
mais uniforme da quantidade de energia entregue ao longo do ano.
Ao mesmo tempo, a imposição de uma restrição de VaR, na
tentativa de limitar o risco incorrido na operação, na prática garante que o
resultado reptendido não deverá ser atingido, uma vez que o valor de Ω
alcançado, muito menor do que um, indica que as chances de resultados
aquém da meta são muito maiores do que daqueles acima dela.
Isto ocorre porque, como foi mostrado, a decisão ótima (sem
restrições) concentra o maior volume de entrega em uma única parte do
ano quando, por razões naturais de menor precipitação pluviométrica, os
preços no mercado à vista tendem a ser mais altos.
Ora, ao se introduzir uma restrição referente à assunção de risco, a
solução encontrada para ficar-se com menores valores em risco, é
forçada a situar-se numa forma mais afastada da concentração ótima sem
restrições e com maior VaR, e mais espalhada durante o período anual. A
tendência neste sentido foi indicada por uma grande sucessão de
simulações otimizadas, que apresentavam resultadops coerentes com
esta afirmação.
Em uma situação extrema, se a restrição de VaR for igual a zero, ou
seja, sem valor em risco, a solução seria manter a energia assegurada
com os mesmos valores ao longo dos meses, sem qualquer afastamento
do valor contratado, apresentando um valor de faturamento constante e
bem definido, qual seja aquele contratual. Portanto, esta seria uma
situação sem graus de liberdade para se realizar a sazonalização.
Como sugestões para trabalhos futuros, a mesma metodologia
poderá ser empregada para analisar outras operações no mercado de
PUC-Rio - Certificação Digital Nº 0712952/CA
44
energia elétrica, tais como: compras descasadas, vendas descasadas e
compras sazonais (na safra) de energia produzida a partir do bagaço de
cana.
Adicionalmente à utilização da medida ômega (Ω), que apresenta
grande potencial em estudos de otimização de carteiras de ações e
carteiras de projetos com opções reais, por considerar todos os
momentos das distribuições de probabilidade dos resultados esperados, e
manipular com facilidade as situações de projeções estatísticas de
valores que produzem distribuições, independentemente do modelo
utilizado para estas simulações, sugere-se que o uso de limitações de
risco através do uso da medida de Expected Shortfall – ES seja feito, os
resultados sendo comparados àqueles obtidos com o VaR. Comparação
destas duas técnicas e de seus custos computacionais poderia ser de
grande valor para futuras escolhas de alternativas nesta área.
Outra restrição importante do modelo apresentado, de aferição da
qualidade da sazonalização, está na hipótese implícita de que a
manipulação dos valores de entrega de energia contratada não alteram os
níveis de preço do mercado à vista. Em outras palavras, o conjunto de
geradoras que sazonalizarão a sua entrega de energia não pode ser tão
grande ao ponto em que o somatório da quantidade de sua energia
sazonalizada possa afetar a estabilidade de preços do mercado.
Para evitar e controlar este efeito, os métodos de previsão de preços
devem ser bem aferidos e cuidadosamente monitorados, pois embora não
sejam uma variável passível de controle pelo gerador, mas somente pelo
operador do Sistema, eles afetam diretamente o valor que está sendo
usado para otimização do perfil de entrega.
Assim, se a quantidade de energia sazonalizada leva a uma
concentração tão grande de disponibilidade de energia no mercado à
vista, que o perfil de preços desse mercado se altera, então a modelagem
aqui empregada não mais seria possível. Essa situação enseja uma nova
atitude e modelagem e, assim, espaço para vários outros trabalhos deste
tipo.
PUC-Rio - Certificação Digital Nº 0712952/CA
45
Finalmente, ainda trabalhos posteriores poderiam buscar
comparações das decisões realizadas a partir de medidas clássicas,
como o índice de Sharpe, e com aquelas obtidas pelo uso da medida
ômega (Ω), sujeitos às observações anteriores referentes ao uso de
outras medidas de risco. A avaliação de vantagens computacionais e de
valor dos resultados seria de grande utilidade para os geradores de
energia.
PUC-Rio - Certificação Digital Nº 0712952/CA
46
7
Referências Bibliográficas
ACERBI, C., TASCHE, D., “On the coherence of expected shortfall”,
Journal of Banking & Finance, Vol. 26, pp 1487-1503, 2002.
ACERBI, C., TASCHE, D., “Expected Shortfall: a natural coherent
alternative to Value at Risk”, Bank for International Settlements, 2001,
disponível em
http://www.bis.org/bcbs/ca/acertasc.pdf, acesso em
27/Dez/2008 às 15:45.
ARTZNER, P., DELBAEN F., EBER, J., HEATH, D., “Thinking
Coherently”, Risk, Vol. 10 (11), pp. 68-71, 1997.
CASCON, A; KEATING, C.; SHADWICK, W. “The Omega Function”,
The Finance Development Centre, London, final revision Mar. 2003.
CASTRO, J. G., “Otimização da Performance de um Portfólio de
Ativos e Opções Reais utilizando a Medida Omega”. Tese de
Doutorado, DEI, PUC - Rio, 2008.
GOMES, L. L.; LUIZ, I. G., “Valor Adicionado aos Consumidores
Livres de Energia Elétrica no Brasil por Contratos Flexíveis: Uma
Abordagem pela Teoria das Opções”, Revista Eletrônica de
Administração, 2009, no prelo.
ICK, M.; NOWAK, E. “Omega based Portfolio Optimization – a
simulation study on Private Equity investments”. Working Paper,
University of Lugano, Switzerland, 2006.
J.P. Morgan, “Risk Metrics”. Technical Document, New York, 1996.
JENSEN, M., “The Performance of Mutual funds in the Period 1945-
1964”, Journal of Finance, Vol 93, Maio 1968, n. 2, pp. 389-416.
KAZEMI, H.; SCHNEEWEIS, T.; GUPTA R. “Omega as a Performance
Measure”, Working Paper CISDM. University of Massachusetts, Isenberg
School of Management, 2003.
KEATING, C.; SHADWICK, W. “A Universal Performance Measure”,
Journal of Performance Measurement, Spring 2002, pp.59-84.
MACEIRA, M. E. P.; BEZERRA C. V., “Stochastic stream flow model
for hydroelectric systems”. In: Proceedings of PMAPS, 1997.
PUC-Rio - Certificação Digital Nº 0712952/CA
47
MACEIRA, M. E. P.; DUARTE, V. S.; PENNA, D. D. J. ; MORAES, L. A.
M. ; MELO, A. C. G., “Ten Years of Application of Stochastic Dynamic
Dual Programming in Official and Agents Studies in Brazil -
Description of NEWAVE Program”, In: Annals of 16th Power Systems
Computation Conference, 2008, Glasgow/Escócia.
MARKOWITZ, H. “Portfolio Selection”, The Journal of Finance, Vol.7,
n.1, Mar. 1952, pp. 77-91.
MARZANO, L. G., “Otimização de Portfólio de Contratos de Energia
em Sistemas Hidrotérmicos com Despacho Centralizado”. Tese de
Doutorado, DEE, PUC - Rio, 2004.
MINISTÉRIO DAS MINAS E ENERGIA, “Resolução Nº 9”, Dário Oficial
da União, 28 de julho de 2008, pp. 58- 59.
PREMIUM SOLVER PLATFORM, Frontline Systems Inc., disponível em
http://www.solver.com, acesso em 6/Out/2008 às 16:00.
ROCKAFELLAR, R., URYASEV, S., “Optimization of Conditional
Value-at-Risk”, Journal of Risk 2, 2000, pp. 21-41.
SHARPE, W., “Mutual Fund Performance”, Journal of Business, Vol.39,
n.1, 1966, pp.119-138.
TREYNOR, J., “How to Rate management of Investment Funds”,
Harvard Business Review, Vol. 43, Jan-Feb 1965, n. 1, pp. 63-75.
YAMAI, Y., YOSHIBA, T., “On the Validity of Value-at-Risk:
Comparative Analyses with Expected Shortfall”, Journal of Monetary
and Economic Studies, Janeiro/2002, Vol. 20, Jan. 2002, pp. 57-65
PUC-Rio - Certificação Digital Nº 0712952/CA
48
8
Apêndices
8.1
O Sistema Elétrico Brasileiro
8.1.1
Procedimento de Formação dos PLDs
O PLD, como o nome informa Preço de Liquidação das Diferenças,
é utilizado para liquidar a compra e a venda de energia no mercado de
curto prazo. A formação do preço da energia comercializada no mercado
de curto prazo se faz pela utilização dos dados considerados pelo
Operador Nacional do Sistema (ONS), para a otimização da operação.
O Brasil adotou um esquema de decisão de operação centralizado,
realizado por modelos acoplados de otimização, sendo um modelo de
médio prazo acoplado a um de longo prazo, chamado Newave, cujo
objetivo é minimizar o custo total de operação do sistema hidrotérmico ao
longo de um horizonte de planejamento. Esses modelos utilizam o método
de programação dinâmica dual estocástica, descrito em Pereira e Pinto
(1991). A fim de conceituar melhor a formação de preço no sistema
hidrotérmico brasileiro, torna-se necessária uma abordagem sobre como
é feita a operação sob uma ótica econômica.
As seções a seguir apresentam essa abordagem.
8.1.2
Operação de um Sistema Hidrotérmico
A característica mais evidente de um sistema com geração
hidroelétrica é poder utilizar a energia “grátis” que está armazenada nos
reservatórios para atender à demanda, evitando, desta maneira, gastos
de combustível com as unidades térmicas. Entretanto, a disponibilidade
de energia hídrica está limitada pela capacidade de armazenamento dos
PUC-Rio - Certificação Digital Nº 0712952/CA
49
reservatórios. Isto introduz uma dependência entre a decisão operacional
de hoje e os custos operacionais no futuro.
Em outras palavras, se utilizarmos hoje as reservas de energia
hídrica com o objetivo de minimizar os custos térmicos, e ocorre uma
seca severa no futuro, pode haver um racionamento de custo elevado
para a sociedade. Se, por outro lado, preservamos as reservas de energia
hídrica, através de um uso mais intenso de geração térmica, e as
afluências futuras são elevadas, pode ocorrer um vertimento nos
reservatórios do sistema, o que representa um desperdício de energia e,
conseqüentemente, um aumento no custo operacional. Esta situação está
ilustrada na Figura 12.
Figura 12 – Processo de decisão para sistemas hidrotérmicos (GOMES, L. L.; Luiz, I. G.;
2009)
O operador de um sistema hidrotérmico deve comparar o benefício
imediato do uso da água e o benefício futuro de seu armazenamento,
conforme ilustrado na Figura 13.
A função de custo imediato - FCI - representa os custos de geração
térmica no estágio t, ou seja, no estágio imediato, presente. Observa-se
que o custo imediato aumenta à medida que diminui a energia hídrica
disponível, isto é, quanto menor for a decisão de geração hídrica, maior
será a de geração térmica.
Decisão
Utilizar os
Reservatórios
Não Utilizar os
Reservatórios
Chuvas
Altas
Baixas
Altas
Baixas
Conseqüências
Ok
Déf
icit
Vertimento
Ok
PUC-Rio - Certificação Digital Nº 0712952/CA
50
Figura 13 – Custo Imediato e Futuro (GOMES, L. L.; LUIZ, I. G.; 2009)
Por sua vez, a função de custo futuro - FCF - está associada ao
custo esperado de geração térmica e racionamento do final do estágio t
(início de t+1) até o final do período de estudo. Esta função diminui à
medida que aumenta o volume armazenado final, pois haverá mais
energia hídrica disponível no futuro.
O uso ótimo da água armazenada corresponde ao ponto que
minimiza a soma dos custos imediato e futuro. Como é mostrado na
Figura 14, o ponto de mínimo custo global também corresponde ao ponto
onde as derivadas da FCI e da FCF com relação ao armazenamento de
Figura 14 – Uso Ótimo da Água (GOMES, L. L.; Luiz, I. G.; 2009)
FCI
FCF
Volume final
PUC-Rio - Certificação Digital Nº 0712952/CA
51
água se igualam. A derivada da FCI e da FCF
no ponto ótimo também é
conhecida como valor da água, pois representa a taxa custo R$ (ou valor)
por volume de água deixado no reservatório para formar o volume final.
8.1.3
Cálculo do PLD
A seguir será apresentada, mais detalhadamente, a forma como é
realizada a decisão de operação sob a ótica econômica, e como é
calculado o PLD. Na formulação a seguir, estamos supondo que a função
de custo futuro para cada estágio foi calculada. O problema de decisão da
operação hidrotérmica para o estágio t é formulado como:
Sujeito às seguintes restrições operacionais:
• balanço hídrico;
• limites de armazenamento de água e turbinagem;
• limites na geração térmica;
• atendimento à demanda.
A função objetivo é minimizar a soma de duas classes de custos:
• Custo operacional imediato - dado pelos custos térmicos {c
j
×
g
tj
}
no estágio t. Onde c
j
é o custo variável da térmica j e g
tj
é a geração
da térmica j no estágio t. O racionamento é representado por uma
térmica fictícia de capacidade infinita e custo operacional igual ao
custo de interrupção.
• Valor esperado do custo operativo futuro - dado pela função de
custo futuro FCF(v
t+1
). Também como discutido anteriormente, esta
função depende dos volumes armazenados ao final do estágio,
representados pelo vetor v
t+1
.
( )
[ ]
1+
+×=
ttjjt
vFCFgcMinZ
(11)
PUC-Rio - Certificação Digital Nº 0712952/CA
52
O problema de otimização pode ser resolvido por um algoritmo
simplex de programação linear. Além da decisão operacional ótima, o
esquema de programação linear calcula os multiplicadores simplex, ou
preços sombra, associados a cada restrição. Em particular, o PLD do
sistema é praticamente o multiplicador simplex associado à restrição de
atendimento à demanda, significando o custo de produção de 1 MWh
adicional no ponto ótimo de minimização de custos (em R$/MWh).
8.1.4
Simulação dos PLDs
O modelo Newave possui dois módulos. No primeiro é calculada a
política ótima de operação ao longo do horizonte de planejamento,
representando um “mapa de decisão” em função do que vier a ocorrer ou
ser simulado em termos de afluências (chuvas) aos reservatórios. No
segundo módulo são feitas simulações do custo marginal de operação
(que é, na prática, o PLD publicado), ou seja, o quanto custa produzir um
MWh adicional de energia no ponto ótimo.
Após a utilização do modelo Newave para calcular a política ótima
de operação hidrotérmica ao longo de um período de planejamento, pode
ser feita uma simulação com a qual se obtêm séries de custos marginais
de operação, e, conseqüentemente, obtêm-se séries de PLDs. A
simulação é realizada de forma a gerar séries sintéticas de afluências aos
reservatórios, utilizando-se um modelo periódico auto-regressivo (PAR(p))
de séries temporais. Maceira e Bezerra (1997) apresentam esta
metodologia.
PUC-Rio - Certificação Digital Nº 0712952/CA
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
