A métrica de medição de risco mais geralmente usada, o Value-at-Risk (VaR), subestima o risco que os investidores e as instituições enfrentam ao assumir a existência de mercados perfeitos, onde os preços dos ativos não são impactados pelas ações dos agentes de mercado. Na prática, tanto os investidores como as instituições enfrentam uma miríade de riscos que não são completamente capturados pela estimação tradicional do VaR, a qual considera apenas risco de mercado. Nesta dissertação exploramos como se conseguem produzir resultados mais precisos para ativos ilíquidos ao medir e incorporar o risco de liquidez na estimação do VaR. Deste modo, utilizamos os modelos Generalized Auto Regressive Conditional Heteroskedasticity (GARCH), student t GARCH, e o Fractionally Integrated GARCH (FIGARCH) de modelação de volatilitidade para o cálculo do VaR. Além disso, uma vez que a literatura sobre o VaR ajustado pela liquidez tende a focar-se no VaR normal paramétrico, expandimos a análise para incluir os modelos v olatility a djusted h istorical VaR e Monte Carlo VaR. A performance de cada modelo é avaliada através de um backtest usando o s testes Unconditional Coverage e BCP. Os resultados deste estudo demonstram que ignorar o efeito da liquidez pode levar à subestimação do risco em ativos ilíquidos.