This paper compares the performance of long-memory models (FIGARCH) with short-memory models (GARCH) in forecasting volatility for calculating value-at-risk (VaR) and expected shortfall (ES) for multiple periods ahead for six emerging markets stock indices. We used daily data from 1999 to 2014 and an adaptation of the Monte Carlo simulation to estimate VaR and ES forecasts for multiple steps ahead (1, 10 and 20 days ), using FIGARCH and GARCH models for four errors distributions. The results suggest that, in general, the FIGARCH models improve the accuracy of forecasts for longer horizons; that the error distribution used may influence the decision about the best model; and that only for FIGARCH models the occurrence of underestimation of the true VaR is less frequent with increasing time horizon. However, the results suggest that rolling sampled estimated FIGARCH parameters change less smoothly over time compared to the GARCH models.Este artigo compara os desempenhos dos modelos de memória longa (FIGARCH) e curta (GARCH) na previsão de volatilidade para cálculo de value at-risk (VaR) e expected shortfall (ES) para múltiplos períodos à frente para seis índices de ações de mercados emergentes Utilizou-se, para dados diários de 1999 a 2014, uma adaptação da simulação de Monte Carlo para estimar previsões de VaR e ES para 1, 10 e 20 dias à frente, usando modelos FIGARCH e GARCH para quatro distribuições de erros. Os resultados sugerem que, em geral, os modelos FIGARCH melhoram a precisão das previsões para horizontes mais longos; que a distribuição dos erros pode influenciar a decisão de escolha do melhor modelo; e que apenas para os modelos FIGARCH houve redução do número de subestimações do VaR verdadeiro com o aumento do horizonte de previsão. Entretanto, os resultados apontam para uma maior variação das estimativas dos parâmetros para os modelos FIGARCH.