Fundamentos de la medicin del

Riesgo

Contenido

Riesgo

Estadstica descriptiva

Definicin
Distribuciones
Medidas de dispersin y posicin

Probabilidad y Simulacin

Definicin
Historia
Evolucin del anlisis de riesgo

Definicin
Distribuciones discretas y continuas

@Risk

Riesgo

Riesgo de
crdito

Riesgo de
reinversin
Riesgo de
iliquidez

Riesgo
pas
Riesgo de
tipo de cambio
Riesgo de
Mercado

Riesgo mercado de valores

Riesgo de tasa de interes
Riesgo devaluatorio
Riesgo precios commodities
Riesgo transaccional

Riesgo
Crediticio

Riesgo concentracin portafolio

Riesgo de contraparte
Riesgo seleccin adversa

Riesgo de
Liquidez

Riesgo de liquidacin
Riesgo de cumplimiento
Riesgo de incremento de costos

Riesgo
Operacional

Riesgo de procesos
Riesgo de infraestructura
Riesgo del modelo de negocio

Riesgo
operativo

Riesgo
de mercado

Riesgo: algunos aspectos por considerar

Un problema esencial asociado al trmino es que no se cuenta
con una definicin nica para riesgo. Se pueden obtener
ventajas relativas al trabajar con distintas tcnicas para
implementar su medicin.
Del diccionario:

Contingencia o proximidad de un dao (un risco)

El peligro o la posibilidad de sufrir prdidas
El monto que una compaa puede perder
La variabilidad de los retornos de una inversin
La posibilidad de no recibir el pago de una deuda
Cada una de las contingencias que pueden ser objeto de un
contrato de seguro

El Riesgo
El riesgo es un aspecto relacionado
con la psicologa del ser humano,
con las matemticas, la estadstica y
la experiencia adquirida a travs de
los aos.
La palabra riesgo proviene del latin
risicare, que significa atreverse a
transitar por un sendero peligroso.

El Riesgo en La Historia
Researcher

Theory

Risk Measurement

Markowitz (1951)

Portfolio Selection

P2

Modigliani-Miller
(1958)
Sharpe (1964)
Lintner (1965)
Black-Scholes/
Merton (1973)

Business risk/
Financial Risk
CAPM

rS rf (rV rf )

OPM

S V

J.P. Morgan (1995)

VaR

V
S

S V

V S

Nota: J.P.Morgan en un documento tcnico denominado Riskmetrics expuso el

concepto de Valor en riesgo
CAPM: Capital Assets Pricing Model
OPM: Option Pricing Model
VaR: Value at Risk

Desastres Financieros

Evolucin del Riesgo Corporativo

El anlisis de riesgos debe trascender de un anlisis
cualitativo a un anlisis cuantitativo que permita mitigar los
riesgos y generar valor para el accionista

GAP Analysis
Duracin
Modelos en Excel

Stress Testing
Simulacin Avanzada
Fair-value
Accounting

Gestin Integrada
del Riesgo
VaR
VaR

MonteCarlo

Stress Testing
Anlisis de Sensibilidad

1970s

1980s

1990s

2000s

Estadstica descriptiva

Estadstica descriptiva
La estadstica descriptiva es una ciencia que analiza series de datos
Las variables pueden ser de dos tipos:
Variables cualitativas o atributos: no se pueden medir
numricamente (por ejemplo: nacionalidad, color de la piel, sexo).
Variables cuantitativas: tienen valor numrico (edad, precio de un
producto, ingresos anuales).
Por su parte, las variables cuantitativas se pueden clasificar en
discretas y continuas:
Discretas: slo pueden tomar valores enteros
Continuas: pueden tomar cualquier valor real dentro de un
intervalo.

Distribucin de Frecuencia
La distribucin de frecuencia es la representacin
estructurada, en forma de tabla, de toda la informacin que se
ha recogido sobre la variable que se estudia.

Variable
(Valor Mts)
1,60
1,61
1,62
1,63
1,64
1,65
1,66
1,67
1,68
1,69
1,70

Frecuencias absolutas
Simple
Acumulada
1
1
2
3
4
7
4
11
2
13
3
16
2
18
1
19
4
23
3
26
3
29

Frecuencias relativas
Simple
Acumulada
3,4%
3,4%
6,9%
10,3%
13,8%
24,1%
13,8%
37,9%
6,9%
44,8%
10,3%
55,2%
6,9%
62,1%
3,4%
65,5%
13,8%
79,3%
10,3%
89,7%
10,3%
100,0%
0

Medidas de posicin
Las medidas de posicin son de dos tipos:
Medidas de posicin central: informan sobre los valores medios de
la serie de datos.
Medidas de posicin no centrales: informan de como se distribuye
el resto de los valores de la serie.
Medidas de posicin central
Media: es el valor medio ponderado de la serie de datos.
Mediana: es el valor de la serie de datos que se sita justamente
en el centro de la muestra (un 50% de valores son inferiores y
otro 50% son superiores).
Moda: es el valor que ms se repite en la muestra.

Medidas de posicin
Medidas de posicin no centrales
Cuartiles: son 3 valores que distribuyen la serie de datos, ordenada
de forma creciente o decreciente, en cuatro tramos iguales, en los que
cada uno de ellos concentra el 25% de los resultados.
Deciles: son 9 valores que distribuyen la serie de datos, ordenada de
forma creciente o decreciente, en diez tramos iguales, en los que
cada uno de ellos concentra el 10% de los resultados.
Percentiles: son 99 valores que distribuyen la serie de datos,
ordenada de forma creciente o decreciente, en cien tramos iguales, en
los que cada uno de ellos concentra el 1% de los resultados.

Medidas de dispersin
Varianza: Mide la distancia existente entre los valores de la serie y la
media
Desviacin Standard: Se calcula como la raz cuadrada de la
varianza. Es una medida que informa de la media de distancias que
tienen los datos respecto de su media aritmtica, expresada en las
mismas unidades que la variable.

Medidas de forma
Asimetra
Hemos comentado que el concepto de asimetra se refiere a si la curva
que forman los valores de la serie presenta la misma forma a izquierda
y derecha de un valor central (media aritmtica)

Curtosis
El Coeficiente de Curtosis analiza el grado de concentracin que
presentan los valores alrededor de la zona central de la distribucin.

Coeficiente de Correlacin Lineal

En una distribucin bidimensional puede ocurrir que las dos variables
guarden algn tipo de relacin entre si.
El coeficiente de correlacin lineal mide el grado de intensidad de
esta posible relacin entre las variables. (si representramos en un
grfico los pares de valores de las dos variables la nube de puntos se
aproximara a una recta).

Probabilidad

Probabilidad
La probabilidad mide la frecuencia con la que aparece un resultado
determinado cuando se realiza un experimento.
Ejemplo: tiramos un dado al aire y queremos saber cual es la
probabilidad de que salga un 2, o que salga un nmero par, o que salga
un nmero menor que 4.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse
diversos resultados, dentro de un conjunto posible de soluciones, y esto
an realizando el experimento en las mismas condiciones. Por lo tanto, a
priori no se conoce cual de los resultados se va a presentar:

Independencia de Sucesos
Independencia de Sucesos: Dos sucesos son
independientes cuando no existe ninguna relacin en su
ocurrencia.

Sucesos Dependientes: Dos sucesos son dependientes

cuando la ocurrencia de un evento esta influida por la
ocurrencia de otro evento.

Distribuciones Discretas y Continuas

Las distribuciones discretas son aquellas en las que la

variable puede tomar un nmero determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir
cara o cruz;

Las distribuciones continuas son aquellas que presentan

un nmero infinito de posibles soluciones
Ejemplo:

Distribuciones Discretas
La distribucin Bernouilli
Es aquel modelo que sigue un experimento que se realiza una sola vez
y que puede tener dos soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0

Binomial(5, 0.5)
X <= 1.000
5.0%

0.35

X <= 4.000
95.0%

0.3
0.25
0.2

La distribucin binomial

0.15
0.1
0.05
0
-1

Poisson(1)
0.4

La distribucin de Poisson

X <= 0.000
5.0%

X <= 3.000
95.0%

0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5

La distribucin hipergeomtrica

0.5

1.5

2.5

3.5

4.5

HyperGeo(3, 3, 6)
0.5

X <= 0.000
5.0%

X <= 2.000
95.0%

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5

0.5

1.5

2.5

3.5

Distribuciones Continuas

Probabilidad

La distribucin uniforme es aquella que puede tomar

cualquier valor dentro de un intervalo, todos ellos con la
misma probabilidad.
Es una distribucin continua porque puede tomar
cualquier valor y no nicamente un nmero determinado
(como ocurre en las distribuciones discretas).

10

Distribuciones Continuas
Esta distribucin se caracteriza porque los valores se distribuyen
formando una campana de Gauss, en torno a un valor central que
coincide con el valor medio de la distribucin:

Un 50% de los valores estn a la derecha de este valor central y otro

50% a la izquierda.

Distribuciones Continuas
Porqu es que la distribucin normal es una buena distribucin
para muchos fenmenos?

Es por algo que se llama la Ley de los Grandes Nmeros.

El Teorema Central del Lmite dice que si tenemos un
grupo numeroso de variables independientes y todas ellas
siguen el mismo modelo de distribucin (cualquiera que ste
sea), la suma de ellas se distribuye segn una distribucin
normal.

(Los estudios han demostrado de que an cuando no todas las piezas son
independientes, la regla an se aplica).
Resulta que muchos fenmenos naturales satisfacen esta condicin.

Distribuciones Continuas
Tipos de distribuciones
Triang(-2.5, 0, 2.5)

Weibull(2, 2.5) Shift=-2.5

X <= -1.709
5.0%

0.4

X <= 1.709
95.0%

X <= -1.934
5.0%

0.35

0.35

X <= 1.827
95.0%

0.3

0.3

0.25

0.25
0.2

0.2
0.15

0.15

0.1

0.1

0.05

0.05
0

-3

-2

-1

-3

-2

-1

Lognorm(2.5, 2.5) Shift=-2.5

X <= -2.05
5.0%

0.4

X <= 4.45
95.0%

0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-4

-2

10

Simulaciones

Pruebas de bondad de ajuste

Kolgomorov-Smirnov

Prueba Chi-cuadrado (X2)

Anderson - Darling

Definicin

"Simulacin es una tcnica numrica para conducir experimentos en una

computadora digital. Estos experimentos comprenden ciertos tipos de
relaciones matemticas y lgicas, las cuales son necesarias para
describir el comportamiento y la estructura de sistemas complejos del
mundo real a travs de largos periodos de tiempo".

Imitar

Nmeros aleatorios y Seudoaleatorios

Nmeros Aleatorios: Son nmeros generados por el computador los

cuales se distribuyen de manera uniforme entre 0 y 1.

Nmeros Seudoaleatorios: Son nmeros que son generados a partir del

resultado de otro nmero por lo cual existe una correlacin entre ellos y
se pierde la independencia del resultado.

VaR (Value at Risk)

Definicin del Value-at-Risk

Definicin
Es la mxima prdida esperada
dentro de un horizonte de inversin de n das
con una probabilidad de error de %

Criterio
de asimetra

Horizonte de
tiempo de
inversin

Significancia
estadstica

Qu es Value at Risk (VaR)

El VaR resume la prdida mxima esperada (o peor prdida) a lo largo

de un horizonte de tiempo objetivo dentro de un intervalo de confianza
dado.

El clculo del VaR est dirigido a elaborar un reporte de la

siguiente forma:
Se tiene una certeza de X% de que no se perder ms de V
dlares en los siguientes N das
V es el VaR de N -das para un nivel de confianza de X%

Segn la propuesta del Comit de Basilea el intervalo de confianza

ideal es de 99% (1% de probabilidad, -2.33 desviaciones) y

segn la metodologa de RiskMetrics es de un 95% (5% de

probabilidad y -1.65 desviaciones).

+%

year

-%

1% of worst cases

1
0.8
0.6
0.4

VaR1%

1%

0.2

-3

-2

-1

Profit/Loss

Metodologas VaR alternativas

Mtodo Analtico
(Delta Normal)

Mtodo Montecarlo
(Simulaciones)

Mtodo Histrico
(Histogramas)

Las similitudes
Los tres mtodos buscan estimar un valor
crtico para las prdidas potenciales.

Las diferencias
Cada mtodo realiza distintos supuestos
acerca de qu valores son representativos
sobre las futuras prdidas potenciales y
cmo stas se distribuyen
estadsticamente.

@RISK

El propsito de una evaluacin de riesgo

No se trata de ver claramente hacia el futuro.
Por el contrario, basado en toda la informacin
disponible ahora, determinar la exposicin a la cual
usted se enfrenta si usted procede a tomar la
decisin.
Esto es realizado por medio de una simulacin
Monte Carlo.

Para este propsito,

el
conjunto
de
programas
integrados
(suite)
de
Palisade
Corporation,
que
incluye el @Risk 5.0
versin Profesional.
@Risk es el software
de evaluacin de
riesgo producido por
Palisade Corporation.

El software @RISK se basa en el ingreso de valores conocidos como datos

de entrada, los mismos que siguen unos parmetros segn la distribucin
de probabilidad a la cual se ajustan. Estos datos varan constantemente
mediante simulaciones de Montecarlo implcitas en el programa.

A estos software se le indican cuales son las variables de entrada y las

variables de salida, en quienes se esta interesado mirar su
comportamiento.

De esta manera, p.ej. podemos buscar medir el riesgo de mercado al cual

se encuentra expuesta la empresa por variaciones en las principales
variables macroeconmicas, con lo que se pretende predecir cual es el
efecto que se presenta ante un cambio de un punto en alguna de stas.

El software @RISK esta formando por un conjunto de macros de Excel desarrollados para
trabajar como funciones complemento de este programa, para realizar una determinada
cantidad de simulaciones lo nico que se debe realizar, es mediante la opcin pegar funcin
escoger en categoras @RISK y luego escoger la distribucin estadstica mediante la cual
desea modelar esta variable como lo puede ser una funcin Normal, Beta, Binomial, discreta,
Uniforme, etc.

Barra de herramientas @RISK

Abre un archivo de simulacin @RISK previamente guardado

Guarda el archivo de simulacin @RISK actual
Define distribuciones
Agrega una variable de salida (output)
Despliega la lista de variables de salida (outputs) y entrada
(inputs)
Selecciona funciones @RISK.
Ajustes de simulacin
Ajustes de reportes
Inicia una simulacin
Despliega la ventana de modelo @RISK
Despliega la ventana de resultados @RISK

Barra de herramientas extendida de

@RISK

Ajusta

distribuciones a los datos

Bsqueda

de objetivos

Anlisis

de estrs

Anlisis

de sensibilidad avanzado

Preliminares
No

tenga ms de un modelo @RISK abierto al mismo

tiempo!

Intente

mantener su modelo en un solo libro de trabajo

con varias o muchas hojas

Localice

las funciones @RISK en celdas individuales y

utilice referenciamiento de celdas

Realizando un Anlisis de Riesgo y

Estructurando su Modelo de Libro
de Trabajo @Risk

Pasos en la Ejecucin de una Evaluacin de

Riesgo

Pruebe el modelo
Defina el problema

Ejecute el modelo probado

Establezca los fundamentos
Examine los resultados
Ensamble el modelo
Presente los resultados

Defina el Problema
La etapa de formulacin del proyecto:
Aqu no se ha hecho ningn trabajo
formal de evaluacin de riesgos, pero se
ha completado parcialmente un anlisis
de base.
A mitad de camino en el desarrollo del
anlisis: Aqu, los clientes nos han
solicitado completar el anlisis que ellos
han empezado pero que fueron
incapaces de concluir.
Etapas finales de un proyecto: La tarea
ac consiste en revisar el trabajo
previamente completado y en la
realizacin
de
recomendaciones
respecto de cmo ejecutar un anlisis
en la prxima ronda.

Establezca los fundamentos

Requiere usted cuantificar el riesgo al que se
enfrenta , o simplemente requiere usted saber
los riesgos a los cuales se est enfrentando?
Asumiendo que usted requiera cuantificar el
riesgo, requiere usted escoger entre alternativas
inciertas (PrecisionTree); o requiere usted
cuantificar el riesgo de una alternativa dada
(Risk).
Determinacin de la estructura del modelo
Identificacin de variables inciertas.
Especificacin de las distribuciones de las
variables de entrada.
Identificacin de variables de poltica.
Correlacin entre variables inciertas.
Especificacin de celdas de resultado.

Ensamble del Modelo

Despliegue la estructura del
modelo.
Incorpore los componentes de
pronstico
Identifique las variables
importantes. Considere realizar
pruebas sobre variables
importantes usando TopRank.
Incorpore el riesgo, utilizando
Normas y estndares de la
industria o rea de estudio
Juicio profesional y RiskView
BestFit y datos disponibles

Prueba del Modelo

Trate de estresar el
modelo asumiendo
un conjunto
consistente de
valores optimistas, y
luego pesimistas
sobre las variables
clave.

Ejecute el Modelo Probado

Hemos encontrado que

el mnimo nmero de
iteraciones a utilizar es
de 5000. Si usted no
est seguro, utilice la
opcin de auto
Detencin (Auto Stop)
en @Risk.

Examine los resultados

Grficos
Estadsticas
Datos
Sensibilidades y
Grficos de Tornado

Presente los resultados

Enunciado del problema que deba ser
resuelto
Resumen de qu anlisis fue ejecutado
para resolver el problema
Variables de resultado claves y cmo las
decisiones debern ser tomadas
dependiendo de los resultados de la
evaluacin de riesgo y de otros factores.
Resultados:
Grfico de la distribucin del resultado de
salida clave
Grfico de sensibilidad de regresin que
identifique los riesgos clave en el anlisis
Grficos de las variables de riesgo calve
Recomendaciones
Conclusiones