Valor en Riesgo

Alfonso Novales
Departamento de Economa Cuantitativa
Universidad Complutense
6 de diciembre de 2014
Versin preliminar
No citar sin permiso del autor
@Copyright 2014

Contents
1 Valor en Riesgo
1.1 Primeras deniciones . . . . . . . . . . . . . . . . . . . .
1.2 Un caso paramtrico . . . . . . . . . . . . . . . . . . . .
1.2.1 Varianzas cambiantes en el tiempo . . . . . . . .
1.3 Descontando el valor futuro de la cartera . . . . . . . . .
1.4 Limitaciones del VaR . . . . . . . . . . . . . . . . . . . .
1.5 Metodologas para el clculo del Valor en Riesgo . . . .
1.6 VaR de una cartera . . . . . . . . . . . . . . . . . . . . .
1.7 Descomposicin del VaR . . . . . . . . . . . . . . . . . .
1.7.1 VaR marginal de los componentes de una cartera
1.7.2 VaR incremental . . . . . . . . . . . . . . . . . .
1.7.3 VaR por componentes . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

4
4
7
10
11
14
14
15
17
20
21
22

2 Enfoques alternativos para el clculo del VaR

24
2.1 Valoracin local: el mtodo Delta-Normal . . . . . . . . . . . . . 25
2.2 Aproximaciones Delta-Gamma ("las Griegas") . . . . . . . . . . 26
2.3 Algunas aplicaciones del mtodo Delta-Normal . . . . . . . . . . 27
3 Mtodo paramtrico para el clculo del VaR
3.1 Modelo lineal Normal del VaR de una cartera . . . . . . .
3.1.1 Extrapolacin temporal del VaR . . . . . . . . . .
3.1.2 Algunos comentarios (omitir) . . . . . . . . . . . .
3.2 Benchmark VaR . . . . . . . . . . . . . . . . . . . . . . .
3.3 VaR condicional: Expected Tail Loss y Expected Shortfall
3.4 Clculo del VaR a partir de un modelo factorial lineal . .
3.5 Etapas en la construccin de un modelo factorial de VaR
3.6 Descomposicin del VaR en el modelo lineal Normal . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

28
28
29
30
31
32
34
37
38

3.6.1
3.6.2
3.6.3

VaR sistemtico en el modelo lineal Normal . . . . . . . .

VaR individuales (Stand-alone VaR) . . . . . . . . . . . .
VaR marginal y VaR incremental . . . . . . . . . . . . . .

38
39
39

4 El modelo lineal Normal de VaR en carteras de renta ja

40
4.1 Algunos conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . 40
4.1.1 Duracin y convexidad . . . . . . . . . . . . . . . . . . . . 42
4.1.2 Aproximacin en duracin y convexidad al precio de un
bono . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2 Mtodos de proyeccin de cash-ows . . . . . . . . . . . . . . . . 45
4.2.1 Proyeccin con valor presente y duracin constantes . . . 48

4.3
4.4
4.5
4.6

4.2.2 Proyecin con invarianza del PV01 . . . . . . . . . . . . .

4.2.3 Proyeccin con invarianza en volatilidad . . . . . . . . . .
4.2.4 Proyeccin sobre varios vrtices . . . . . . . . . . . . . . .
4.2.5 Benchmarking un fondo . . . . . . . . . . . . . . . . . . .
VaR lineal bajo Normalidad para secuencias de cash-ows proyectadas sobre vrtices . . . . . . . . . . . . . . . . . . . . . . . . . .
Descomposicin del VaR en carteras de renta ja . . . . . . . . .
Combinando cash-ow mapping con anlisis de Componentes Principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Gestin de un fondo de renta ja . . . . . . . . . . . . . . . . . .

5 El modelo lineal Normal de VaR para carteras de renta variable

5.0.1 VaR factorial para carteras de acciones, bajo Normalidad
5.0.2 Componentes sistemtico e idiosincrtico del VaR de una
cartera de acciones . . . . . . . . . . . . . . . . . . . . . .
5.0.3 Descomposicin en componentes marginales . . . . . . . .
5.0.4 VaR cuando hay exposicin a tipos de inters extranjeros
5.0.5 Cobertura de una cartera en acciones extranjeras . . . . .

49
50
51
51
53
55
58
59
61
62
65
67
68
68

6 VaR paramtrico bajo distribuciones de rentabilidad no Gaussianas

68
6.0.6 Contrastes de Normalidad: Jarque-Bera, Kolmogorov, QQ6.1

6.2
6.3
6.4
6.5

plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
VaR lineal bajo supuestos de t-Student. . . . . . . . . . . . . . .
6.1.1 Estimacin de la densidad t de Student . . . . . . . . . .
6.1.2 Estimacin del nmero de grados de libertad por el Mtodo
de Momentos . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.3 QQ plots para distribuciones t de Student . . . . . . . . .
VaR lineal bajo mixturas de distribuciones . . . . . . . . . . . . .
EWMA en el modelo lineal paramtrico de VaR . . . . . . . . . .
Expected tail loss (conditional VaR) bajo diferentes distribuciones de probabilidad . . . . . . . . . . . . . . . . . . . . . . . .
VaR paramtrico lineal y ETL para spreads de crdito [Case
Study IV.2.12] . . . . . . . . . . . . . . . . . . . . . . . . . . . .

68
69
71
72
73
74
76
77
78

7 Clculo del VaR mediante simulacin histrica

79
7.1 Extrapolacin temporal de la varianza: Escalado exponencial . . 80
7.2 Ajustes de volatilidad . . . . . . . . . . . . . . . . . . . . . . . . 82
7.3 Simulacin histrica ltrada . . . . . . . . . . . . . . . . . . . . . 83
8 Precisin del VaR histrico para cuantiles extremos
84
8.1 Kernel tting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
8.2 Aproximacion de Cornish-Fisher . . . . . . . . . . . . . . . . . . 85
8.3 Distribuciones de valor extremo . . . . . . . . . . . . . . . . . . . 86
8.3.1 Distribuciones en las colas: La distribucin Generalizada
de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.3.2 Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . 90
8.3.3 Construccin del QQ-plot bajo la EVT. . . . . . . . . . . 92
8.3.4 Clculo del VaR bajo EVT . . . . . . . . . . . . . . . . . 93
8.3.5 Aplicacin prctica de los procedimientos de EVT . . . . 93
8.4 Distribuciones de Johnson . . . . . . . . . . . . . . . . . . . . . . 94
8.5 Distribucin t-Student Generalizada Asimtrica . . . . . . . . . . 95
9 VaR histrico para carteras lineales
9.1 Case Study IV.3.5.1 . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 VaR total, sistemtico y especco para una cartera de acciones .
9.3 VaR Equity y Forex de una cartera de accciones internacionales.
9.4 VaR de tipos de inters y Forex de una cartera de bonos internacionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.5 VaR de un crack spread trader . . . . . . . . . . . . . . . . . . .
9.6 Estimacin de la ETL en el modelo histrico de VaR . . . . . . .
9.6.1 ETL histrico paramtrico . . . . . . . . . . . . . . . . . .
9.6.2 Resultados empricos acerca del ETL histrico [Case Study
IV.3.6.2 S&P 500] . . . . . . . . . . . . . . . . . . . . . .
9.6.3 Desagregacin del ETL histrico [Case Study IV.3.6.3]
(Contina del Case Study IV.3.5.3). . . . . . . . . . . . .
10 Riesgo de estimacin
10.1 Distribucin del estimador del VaR . . . . . . . . . . . . . . . . .
10.1.1 Distribucin del estimador del VaR en modelos lineales
paramtricos . . . . . . . . . . . . . . . . . . . . . . . . .
10.1.2 Distribucin no paramtrica del estimador del VaR . . . .
10.2 Validacin del model de estimacin del VaR . . . . . . . . . . . .
10.2.1 Backtesting . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.2 Contraste del nmero de excepciones . . . . . . . . . . . .
10.2.3 Guidelines . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.4 Contrastes de modelos de VaR . . . . . . . . . . . . . . .

96
96
96
98
99
100
101
101
102
102
103
104
104
105
108
108
109
110
111

11 Apndices
11.1 Apndice 1: Semi-desviacin tpica y momentos parciales inferiores de segundo orden . . . . . . . . . . . . . . . . . . . . . . . .
11.1.1 Distribuciones no estndar . . . . . . . . . . . . . . . . .
11.2 Apndice 2: Valoracin de opciones en presencia de asimetra y
curtosis. El modelo Gram-Charlier. . . . . . . . . . . . . . . . . .
11.3 Apndice 3: El modelo GARCH de valoracin de opciones . . . .
11.4 Apndice 4: Teora de valores extremos (versin 2) . . . . . . . .
11.4.1 Estimacin del modelo . . . . . . . . . . . . . . . . . . . .

1
1.1

115
115
116
117
120
124
125

Valor en Riesgo
Primeras deniciones

El Valor en Riesgo es una de las medidas utilizadas para evaluar el riesgo de una
determinada cartera. Responde a la pregunta: dado un determinado horizonte
de gestin (se denomina horizonte de riesgo) y con una cierta probabilidad reducida, por ejemplo, p =0,1% 1%, cul es la cada en el valor de mi cartera
que ser sobrepasada slo con una probabilidad del p%;o un porcentaje p% de
los das? Por supuesto, la interpretacin dual es que con probabilidad 1 p;
el propietario de dicha posicin experimentar bien una prdida no superior al
V aR; o posiblemente un benecio. Por consiguiente, el VaR no es sino un determinado percentil de la distribucin de probabilidad prevista para las variaciones
en el valor de mercado de la cartera en el horizonte de tiempo escogido. Puede
estimarse asimismo en trminos del percentil correspondiente de la distribucin
de probabilidad seguida por la rentabilidad de la cartera, y es habitual hacerlo
as, pero se pierde informacin acerca de la cuanta de la posible prdida.
El VaR puede calcularse para perodos de inversin de un da o tambin
superiores, como una semana o un mes. De hecho, para el clculo del VaR
hay que especicar el nivel de signicacin p o equivalentemente, el nivel de
conanza 1 p; y el horizonte de riesgo al cual se est calculando la rentabilidad
en cuestin. El V aR depender del horizonte de riesgo y evolucionar en el
tiempo, segn cambia nuestra percepcin de la distribucin de rentabilidades al
ir recibiendo ms informacion.
El horizonte debe estar asociado al tiempo durante el cual pensamos que
vamos a estar expuestos al riesgo con la posicin asumida por el activo o cartera.
Ese perodo de tiempo es menor en los activos muy liquidos, y mayor en los
activos poco liquidos. Por eso, al calcular el VaR en un banco, no es extrao
hablar del VaR a 1 ao. Esto es lo natural si estamos evaluando la posibilidad
de insolvencia de una compaa, es decir, al evaluar riesgo de crdito, y tambien
lo es al estimar el nivel de riesgo operacional. En cambio, al hablar de activos
que cotizan en mercados liquidos como son las acciones, puede ser adecuado
calcular el VaR a un da. Esto es ms habitual en mesas de Tesorera. Cuando
se jan limites de negociacin a los traders, se suele trabajar con el VaR a 1 da
al 95%, umbral que un trader no debe sobrepasar con excesiva frecuencia (por

ejemplo, ms del 5% de los das). Un nivel de conanza superior dara excesiva

libertad al trader. Otro ejemplo de utilizacin: supongamos que una agencia de
crdito tiene establecida la concesin de una calicacin AA solo si la empresa
en cuestin puede probar que la probabilidad de quiebra en el horizonte de un
ao es de 0,03% o inferior, o de 3,24% o inferior en un horizonte de 10 aos. En
ese caso, una empresa que aspire a dicha calicacin, calcular su VaR a 1 ao
a 99,97% de conanza, asi como su VaR a 10 aos al 96,76% de conanza.
Para jar el capital regulatorio de los bancos, Basilea II adopt como criterio
estndar el clculo del VaR 1% para la rentabilidad a 10 das (2 semanas de
mercado). Pero, en media, se debera obtener una prdida superior al VaR 1%
en uno de cada 100 dias, es decir, una vez cada cuatro aos. Esto puede ser
inasumible para el supervisor bancario, de ah que se multiplique el VaR por un
factor de 3 4 para obtener el capital regulatorio exigible a la entidad.
El V aR no es el nico estadstico que permite evaluar el riesgo incorporado
en una posicin. Los Lower Partial Moments (ver Apndice 1) son estadsticos que recogen este tipo de evaluacin, como tambin lo son estadsticos
del tipo Prdida Esperada (Expected Shortfall), todos los cuales analizaremos
en este captulo. En ocasiones, se calcula el Valor en Riesgo con respecto a
una determinada referencia o benchmark, obteniendo de este modo el denominado Benchmark VaR. Tambin es interesante el Expected Shortfall respecto
del benchmark, o prdida esperada en caso de que la rentabilidad de la cartera
est por debajo de la rentabilidad del benchmark en una cuanta superior al
Benchmark VaR.
Hay tres enfoques para el clculo del Valor en Riesgo: el mtodo paramtrico,
que especica un determinado modelo probabilistico o una determinada distribucin de probabilidad para la rentabilidad al trmino del horizonte de gestin, el
clculo del VaR histrico, y el mtodo de Monte Carlo.
Sea V (h) la variacin en el valor de los activos de una posicin nanciera
entre t y t + h; medida en unidades monetarias. En t; esta cantidad es aleatoria,
y denotamos por Fh (x) la funcin de distribucin de V (h). Denimos el V aR
nominal de una posicin larga en el horizonte de h das, con probabilidad p;
como la cantidad V aR que satisface:
p = P [ V (h)

V aR] = Fh (V aR)

(1)

Puesto que la probabilidad de los valores posibles de V (h) estar repartida

de manera relativamente equilibrada entre valores positivos y negativos se tendr
que, para valores reducidos de la probabilidad p; el V aR ser habitualmente
negativo, por lo que se proporcina cambiado de signo: V aR.
Para posiciones largas, la prdida se producir ante una cada del precio de
la cartera de magnitud poco habitual, por lo que tendramos:
p = P [ V (h)

V aR] = 1

P [ V (h)

V aR] = 1

Fh (V aR)

y para una p pequea, tal cantidad ser positiva. Por tanto, la cola izquierda de
la distribucin de Fh (x) es la relevante para posiciones largas, mientras que la
5

cola derecha es la relevante para las posiciones cortas. Asimismo, la denicin

(1) es vlida para posiciones cortas si utilizamos la distribucin de
V (h);
porque el valor numrico V que deja a su derecha un 1% de variaciones
mayores, es asimismo el valor numrico
V que deja por debajo un 1%
de valores inferiores de
V : Y algo similar puede decirse si aplicamos la
denicin relativa a la cola derecha para posiciones largas a la distribucin de
V (h). Por tanto, es suciente analizar los mtodos de clculo del V aR para
posiciones largas o para posiciones cortas. Ntese que esta armacin no tiene
nada que ver con la posible simetra de la distribucin de V (h); que no es
preciso suponer para el clculo del VaR.
Para una distribucin univariante, Fh (x) y una probabilidad p; 0 < p < 1;
el cuantil p-simo de Fh (x) es:
xp = inf fx j Fh (x)

pg

donde inf denota la menor de las cantidades que satisface la desigualdad

indicada. Si se conociese la distribucin Fh (x); entonces el V aR de la cartera
sera simplemente el cuantil p-simo de Fh (x): Sin embargo, esta distribucin
se desconoce en la prctica, y el clculo del V aR requiere estimar Fh (x) o su
cuantil p-simo.
El V aR suele contabilizarse en trminos de rentabilidades, aunque hemos
de tener en cuenta que si la cartera consta de posiciones largas y posiciones
cortas, el concepto de rentabilidad puede perder su sentido (por ej., el valor de
la posicin puede hacerse cero y puede ser entonces dicil interpretar los valores
numricos de las rentabilidades), y es preferible trabajar con las Prdidas y
Ganancias (P &L).
Tenemos:
V (h) = Vt+h

Vt = Vt (1 + Rt;t+h )

Vt = Vt Rt+h

siendo Rt;t+h la rentabilidad alcanzada por la cartera entre t y t + h: Puesto

que Vt est dado, la distribucin de probabilidad de V (h) tiene asociada de
modo biunvoco una distribucin de probabilidad de rentabilidades, Rt;t+h ; y el
VaR en rentabilidades es el p-cuantil Rt;t+h de dicha distribucin de probabilidad.
El VaR nominal respecto al origen puede escribirse, por tanto:
V aR(origen) = Vt

Vt+h = Vt

(1 + Rt;t+h )Vt =

Vt Rt;t+h

que ser generalmente positivo.

En ocasiones, es ms conveniente estimar el V aR relativo, que considera las
prdidas que puedan producirse en la cartera, no con respecto a una rentabilidad
nula entre t y t + h, sino con respecto a la rentabilidad esperada de la misma.
Si denotamos por la rentabilidad esperada, R = E(Rt;t+l ), tenemos:
V aR(relativo) = E(Vt+l ) Vt+l = (1+E(Rt;t+l ))Vt (1+Rt;t+l )Vt =
6

Vt Rt;t+l

siendo generalmente positivo.

Cuando el horizonte de inversin es reducido (un dia, una semana), la
rentabilidad esperada ser prcticamente nula, con lo que el VaR respecto al
origen y el VaR relativo practicamente coincidirn. En general, el VaR relativo
es ms apropiado, puesto que considera las desviaciones en el valor de la cartera
con respecto al escenario central. Es un enfoque ms conservador si la cartera
tiene una rentabilidad esperada positiva, pues ello har que el VaR relativo sea
ms elevado en valor absoluto que el VaR calculado respecto al origen.
Artzner et al. (1999), "Coherent Measures of Risk ", Mathematical Finance,
9, 203-228, expusieron cuatro propiedades que es conveniente que cumpla toda
medida de riesgo (V ):
Monotona: si V1

V2 ; entonces (V1 )

(V2 )

Invarianza por traslacin: (V + k) = (V )

(cash) a una cartera, su riesgo debe reducirse

k: Si aadimos liquidez

Homogeneidad: (kV ) = k: (V ): Si incrementamos el tamao de la cartera

por un factor k; su riesgo aumenta proporcionalmente
Subaditividad: (V1 +V2 )
(V1 )+ (V2 ): Fursionar dos carteras no puede
aumentar el riesgo conjunto.
El VaR incumple la ltima condicin, mientras que el Expected Shortfall
satisface las cuatro condiciones mencionadas.

1.2

Un caso paramtrico

Si denotamos por f (R) la funcin de densidad del valor de la cartera, el VaR R

al nivel de signicacin p% es el p-cuantil de la distribucin de rentabilidades,
es decir, el nmero real R que satisface la igualdad:
p=

f (R)dR = P (R < R )
1

o, equivalentemente,R el nmero real que deja a su derecha un (1-p)% de prob1

abilidad: 1 p = R f (R)dR = P (R > R ): Como p es un valor reducido:
5%; 1% o incluso 0,1%, entonces R ser una rentabilidad negativa, y el VaR se
proporciona cambiando de signo a R para que resulte un nmero positivo,
V aR =

que se interpretar como el peor resultado que puede producirse, dejando

aparte los p% casos peores, en el horizonte de inversin considerado en el clculo
del VaR.
Supongamos que estamos dispuestos a aceptar que la rentabilidad de la
cartera sigue una distribucin Normal: R N ( R ; R ); donde la rentabilidad
N (0; 1);
media y la varianza estn en trminos anualizados, entonces: R R R
y tendremos :
7

p = P (R < R ) = P

<

donde denota la funcin de distribucin de una N (0; 1):Por la simetra de

la distribucin Normal, tenemos tambin:
R

=1

de modo que:
R

=1 p)

(1 p) ) R =

(1 p)

R+ R

y el Valor en Riesgo a horizonte 1 ao y nivel de signicacin p, ser:

V aR =

R =

(1

p)

Supongamos que estamos interesados en calcular el VaR 1% de una rentabilidad que sigue una distribucin N ( R ; R ); con momentos anualizados: Las
1
tablas de la distribucin N (0; 1) nos proporcionan: p = 0; 01 )
(0; 99) =
2; 326; de modo que:
R = 2; 326

Si la cartera tiene una rentabilidad positiva, el VaR 1% a 1 ao ser inferior

a 2; 326 R ; siendo mayor que 2; 326 R si la rentabilidad esperada de la cartera
durante el horizonte de inversin es negativa.
VaR nominal
Si los parmetros R y R estn expresados en aos, el V aR nominal respecto
al origen sobre un horizonte t ser:
V aR(origen) =

Vt Rt;t+h = Vt

(1

p)

t = Vt

(1

p)

mientras que el V aR nominal respecto de la rentabilidad media es:

V aR(relativo)

= E(Vt+l )
= Vt

Vt+l = Vt Rt;t+h
R t =
p
p
1
(1 p) R
t = Vt R
t

Vt

que es un mltiplo de la desviacin tpica de rentabilidades, siendo el factor

una funcin del nivel de conanza p y del horizonte de riesgo, t.

Como vimos en el caso general, una rentabilidad media positiva reducir el

VaR relativo, siendo ms elevado el VaR relativo (respecto de la media) que el
VaR respecto del origen.1
Ntese que la consideracin de si el clculo del VaR debe hacerse respecto
del origen o respecto de la rentabilidad media es, en principio, diferente de la
decisin de incluir la rentailidad esperada en el clculo del VaR. Si sta no
se incluye, el VaR respecto al origen y el VaR respecto a la media tendran las
expresiones que aparecen en el pie de pgina, siendo nuevamente el segundo
superior al primero. Lo que sucede es que si la rentabilidad esperada no es despreciable, porque el intervalo de riesgo no es pequeo, entonces debera incluirse
en el clculo del VaR Si se calcula el VaR respecto del origen o respecto de la
media es debatible, aunque parece natural que se calculase este ltimo, por ser
un criterio ms conservador. Si, por el contrario, la rentabilidad esperada puede
suponerse igual a cero, entonces no cabe incorporarla en la estimacin del VaR,
siendo en ese caso irrelevante si se calcula el VaR respecto del origen o respecto
de la rentabilidad media.
Este mtodo es vlido para otras distribuciones de probabilidad, siempre
que la incertidumbre est resumida en el parmetro R : La distribucin Normal
puede resultar vlida para carteras amplias, bien diversicadas, pero no cuando
existe una concentracin de riesgos.
El mltiplo de 3 4 aplicado al VaR para el clculo del capital regulatorio tiene otra interpretacin: la desigualdad de Chebychev asegura que para
1
cualquier variable aleatoria (rentabilidad r), se tiene: P (j r
2:
r)
r j>
Por tanto, si la distribucin de rentabilidades es simtrica, se tendr para
rentabilidades por debajo de la media :
1
2 2
Si para el clculo del VaR jamos el miembro derecho en 1%, tendremos:
= 7; 071: Por tanto, y el estimador del VaR segn este argumento ser:
(7; 071) r : Supongamos que la entidad presenta al supervisor su VaR al 1%
bajo el supuesto de Normalidad. Estar dando la cifra de (2; 326) r : Si esta
distribucin no es correcta, el factor de correccin sobre el VaR calculado der
bera ser, aproximadamente: 7;071
2;326 r = 3; 03; muy prximo al factor denido en
Basilea II.
P (r

<

r)

1 Ntese que la consideracin de si el clculo del VaR debe hacerse respecto del origen
o respecto de la rentabilidad media es, en principio, diferente de la decisin de incluir la
rentailidad esperada
en el clculo del VaR. Sip sta no se incluye,
entonces tendramos:
p
1 (1
V aR(origen) = Vt Rt;t+h = Vt
p) R
t = Vt R
t; mientras que el V aR

nominal respecto de la rentabilidad media sera: V aR(relativo) =

h
i
h
i
p
p
1 (1
Vt
p) R
t
t+ R t
R
R t = Vt
p
= Vt R
t
superior al VaR respecto al origen.

Vt Rt;t+h

1.2.1

Varianzas cambiantes en el tiempo

Las expresiones anteriores suponen que la varianza de las rentabilidades permanece constante en el tiempo, pero el anlisis se extiende sin ninguna dicultad
a la consideracin de varianzas cambiantes en el tiempo.
Para ello, deberemos utilizar un procedimiento que permita estimar una varianza cambiante en el tiempo, ya sea mediante un esquema de ventanas mviles
muestrales, o mediante modelos como el suavizado exponencial (EWMA) de
RiskMetrics, o un enfoque GARCH. El VaR es el percentil de la distribucin
de probabilidad al trmino del horizonte de gestin, en T + h; distribucin que
hoy (en T ) desconocemos. La estimacin del VaR requiere, en denitiva, prever
la evolucin de la distribucin de probabilidad de la rentabilidad del activo o
cartera a lo largo del horizonte de inversin, entre T y T + h. Se necesita una
prediccin porque como tantos otros conceptos nancieros, el V aR se reere a
la distribucin prevista para las rentabilidades de la cartera durante el horizonte
de inversin jado, no al dia en que se calcula el VaR.
En el caso de rentabilidades Normales, para el clculo del Valor en Riesgo
necesitamos, adems de la rentabilidad en exceso esperada, una prediccin de
la volatilidad de la rentabilidad del activo en el horizonte para el cual se quiere
calcular el VaR. El clculo del VaR es, precisamente, una de las razones por las
que conviene disponer de un buen modelo de prediccin de volatilidad. Para
ello, hay varias posibilidades: una consistira en tomar la serie temporal de varianzas estimada mediante EWMA o GARCH, y predecir entre T (hoy) y T + h
(el nal del horizonte de gestin), y tomar el promedio de dichas predicciones;
otra consistira en tomar la ltima varianza observada, 2T ; como prediccin.Una
vez estimada una serie temporal de varianzas a partir de cualquiera de los procedimienots ya vistos (ventanas mviles, RiskMetrics, suavizado exponencial,
GARCH) el VaR se calculara utilizando la prediccin de la varianza que surge
de dicho modelo sobre el horizonte de clculo del VaR.
Por ejemplo, recordemos que el modelo RiskMetrics, que supone que la
rentabilidad diaria continua de la cartera sigue una distribucin Normal: rt j
Ft 1 N ( t ; 2t ); con:
t
2
t

=
=

0;
2
t 1

)rt2 1 ; 0 <

+ (1

<1

o, equivalentemente, que el logaritmo del precio: pt = ln(Pt ); obedece un

proceso IGARCH(1,1) sin constante: pt pt 1 = at ; con at = t "t ; y "t
N (0; 1): El valor de suele tomarse en el intervalo (0; 9; 1) ; siendo 0,94 un valor
bastante habitual, con el objeto de proyectar la varianza hacia el futuro y aplicar
la expresin del VaR para el caso lineal bajo distribucin Normal. En este caso,
calculamos el V aR utilizando para el horizonte de riesgo (t; t + h) la varianza
estimada para el ltimo dia de la muestra. Si la rentabilidad no es ruido blanco,
como por ejemplo, en:
rt =

1 rt 1

10

+ ut

2
entonces el modelo debera ajustarse: 2t =
)u2t 1 ; si bien
t 1 + (1
RiskMetrics no considera esta posibilidad.
En otros modelos, obtener la prediccin de la varianza sobre el horizonte deseado para el VaR es algo ms complejo, pero se dispone de expresiones analticas, como es el caso de los modelos de la familia GARCH.

1.3

Descontando el valor futuro de la cartera

Un segundo aspecto que hemos de tener en cuenta cuando estimamos el VaR a

horizontes largos, es el de utilizar el valor presente de la cartera, pues solo as
estaremos teniendo realmente en cuenta el valor temporal del dinero. Para ello
descontamos el valor nal de la posicin Vt+h , utilizando el LIBOR, por ejemplo,
como tipo libre de riesgo. El resultado de Prdidas y Ganancias (P &L) es:
P &L(h) = Bht Vt+h

Vt

siendo Bht el precio de un bono cupn cero con vencimiento dentro de h

dias de negociacin, el factor descuento habitualmente utilizado para actualizar
ujos de caja, que ser un factor inferior a 100, que utilizamos en porcentaje
1
.
si RF es la tasa anual libre de riesgo y el plazo es inferior a un ao, Bht = 1+hR
F
Cuando hablemos de Prdidas y Ganancias, lo hacemos en trminos descontados, salvo que el horizonte de riesgo sea tan breve que no sea necesario considerar
el descuento.
La rentabilidad descontada de un activo o cartera es:
Rd =

dVt+h Vt
Vt

donde d denota el factor descuento: d = Bht =

rentabilidad habitual, R =

Vt+h Vt
Vt

1
1+RF

< 1:Respecto de la

tenemos la relacin:

1 + Rd = (1 + R)d =

1+R
1 + RF

(2)

de modo que si denotamos por d ; d ; ; la esperanza y desviacin tpica

de las rentabilidades descontada y sin descontar, respectivamente, tendremos:
= E(Rd ) = dE(R)
V ar(Rd ) = V ar(R)d2
d

(1

d);

por lo que: La rentabilidad descontada es menor que la rentabilidad calculada

sin descontar el valor futuro de la cartera y tiene una varianza inferior.
La diferencia entre ambas rentabilidades es:

R Rd =

Vt+h Vt
Vt

Bht Vt+h
Vt

Vt

Vt+h

11

Bht Vt+h
Vt+h
=
(1
Vt
Vt

Bht ) = (1 + R)

RF
1 + RF

Sufrimos una prdida cuando obtenemos una rentabilidad descontada negativa en el valor de nuestra cartera. Equivalentemente, una prdida en trminos
descontados, teniendo en cuenta el valor temporal del dinero, signica que nuestra cartera ha obtenido una rentabilidad inferior a la del activo sin riesgo. En
efecto, si tenemos una rentabilidad descontada negativa: Bht Vt+h Vt < 0; dado
1
1
; tenemos: 1+hR
Vt+h Vt < 0; es decir: Vt+h < Vt (1 + hRF );
que Bht = 1+hR
F
F
y VVt+h
< 1 + hRF ; se debe a que nuestra cartera ha generado una rentabilidad
t
inferior a la del activo sin riesgo, es decir, un rendimiento en exceso de signo
negativo. Una ganancia, es decir, una rentabilidad descontada positiva, equivale
a una rentabilidad superior a la ofrecida por el activo sin riesgo. Una cartera
ofrece una rentabilidad igual a la del activo sin riesgo, R = RF ; si y slo si su
rentabilidad descontada es igual a cero, Rd = 0;como puede verse en (2).

Clculo del VaR con rentabilidades descontadas (correctamente)

Para calcular el V aRp (h) nominal utilizando Prdidas&Ganancias (P &L)
descontadas, debemos encontrar la cantidad Xht;p que resuelve:
p = P [Bht Vt+h

Vt

Xht;p ]

(3)

Si calculamos el V aRp (h) en trminos de rentabilidades, el V aR es entonces

el valor numrico xht;p que resuelve la ecuacin,
p=P

Bht Vt+h
Vt

Vt

xht;p = P (Rd

xht;p )

Si utilizamos la rentabilidad no descontada, como suele ser habitual en el

clculo del VaR, yht;p ; tenemos:
p=P

Vt+h Vt
=R
Vt

yht;p

Qu relacin existe entre ambas estimaciones del V aR; segn que descontemos o no descontemos las valoraciones futuras? Como d = Bht ; tenemos:

p = P [Rd

xht;p ] = P [(1 + R)d

xht;p ] = P R

1 + xht;p
d

Por tanto:
1 + xht;p
1; es decir, xht;p = (1 + yht;p )d 1
d
y es lo que determina la diferencia entre ambas estimaciones del VaR porcentual (rentabilidades). Recordemos que, cambiados de signo, xht;p es el VaR
de las rentabilidades descontadas, e yht;p es el VaR de las rentabilidades sin
descontar:
yht;p =

VaR con descuento = d.VaR sin descuento + (1 - d )

12

En el caso paramtrico (Normal) que antes analizamos se debe cumplir tambin esta relacin. En efecto, el VaR correctamente calculado sobre rentabilidades descontadas sera:
1

V aRd =

(1

p)

donde d ; d son la esperanza matemtica y varianza de la rentabilidad descontada. Como d = (1 + )d 1; y d = d ; tenemos:

V aRd =

(1 p)d

[(1 + )d

1] = d[

(1 p)d

]+(1 d) = d:V aR+(1 d)

como vimos en el caso general.

En el caso particular de que la rentabilidad descontada esperada d fuese
igual a cero, es decir, que = RF , calcularamos el VaR mediante V aRd =
1
(1 p) d , y entonces tendramos:
V aRd d

=0

(1

p)

= d:

(1

p) = d:V aR

=0

que es correcto como igualdad algebraica, pero carece de interpretacin,

puesto que compara dos situaciones diferentes: una con rentabilidad descontada
igual a cero, y otra con rentabilidad sin descontar igual a cero.
Sera erroneo, por tanto, concluir de esta expresin que cuando la rentabilidad descontada es igual a cero, el VaR se puede obtener descontando el VaR
estimado con las rentabilidades sin descontar. En dicha situacin de mercado,
con una rentabilidad descontada igual a cero, el VaR estimado con rentabilidades sin descontar sera el VaR correspondiente a una rentabilidad igual a la
del activo sin riesgo:
V aR

=RF

(1

p)

(1

p)

RF

y la relacin correcta sera:

V aRd d

=0

(1

p)

= d: V aR

=RF

+ RF

como se comprueba en la hoja de clculo del ejercicio EIV.1.6.2

En las operaciones de prstamo, el factor descuento d est relacionado con un
tipo de inters relevante r mediante: d = (1 + rh) 1 ; donde h es el horizonte de
inversin, expresado como fraccin de ao. Como ejemplo, se tiene los siguientes
factores descuento:
r
1a~
no 6meses 4meses 3meses 1mes 10dias 5dias
5% 0; 951 0; 975
0; 983
0; 987 0; 996 0; 998 0; 999
3% 0; 971 0; 985
0; 990
0; 993 0; 998 0; 999 0; 999
por lo que el trabajo con rentabilidades descontadas, como sera exigible, ser
necesario nicamente para tipos de inters relativamente elevados y horizontes
largos, pudiendo evitarse, como aproximacin, en los dems casos.
En los ejercicios [EIV.1.6] y [EIV.2.11] analizamos el impacto numrico del
descuento sobre el clculo del VaR en el caso de una distribucin Normal.
2 Aunque, como es claro de este argumento, se tiene la igualdad:
d: V aR =RF + RF

13

d:V aR

=0

1.4

Limitaciones del VaR

El VaR no entra en consideraciones sobre cul pueda ser la prdida esperada en caso de que el activo o la cartera caigan por encima del nivel
indicado por el VaR. Esto se conoce como Expected Shortfall, y ser analizado ms adelante.
Cuando se calcula a un horizonte determinado, por ejemplo, en un mes, se
est suponiendo que la composicin de la cartera va a quedar inalterada,
lo cual no es muy razonable.
Asimismo, se supone que la estructura de la matriz de covarianzas es invariante a lo largo del horizonte temporal de clculo del VaR. Cuando no
es asi, es preciso reconstruir histricamente el precio de la cartera cada
vez que se cambia su composicin, para modelizar su varianza. Alternativamente, hemos de modelizar la volatilidad de los activos individuales que
pueden entrar a formar parte de nuestra cartera.
Disponer de un buen modelo de prediccin de la varianza es crucial para
el clculo del VaR. Si, por no disponer de tal modelo, se utiliza en el
clculo del VaR una varianza histrica, puede ser conveniente no utilizar
la expresin habitual que pondera todas las observaciones por igual y
est contaminada por valores extremos, extendiendo hacia el futuro dicho
efecto. La utilizacin de un esquema EWMA para el clculo de la varianza
puede ser preferible.
Tampoco es muy evidente en algunos casos como seleccionar el horizonte
de clculo o el umbral de probabilidad.

1.5

Metodologas para el clculo del Valor en Riesgo

Existen distintos enfoques para el clculo del VaR: i ) el modelo lineal, ii ) el

VaR histrico, y iii ) el mtodo de simulacin de Monte Carlo, y slo para el
primero de ellos es necesario establecer un supuesto acerca de la distribucin de
probabilidad de las rentabilidades, lo cual es bastante conveniente.
1. mtodo paramtrico de VaR, en el que suponemos que la distribucin de
las rentabilidades de los factores sigue una distribucin Normal multivariante y la cartera es funcin lineal de los factores. Su ventaja es que es
tratable analticamente, pero solo se puede generalizar a una pocas formas paramtricas, como la Normal, la t-Student, o mixturas de Normales
o de t-Student.Cuando se incluyen tipos de inters entre los factores las
relaciones son no lineales, pero la no linealidad ya est incorporada en los
trminos PV01. El modelo no puede aplicarse a carteras con opciones.
En este modelo no podemos predecir la matriz de covarianzas utilizando
un modelo GARCH, porque ello signica que las rentabilidades no son i.,
i.d.. Como consecuencia, la regla de la raiz cuadrada en la extrapolacin

14

de la varianza no es vlida. Pero el mayor problema es que en ese caso,

desconocemos cual es la distribucin de las rentabildiades h dias a partir
de hoy:
2. mtodo de simulacin histrica, que utiliza un gran cantidad de datos
histricos para estimar el VaR pero hace el mnimo de supuestos acerca
de la distribucin de rentabilidades de los factores. Supone que todas
las variacioens futuras posibles ya se han observado en el pasado. Esto
impone restricciones no muy realistas en los datos.
3. mtodo VaR Monte Carlo, que hace supuestos similares a los del modelo
lineal Normal. Se puede aplicar a carteras no lineales, path-dependientes,
etc.. Pero es computacionalmente intensivo y los errores de simulacin
pueden ser considerables, por lo que conviene utilizar mtodos numricos
de cierto nivel de sosticacin.
[Case Study: Clculo del VaR para el ndice S&P500].

1.6

VaR de una cartera

Sea ! el vector de pesos relativos de una cartera: ! = (! 1 ; ! 2 ; :::; ! n ); y la

matriz simtrica nxn de varianzas y covarianzas de las rentabilidades de los
n activos que componen la cartera. Si denotamos por x = (x1 ; x2P
; :::; xn ) las
n
cantidades invertidas en cada activo y por W la cuanta total, W = i=1 xi , de
modo que ! i = xi =W; tenemos la varianza de una unidad monetaria invertida
en la cartera, 2c = ! 0 !:
Hacer un supuesto para la distribucin de rentabilidades, como la Normal,
nos permite traducir el nivel de signicacin del VaR p de modo sencillo en
un umbral
tal que la probabilidad de observar una prdida superior a
sea igual a p:En el resto de esta seccin suponemos que la rentabilidad de cada
activo de la cartera sigue una distribucin Normal, lo que puede ser un supuesto
vlido en el caso de carteras bien diversicadas. Esto hace que la rentabilidad
de la cartera, al ser una combinacin lineal de las rentabilidades de los activos
que la componen, siga asimismo una distribucin Normal y tenemos:
V aRc =

cW

p
= W !0 !

(4)

donde es tal que la probabilidad de tener una prdida ms elevada que

es igual a p:
En trminos monetarios, la varianza de la inversin es:3
2
2
cW

= x0 x

por lo que el VaR nominal de la cartera es:

V aRc =
3 Puesto

que:

2
c;t+1

= !0

t+1 !

1
W

cW

t+1

15

=
1
W

x0 x

x =

1
x0
W2

t+1 x

En el caso de una cartera, tiene sentido calcular el VaR de la misma unicamente si la composicin de la cartera va a mantenerse invariante durante el
horizonte temporal para el cual se calcula el VaR. No tendra mucho sentido
calcular en T (hoy) el VaR a horizonte h si en T + h la actual cartera no va a
existir porque ya hayamos cambiado la composicin de nuestras inversiones.
El VaR individual, para el activo i-simo de la cartera, se dene:
V aRi =

j Wi j=

j !i j W

(5)

donde admitimos posiciones cortas y largas en dicho activo. Lgicamente, la

suma de los VaR individuales no es igual al VaR total, pues estaramos ignorando
los benecios de la diversicacin.
Los benecios de la diversicacin se observan comparando el VaR diversicado y el VaR no diversicado de una misma cartera. El VaR diversicado
es el que denimos en (4). El VaR no diversicado es la suma de los VaR de
los componentes o VaR individuales, que ser siempre superior, por ignorar los
efectos de la diversicacin sobre el riesgo.
Ejemplo (Jorion). Consideremos una cartera invertida en dos divisas frente
al euro: dolar y yen, que suponemos incorrelacionadas. Las cantidades invertidas son 2 millones y 1 milln, respectivamente, y sus volatilidades 5% y
12%. Utilizando el vector de ponderaciones ! = (2=3; 1=3); la varianza de la
0; 052
0
cartera resulta ser ! 0 ! = ! 0
! = (27; 11)10 4 , por lo que
0
0; 122
su volatilidad seria de 5,21%. En trminos monetarios: x0 x = (! 0 !) W 2 =
(27; 11)10 4 9(1012 ) = 244(108 ); con una volatilidad de 156.205 euros. El VaR
95% a 1 da es (1,65)(156.205)=257.738 euros. Los VaR individuales (no diversicado) en cada divisa son 165.000 y 198.000 euros, respectivamente, que
suman 363.000 euros, un 26% ms que el VaR diversicado.
Bajo Normalidad, el VaR individual ser4 :
1

V aRi =

(1

p)

jWi j

mientras que el VaR de la cartera en trminos de rentabilidades es:

V aRc =

(1

p) =

(1

p
p) ! 0 !

tratando la volatilidad de la rentabilidad de la cartera de igual modo a como

trataramos la volatilidad de un activo individual.
El VaR de la cartera en trminos nominales,
V aRc =

cW

(1

p) =

p
(1:p) x0 x

El clculo del VaR de una cartera requiere, por tanto, disponer de estimaciones de las covarianzas o de las correlaciones entre las rentabilidades de los
activos que la integran, lo que ha suscitado la necesidad de generar mtodos
que simpliquen la alta dimensionalidad de este problema, dado que en carteras
4 Podemos

sustituir

1 (p)

por

16

como las de los fondos de inversin, el nmero de activos que pueden incluirse
es excesivamente grande como para estimar todas sus varianzas y covarianzas.
Los mtodos factoriales que hemos examinado en una captulo previo son muy
tiles a tales efectos.
En el caso de dos activos,

V aRc

(1

(1

q
p) ! 21 V ar(R1 ) + ! 22 V ar(R2 ) + 2! 1 ! 2 Cov(R1 ; R2 ) =
q
p) ! 21 21 + ! 22 22 + 2! 1 ! 2 1 2 12

donde es fcil relacionar cada uno de los sumandos con la expresin (5) del
VaR individual.
En el caso particular en que los dos activos estn incorrelacionados:
2

(V aRc ) = (V aR1 ) + (V aR2 )

pero, en general, tendremos:
V aRc < V aR1 + V aR2

por lo que es fcil ver que cualquier cartera tendr un VaR menor que la
suma de los VaR individuales,5 lo que ilustra las ventajas de la diversicacin.
En general habr, sin embargo, algn activo en la cartera que tenga un VaR
inferior al VaR de la cartera.
Si los dos activos estuviesen perfectamente y positivamente correlacionados,
tendramos:

V aRc

(1

(1

q
p) ! 21
p) (! 1

2
1
1

! 22 22

+ !2

2)

+ 2! 1 ! 2

1 2

= V aR1 + V aR2 ;

(1

q
p) (! 1

+ !2

siendo este el nico caso en que el VaR de la cartera es igual a la suma

de los VaR individuales de los dos activos, lo que muestra la imposibilidad de
diversicar el riesgo con activos perfectamente correlacionados.
En general, la cartera tendr un VaR menor que cualquiera de los activos
que la componen.

1.7

Descomposicin del VaR

Inicialmente, el VaR fue concebido como un indicador del nivel de riesgo asumido en una determinada posicin. Pero gradualmente, result evidente que
era asimismo un instrumento que poda utilizarse para la gestin del riesgo
en carteras de activos nancieros. Para ello, resulta fundamental la capacidad
de agregar y desagregar el VaR en distintos componentes. La agregacin de
5 Debido

a que:

q
! 21

2
1

+ ! 22

2
2

+ 2! 1 ! 2

12 1 2

17

< !1

+ !2

2
2)

VaR es la herramienta fundamental en el llamado capital budgeting, que consiste en asignar el capital econmico entre actividades, la asignacin de lmites
de VaR para los traders, o la estimacin del requisito de capital regulatorio. La
desagregacin de VaR ayuda al analista de riesgos a entender cules son las pricipales fuentes de riesgo en su cartera, determinar que elementos deben cubrirse,
qu limites imponer a los traders, o qu riesgos pueden derivarse de una nueva
inversin.
En las secciones que siguen, utilizaremos en ocasiones distintos procedimientos estadsticos para tratar de caracterizar las principales fuentes de riesgo que
pueden afectar al valor de una cartera. Se trata de una estrategia de reduccin
de dimensionalidad, porque en general , toda cartera se ve sometida a muchas
ms inuencias de las que un gestor puede controlar, por lo que es importante
poder seleccionar un nmero reducido de ellas que expliquen un alto porcentaje
de las uctuacione sposibles en le valor de la cartera. Segn el mtodo de seleccin de factores utilizado, llegaremos a un modelo factorial de uno u otro tipo
(mtodo de regresin, componentes principales, etc,...).
Tengamos en cuenta que el VaR total de una cartera podra calcularse a partir de una serie temporal de rentabilidades de la misma. Tendramos que tener
en cuenta, sin embargo, si al generar dichos datos se ha mantenido constante la
composicin de la cartera o no.
VaR sistematico y VaR especico: Una vez que se dispone de un modelo
factorial, una posible descomposicin del VaR total puede establecerse entre un
componente de VaR sistemtico, el componente del VaR total que est explicado
por los factores de riesgo previamente identicados, y un VaR especco o idiosincrtico, que es el no explicado por ellos, es decir, el residual en la estimacin
del modelo factorial. En el modelo lineal Normal, el VaR total es igual a la
raiz cuadrada de la suma del VaR sistematico, al cuadrado, y el VaR especico,
tambin al cuadrado. Es decir, incluso si el modelo de factores es lineal, el VaR
total no ser igual a la suma de los VaR sistemtico y especco;6 como veremos
ms adelante, ello slo sucede cuando ambos componentes, VaR sistemtico y
VaR especco, estn perfectamente correlacionados.
El componente de VaR sistemtico puede extrapolarse en el tiempo temporal de la matriz de varianzas y covarianzas, si las rentabilidades de todos los
factores son i., i.d. y son condicionalmente homocedasticos. Si la rentabilidad
esperada en exceso es nula, el propio VaR puede extrapolarse utilizando el factor
habitualmente usado para las varianzas.
VaR individual o Stand-alone VaR: Otra descomposicin del VaR total es a
travs del VaR asociado a cada una de las clases de factores considerados (componentes stand-alone). As, tendriamos el VaR equity de una cartera, el VaR de
tipos de inters, el VaR de tipo de cambio o forex, el VaR commodity, etc. (El
oro se trata habitualmente como riesgo Forex, no como riesgo commodity). Para
calcular un componente stand-alone del VaR total, se jan las sensibilidades de
6 A diferencia de lo que sucede con la descomposicin de la volatilidad total en volatilidad
sistematica y especica mediante un procedimiento de mnimos cuadrados.

18

todos los demas factores a cero. Esto es importante cuando se negocia en distintas mesas, pues ninguna de ellas deberia verse beneciada ni perjudicada por
las posibles correlaciones entre los factores que afectan a la cartera global. Es
como si nos preguntamos qu impacto tiene sobre la rentabilidad del activo la
variacin en un factor, dejando los otros factores inalterados.
La suma de los VaR stand-alone no es igual al VaR sistemtico total, excepto
si las carteras son lineales, las rentabilidades siguen una distribucin Normal y
los distintos componentes estn perfectamente correlacionados, lo que indicara
una mala eleccin de los factores de riesgo. En general, el VaR total es inferior a
la suma de los la suma de los VaR stand-alone, lo que se conoce como propiedad
de sub-aditividad del VaR. Matemticamente, la razn es que la varianza no es
un operador lineal. La subaditividad genera un problema para el risk budgeting, pues las carteras individuales podrian estar dentro de los limites de riesgo
asumibles, y sin embargo la suma de los componentes VaR podra exceder el
umbral trazado para el VaR en trminos de riesgo admisible, haciendo que la
cartera global no fuese admisible.
VaR marginal y VaR incremental : El VaR marginal asigna una proporcin
del VaR total a cada factor. Por tanto, la suma de los VaR marginales es igual
al VaR total, por lo que los VaR marginales pueden utilizarse en la distribucin
de una cantidad de capital entre actividades. El VaR marginal se dene como
la sensibilidad del VaR total a los parametros del modelo de riesgo factorial. En
general, el VaR es funcin de un vector de parmetros :
V aR = f ( )
cuyo vector gradiente es:
g( ) =

@f
@f @f
;
; :::;
@ 1 @ 2
@ n

= (f1 ( ); f2 ( ); :::; fn ( ))

por lo que la aproximacin de primer orden del VaR en serie de Taylor

conduce a:
f( )

g( ) =

n
X

i fi (

i=1

y cada trmino en esta suma es el VaR marginal de un factor.

Cuando la cartera sigue un comportamiento lineal y el VaR se estima a partir
del modelo lineal bajo Normalidad, la aproximacin anterior es exacta. Para
otras carteras o cuando se calcula el VaR por otros procedimentos, como por
ejemplo cuando se estima el VaR por simulacin, la suma de los VaR marginales
es slo aproximadamente igual al VaR total.
El vector gradiente puede utilizarse para aproximar el impacto sobre el VaR
de un pequeo trade, por ejemplo, el cambio en el limite de VaR para un trader.
Utilizando una aproximacin de Taylor de primer orden, tenemos:

19

f ( 1)

f ( 0)

0)

g( ) =

n
X

i1

0
i0 ) fi (

i=1

Este cambio en VaR, f ( 1 )

f ( 0 ); se conoce como VaR incremental.

VaR por Componentes, que asocia a cada componente el producto de su VaR

marginal por la posicin nominal en dicho activo.
1.7.1

VaR marginal de los componentes de una cartera

Aunque el VaR fue introducido como indicador del nivel de riesgo de una posicin, pronto result evidente que poda asimismo utilizarse para gestionar ecientemente el riesgo de una cartera. As, una pregunta que cabe hacerse es:
qu posicin deberamos modicar para reducir el VaR de la cartera de modo
ms eciente? La respuesta viene dada por el VaR marginal de cada activo, que
mide el cambio que se produce en el VaR de la cartera cuando se incrementa
en un euro la posicin en dicho activo. En su clculo hemos de tener en cuenta
que el incremento en dicha posicin tiene un efecto directo sobre el VaR de la
cartera, pero tambin efectos indirectos, a travs de las correlaciones entre la
rentabilidad del activo y las de rentabilidades de los dems activos de la cartera.
Una posible interpretacin del VaR marginal surge al considerar como vector
de parmetros el vector de ponderaciones !:
Diferenciando en la ecuacin de la varianza de la cartera, tenemos:

@ 2c
= 2! i
@! i

2
i

+2

n
X

!j

ij

j=1;j6=i

= 2Cov @Ri ; ! i Ri +

n
X
j6=i

La derivada de la volatilidad se obtiene utilizando:

que tenemos:

! j Rj A = 2Cov(Ri ; Rc )
@ 2c
@! i

= 2

@ c
c @! i ;

por lo

@ c
Cov(Ri ; Rc )
=
@! i
c
Para transformar esta medida en un VaR, denimos el VaR marginal del
activo i:
V aRi =

1 @V aRc
=
W @! i

@ c
=
@! i

Cov(Ri ; Rc )
c

que carece de unidades.

Recordemos que la beta del activo i respecto de la cartera se dene:

Cov(Ri ; Rc )
2
c

20

i
ic

(6)

y mide el riesgo sistemtico del activo i en relacin con la cartera, siendo

el resto del riesgo del activo debido a otros componentes on incluidos en la
composicin de la cartera. Por tanto, tenemos la relacin entre VaR marginal
y betas:
V aRc
i
W
En notacin matricial, el vector de betas de los n activos que conguran la
cartera puede obtenerse:
V aRi =

i c

!
!0 !
Si un inversor quiere reducir el VaR de su cartera, reduciendo el importe
invertido en una cierta cuanta, debe calcular el VaR marginal de cada activo y
reducir la posicin en dicha cuanta en aquel activo de la cartera que tenga el
mayor VaR marginal.
=

1.7.2

VaR incremental

Tambin podemos estar interesados en el impacto total que tendr una determinada operacin nanciera sobre el riesgo de nuestra cartera. Representamos
dicha operacin por un vector b que recoge los cambios que se produciran con
dicha operacin en las exposiciones a cada activo. El vector b puede representar
un cambio en la posicin en un slo activo o en varios, quiz todos, de los activos
de la cartera. En este caso estamos considerando cambios en las posiciones que
pueden ser de cuanta importante, lo que hace que el VaR marginal no pueda
utilizarse para responder a esta pregunta, por ser una aproximacin vlida solo
para variaciones muy pequeas.
La idea sera calcular el VaRc+b que se tendra con la nueva posicin y
compararlo con el VaR de la posicin antigua para tener el VaR incremental:
V aR incremental = V aRc+b

V aRc

Si el VaR se reduce, decimos que la operacin representa una cobertura. El

problema con este enfoque es que requiere una nueva evaluacin del VaR con
cada nueva operacin, lo que puede resultar impracticable por el elevado nmero
de activos o por el alto nmero de operaciones realizadas a lo largo del dia. Se
puede utilizar una aproximacin mediante un desarrollo en serie alrededor de la
cartera original:
0

V aRc+b = V aRp + ( V aR) b + :::

de modo que el VaR incremental, siempre que la operacion propuesta sea
relativamente pequea (b pequeo) se aproximara, utilizando (6) por:
n

V aR incremental = ( V aR) b =

fCov(Ri ; Rc )gi=1
c

21

donde debemos observar que tanto fCov(Ri ; Rc )gi=1 como b son vectores de
dimensin igual al nmero de activos de la cartera
Supongamos ahora que la nueva operacin implica variar la posicin nicamente en uno de los activos que conguran la cartera. El valor de la cartera es
ahora WN = W + b; siendo b la cantidad invertida en dicho activo. La varianza
nominal de la nueva cartera puede escribirse:
2
2
N WN

2
2
cW

+ b2

2
i

+ 2bW

ic

y un gestor de cartera puede plantearse cul ser el cambio en la posicin

de su cartera que genere una mayor reduccin del nivel de riesgo. Para ello,
derivamos 2N WN2 respecto de b y despejamos, obteniendo:
b =

ic
2
i

2
c
2
i

una operacin que se conoce como el best hedge.

Ejemplo (Jorion): Con los datos de las dos divisas del ejemplo anterior,
consideramos aumentar la posicin en dolares en 10.000 euros. Las betas son:
=

Cov(Ri ; Rc )

1
0; 1562

0; 0050
0; 0144

0; 205
0; 590

por lo que el VaR marginal:

V aRi =

Cov(Ri ; Rc )

= (1; 65)

1
0; 156

0; 0050
0; 0144

0; 0528
0; 1521

Si incrementamos la posicin en el primer activo en 10.000 euros, tenemos:

0

( V aR) b = (0; 0528 0; 1521)

10000
0

= 528 euros

Por otra parte, si calculamos el VaR incremental exactamente, a partir de

la completa evaluacin del riesgo de la cartera, tenemos:
c+a

= (2; 01 1)

0; 052
0

0
0; 122

2; 01
1

= 258:267 euros

Si comparamos con el VaR inicial, que era de 257.738 euros, tenemos un

incremento de 529 euros, similar al calculado por el mtodo aproximado.
1.7.3

VaR por componentes

La volatilidad de una cartera es una funcin no lineal de sus componentes, lo que

impide que se pueda obtener facilmente una descomposicin del VaR de dicha
cartera en componentes cuya suma proporcione el VaR total de la cartera. Si
tomamos los VaR individuales y los agregamos, no obtendremos el VaR de la
cartera, porque como hemos tenido oportunidad de ver previamente en algunos
ejercicios, estaramos ignorando los efectos positivos de la diversicacin.
22

Por el contrario, si multiplicamos los VaR marginales (recordemos:

V aR( i =W ) ) por la posicin monetaria en cada activo, tenemos:
Componente V aRi

V aRi =

CV ARi = ( V aRi ) ! i W = V aR: i ! i

que indica cuanto variara el VaR de la cartera si dicho activo fuese excluido
de la cartera. Sin embargo, esta expresin es una aproximacin, por lo que
funciona bien si la posicin en el activo es relativamente pequea.
Si agregamos estos VaR por componentes, tenemos:
!
N
N
X
X
CV aRi = V aR
! i i = V aR
i=1

i=1

ya que la suma que aparece dentro del parntesis no es sino la beta de la

cartera con respecto a s misma, que es lgicamente, igual a uno.7 En trminos
porcentuales, la contribucin porcentual de un activo al VaR de la cartera es:

CV aRi
= !i i
V aR
Por tanto, esta descomposicin del VaR de la cartera es aditiva. Un CV aRi
negativo indicara un activo que acta como hedge respecto de la cartera, mientras que un CV aRi positivo indica un activo que incrementa el riesgo de la
cartera.
Teniendo en cuenta que i = ic ( i = c ); podemos expresar los distintos
Componentes del V aR de la cartera:
CV aRi = V aR: i ! i = ( :

cW )

i !i

= ( : i !i W )

ic

= V aRi :

ic

Esta descomposicin permite analizar el VaR de una cartera por componentes geogrcos, por tipos de activos, unidades de negocio, etc.
Ejemplo (Jorion) En el ejemplo de las dos divisas, los componentes VaR
son:
CV aR1
CV aR2

(0; 0528)2:106
(0; 1521)106

195:630 euros
152:108 euros

41%
59%

= V aR

cuya suma es igual al VaR total de la cartera. Como vemos, ninguna de las
dos divisas acta como un hedge para la cartera.
Si eliminsemos la posicin en yen, ya que es el activo que ms riesgo genera,
tendriamos unicamente el VaR de la posicin en dlares, V aR1 = 165:000 euros:
Por tanto, el VaR incremental de tomar la posicin en yen es igual a: 257.738
euros-165.000 euros = 92.738 euros, del mismo orden de magnitud que su componente VaR (152.108 euros), aunque signicativamente menor. Este error se
7 2 = w cov(R ; R )+:::+w cov(R ; R ) = w (
c
c
1
1
1
N
N
c
por lo que, necesariamente: N
i=1 wi i :

23

2
1 c )+:::+wN ( N

2)
c

2(
c

N w
i=1 i i );

debe a que con solo dos activos, el cambio de posicin implica una variacin
muy notable en la composicin de la cartera.
Descomposicin del VaR de la cartera del ejemplo
Posicin
VaR individual
VaR marginal
Componente VaR
Divisa
xi ! i W
- 1 1p i ! i W
V aRi = V aR Wi CV aRi = V aRi xi
US $
2.106 euros
165.000 euros
0,0528
105.630 euros
Yen
106 euros
198.000 euros
0,1521
152.108 euros
Total
3.106 euros
VaR no diversicado
363.000 euros
VaR diversicado
257.738

Enfoques alternativos para el clculo del VaR

Los enfoques para el clculo del VaR pueden clasicarse en dos grupos: mtodos de valoracin local y mtodos de valoracin global. Los mtodos locales
requieren valorar la cartera una sola vez, en los precios observados, y utiliza
derivadas en ese punto para inferir los posibles cambios en el nivel de riesgo.
Dentro de estos, el mtodo delta-Normal utiliza primeras derivadas ("deltas") y
supone Normalidad de las rentabilidades. Es sencillo de aplicar, y una variante
suya "el mtodo de las Griegas" utiliza aproximaciones a derivadas de primer y
segundo orden.
Los mtodos de valoracion global valoran la cartera en el punto inicial y
tambien bajo distintos escenarios, para medir los posibles cambios en riesgo.
Entre estos se encuentran el mtodo de Monte Carlo de clculo del VaR. Los
mtodos de simulacin histrica generan directamente una valoracin global.
Consisten en generar hacia el pasado una serie temporal de rentabilidades de
la actual cartera, aplicando a los precios de los activos que la componen las
ponderaciones con que entran actualmente en la cartera. Esta serie de datos
no representa a ninguna cartera real. A continuacin, se construyen precios
futuros hipotticos bajo cada escenario, aplicando variaciones en precio observadas histricamente. Por eso es que a este procedimiento se le conoce tambin
como bootstrapping. Una ventaja del metodo es que, puesto que solo necesita
la serie temporal de rentabilidades de la cartera, no precisa estimar la matriz
de varianzas y covarianzas de los activos que componen la cartera. No necesita hacer ningun supuesto sobre el tipo de distribucin de probabilidad seguida
por los precios de mercado. Incorpora de modo natural adems la existencia
de colas pesadas en las rentabilidades. Su mayor limitacin es el supuesto de
que el pasado representa elmente lo que cabe esperar del futuro. Pondera por
igual las observaciones ms recientes que las ms alejadas en el tiempo. Puede
calcularse a distintos horizontes de inversin.
El mtodo de Monte Carlo incorpora supuestos acerca de la distribucin de
probabilidad conjunta de los factores, y utiliza dischos supuestos para simular
trayectorias futuras. La diferencia con el mtodo histrico es que utiliza variaciones en precios no necesariamente observadas en la muestra. Las correlaciones
entre factores estn totalmente incorporadas a travs del modelo supuesto para

24

Contrib
C

los factores. Es un mtodo muy potente, pero tiene un alto riesgo de modelo.
Puede incorporar facilmente distintas no linealidades, y cualquier horizonte de
inversin. Si el modelo se establece correctamete, este es el mtodo ms potente
de clculo del VaR

2.1

Valoracin local: el mtodo Delta-Normal

El primer paso consiste en evaluar la cartera en el punto inicial:

V0 = V (S0 )
donde suponemos la existencia de un nico factor de riesgo, representado
por el precio S del activo subyacente a la cartera que se est valorando. Si
denotamos por 0 la primera derivada parcial, la sensibilidad de la cartera al
precio del subyacente, evaluado en la posicin inicial, V0 : En el caso de un activo
de renta ja, se tratara de su duracin modicada, mientras que en el caso de
una opcin sera su Delta.
La prdida potencial en el valor de la cartera es:
@V
jS
@S 0

dV =

dS =

0 dS

Si la distribucin es Normal, el VaR de la cartera ser:

V aRc = j

0j V

aRS =

1
1 p

0j

dS=S S0

siendo dS=S la desviacin tpica de las variaciones porcentuales en el precio

del subyacente. Vemos que solo precisamos evaluar la cartera en la posicin
inicial, para obtener V0 :
En una cartera de renta ja, el factor de riesgo sera su TIR, y; siendo la
relacin precio-TIR :
dV =

D V dy

donde D denota la duracin modicada. En este caso, el VaR de la cartera

ser:
V aR =

1
1 p

(D V )

dy

donde dy denota ahora la volatilidad de cambios en el nivel de la TIR.

En el caso de una opcin call comprada, la mayor prdida que puede pro1
ducirse a un nivel de conanza dado surge cuando S = S0
1 p S0 :
V aRc = V (S0 )

V (S0

1
1 p

S0 )

En su aplicacin prctica, el mtodo Delta-Normal sigue los pasos:

1. especicacin de un conjunto de factores de riesgo

25

2. mapear la exposicin lineal de los activos incluidos en la cartera con respecto a tales factores
3. agregar las exposiciones con respecto a un mismo factor
4. estimar la matriz de covarianzas de los factores de riesgo
5. calculo del riesgo total de la cartera

2.2

Aproximaciones Delta-Gamma ("las Griegas")

Podemos mejorar la aproximacin lineal del mtodo Delta-Normal aadiendo

trminos en el desarrollo en serie de Taylor:

dV =

1 @2V
@V
@V
dS +
dS 2 +
dt + ::: =
2
@S
2 @S
@t

dS +

1
dS 2 + dt + :::
2

donde es la segunda derivada del valor de la cartera respecto del factor de

riesgo, y es la tendencia temporal (time drift).
En un contexto multivariante (varias fuentes de riesgo), tendramos:
1
0
(dS) (dS) + :::
2
siendo ahora dS un vector de variaciones en los factores,
un vector de
Deltas, y una matriz simtrica de Gammas con respecto a los distintos factores de riesgo. Los elementos fuera de la diagonal seran cross-gammas: ij =
@ 2 V =@Si @Sj . Esto tendra en cuenta, por ejemplo, que en una opcin, la delta
depende tambin de la volatilidad implcita. Cuando hay muchas fuentes de
riesgo, este mtodo se hace impracticable.
En una cartera de renta ja, tendramos:
0

dVS =

dS +

1
D V dy + CV dy 2
2
donde C denota la convexidad de la cartera, y es similar a :
Para calcular el VaR de una opcin call comprada podemos utilizar:
dV =

V aRc

= V (S0 )
= V (S0 )

V (S0
V (S0 ) +

1
1 p

S0 ) =
1
1 p

S + 1=2 (

1
1 p

S2) = j j

1
1 p

que puede utilizarse en realidad para posiciones cortas y largas.

Para funciones V ms complejas, esto nos sera suciente y habra que trabajar con trminos cuadrticos en la expansin de Taylor, lo que nos fuerza a
considerar las variables aleatorias dS y dS 2 : Describamos primero el mtodo
Delta-Gamma-Delta: Tomando varianzas en el desarrollo de Taylor de segundo
orden, tendramos:

26

1=2 (

1
1 p

S2)

2
dV

2 2
dS

+ (1=2 )2

2
dS 2

+ 2 (1=2 )cov(dS; dS 2 )

Bajo Normalidad de dS, el ultimo termino es cero, y

modo que:
2
dV

2 2
dS

+ 1=2

2
dS 2

=2

2
2
dS

; de

2
2
dS

Si las variables dS y (dS) se distribuyesen conjuntamente como una Normal

bivariante, entonces:
q
1
2 )2
2 2 + 1=2 (
V aR =
1 p
dS
dS
aunque esto no puede suceder, pues si dS fuese Normal, su cuadrado seguira
una distribucin 2 :
Tambien puede lograrse una mejor aproximacin al VaR si tenemos en cuenta
la existencia de asimetra en rentabilidades, lo que podemos hacer mediante la
1
expansin de Cornish-Fisher. El VaR se obtiene entonces reemplazando
1 p
en la expresin anterior por:

i
1h
1 2
1
1 p
6
de modo que si existe asimetra negativa, el VaR aumentar con esta correccin.
Como alternativa, el mtodo Delta-Gamma-Monte Carlo genera simulaciones aleatorias de los factores de riesgo S, y utiliza la aproximacin de Taylor
para generar movimientos simulados en el valor de la opcin. Este mtodo se
conoce como un enfoque parcial de simulacin.
1
1 p

2.3

Algunas aplicaciones del mtodo Delta-Normal

La aplicacin prctica del mtodo Delta-Normal se basa en el proceso de "mapeo"

o proyeccin de las exposiciones de la cartera sobre los factores de riesgo seleccionados, generalmente un conjunto reducido dentro del amplio conjunto de
factores de riesgo que inciden sobre toda cartera de activos nancieros. El otro
elemento importante es la matriz de covarianzas de los factores de riesgo sobre
el horizonte de clculo del VaR. El VaR es:
V aR =

1
1 p

x0 x

Dicha matriz puede expresarse: = S 0 RS donde R es la matriz de correlaciones de los factores y S es la matriz diagonal de sus desviaciones tpicas (por
lo que S 0 = S). El VaR es entonces:
q
p
V aR =
x0 ( 1 1p S 0 RS 1 1p )x = (x0 V )R(x0 V )0
donde V es el factor de riesgo: V =

1
1 p S:

27

Mtodo paramtrico para el clculo del VaR

En la seccin anterior hemos estado calculando el Valor en Riesgo sin establecer

ninguna hiptesis acerca de los factores que determinan la evolucin temporal del valor de mercado de nuestra cartera, o de su rentabilidad. El mtodo
paramtrico calcula el VaR utilizando expresiones analticas que se basan en
supuestos acerca de la distribucin de probabilidad de las rentabilidades (o,
ms en general, las variaciones) de una cartera. Comenzaremos suponiendo
que las rentabilidades proceden de una distribucin Normal, que ha sido estable durante el perodo muestral y que esperamos que permanezca inalterada
durante el horizonte de riesgo. Las caractersticas de dicha distribucin (esperanza y varianza), junto con su carcter Normal, nos permitirn estimar el VaR
de la cartera, ya sea en trminos de rentabilidad o en trminos de Prdidas y
Ganancias.

3.1

Modelo lineal Normal del VaR de una cartera

El modelo lineal Normal surge cuando hacemos el supuesto de Normalidad sobre

la distribucin de probabilidad de rentabilidades de la cartera, sel modo que ya
introdujimos a modo de ejemplo en (1:2).
Si la rentabilidad descontada esperada no es cero: Rd
N ( d ; 2d ); entonces: (Ejercicio [EIV.1.4])

Rd

P (Rd < x) = P

<

V aRd

)
=

x=:
x=

+
d

d
1

(p) = :
(1 p) :

:
d
1

(1

=p)

p)

Ejemplo: Si la rentabilidad descontada tiene una esperanza matemtica

nula y una volatilidad del 9%, tendramos para p = 1%, y un horizonte anual: V aRd = (0; 09)(2; 33) = 0; 21 21; 0%:Si la rentabilidad descontada fuese
del 2,5%, entonces: V aRd = (0; 09)(2; 33) 0; 025 = 0; 1847 18,47%.
Qu relacin hay entre el VaR calculado con las rentabilidades descontadas
(como debe hacerse para horizontes largos) y sin descontar? Si la rentabilidad
observada (es decir, sin descontar) sigue una distribucin N ( ; ); tendramos
(1 d); d = d; de modo que tendramos:
d =d
V aRd

=
x=
= d

d
1

(1

(1
p)

p)

1
= (d )
(1 p)
(1 d) = dV aR + (1
d

[d
d)

(1

d)] =

por lo que el VaR en rentabilidades descontadas es aproximadamente igual al

VaR calculado con rentabilidades observadas, siendo su diferencia igual a 1 d.
Esta es la relacin entre ambos clculos del VaR que ya vimos en la seccin
anterior.
28

Ejemplo: En el ejemplo anterior, con una esperanza matemtica nula y una

volatilidad del 9% para la rentabilidad descontada, supongamos que el tipo de inters sin riesgo es 4% (lo que implica: d = 1=1; 04). Entonces, para p = 1%, y un
horizonte anual, habramos calculado (incorrectamente) con las rentabilidades
sin descontar: V aR = (0; 09)(1; 04)(2; 33) = 0; 218 21; 80%:Con una rentabilidad descontada del 2,5%, habramos calculado: V aR = (1; 04)(0; 09)(2; 33)
0; 025 = 0; 1930 19,30%.
El VaR nominal se obtiendr multiplicando el VaR en rentabilidad que
hemos calculado en estos casos por el valor nominal W de la posicin. Si los
parmetros d y d estn expresados en aos, y si denotamos por Rt;t+h el
V aR en trminos de rentabilidades, el V aR nominal respecto al origen sobre un
horizonte t ser:
V aR(origen) =

W R = Vt

(1

p)

t =W

mientras que el V aR nominal respecto de la rentabilidad media es:

V aR(relativo)

=
=

W (R
1

(1

p)W

t) =
p

t= W

(1

p)

i
t =

Al producto E = d W , donde la desviacin tpica se reere al horizonte de

riesgo, se le denomina la exposicin neta de la cartera.
Ejemplo: En una cartera de 1 milln de euros tendramos
p a 3 meses un VaR
nominal 1% respecto al origen de: V aRd = 106 (0:09)(2:33) 0:25 0:025(0:25) =
98600 euros si la rentabilidad fuese del 2,5% anual, como en el ejemplo anterior.
Incorrectamente, con rentabilidades
p sin descontar, habramos estimado un VaR:
V aR = 106 (1:04)(0:09)(2:33) 0:25 (0:25)(0:025 + (1 (1=1:04))(1:04) =
p
92794 euros. Respecto a la rentabilidad media, el VaR sera: V aRd = 106 (0:09)(2:33) 0:25 =
104850 euros, mientras
p que el (incorrecto) VaR sin descontar, sera: V aR =
106 (1:04)(0:09)(2:33) 0:25 = 109040 euros.
Por supuesto, si el descuento temporal no es un elemento importante porque
estemos trabajando con horizontes cortos, como por ejemplo, calculando el VaR
a un dia, entonces todo lo anterior se referira a la rentabilidad ordinaria, R;
segn que la rentabilidad esperada de la cartera fuese igual a cero (primer caso
considerado en esta seccin) o diferente de cero (segundo caso).
Debe observarse que en este enfoque paramtrico estamos suponiendo que la
distribucin de rentabilidades y los parmetros que en ella aparecen permanecen
invariantes en el tiempo, por lo que podamos estimar sus caracterstica con
una serie histrica de rentabilidades. En muchos casos, querremos evitar tal
supuesto, y deberemos utilizar momentos cambiantes en el tiempo.
3.1.1

Extrapolacin temporal del VaR

La regla de extrapolacin temporal de la varianza debe aplicarse con cuidado si

las rentabilidades presentan autocorrelacin. Muy frecuentemente, se calcula el
29

Var sobre un horizonte tan breve como 1 da, y se extrapola el valor numrico
obtenido al horizonte deseado. Tal extrapolacin se basa en el supuesto de que
trabajamos con rentabilidades logartmicas, y que stas siguen una distribucin Normal y son independientes en el tiempo (carecen de autocorrelacin).
Para simplicar la notacin, suponemos los rendimientos descontados esperados
son igual a cero.p Si hemos estimado la varianza con datos mensuales, multiSi hemos estimado
plicaremos por 6 para tener desviacin tpica semestral. p
volatilidad anual, podemos dividir la desviacin tipica por 12para tener una
desviacin tipica mensual.
Bajo tales condiciones, si hemos estimado una rentabilidad y volatilidad
diarias 1 , 1 ; tenemos:
p
V aR = 1 h 1 (1 p) h 1
Si hemos trabajado con rentabilidades porcentuales, como suele ser habitual, la expresin anterior ser una aproximacin, que dejar de ser exacta para
horizontes h largos.
Ver la Tabla IV.2.1 para analizar los valores que puede tomar el VaR segn
este modelo, en funcion del horizonte de riesgo, el nivel de signicacin y la
volatilidad de la cartera.
Por otra parte, si las rentabilidades no son independientes, entonces
p
~ 1
=
h
h

~ Por ejemplo, si las rentabilidades diarias siguen

para una cierta constante h:
un proceso autoregresivo de primer orden:
~ = h + 2 (1
h

[(h

1)(1

(1

h 1

)]

Ejercicio [EIV.1.5] [EIV.2.1]

De qu nivel es el VaR? Ver Tabla IV.2.1.
3.1.2

Algunos comentarios (omitir)

[Descuento] Si nuestra cartera ofrece una rentabilidad esperada igual a la del

activo sin riesgo, entonces la distribucin de P &L descontadas estar centrada
en torno al origen. Si la distribucin es Normal, ser simtrica en torno a dicho
punto, que ser adems el valor ms probable. El VaR es el p-cuantil de la
distribucin de P &L descontadas. Que se introduzca o no tal descuento puede
tener efectos apreciables en horizontes largos, como se muestra en el ejercicio
[EIV.1.6] para una distribucin Normal de rentabilidades.
[Factores] Un supuesto habitual es que las rentabilidades de cada factor son
independientes en el tiempo y tienen una distribucin, generalmente de tipo
Normal. Las rentabilidades de los factores pueden estar correlacionadas entre
s. Algunos procedimienos de seleccin de factores generan factores incorrelacionados, y ellos simplica todava ms los clculos, como veremos. Una generalizacin permitira que las varianzas fueseen cambiantes en el tiempo. Otra
generalizacin de ms impacto eliminara el supuesto de Normalidad. El mtodo
30

paramtrico genera expresiones analticas para el clculo del VaR cuando las
rentabilidades tienen distribucin Normal, t-Student, o mixturas de Normales
o de t-Student. Ello no impide que utilicemos otras distribuciones, aunque sin
disponer de expresiones analticas para el VaR.
En carteras de activos sensibles a variaciones en los tipos de inters, los
factores son generalmente tipos de inters a distintos vencimientos, como los
que se utilizan para descontar los ujos de caja de la cartera. Si se descuentan
ujos de caja entre bancos, se utilizar una estructura temporal del LIBOR
como factores de riesgo; si tratamos con una contraparte que tiene un rating
inferior a AA, aadiremos el spread de crdito BBB a algunos vencimientos
relevantes como factores de riesgo.
[Cash-ows no lineales] El precio de un bono o de un swap es una funcin no
lineal de los tipos de inters. Esta no linealidad queda recogida en el concepto
de Valor Presente de 1 punto bsico, como sensibilidad a los distintos factores de
riesgo, por lo que su uso nos permitir utilizar el mtodo paramtrico lineal del
VaR en estas carteras. Para carteras de acciones se establecen modelos lineales
de factores de riesgo, de naturaleza macroeconmica o nanciera.8 Las nicas
carteras para las cuales no puede aplicarse el mtodo paramtrico del VaR es
para carteras de opciones, o en cualquier caso en que las P &L de la cartera son
funcin no lineal de los factores de riesgo.
La matriz de correlaciones entre las rentabilidades de los factores juega un
papel importante, y debe estimarse. Hay muchos procedimientos para ello.
Recordemos que si se utilizan ventanas mviles, es decir, una media mvil, estamos suponiendo que las rentabilidades son independientes, lo que nos permitir
extrapolar las varianzas y covarianzas en el tiempo de modo sencillo, mediante
la regla de la raiz cuadrada, pero hemos de conar en que se cumpla el supuesto
de independencia. Tambin es frecuente el uso de modelizaciones GARCH. Pero
este modelo implica que las rentabilidades presentan dependencia temporal, a
travs de sus segundos momentos, lo que no permite aplicar la regla de la raiz
cuadrada para la extrapolacin temporal.

3.2

Benchmark VaR

A un gestor que sigue una estrategia activa, se le exige habitualmente un benchmark no solo para sus rentabilidades, sino tambin para sus riesgos. La gestin
activa requiere medir las rentabilidades obtenidas por la cartera en relacin con
las obtenidas por un activo benchmark. El benchmark podria ser el bono soberano, o el indice de bolsa, dependiendo de la naturaleza de la cartera cuyo benchmark VaR estamos interesados en medir. Se dene como Rentabilidad Activa la
diferencia entre la rentabilidad de la cartera y la rentabilidad del benchmark. El
tracking error es la volatilidad de la rentabilidad activa, es decir, la volatilidad
de las diferencias de rentabilidad entre la cartera y su objetivo.
En trminos porcentuales, el Benchmark VaR es el p-cuantil de la distribucin de la rentabilidad activa a h dias, descontada hasta hoy, t. En trminos
8 Las carteras de commodities se mapean como cash-ows sobre estructuras temporales de
forwards o tipos de inters a vencimienots constantes.

31

nominales, el Benchmark VaR, BVaR, respecto al origen, se estima:

!
r
h
h
1
BV aR =
(1 p)
W
250
250
donde denota el tracking error anual (desviacin tpica de la discrepancia
entre la rentabilidad del fondo y su objetivo de gestin) y es el Active Return
anual (rentabilidad esperada o rentabilidad objetivo), siendo W la cantidad
invertida, y h el horizonte de gestin, en das. Esta expresin es la habitual para
el clculo del VaR, utilizando el tracking error como medida de volatilidad.
Ntese que el tamao de las uctuaciones de rentabilidad de la cartera alrededor del objetivo entran en el clculo del BVaR a travs del tracking error, pero
el Benchmark VaR no depende del nivel de rentabilidad objetivo.
En comparacion con el tracking error, el Benchmark VaR tiene dos ventajas:
1) mide el riesgo de tener un resultado peor que el benchmark, y no el riesgo
de desviarse del mismo ya sea con una rentabilidad superior o inferior, 2) la
rentabilidad activa esperada afecta al benchmark VaR, mientras que el tracking
error no guarda relacin con la rentabilidad activa esperada del fondo (por
ejemplo, si la cartera generase una rentabilidad sistemticamente inferior a la
del activo benchmark en 3 puntos, su tracking error sera cero).
Ejemplo [EIV.1.9] : Supongamos un fondo de 10 millones de euros que tiene
una rentabilidad activa esperada igual al tipo de inters sin riesgo, y un tracking error del 3%. Calcule su Benchmark VaR al 1% sobre un horizonte de 1
ao, suponiendo que las rentabilidades de dicho fondo siguen una distribucin
Normal.
R: Como la Rentabilidad Activa esperada es igual al tipo de inters sin riesgo,
la rentabilidad activa descontada tiene esperanza matemtica
igual a cero: =
p
0. El VaR solicitado es: BV aR = [ 1 (0; 99)(0; 03) 1]106 = 697:904 euros.
Es decir, en el horizonte de gestin de 1 ao, con probabilidad del 99%, la
rentabilidad del fondo no ser inferior a la rentabilidad del benchmark en ms
de 697.904 euros.
La hoja de clculo del ejercicio [EIV.1.9] muestra, adems, que la rentabilidad activa esperada tiene un efecto lineal sobre el benchmark VaR. A mayor
rentabilidad objetivo o rentabilidad esperada , menor Benchmark VaR. Si se
espera que la cartera ofrezca mejor resultado que el activo benchmark, el VaR
de la cartera ser relativamente pequeo, ocurriendo lo contrario si se espera
que la cartera proporcione una rentabilidad inferior a la del activo benchmark.

3.3

VaR condicional: Expected Tail Loss y Expected Shortfall

Hay dos medidas de VaR condicional, dependiendo de que midamos el VaR en

relacin con un benchmark o no. La prdida esperada en la cola (Expected Tail
Loss, ETL) al 100 p% es el VaR condicional denido por:
ET Lhp =

E (Xh j Xh <
32

V aRhp ) P

donde Xh denota la rentabilidad descontada de la cartera a h dias y P es su

valor actual.
El Expected Shortfall (ES) es el benchmark VaR condicional denido por:
EShp =

~h j X
~h <
E X

BV aRhp P

~ denota ahora la rentabilidad activa de la cartera, y BV aRhp es el

donde X
benchmark VaR.
Ejercicio [EIV.1.10] Supongamos que tenemos una cartera de 1000 valores de
P &L de una determinada cartera que pretende replicar el ndice Dow Jones. El
1% VaR es la dcima mayor prdida absoluta, el 1% ETL es la media de las 10
mayores prdidas absolutas, el 1% benchmark VaR es la dcima perdida relativa
ms grande, es decir, el dcimo mayor valor de las diferencias de rentabilidad
entre el fondo y el ndice Dow Jones, y el 1% ES es el promedio de las 10 mayores
prdidas relativas.
El VaR proporciona informacin acerca del nmero de prdidas que puede
exceder de dicho nivel, pero no acerca de su cuanta. Sin embargo, dicha magnitud es muy importante en la gestin de riesgos, pues es la que, en denitiva,
puede determinar el resultado de la gestin de cartera.
De hecho, un mismo VaR al 1%, por ejemplo, puede ser compatible con
perles muy diferentes en la cola de la densidad. En realidad, querramos tener
informacin acerca de toda la cola de la distribucin, pero eso tampoco sera
til. Un camino intermedio consiste en el clculo de la prdida esperada, tambin
llamda en ocasiones el TailVaR, que se dene:
p
ESt+1
=

p
V aRt+1

Et Rt+1 j Rt+1 <

medido en trminos de rentabilidades logartmicas, no en trminos nominales.

En el caso de una distribucin Normal, tenemos:

p
ESt+1
=

Et Rt+1 j Rt+1 <

p
V aRt+1
=

t+1

p
( V aRt+1
=
p
( V aRt+1
=

t+1 )
t+1 )

donde denota la funcin de densidad y la funcin de distribucin de una

p
1
=
N (0; 1): Pero en el caso de la Normal, ya sabemos que: V aRt+1
t+1 p ;
por lo que:
p
ESt+1
=

t+1

p
( V aRt+1
=
p
( V aRt+1 =

t+1 )

t+1 )

p
t+1

La ratio entre Prdida Esperada y VaR es:

p
ESt+1
=
p
V aRt+1

Si, por ejemplo, p = 0:01; tenemos:

33

p
p

1
1

2; 33; por lo que:

p
ESt+1
=
p
V aRt+1

1
1

(2 )

1=2

exp[ ( 2:33)2 =2]

(0:01)( 2:33)

1; 145

por lo que la Prdida Esperada sera superior al VaR en un 14,5%. En la

distribucin Normal, esta ratio converge a 1 segn p converge a cero.
ES p
ser superior
En general, para distribuciones con cola gruesa, la ratio V aRt+1
p
t+1
al valor de la Normal. En la distribucin de EVT, cuando p tiende a 0, dicha
ratio converge a:
0
ESt+1
1
=
0
V aRt+1
1

de modo que, cuanto ms gruesa sea la cola en esta distribucin EVT, mayor
ser la ratio de Prdida Esperada a VaR.

3.4

Clculo del VaR a partir de un modelo factorial lineal

Una estrategia habitual que facilita la gestin de riesgos, dada la enorme cantidad de posibles fuentes de riesgo, consiste en establecer un nmero reducido
de factores que explique las correlaciones entre todos los activos que conguran una cartera o un fondo. Habitualmente, se dispone de un mapping de la
rentabilidad de la cartera sobre un conjunto de factores, que habremos identicado previamente. Habremos estimado asimismo las sensibilidades de la cartera
con respecto a cada factor, y las propiedades estadsticas de cada uno de los factores. Esencialmente, querriamos conocer su distribucin de probabilidad multivariante: esperanzas matemticas, varianzas y covarianzas y correlaciones. La
proyeccin de la rentabilidad de la cartera sobre las rentabilidades de los factores nos proporcionar una descomposicin del VaR total en VaR sistemtico,
debido a los factores, y VaR especco, idiosincrtico o residual.
Los factores pueden ser tipos de inters, tipos de cambio (en carteras internacionales), ndices de renta variable (en carteras con un componente de bolsa),
etc.. Las sensibilidades son habitualmente coecientes estimados en regresiones
lineales, en cuyo casos suelen denominarse betas de la cartera respecto de cada
factor. En el caso de un tipo de inters como factor, la sensibilidad respecto
del mismo es el PV01 (valor presente de un punto bsico). Como veremos, el
componente de riesgo producido por los factores de tipos de inters suele ser de
importancia menor.
Los modelos factoriales nos ayudan a reducir mucho la dimension del espacio
de activos que tendramos que considerar para la gestin de nuestra cartera. Su
eleccin genera riesgo de modelo a partir de: a) la eleccin de los factores, b)
la estimacin de las sensibilidades, c) que ignoramos el riesgo especco en tal
caracterizacin.
Para el clculo de la varianza de la rentabilidad de una cartera, asi como
para anticipar o predecir su evolucin temporal, puede ser til disponer de un
modelo factorial:

34

rct =

1 f1t

2 f2t

3 f3t

4 f4t

+ ut ; t = 1; 2; :::; T

Pueden darse dos situaciones: que estemos interesados en estimar el VaR de

una nica cartera, o en estimar el VaR de un amplio nmero de activos. En
el primer caso, el modelo de factores nos puede servir para elaborar escenarios
de evoluacin temporal de la cartera. Un escenario consiste en un determinado
supuesto acerca de la evolucion de cada factor durante el horizonte de gestin.
Estos escenarios pueden elaborarse mediante tcnicas de prediccin para cada
factor (mediante modelos ARIMA, por ejemplo) o simultneamente (mediante
un modelo VAR, por ejemplo) para todos los factores. Alternativamente, los
escenarios pueden responder a la creencia del analista. Por ejemplo, en el momento actual llevamos un tiempo con tipos de inters muy reducidos, de modo
estable, por el cual, cualquier prediccin economtrica del tipo a corto plazo,
si este es un factor, tender a reproducir tal comportamiento. Sin embargo,
pudieramos estar en una situacion en que se han recibido indicaciones de que
la economa de la zona euro est repuntando, y que una subida de tipos, incluso quiza notable, est prxima. Preferriamos entonces escribir directamete
el escenariomprevisto del tipo a corto que conarlo a un modelo economtrico.
Es importante, nalmente, asignar a cada escenario una verosimilitud, en
la forma de una probabilidad. La suma de las probabilidades asignadas a los
distintos escenarios debe ser igual a uno. El modelo factorial puede servirnos
para simular trayectorias posibles para la rentabilidad de la cartera durante
el horizonte de gestin, de las cuales podramos deducir, si queremos, trayectorias para el valor de mercado de la cartera. Para ello, bastara especicar
una trayectoria para cada factor durante el horizonte de gestin (T; T + h), y
extraer aleatoriamente h observaciones para ut ; t = T + 1; :::; T + h. Con ello
tendramos una trayectoria para rct ; t = T + 1; :::T + h. Repitiendo este ejercicio
un nmero amplio de veces (5.000, por ejemplo) tendramos una distribucin de
probabilidad para rc;T +h .
Pero, adems, podriamos que la propia trayectoria de cada factor es aleatoria, extrayendo aleatoriamente sus valores numricos en el intervalo T +1; ::; T +h
de una distribucin de probabilidad alrededor de una senda central. En un
caso sencillo, podramos jar el valor nal de un factor, por ejemplo, en f1T +h
desde su valor inicial f1T ; y suponer una senda central consistente en seguir una
trayectoria uniformemente creciente (o decreciente, segun que el valor nal sea
superior o inferior a su valor incial) desde f1T hasta f1T +h . Si suponemos adicionalmente que la trayectoria observada se desviar de esta senda central con
una varianza determinada y de acuerdo con una distribucin Normal, podriamos
incorporar esta informacin en la generacin de las 5.000 trayectorias que antes
mencionamos. En este caso, en cada trayectoria, no solo la senda de ut ; sino
tambien la senda seguida por los factores, seran diferentes. En ambos casos,
terminamos con 5.000 realizaciones de la rentabilidad o del valor de mercado a
vencimiento de nuestra cartera, con las que podriamos construir la distribucin
empirica de frecuencias, y tomar de ella el percentil adecuado como Valor en
Riesgo. Este es un posible enfoque del mtodo Monte Carlo de clculo del Valor

35

en Riesgo
La segunda situacin en que podemos considerar un modelo factorial es
cuando tratamos de modelizar el comportamiento de un amplio nmero de activos. El modelo de factores puede simplicar entonces el problema de modo
importante, pues nos bastara con tener previsiones o escenarios de evolucin
temporal de unos pocos factores, para deducir escenarios para los activos individuales, que quiz sean muchos, para hacer un seguimiento individualizado.
Tanto en este caso como cuando tratamos directamente con la rentabilidad
de una cartera, como cuando tratamos con los activos que la componen, para el
clculo del Valor en Riesgo precisamos estimar su varianza.
Para un activo, tenemos:
V ar(rit ) =

0
iV

ar(ft )

En el caso de tratar con un amplio nmero de activos, el modelo factorial nos

permitira obtener la matriz de covarianzas de las rentabilidades de los activos
mediante:
V ar(R) = B 0 V ar(f )B
donde ahora, la matriz de betas B contiene en cada una de sus las las
betas de un activo. Ser por tanto una matriz nxk, siento n el nmero de
activos y k el nmero de factores de riesgo. El resultado sera una estimacin
de la matriz nxn de varianzas y covarianzas de los activos. Ntese que incluso
si los factores estuviesen incorrelacionados, como sucede cuando se utiliza la
tcnica de Componentes Principales para su estimacin, los activos individuales
tendran correlacin no nula. Si con estos activos conguramos una cartera con
ponderaciones recogidas en el vector !, entonces la varianza de dicha cartera se
estimara:
0

V ar(R) = (!B) V ar(f )(!B)

Dicho de otro modo, las sensibilidades de la cartera respecto de cada factor
vendran estimadas por el n-vector !B:Denotando por:
c

= !B

el vector de betas de la cartera, tendramos:

V ar(rct ) =

0
cV

ar(ft )

donde denota el vector de betas de la cartera respecto de los factores. Este

clculo permite desglosar la relevancia de cada factor, a travs de su varianza,
as como de las correlaciones entre factores, para determinar la varianza de la
rentabilidad de la cartera.
En un caso extremo, si se cuenta con una cartera de activos de renta variable
bien diversicada dentro de un mismo mercado, podemos utilizar la varianza del
ndice de mercado como factor,

36

2
c;t+1

2 2
c M;t+1

donde 2M;t+1 denota la prediccin de la varianza de la rentabilidad del ndice

de mercado, y c es la beta de la cartera.
Para calcular el V aR en unidades monetarias, es decir, el V aR de la distribucin P &L, multiplicamos el V aR de la distribucin de rentabilidades por
el valor de la posicin:
V aR =

(1

p)

Pt :

En ocasiones se utiliza la aproximacin:

V aR

(V alor cartera) : [V aR (rentabilidades log ar{tmicas)] =

(V
alor cartera) : (exp [V aR (rentabilidades log ar{tmicas)]
=

1)

Cuando contamos con las exposiciones E a los distintos activos de la cartera,

podemos estimar su VaR en unidades monetarias (nominal) mediante:
V aR =

(1

p
p) E 0 M E

siendo M la matriz de correlaciones de las rentabilidades de los distintos activos

que entran en la cartera.
Por ejemplo (Pea), consideremos una cartera que mantiene una posicin
corta de -767$ en dolar canadiense, y posiciones largas de 117$ en euros y 108$
en yen japons, con matriz de correlaciones:
1
0
1
0; 21
0; 21
1
0; 79 A
M = @ 0; 21
0; 21 0; 79
1

Las volatilidades de los 3 activos son: 5,54%, 12,82% y 16,63%. Calcule

los VaR de las posiciones individuales (R: 20,24$, 7,14$, 8,54$) y el VaR de la
cartera (R: 27,5$), que es inferior a la suma de los VaR individuales, debido a
las ganancias que se producen por la diversicacin de la inversin. (Recuerde
que la exposicin se dene: E = c W )

3.5

Etapas en la construccin de un modelo factorial de

VaR

1. Denir la cartera e identicar sus factores de riesgo

2. Fijar los parmetros bsicos del modelo: nivel de conanza y horizonte de
riesgo
3. Mapear (Proyectar) la cartera a sus factores de riesgo
4. Modelizar la evolucin de los factores de riesgo a lo largo del horizonte de
riesgo. Cada uno de los tres enfoques sigue aqui una estrategia diferente
37

5. Revaluar la cartera para cada realizacin de los factores de riesgo. Habitualmente se supone que las sensibilidades permanecen constantes a lo
largo del horizonte de riesgo, lo que equivale al supuesto de rebalanceo
continuo de la cartera, que logicamente, no siempre se sigue.
6. Construir una distribucin para la rentabilidad o para la P &L de la
cartera. Con tipos de inters o con carteras que contemplan posiciones
cortas y largas, es mejor lo segundo. La rentabilidad o el P &L sobre los
h dias debe expresarse en trminos de valor presente. Si la rentabilidad
esperada de la cartera es muy distinta de la tasa de descuento, entonces la
distribucin de rentabilidades debe modicarse para ajustar esta diferencia. Cuando el VaR se mide sobre un ao, este ajuste puede ser notable.
Es, por tanto, especialmente importante para hacer un seguimiento de los
fondos, pero no es tan importante en el caso de fondos de gestin activa,
en los que puede no estar tan justicado que la rentabilidad activa vaya a
tener una media positiva.
7. Calcular el VaR y el ETL

3.6
3.6.1

Descomposicin del VaR en el modelo lineal Normal

VaR sistemtico en el modelo lineal Normal

Para calcular el VaR de una cartera a horizonte de h dias, necesitamos conocer las predicciones de su valor esperado y su varianza, E(Rh ); V ar(Rh ). Si
disponemos de un modelo de m factores, tendremos:
E(Rh )
V ar(Rh )

=
=

siendo h el vector mx1 de rentabilidades esperadas para los factores y h

la prediccin de la matriz de covarianzas mxm de los factores sobre el horizonte
de inversin. Tendremos:
p
0
1
V aRh; sistematico =
(1
) 0 h
h

por lo que el VaR sistemtico puede calcularse a partir de la representacin

factorial de la cartera. Slo necesitamos las sensibilidades y la prediccin de
la matriz de covarianzas, h : Bajo los supuestos de independencia temporal y
de heterocedasticidad, tendremos:
h

=h

por lo que, bajo tales supuestos:

V aRh; sistematico = h:V aR1; sistematico

38

VaR individuales (Stand-alone VaR)

3.6.2

Supongamos que tenemos una cartera con sensibilidades: = ( 0E ; 0R ; 0x ); cada

uno de los cuales es un vector de sensibilidades a equity, tipos de inters y
forex. Por simplicidad, de momento consideramos que la sensibilidad de tipos
de inters es con respecto a una nica curva cupn cero. Los tres vectores de
sensibilidades deben estar en trminos porcentuales o en trminos nominales.
En tminos porcentuales, las sensiblidades serian: las betas (respecto al equity),
P 1 multiplicado por los PV01 (respecto de los tipos de inters) y un vector de
unos (respecto de los tipos de cambio). En trminos nominales, las sensibilidades
seran P multiplicado por las betas (equity), los PV01 (tipos), y las cuantas de
las posiciones en divisas (forex).
Particionamos la matriz de varianzas y covarianzas de los factores:
0
1
=@

Eh
0
ERh
0
EXh

ERh

EXh

Rh

RXh

0
RXh

Xh

cada bloque tiene una dimensin (las y columnas) en funcin del nmero de
factores de cada tipo. Ignorando los posibles ajustes en las rentabilidades medias
(por ejemplo, porque el horizonte del VaR sea corto), tenemos tres medidas de
VaR stand-alone:

0;

= 0 ) Equity V aRh;p =

0;

= 0 ) Interest rate V aRh;p =

0;

= 0 ) F orex V aRh;p =

(1

(1

q
p)

0
E

(1
q
p)

0
X

E E

q
p)

0
R

R R

X X

incluso si todas las matrices de covarianzas fuesen igual a cero, la suma de

los VaR stand-alone no coincidira con el VaR total.
Veremos en lo sucesivo distintos ejemplos de descomposicin del VaR paramtrico:
EIV.2.5, EIV.2.6 para carteras de renta ja, IV.2.14 a IV.2.17 para carteras de
acciones, y el Caso IV.2.7 para commodities.En el caso del VaR histrico, los
Casos IV.3.5.3. para acciones y divisas, IV.3.5.4 para tipos de inters y forex,
y IV.3.5.5 para commodities. En estos ejemplos calculamos asimismo los VaR
marginales.
3.6.3

VaR marginal y VaR incremental

Para ambas medidas necesitamos el vector gradiente del VaR. Suponiendo un

horizonte corto, de modo que los valores esperados de los factores de riesgo
puedan suponerse
igual a cero, y derivando en la expresin del VaR, V aR =
p
0
1
9
(1
)
h ; tenemos:
9 En

p) (

general, tendramos:
) ( 0 h ) 1=2
h

V aR =

1 (1

39

h;

y g( ) =

1 (1

g( ) =

(1

p) (

1=2
h

y luego utilizamos la aproximacin:

f( )

g( ) =

n
X

i fi (

i=1

para calcular el VaR marginal de cada factor, o:

f( )

) g( ) =

n
X

i ) fi (

i=1

para calcular el VaR incremental.

En las dos secciones siguientes examinamos distintas aplicaciones de los conceptos anteriores a carteras de renta ja, en primer lugar, y a carteras de renta
variable, posteriormente.

4
4.1

El modelo lineal Normal de VaR en carteras

de renta ja
Algunos conceptos bsicos

Un bono es una secuencia de ujos de caja de igual cuanta, un porcentaje100c

del nominal N , seguida de un ltimo cash ow de cuanta 100(1 + c)N: La
constante c es el cupn del bono, cuyo nominal se toma en unidades de 100. Si,
por ejemplo, el nominal de un bono es de 100.000 euros, el precio del bono en
cada instante, en base 100, por ejemplo 98,76, se multiplicara por 1.000 para
obtener su valor de mercado.
Con descuento de tipo discreto, el valor presente de un bono de nominal N
es:
n

PV =

N X
1
Ct
100 i=1 i (1 + Rti )ti

donde n es el numero de pagos pendientes de realizarse, Cti la cuantia de los

mismos, que ser 100cN excepto a vencimiento, que ser 100(1 + c)N: El valor
presente de un bono se conoce como Fair Value del bono, que es un concepto
terico, mientras que el precio de mercado de dicho bono es el resultado de las
interacciones de oferta y demanda. Los tipos de inters Rti a que se descuentan
los ujos de caja con sern constantes, y su representacin, en funcin de su
vencimiento, se conoce como estructura temnporal de los tipos de inters.Los
1
factores de descuento son los trminos 1+R
: Podemos pensar en un tipo de
ti
inters constante que generase un valor presente igual al precio de mercado del
bono:

40

N X
1
=
Ct
100 i=1 i (1 + y)ti

este tipo constante y se denomina tasa interna de rentabilidad (TIR) del

bono. La TIR es la rentabilidad que obtendra el tenedor del bono si lo mantuviese hasta su vencimiento. El cupn apenas tiene efecto sobre la TIR del
bono. Claramente, la TIR del bono est invrsamente relacionada con su precio.
Cuando el precio del bono sube, la TIR disminuye. Por eso es que una elevacin
de los tipos de inters de mercado conduce a una caida en los precios de la renta
ja.
Con descuento continuo, el valor presente y la TIR del bono vendrian denidos
por:
n

PV

PM

N X
Ct exp ( rti ti )
100 i=1 i
n

N X
Ct exp ( yti )
100 i=1 i

Dadas las caracteristicas de un bono, es instructivo variar su TIR y representar la relacin entre el precio del bono y la TIR. Ejercicio: Dibuje las curvas
Precio-TIR para a) un bono cupn 5%, vencimiento a 3 aos, b) un bono cupn
10%, vencimiento a 3 aos, c) un bono cupn 10%, vencimiento a 5 aos, y
observe:
un aumento en el cupn eleva el precio del bono, para cada TIR
cuando la TIR es igual al cupn del bono, su precio es igual a 100
un alargamiento del vencimiento aumenta la pendiente y la convexidad de
la relacin precio-TIR del bono.
Ejercicio: Considere dos bonos. El primero paga cupn anual del 5 % y
tiene un vencimiento de 3 aos. El segundo bono paga cupn del 10% y tiene
vencimienot 5 aos. Los tipos de inters de mercado a 1, 2, 3, 4 y 5 aos son:
4,0%, 4,25%, 4,50%, 4,25% 4,20%. Calcule el valor presente de cada bono y su
TIR Que efecto tiene el cupn sobre la TIR del bono?: R: 101,42 y 125,59.
TIRes: 4,48% y 4,22%.
Un bono cupn cero tiene un nico pago, a su vencimiento. Tales bonons se
venden generalmente a descuento. Es decir, el comprador paga N (1 + RT ) T ;
siendo T el tiempo a vencimiento y RT el tipo cupn cero anual correspondiente
a dicho vencimiento. En realidad, no existen tales tipos cupn cero, sino que
se deducen de los precios de mercado observados para productos cupn cero,
resolviendo:

41

PM
PM

= N (1 + RT ) T
= N (1 + T RT )

segn que el vencimiento sea superior a un ao (arriba) o inferior a un ao

(abajo).
Como ver en el siguiente ejercicio:
los bonos con cupon por encima de los tipos de mercado cotizan por encima
de la par (100), y lo contrario sucede con los bonos con cupn por debajo
de los tipos de mercado,
el precio de un bono aumenta con el vencimiento si el cupn est por
encima de los tipos de mercado, y lo contrario sucede si el cupn e sinferior
a los tipos de mercado,
Ejercicio: Considere tres conjuntos de bonos, cada uno de ellos con bonos
de vencimientos desde 1 ao a 20 aos. Los cupones del primer conjunto de
bonos son 0%, los del segundo son 5% y los del tercero son 10%. Los tipos
de inters de mercado a vencimientos anuales desde 1 a 20 aos son: 6,00%,
6,50%, 7,00%, 7,20%, 7,20%, 6,60%, 6,00%, 5,60%, 5,40%, 5,25%, 5,25%,
5,20%, 5,20%, 5,00%, 5,10%, 5,00%, 4,90%, 4,90%, 4,80%, 4,80%. Represente
grcamente los Precios Justos (Fair Value) de cada bono mediante una curva
para cada clase, representando precio contra vencimiento. Haga lo mismo con
las Yield (TIR).
4.1.1

Duracin y convexidad

La duracin de Macaulay de un bono es el promedio del valor presente de los

distintos ujos, ponderados por vencimiento:
Pn
ti Pti
DM = i=1
P
con:
Pti =

Cti
t o Pti = Cti exp ( yti )
(1 + y) i

Un bono cupn cero tiene duracin de Macaulay igual a su vencimiento.

Todo bono que paga cupn tienen duracin inferior a su vencimiento. La duracin representa el tiempo medio sobre el que se reciben los ujos de caja. Si se
desplaza la curva de rentabilidades (yield curve), la duracin de Maculay es el
punto "break-even" en que la renta que se pierde por reinversin de los cupones
queda compensada exactamente por la ganancia en el valor del bono. [EIII.1.7],
[EIII.1.8]
La duracin modicada es, cambiada de signo, la aproximacin de primer
orden al porcentaje de variacin en el precio por unidad de cambio en la TIR
42

(yield). En un bono anual, la duracin modicada es la duracin de Macaulay

dividida por 1 + y:
Bajo descuento continuo tenemos:
dP
=
dy

n
X

Cti ti exp ( yti ) =

i=1

n
X

Cti ti exp ( yti ) =

i=1

n
X

Pti ti

i=1

de modo que:
DM

duracion de M acaulay =

1 dP
P dy

mientras que bajo descuento discreto,

D

duracion modif icada =

DM
1 dP
=
P dy
1+y

Puesto que en mercados se utiliza el descuento discreto es la duracin modicada, y no la duracin de Macaulay, la que se utiliza como aproximacin a
la variacin porcentual en el precio del bono ante cambio de una unidad en la
TIR.
La duracin es la aproximacin de primer orden al cambio porcentual en
el precio del bono por cambio unitario en la TIR, pero ya hemos visto que la
relacin entre precio y TIR no es lineal, por lo que tiene sentido considerar la
curvatura de dicha relacin a travs del concepto de Convexidad :
Convexidad =

1 d2 P
P dy 2

En el caso de un bono con cupn anual y vencimiento en un nmero entero

T de aos, tenemos:

T
X
t=1

d2 P
dy 2

Ct
dP
)
=
t
(1 + y)
dy

2C1
3

(1 + y)

6C2
4

(1 + y)

T
X
t=1

X t (t + 1) Ct
tCt
d2 P
)
=
t+1
2
(1 + y)
dy
(1 + y)t+2
t=1

12C3

(1 + y)

+ ::: +

T (T + 1)CT
T +2

(1 + y)

Un bono cupn cero tiene convexidad: T (T + 1)(1 + Y ) 2 :La convexidad

es una variacin de segundo orden: es, aproximadamente, la variacin en la
duracin modicada ante cambios de una unidad en la TIR.
Cuando se disponde carteras de bonos, hay que tener en cuenta que la duracin modicada no es aditiva para distitos bonos. Tiene inters considerar la
d2 P
$
duracin en valor: D$ = dP
dy y la convexidad en valor: C = dy 2 ; que estn
medidas en la misma unidad y la misma divisa que el propio bono. La Value
Duration es la Duracion modicada, multiplicada por el precio del bono, mientras que la Value Convexity es la Convexidad multiplicada por el precio del
43

bono. Estas medidas s que son aditivas para posiciones en distintos bonos, sin
mas que tener en cuenta sus magnitudes y el signo de la posicin. Sin embargo,
los distintos bonos tendrn TIRes diferentes, por lo que la interpretacin de la
duracin y convexidad en valor que resulten no es la misma de antes. Deben
interpretarse como la variacin en el valor de la cartera ante un desplazamiento
paralelo de la curva de TIRes, es decir, una variacin igula en las TIRes a todos
los vencimientos.
4.1.2

Aproximacin en duracin y convexidad al precio de un bono

La aproximacin de segundo orden al precio de un bono es:

P (y) ' P (y0 ) +

dP
jy=y0 (y
dy

y0 ) +

1 d2 P
jy=y0 (y
2 dy 2

y0 )2

denotando: y = y y0 ; y por: P = P (y) P (y0 ); es decir, el cambio

en el precio cuando la TIR pasa de y0 a y; la aproximacin de segundo orden
puede escribirse:
P '

dP
dy

y+

1 d2 P
2
( y) =
2 dy 2

1
2
D$ y + C $ ( y)
2

(7)

Supongamos que las TIRes de todos los bonos en la cartera cambian en la

misma magnitud, y. Podemos agregar entonces las variaciones en los precios
de los distintos bonos para obtener, para toda la cartera:
1
2
Dc$ y + Cc$ ( y)
2
Para un nico bono, si dividimos (7) por P; tenemos:
P '

P
1 dP
=
P
P dy

y+

1 1 d2 P
2
( y) =
2 P dy 2

Duracion mod if icada: ( y)+(0; 5) Convexidad ( y)

Los signos de duracion y convexidad son opuestos. Por tanto, dados dos
cash ows con la misma duracin modicada, aquel que tenga mayor convexidad
tendr un valor menos sensible a cambios en los tipos de inters. Es decir, el
valor del cash-ow disminuye menos si suben los tipos, y aumenta ms si los tipos
de inters descienden. Por tanto, conviene tener una posicin con convexidad
positiva y elevada.
Inmunizacin Si prevemos un desplazamiento paralelo en la curva de tipos y
queremos que nuestra cartera no experimente variaciones en precio, deberemos
congurar la cartera de modo que tenga duracin cero y convexidad igual a cero.
Ejercicio: Consideremos de nuevo los dos bonos de los ejemplos anteriores, y
supongamos que hemos invertido 1,5 millones de euros en el primero y 1 milln
de euros en el segundo. La Value Duration del primer bono es 416,41 euros, y
la del segundo bono es igual a 514,00 euros. La Value Convexitiy del primero es
44

15.678.184 euros y la del segundo bono es 27.938.173 euros. Un cartera que est
larga en una unidad en el primer bono y corta en le segundo tendra una Value
Duration de -97,59 euros y una Value Convexity de -12.250.989. Supongamos
que queremos inmunizar esta cartera utilizando dos bonos, B1 y B2 . El primero
tiene un principal de 1.000 euros, Fair Value de 1.200 euros, Value Duration igual
a 5 y Convexity igual a 20.000. El bono B2 tiene un principal de 10.000 euros,
Fair Value de 10.780 euros, Value Duration igual a 2 y Convexity igual a 100.000.
La inmunizacin se consigue comprando 32,05 unidades de B1 y vendiendo 128,92 unidades de B2 : Por tanto, hemos de invertir (32; 05):(1:200) = 38:459
euros en el primer bono, y (128; 92)(10:0780) = 1:389:755 euros en el segundo,
Como sus precios son 120,0 euros y 107,80 euros, respectivamente, ello equivale
a comprar cantidades nominales de 32.049 euros y 1.289.198 euros, respectivamente.

4.2

Mtodos de proyeccin de cash-ows

Una cartera de deuda tiene un alto nmero de exposiciones de riesgo, tantas

como cash-ows pendientes de pago en la misma. Se hace preciso reducir dicho nmero, para lo que una posibilidad es la proyeccin de los cash-ows en
unos cuantos vencimientos, que se denominan vrtices de la proyeccin. Cuanto
mayor sea el nmero de vrtices, ms aproximada ser la proyeccin de los cashows, pero por otra parte, se necesita que los vrtices dispongan de suciente
liquidez, lo que generalmente conducir a reducir su nmero.
La idea es asociar cada cash-ow a los vrtices ms prximos, como veremos
ms abajo. El objetivo es sustituir nuestra cartera, que tiene posiblemente muchos vencimienots a plazos no estndar, y que adems van cambiando con el paso
del tiempo, en otra cartera a plazos estandar que adems, se mantienen jos.
Cada cash-ow se proyecta sobre los dos vrtices adyacentes a su vencimiento,
para posteriormente consolidar todos los cash-ows que se han proyectado en
cada vrtice.
Como los vrtices se mantienen constantes, no es preciso estimar sus propiedades
estadsticas sino al cabo de un tiempo. Lo que se va haciendo es actualizar la
proyeccin cada cierto tiempo. Las proyecciones deben compararse en trminos
de Valor Presente, pues se reeren a distintos instantes de tiempo.
Veremos primero dos proyecciones muy simples que transforman la cartera
en un nico ujo, la proyeccin Principal y la proyeccion por Duracin
La proyeccin Principal, que asocia el riesgo de un bono con el vencimiento
del principal, nicamente. Para aplicarlo, se calcula el vencimiento medio
de los bonos de la cartera, y se toma el VaR del bono cupon cero que tenga
dicho vencimiento. Es un mtodo simple, pero ignora el pago de cupones,
sobreestimando el riesgo de la cartera.
Ejemplo: Con los tipos de inters de la hoja PCA_Short_Spot_new, estimamos las correlaciones entre rentabilidades10 :
1 0 Se trata de correlaciones entre rentabilidades diarias, calculadas como variacin porcentual
del precio diario implcito en los tipos de inters de los que partimos.

45

Correlaciones de rentabilidades diarias

1m
1,000
0,737
0,451
0,269
0,117
0,074
0,058
0,051

3m
0,737
1,000
0,854
0,562
0,322
0,257
0,232
0,217

6m
0,451
0,854
1,000
0,854
0,609
0,526
0,488
0,462

12m
0,269
0,562
0,854
1,000
0,899
0,827
0,783
0,746

24m
0,117
0,322
0,609
0,899
1,000
0,985
0,959
0,928

36m
0,074
0,257
0,526
0,827
0,985
1,000
0,992
0,974

48m
0,058
0,232
0,488
0,783
0,959
0,992
1,000
0,994

60m
0,051
0,217
0,462
0,746
0,928
0,974
0,994
1,000

Bajo desplazamientos paralelos de la curva de rentabilidades, las volatilidades de todos los vencimientos deberan ser iguales, y las correlaciones entre
vencimientos deberan ser igual a uno lo que, como vemos, no es el caso. Bajo el
supuesto de Normalidad, el VaR a un horizonte de tiempo reducido ser proporcional al vencimiento: V aRh = 1 1p h = 1 1p h : La tabla siguiente muestra
que tampoco sucede as: El VaR a 2, 3, 4 y 5 aos excede del multiplo correspondiente del VaR a 1 ao. Esto se debe, por supuesto, a que la volatilidad
aumenta ms que proporcionalmente, reejando autocorrelacin positiva entre
rentabilidades.
1m
3m
6m
12m
24m
36m
48m
60m
Tipos de inters ltimo dia muestra 5,49
5,41
5,23
4,75
4,34
4,31
4,36
4,41
Volatilidad % 0,003% 0,006% 0,014% 0,034% 0,078% 0,120% 0,159% 0,197%
Volatilidad puntos bsicos 0,015 0,035 0,074 0,160 0,337 0,515 0,693 0,871
VaR Normal 95% 1 mes 0,021% 0,049% 0,107% 0,255% 0,587% 0,905% 1,202% 1,492%

Consideremos una cartera que consta de dos bonos. El primer bono tiene
nominal 100 millones de euros, con vencimiento a 5 aos y cupn 6%, mientras
que el segundo bono tiene vencimiento a un ao, cupn 4% y nominal 100
millones. Con la actual estructura de tipos de inters (ltimo dia de la muestra)
el Valor Presente de la cartera es 206; 277millones de euros.
El vencimiento medio es 3 aos, por lo que la proyeccin Principal asocia 200
millones de euros al vencimiento de 3 aos. Bajo esta proyeccin Principal, el
VaR de la cartera a 1 dia, y al 5% se estima en 206; 277millones (0; 905%) =
1; 867millones: Este enfoque sobreestima el riesgo, ya que ignora el pago de
cupones.
Cash f lows
Proyeccin(PV)
P lazo
Bono1
Bono2 T ipos Principal
Duracion
Cash F low
1
6
104
4; 75
;0
;0
105; 01
2
6
0
4; 34
;0
;0
5; 51
2; 808
206; 28
3
6
0
4; 31
206; 28
;0
5; 29
4
6
0
4; 36
;0
;0
5; 06
5
106
0
4; 41
;0
;0
85; 41
T otal
206; 28m:
206; 28m:
206; 28m:

46

La proyeccin por Duracin asocia el riesgo al de un bono cupn cero con

vencimiento igual a la duracin del bono. Se sustituye la cartera de bonos
por un nico bono cupn cero, con vencimiento igual a la duracin de la
cartera. Dicha duracin no ser, generalmente, un nmero entero de aos,
por lo que habr que calcular su VaR por interpolacin de los VaR de
los dos bonos cupn cero con vencimientos adyacentes a la duracin de la
cartera de bonos. Este VaR ser generalmente inferior al anterior.
La duracin es 2,808 aos, por lo que la proyeccin por Duracin sustituye
la cartera por un bono cupn cero con vencimiento igual a la Duracin. Por
tanto, esta proyeccin asocia 206,277 millones de euros al vencimiento de 2,808
aos. Interpolando linealmente los VaR a 2 y 3 aos, tenemos una estimacin
del VaR : 0:587 + (0:905 0:587)(2:808 2) = 0:844 % y, por tanto, del VaR de
la cartera: 206; 277millones (0:844) = 1; 741millones de euros, algo inferior a
la anterior estimacin, precisamente por incorporar el pago de cupones.
En la proyeccin de Cash-ows se descompone el riesgo de los instrumentos
de renta ja en el componente de riesgo asociado a cada uno de los cashows. Los cash-ows, en valor presente, descontados con el tipo de inters
cupn cero apropiado, se agrupan en los vrtices correspondientes de la
estructura temporal. En este caso, no se construye otra distinta, tan solo
se distribuye por vencimientos la estimacin del riesgo.
V P Cash f lows
V aR
V aR
(x)
plazo (V ) in div idual : xV
105; 01
0; 255%
26; 78
5; 51
0; 587%
3; 23
5; 29
0; 905%
4; 78
5; 06
1; 202%
6; 08
85; 41
1; 492%
127; 44
206; 28
168; 32
V aR N o div ersif icado
1; 68
V aR Diversif icado
1; 62
Una vez calculado el valor presente del cash ow x a un determinado vencimiento,
se multiplica por el VaR de dicho vrtice, que ser Vj = 1 1p j : Si los tipos
cupn cero a los distintos vencimientos tuvieran correlacin perfecta (lo que
justicara el uso de un solo factor, as como el uso de la duracin Macaulay),
el VaR de la cartera sera:
P lazo
1
2
3
4
5
T otal

V aR =

N
X
i=1

jxi j Vi

que es el que aparece como la suma de los VaR individuales, 1,68 millones de
euros. Esta sera la mxima cantidad que esperaramos perder en el horizonte
de 1 mes con una conanza del 95%.
Cuando, como es habitual, las correlaciones no son perfectas, se premultiplica
y postmultiplica dicha matriz de correlaciones por el vector de riesgos monetarios
47

xj Vj de cada vrtice. La raiz cuadrada de dicho producto es el VaR, que resulta

ser 1,624 millones de euros para esta cartera de bonos.
La diferencia entre esta cantidad y el VaR Duracin, 1,741 millones de euros,
es igual a 117.000 euros. Esta diferencia se debe a dos factores. Por un lado, que
los movimientos en la curva de tipos no son paralelos, lo que hace que la medida
de riesgo no sea lineal en el vencimiento y la volatilidad no sea constante con
el vencimiento. Este factor explica una diferencia de 1,741-1,683=58.000 euros.
En segundo lugar, que las correlaciones no son perfectas, lo que explica una
diferencia de 1,683-1,624=59.000 euros, similar a la anterior.
La siguiente tabla recoge otro modo de estimar el VaR utilizando las variaciones en el valor de los bonos cupn cero, como se hace habitualmente en
un ejercicio de stress testing. Si todos los bonos cupn cero estuviesen perfectamente correlacionados, podriamos reducir su valor de acuerdo con el VaR
de cada plazo. Por ejemplo, el bono a 5 aos vale inicialmente 0,80577 y su
VaR es 1,492%, por lo que tras un descenso igual al VaR, el nuevo precio
del bono sera: 0; 80577(1 0; 01492) = 0; 79375: el nuevo valor de la cartera
sera 204,595 millones de euros. El descenso respecto a su valor inicial seria:
206; 277 204; 595 = 1; 682 millones de euros, que es aproximadamente igual al
VaR no diversicado que antes encontramos. Sin embargo, el clculo utilizando
la matriz de correlaciones es ms exacto.
Cash f low V alor inicial P V inicial
V aR
Pr ecio f inal nuevo P V
P lazo millones
bono c:cero cash f lows plazo
bono
cash f lows
1
110
0; 95462
105; 009
0; 255%
0; 95219
104; 741
2
6
0; 91857
5; 511
0; 587%
0; 91318
5; 479
3
6
0; 88112
5; 287
0; 905%
0; 87315
5; 239
4
6
0; 84310
5; 059
1; 202%
0; 83297
4; 998
5
106
0; 80577
85; 412
1; 492%
0; 79375
84; 138
T otal
206; 278
204; 595
A continuacion, pasamos a analizar los distintos procedimientos de proyeccin de un cash ow en sus dos vrtices adyacente. hay distintos criterios que
pueden utilizarse para comparar el cash-ow inicial con la proyeccin. Un criterio bsico es que se mantenga el Valor Presente del cash-ow inicial. Otros
criterios podran ser: mantener la volatilidad del cash-ow, mantener su PV01,
etc.. Para tener una solucin nica al problema de proyeccin deben utilizarse
en ella tantos vrtices como criterios queremos que se cumplan.
4.2.1

Proyeccin con valor presente y duracin constantes

Supongamos un cash ow en el perodo T; con un valor presente de 1 euro,

donde T1 < T < T2 ; donde T1 y T2 son dos de los vrtices previamente seleccionados. Denotemos por x1 y x2 los cash-ows que asociaremos a los vrtices
T1 y T2 :Todos los cash-ows en este punto estn en trminos de valor presente.11
1 1 Alternativamente, con descuento continuo podriamos considerar que un cash ow de erT
euros se est proyectando en er1 T1 euros y er2 T2 euros, respectivamente. Con descuento
discreto, pensaramos en proyectar (1 + R)T en (1 + R1 )T1 y (1 + R2 )T2 euros.

48

Aunque no es imprescindible que la suma del valor presente de las proyecciones coincida con el valor presente de la cantidad proyectada, es habitual
imponer tal condicin, que signica:
x1 + x2 = 1
La duracin Macaulay del cash-ow original es T; mientras que la duracin
Macaulay de la secuencia formada por las proyecciones es: (x1 T1 + x2 T2 )=(x1 +
x2 ); por lo que la proyeccin mantendr invariante la duracin Macaulay si y
solo si,
x1 T1 + x2 T2 = (x1 + x2 )T
Resolviendo el sistema:
x1 =

T2
T2

Tc
T1

Las dos condiciones conducen en este caso a una nica solucin, mientras que
por s solas, cada una de ellas sera compatible con un continuo de proyecciones
(si bien no con cualquier proyeccin) .
En el ejercicio anterior, la cartera tiene duracin 2,808, y si la proyectamos
entre los vertices de 2 y 3 aos, tendramos:
x1 =

3
3

2; 808
= 0; 192
2

por lo que asignamos al plazo de 2 aos una cantidad: (206; 28) (0; 192) =
39; 65 millones, asignando el resto, 166,63 millones al plazo de 3 aos. En este
ejemplo, hemos trabajado con tres bonos cupon cero, de modo que vencimiento
y duracin coinciden.
El VaR de la proyeccin sera: (39; 65) (; 587) + (166; 63)(; 905) = 1; 74 millones de euros.
Ejercicio [EIII.5.1]: La proyeccin de un cash-ow con vencimiento 1 ao y
65 dias con valor presente de 1 millon de euros en vrtices de 12 y 18 meses,
que mantenga invariante la duracin y el valor presente es: 638.889 euros en
12 meses y 361.111 en el vrtice de 18 meses, ambos en valor presente. Utilice
la convencin de 360 dias por ao.
4.2.2

Proyecin con invarianza del PV01

El modo de imponer esta condicin depende de que trabajemos con descuento

continuo o discreto. Un cash-ow con valor presente de 1 euro tiene un valor
no descontado de erT euros, con un PV01 aproximado de:T erT e rT = T euros.
Si se proyecta un cash-ow con valor presente de x euros en el vrtice i, con
vencimiento Ti ; su valor no descontado ser eri Ti siendo ri el tipo de inters
cupn cero a dicho vencimiento, y su PV01 aproximado es xi Ti (Recordemos
que el PV01 se calcula utilizando cantidades en valor presente). Por tanto, bajo
descuento continuo, la invarianza del PV01 requiere,
49

n
X

xi Ti = T

i=1

Con descuento discreto, un cash-ow en T con valor presente de 1 euro, tiene

un valor no descontado de (1 + Ri )Ti ; y un PV01 aproximado: Ti (1 + Ri )Ti (1 +
Ri ) Ti 1 = Ti (1 + Ri ) 1 : En este caso, la invarianza de PV01 requiere:
n
X
i=1

T
xi Ti
=
(1 + Ri )Ti
1+R

Podemos ver que, bajo descuento continuo, una proyeccin que mantenga
inalterados el valor presente y la duracin, mantendr asimismo invariante el
PV01, ya que la condicin que hemos encontrado tambin debe ser satisfecha
rol a procyeccin que mantiene invariante valor presente y duracin. Esto no
sucede bajo descuento discreto.
Adems de esto, otra ventaja del descuento continuo es que para mantener
la invarianza del PV01 en la proyeccin, no ncesitamos conocer los tipos cupn
cero en los vrtices, al contrario de lo que sucedera con descuento discreto.
4.2.3

Proyeccin con invarianza en volatilidad

Denotemos por ; 1 ; 2 las volatilidades de las variaciones en los tipos de inters

en los tres vencimientos T; T1 ; T2 y por la correlacin entre las variaciones en
tipos de inters en los vrtices. En ocasiones, se desconoce la volatilidad en
T , y se aproxima mediante interpolacin de las volatilidades en los dos vrtices
adyacentes.
Si queremos que la proyeccin mantenga invariante la volatilidad, tendremos
que imponer:
x21

2
1

+ x22

2
2

+ 2x1 x2

1 2

que no tiene una solucin nica, pero que puede combinarse con alguna de
las condiciones que antes vimos para generar una nica solucin. En general,
con ms de dos vrtices, la condicin sera:
x0 V x =

donde V es la matriz de covarianzas de las variaciones en los tipos de inters

en los vrtices seleccionados.
En el ejemplo de la seccin anterior, podemos interpolar las volatilidades de
los plazos de 2 y 3 aos para obtener una volatilidad estimada para el plazo de
2,808 aos igual a: 0,112%. Para mantener la volatilidad de la cartera, queremos
resolver la ecuacin:
x21

2
1

+ x22

2
2

+ 2x1 x2

1 2

2
c

y si mantenemos la condicin x1 + x2 = 1(manteniendo con ello la duracin)

tendremos:
50

2
1

2
2

1 2

x2 + 2

2
2

1 2

x+

2
2

2
c

=0

donde 1 = 0; 078%; 2 = 0; 120%: La nica solucion entre 0 y 1 es: x =

0; 177; similar al resultado que mantuvimos para la proyeccin que preserva la
duracin. Esto conduce a asociar (206:28) (0:177) = 36: 51 millones al vencimiento
de 2 aos y el resto, 169,77 millones al plazo de 3 aos.
Puede probarse que si la correlacin entre vrtices es igual a 1 y la volatilidad de cada vrtice es proporcional a su duracin, entonces la proyeccin con
Duracin invariante y la proyeccin con Volatilidad constante, coinciden.
Ejercicio: Considere las mismas condiciones del ejemplo anterior, con volatilidades de 75 pb. para las variaciones en el tipo a 12 meses, y de 90 pb. para las
variaciones en el tipo a 18 meses, con correlacin de 0,75 entre ambas variaciones. Hay otra solucin con un cash-ow negativo. La proyecin que mantiene
invariante la volatilidad y el valor presente es de 321.564 euros en el tipo a 12
meses y 678.436 euros en el tipo a 18 meses, ambos en valor presente. La proyecin que mantiene invariante la volatilidad y la duracin es de 683.944 euros
en el tipo a 12 meses y 386.577 euros en el tipo a 18 meses, ambos en valor presente. El valor presente de esta proyeccin es de 1.070.521 euros. Finalmente,
la proyecin que mantiene invariante la volatilidad y el PV01 es de 893.542
euros en el tipo a 12 meses y 191.342 euros en el tipo a 18 meses, ambos en
valor presente. El valor presente de esta proyeccin es de 1.084.884 euros.
4.2.4

Proyeccin sobre varios vrtices

Como hemos visto, si proyectamos sobre dos vrtices, no podemos mantener invariantes simultneamente muchas caractersticas del cash-ow original. Podemos
conseguirlo si proyectamos sobre un conjunto sucientemente amplio de vrtices.
Ejercicio: [EIII.5.3] Supongamos un cash-ow a 1 ao y 65 dias, con valor
presente de 1 millon de euros, sobre vrtices de 6, 12 y 18 meses, con las volatilidades y correlaciones que aparecen en la tabla:
Correlaciones 6 meses 12 meses 18 meses Volatilidades (bp.)
6 meses
1
60
12 meses
0,8
1
75
18 meses
0,7
0,75
1
980
Construya una cartera que tenga el mismo valor presente, duracin, PV01
y volatilidad que la cartera original. Solucin: (x6 ; x12 ; x18 ) = ( 227:054 euros; 1:092:997 euros; 134.057 euros), estando estas cantidades en valor presente.
4.2.5

Benchmarking un fondo

Utilizamos en esta seccin la misma idea de las proyecciones para construir

fondos rplica de un determinado fondo de renta ja. Supongamos un fondo de
renta ja con la estructura de cash-ows que aparece en la tabla siguiente, en
millones de euros. Se trata de un fondo excesivamente simple. Logicamente un
fondo real tendra posiciones en vencimientos ms largos que los indicados. La
duracin de este fondo es de 3,237 aos y su Valor Presente es 59.385.000 euros.
51

Teniendo en cuenta que la duracin essuperior a 3 aos, para encontrar una

cartera que replicara el fondo podriamos adoptar el criterio de reproducir su
duracin tomando posiciones en los vencimientos de 3 y 4 aos. Para ello,
tomamos:

x1 =

T2
T2

4 3; 237
Tc
(59:385) =
(59:385) = (0:763) (59:385) = 45; 333
T1
4 3

en el plazo de 3 aos y 14,052 en el plazo de 4 aos. En trminos de valores

nominales, se trata de 51,449 millones de euros en el plazo de 3 aos y 16,667 en
el plazo de 4 aos. El VaR no diversicado de esta cartera es: (45:333) (0:905) +
(14:052)(1:202) = 579:170 euros, en valor presente:
Si construimos una cartera en los vencimientos extremos, 1 y 5 aos, tendriamos:
x1 =

T2
T2

Tc
5 3:237
(59:385) = 26; 179
(59:385) =
T1
5 1

en el plazo de 1 aos y 59; 385 26; 179 = 33; 205 en el plazo de 5 aos. En
26:179
33:205
trminos nominales, se trataria de 0:95462
= 29; 712 a 1 ao y 0:80577
= 39:385 a
5 aos. El VaR no diversicado es: (26:179) (0:255) + (33:205)(1:492) = 562:180
euros, en valor presente.
Cash f lows(106 )
V aR
V aR in div idual
P lazo
(x)
Descuento P V
plazo (V )
(V aR)(P V )
1
2; 49
0; 95462
2; 38
0; 255%
0; 0061
2
13; 96
0; 91857
12; 82 0; 587%
0; 0752
3
24; 83
0; 88112
21; 88 0; 905%
0; 1979
4
15; 40
0; 84310
12; 98 1; 202%
0; 1560
5
11; 57
0; 80577
9; 32
1; 492%
0; 1391
T otal
68; 25
59; 38
0; 574
V aR N o div ersif icado
0; 574
V aR Diversif icado
0; 569
V aR Re lativo
El VaR relativo se mide:
V aR Re lativo =

1
1 p

p
(x

x0 )0

h (x

x0 ) =

1
1 p

p
h(x

x0 )0 DCD(x

x0 )

donde, en nuestro ejemplo, h = 10; 1 1p = 1; 65; D es la matriz diagonal de

desviaciones tipicas, y C es la matriz de correlaciones de las rentabilidades a los
vencimientos de 1 a 5 aos.
Como puede apreciarse, lac artera que invierte a 3 y 4 aos tiene un VaR
diversicado algo mayor que el fondo, y su vaR relativo es de 5.900 euros. Esta
es la cantidad en la que, con conanza del 95%, el fondo que hemos constituido
puede dar un peor resultado sobre un perodo de 10 dias que el fondo que
queremos replicar. Por su parte, la cartera que invierte a 1 y 5 aos tiene

52

PV

PV
26; 179

45; 333
14; 052
33; 205
0; 579
0; 578
0; 0059

0; 562
0; 562
0; 0166

un VaR diversicado menor que el VaR del fondo, pero tiene un VaR relativo
mayor, estimado en 16.600 euros.
Es decir, la primera cartera tiene un menor tracking error. Conviene recordar
que reducir el riesgo en trminos absolutos no es lo mismo que reducirlo en
trrminos relativos y que podemos encontrar carteras rplica que tengan un
riesgo absoluto menor pero un riesgo relativo mayor que el fondo que quiere
replicarse.

4.3

VaR lineal bajo Normalidad para secuencias de cashows proyectadas sobre vrtices

Vamos a considerar el clculo del VaR de una cartera caracterizada por una
secuencia de cash-ows. La cartera puede constar de prstamos, bonos, swaps,
etc.. Los factores de riesgo son tipos de inters a determinados vencimientos
jos. Cada uno de tales tipos puede descomponerse entre el tipo LIBOR a
ese vencimiento ms un spread de crdito. En tal caso, adems de tener como
factores de riesgo la curva LIBOR, hay que aadir una o ms estructuras temporales de crdito para diferentes ratings, como verems en un ejercicio. El exceso
de rentabilidad de tal cartera sobre la tasa de descuento ser signicativamente
distinto de cero solo si la cartera tiene exposiciones a contrapartidas de baja
calidad crediticia y el horizonte de riesgo sea largo.
Suponemos que la secuencia de cash-ows ha sido previamente proyectada
a tipos de inters a determinados vencimientos en trminos de valor presente y
manteniendo invariante la volatilidad. Puesto que el vector PV01 se expresa en
trminos de valor presente, y no hay constante en el mapping de la secuencia
de cash-ows a los factores de riesgo, la rentabilidad esperada descontada de la
cartera es cero, por lo que solo necesitamos la volatilidad para la determinacin
del VaR.
Recordemos que si 01t denota la sensibilidad del factor descuento aplicable
al vencimiento t ante una variacin de un punto bsico en el tipo cupn cero a
1
dicho plazo, 01t = (1+Rt1 :01)t
(1+Rt )t ; El valor presente de un punto bsico
de un cash ow Ct a dicho plazo es: P V 01(Ct ) = Ct : 01t , que depende, por
supuesto, del volumen del ujo de caja. En consecuencia, P V 01(Ct ) mide el
cambio que se produce en el valor presente del ujo Ct cuando desciende en un
punto bsico el tipo de inters que se utiliza para calcular el factor descuento.
Puesto que el precio terico de un cash-ow es el valor presente del mismo,
la variacin en el precio de una secuencia de cash-ows an periodos t1 ; t2 ; :::; tn
puede escribrise:

Pt Pt

n
X

Cti : 01ti (Ri;t Ri;t

1) =

i=1

n
X
i=1

P V 01(Cti )(Ri;t Ri;t

1) =

n
X
i=1

donde en lo sucesivo, P V 01i denota el PV01 de un cash ow Cti :

El P &L descontado de una cartera es la variacin en el valor presente de la
secuencia de cash-ows de la misma:
53

P V 01i : Ri;t

PV

n
X

(P V 01i ) ( Ri ) =

(8)

i=1

donde donde = (P V 011 ; P V 012 ; :::; P V 01n ) denota el vector de sensibilidades del cash-ow respecto de los factores, y R es el vector de variaciones, en
puntos bsicos, en los vrtices del mapping (la proyeccin) que hayamos aplicado
a cada cash-ow.
Ambos vectores, y R; tienen una dimensin igual al nmero de cashows que se consideran, n. Por tanto, hay un tipo de inters asociado a cada
cash-ow. Ntese que un bono de dicha cartera puede generar un cierto nmero
de cash-ows antes de su vencimiento. La unidad de anlisis del riesgo en la
cartera de renta ja es el cash-ow, no el bono.
Puesto que el PV01 es el valor presente de un cambio en un punto bsico,
el cambio (??) en el valor de la cartera ya viene medido en trminos de valor
presente.
Si R tiene una distribucin multivariante Normal con esperanza y matriz
de varianzas y covarianzas ; entonces el P &L descontado tendr una distribucin aproximada N ( 0 ; 0 ): Por el razonamiento habitual en el clculo del
VaR, tenemos:
p
1
V aRp =
(1 p) 0 + 0

Los tipos utilizados para descontar los ujos de caja tendrn una representacin en funcin de los factores de riesgo. Aunque las variaciones en estos
ltimos fuesen cero, las variaciones en los primeros podran no serlo y apareceran en la expresin anterior, pues
y
sn momentos de R. Pero frecuentemente tomamos como factores de riesgo los mismos tipos de inters que
se usan para descontar los ujos de caja, en cuyo caso es natural tomar el cambio
esperado como igual a cero, 0 = 0.12
Si h denota la matriz de covarianzas calculada sobre h dias, tenemos en
este caso:
p
1
V aRp =
(1 p) 0 h
(9)
En el ejercicio [EIV.1.8] la matriz de covarianzas viene dada en puntos bsicos, siendo sus elementos las varianzas y covarianzas de las variaciones en los
tipos de inters. Esto se debe a que el vector PV01 contiene las sensibilidades a
variaciones absolutas, nominales, de 1 p.b., en los factores de riesgo, no a variaciones relativas en los mismos. Por tanto, es preferible tratar con variaciones
absolutas, en puntos bsicos, en los tipos de inters. Adems, la variacin en un

1 2 Si los tipos de inters utilizados como factores no coinciden con los de descuento pero utilizamos un modelo de representacin de estos en funcin de los factores, sin incluir constantes,
de nuevo ser natural suponer 0 = 0: En denitiva, trabajando con variacioens diarias en
tipos de inters, como es habitual, es natural hacer este supuesto.

54

tipo de inters puede interpretarse como aproximadamente igual a la rentabilidad porcentual del bono cupn cero correspondiente.13 Las volatilidades anuales
de dichas variaciones diarias son a menudo del orden de 100 puntos bsicos, pero
en mercados emergente spueden ser incluso bastante ms elevadas.
Ejercicio [EIV.1.8]: Encuentre el VaR 1% a 10 dias de un cash ow que se
ha proyectado sobre vrtices a 1 y 2 aos, con PV01 de 50 y 75 euros. Suponga
que los cambios en trminos absolutos de los tipos a dichos vencimientos en el
horizonte de 10 dias sigue una distribucin Normal bivariante con esperanza
nula = (0; 0); correlacin 0,9 y volatilidades anuales de 100 puntos basicos
para la variacin a 10 dias en el tipo a 1 ao y de 80 puntos bsicos para la
variacin en el tipo a 2 aos. R: 4.989 euros.
En mercados desarrollados la rentabilidad de una cartera de renta ja se
mide en trminos de variaciones de tipos, en puntos bsicos, no en trminos relativos. En mercados emergentes los tipos de inters pueden ser extremadamente
altos y voltiles, y sus volatilidades son tan elevadas que se citan en trminos
porcentuales. Trabajando con datos de dichos mercados, o bien se ajustan las
estimaciones de las PV01 para que reejen sensibilidades ante variaciones porcentuales en los tipos de inters, o hay que ajustar la matriz de covarianzas
para expresarla en puntos bsicos. En el Ejercicio [EIV.2.2] se propone esta
transformacin.
Ejercicio [EIV.2.2] Considere dos tipos de inters con correlacin de 0,9.
Uno de ellos est en el 10% con volatilidad del 30%, mientras el segundo est
en 8% con volatilidad de 25% cul es su matriz de covarianzas en puntos
bsicos? Respuesta: Una volatilidad 30% en un tipo de inters del 10% equivale
a una volatilidad de (0; 1)(0; 3) = 300 puntos bsicos, y la varianza anual sera
90.000. La varianza diaria sera 90:000=250 = 360:Siguiendo un argumento
P
P
90:000 54:000
similar llegamos a:
=
o, en trminos diarios:
=
54:000 40:000
360 216
:
216 160

4.4

Descomposicin del VaR en carteras de renta ja

Los ejercicios [EIV.2.3] y [EIV.2.4] proporcionan aspectos de la gestin de riesgos

en un contexto general. En EIV.2.3, la cartera consta de dos cash-ows y
se utilizan los tipos de inters a ambos vencimientos como factores de riesgo.
Conociendo las volatilidades de los tipos de inters en los vrtices, hemos de
calcular la volatilidad de la cartera, 0
y, con ella, calcular el VaR
Ejercicio [EIV.2.4] Consider a cash ow with sensitivities: PV01(1-year)=$1000,
PV01(2-year)=$1500, PV01(3-year)=$2000. Suppose the interest rates at maturities 1, 2 and 3 years have daily volatilities of 75, 60 and 50 basis points,
and correlations of 0.95 (1yr,2yr), 0.9 (1yr,3yr) and 0.975 (2yr,3yr). Find the
1 3 Por ejemplo, un bono cupn cero a un ao, nominal 100, con tipo de inters 6,15% tendra
precio 94,2063. Un bono similar con tipo de inters 6,17% tendra precio 94,1886. El tipo de
inters habra variado en 2 p.b., mientras que el precio del bono habra descendido 0,0177, un
0,0188%, aproximadamente 0,02%.

55

1% 10-day normal linear VaR. Now assume that interest rates are 4.0%, 4.5%
and 5.0% at the 1-year, 2-year and 3-year vertices and suppose that a trader
considers entering into a swap with the following cash ow: ($3million at 1year, -$3million at 2-year, -$0.25 at 3-year). What is the incremental VaR of
the trade? R: $120.970; -$6.693.
Este ejercicio requiere el clculo del VaR incremental si se entra en una
inversin en un swap. Algunos de los vencimientos de la nueva inversin pueden
coincidir con los ya comprendidos en la cartera actualmente existente. El VaR
incremental se obtiene multiplicando el vector PV01 de la nueva inversin, por
el vector gradiente del VaR de la inversin ya existente, que pretendemos modicar. Cada elemento de dicho producto es un VaR incremental, correspondiente
a cada uno de los vencimientos.
En este ejercicio se considera esa nica inversin alternativa a la ya existente,
es decir, una modicacin de nuestra cartera. Si se quiere comparar varias de
tales inversiones posibles entre s, conviene normalizar los VaR incrementales,
pues su valor numrico depende de la magnitud de los cash ow de cada operacin, con lo que hablaramos del VaR incremental por unidad de cash-ow
invertida. Para ello, podemos dividir cada PV01 por la suma de los valores de
todos los PV01 que aparecen en el vector de sensibilidades de la inversin, o
dividir cada PV01 por la raiz cuadrada de la suma de los cuadrados de todos
los PV01.
El ejercicio [EIV.2.5] analiza el VaR Normal lineal en una exposicin a dos
curvas de tipos, y calcula el VaR marginal de cada curva. Se trata de una
cartera de deuda invertida en Estados Unidos y el Reino Unido.
El ejercicio [EIV.2.6] considera una cartera de deuda corporativa de rating
A. Se descompone cada tipo de inters utilizado como factor (vrtice del mapping) en dos componentes: un tipo LIBOR y el spread de crdito, y descompone
el VaR en los componentes debidos al riesgo LIBOR y al riesgo de crdito. Las
posiciones, en trminos del PV01 en cada vrtice, son iguales para el LIBOR y
para el spread de crdito. Se supone que slo se conocen varianzas y correlaciones para los spread de crdito a 1 y 5 aos, los ms negociados, asi que para
los restantes vencimientos (vrtices) hay que calcularlos por interpolacin:
s
(i 1) 25 + (5 i) 21
i =
5 1
Como conocemos las correlaciones entre los spread de crdito a 1 y 5 aos y
cada tipo LIBOR, podemos interpolar las restantes correlaciones entre spreads
de crdito y tipos LIBOR mediante:
s
(i 1) 25k + (5 i) 21k
=
ik
5 1
donde ik denota la correlacin entre el spread de crdito a vencimiento i
aos, y el tipo LIBOR a k aos. We use linear interpolation of squared correlation in this matrix, assuming the correlations that we interpolate between have
56

the same sign. Note that linear interpolation would give a singular correlation
matrix.
Para estimar las correlaciones entre los spread de crdito a distinto vencimiento,
primero interpolamos para obtener las correlaciones con el spread de crdito a
1 ao, i1 ; sabiendo que 51 = 0; 90:
s
s
(i 1) 251 + (5 i) 211
(i 1) 251 + (5 i)
=
i1 =
5 1
5 1
luego, interpolamos para calcular las correlaciones entre el spread de crdito
a 5 aos y los restantes vencimientos de esta misma variable (la correlacin con
el spread a 1 ao es conocida: 0,90):
s
s
(i 1) 255 + (5 i) 251
(i 1) 255 + (5 i)
=
5i =
5 1
5 1
y, posteriormente, interpolamos para estimar las correlaciones con los restantes
vencimientos:

i>k)

ik

(i

k)

2
5i

+ (5
5 k

i)

2
ii

(i

k)

2
5i

+ (5
k

i)

A partir de aqu, podemos calcular el gradiente del V aR y los stand-alone

VaR (respecto del LIBOR y respecto del riesgo de crdito), asi como los VaR
marginales respecto de ambos factores.
Si descomponemos el tipo de inters en cada vrtice:
rq (t; T ) = r(t; T ) + sq (t; T )
donde rq denota el tipo correspondiente a un credit rating q; r(t; T ) es el
tipo LIBOR en t a vencimiento T; y sq es el spread de crdito a ese nivel de
rating. En trminos de varianzas:
V (rq (t; T )) = V (r(t; T )) + V (sq (t; T )) + 2Cov (r(t; T ); sq (t; T ))
El ejercicio [EIV.2.7], en el archivo Case Study PC VaR.xls, explica como
utilizar un mapping the cash-ows para disear escenarios de tipos de inters.
Se quiere estimar el efecto que sobre el valor de una cartera tendria una elevacin
paralela de la curva de tipos, as como un cambio de pendiente, lo cual se puede
calcular utilizando los PV01 de cada vencimiento y aplicando las supuestas
variaciones en cada uno de dichos vencimientos.
En el ejercicio [EIV.2.8], en Case Study PC VaR.xls, se calcula el VaR de una
cartera de renta ja, mapeada (proyectada) sobre unos determinados vrtices.
Se resuelve mediante la forma cuadrtica que tiene el vector de PV01 a los
distintos vrtices y la matriz de varianzas y covarianzas de los tipos de inters
a dichos vrtices.
57

4.5

Combinando cash-ow mapping con anlisis de Componentes Principales

Si adoptamos la estrategia de utilizar componentes principales de la estructura

temporal como factores de riesgo, una vez seleccionado el nmero k de los mismos que vamos a utilizar, la representacin de las variaciones Rt en los n
tipos de inters que afectan a una cartera, puede expresarse:
Rt
T xn

CP st (W )
T xk

nxk

donde CP st es el vector columna formado por los k primeros componentes

principales, y W es la matriz nxk de pesos (loadings).
La varianza de las variaciones diarias en tipos de inters cupn cero se aproxima entonces:
V ar( Rt ) = V ar(CP s W 0 ) = W V ar(CP s )W

=W

donde
denota la matriz diagonal formada con los autovalores asociados
a los componentes principales seleccionados (recordemos que dichos autovalores
son las varianzas de cada componente principal). W es una matriz que tiene
por columnas los autovectores corespondientes, ordenados con el mismo criterio
que los autovalores.
Para cada tipo de inters tendriamos:
V ar( Rit ) =

3
X

2
ij j

j=1

siendo ( i1 ; i2 ; i3 ) el vector que permite aproximar Rit en funcin de

los tres componentes principales escogidos (suponiendo que hayamos decidido
tomar los tres primeros componentes principales).
Por tanto, si P V 01 es el vector nx1 formado por el Valor Presente de 1 p.b.
de cada uno de los tipos de inters, tendramos para el valor de mercado de la
cartera:
V ar( Pt ) = (P V 01)0 V ar( Rt )(P V 01) = (W

)0

kxk

(W

kxn nx1

) = S0

donde denota el vector P V 01; nx1; y S = W 0 ; kx1; son las sensibilidades

que habitualmente calculamos para una secuencia de ujos de caja respecto de
los k factores.
Dada la estructura diagonal de la matriz
tenemos nalmente, en el caso
de utilizar Componentes Principales como factores:
V ar( Pt ) =

3
X
j=1

58

Sj2

siendo Sj la sensibilidad de la secuencia de ujos de caja respecto de cada

componente principal. Ntese que hemos reducido un vector de sensibilidades
de dimensin n a un vector de sensibilidades de dimensin k; donde n puede
ser del orden de 50, mientras que k se reduce generalmente tan slo a 3 4.
Esta es una expresin similar a la que obtuvimos para V ar( Rit ) pero ahora la
sensibilidad a cada factor, Sj ; es el producto de una matriz nxk de pesos (W )
por el vector nx1 formado por los P V 01 de cada tipo de inters.
El VaR de la cartera de renta ja basado en el anlisis de Componentes
Principales es:
p
p
1
1
(1 p) 0 W W 0
P C V aRh;p =
(1 p) S 0 S =
El ejercicio [EIV.2.9], en Case Study PC VaR.xls, describe el uso de los
componentes principales obtenidos para la estructura temporal de tipos de inters, como factores de riesgo. Primero se estiman las sensibilidades de la
secuencia de cash-ows respecto de los tres componentes principales escogidos,
P3 y 2luego se calcula
P3 la2 varianza de la secuencia de cash-ows mediante
i=1 i V ar(pi ) =
i=1 i i y, posteriormente, se calcula el VaR de la cartera
en el ejercicio [EIV.2.10], en Case Study PC VaR.xls. El resultado se compara
con el clculo exacto de [EIV.2.8 ].
Otra de las grandes ventajas del uso de los componentes principales como
factores de riesgo es su simplicidad en el diseo de escenarios de tipos de inters
que permitan llevar a cabo un anlisis de stress testing, entre otras cosas.

4.6

Gestin de un fondo de renta ja

Una situacin en la que el uso de factores es especialmente til, es cuando

gestionamos un fondo de renta ja. Para ello, hemos de formar predicciones del
precio de cada bono que negocia en el mercado para el trmino del horizonte de
gestin, T + h. De este modo, podramos tomar posiciones largas en T (hoy) en
aquellos bonos cuyo precio esperamos que en T + h sea ms elevado que hoy, y
posiciones cortas en caso contrario. O podramos elaborar una regla de trading
que consistiese en tomar posiciones largas cuando esperamos que el bono se
revalorice ms de un %, y posiciones cortas cuando esperamos que su precio
descienda en ms de un %: El procedimiento que proponemos es una extensin
del mtodo descrito al nal del ejercicio emprico de la seccin 5.
Para predecir en T el precio de un bono en T + h necesitamos predecir los
factores descuento aplicables a los ujos de caja que en T + h estarn pendientes
de pago. Estos pueden ser un nmero muy elevado, por lo que en general
ser impracticable mantener modelos predictivos para cada uno de dichos tipos
de inters y se har conveniente utilizar modelos factoriales. Si optamos por
aplicar un modelo factorial a este clculo, deberemos comenzar por identicar
los factores.
Para ello, en una primera etapa, a partir de una estructura temporal, identicamos los factores a utilizar. La estructura temporal viene dada por un
conjunto de tipos de inters cupn cero a vencimento estndar. Podra tratarse

59

de tipos cupn cero, mes a mes, desde un mes a 60 meses (5 aos), si nuestros
activos tienen todos los ujos de caja por debajo de ese plazo, o de tipos cupn
cero ao a ao, desde 1 ao hasta 30 aos, o incluos ms lejanos. Estas series
estan disponibles en las Web del Bank of England y del Federal Reserve System. Para caracterizar los factores podemos seguir un mtodo de Componentes
Principales, o un mtodo de regresin. El primero nos vendr a decir que con
3 componentes principales, interpretables como el nivel general de tipos de inters, la pendiente y la curvatura de la estructura temporal, podemos explicar
un porcentaje muy elevado de la uctuacin a lo largo de toda la curva. Adems,
tendramos la representacin de los tipos cupn cero en funcin de los factores,
que son componentes principales en este caso:
rit =

0i

1i CP1t

2i CP2t

3i CP3t

+ uit

(10)

estimando de esta forma una matriz B , nx3; de sensibilidades, siendo n el

nmero de tipos cupn cero de los que partimos.
En una segunda etapa, estimamos un modelo polinmico para explicar el
n-vector de sensibilidades respecto de un determinado factor, por ejemplo, los
1i ; i = 1; 2; :::; n, en funcin del plazo,mi : Hariamos lo mismo con los trminos
constantes, 0i : As tendramos por ejemplo:

1i

1
0

1
1 (ln mi )

1
2
2 (ln mi )

1
3
3 (ln mi )

1
4
4 (ln mi )

+ ui

Una vez estimados estos coecientes, tendriamos con ellos una matriz 4x5 :
0 0
0
0
0
0 1
B
A=B
@

0
1
0
2
0
3
0

1
1
1
2
1
3
1

2
1
2
2
2
3
2

3
1
3
2
3
3
3

4
1
4
2
4
3
4

C
C
A

En la tercera etapa, dado un factor descuento dh , a un plazo h, dh = (1+r0h );

siendo r0h el tipo cupn cero a plazo h; llevamos a cabo la interpolacin:
0
1
0
1
1
0h
B ln h C
B
C B 1h C
2 C
B
C
ah = A B
B (ln h)3 C = @ 2h A
@ (ln h) A
3h
(ln h)4
que llevados a la ecuacin (10) nos permiten generar un escenario para el
tipo cupn cero:
r0h = ^ 0h + ^ 1h CP1t + ^ 2h CP2t + ^ 3h CP3t + uh;t ; t = T + 1; :::; T + h
y, nalmente, para el factor descuento:

60

dht =

1
(1 + r0h )h

si el plazo es superior a un ao, o:

dht =

1
(1 + hr0h )h

si es inferior a un ao.
Una alternativa a la puesta en prctica de un procedimiento no lineal de
interpolacin como el descrito consistira en "mapear" o proyectar la secuencia
de ujos de caja cuyo riesgo estamos tratando de valorar en unos vencimientos
estndar, denominados "vrtices". Estos se pueden hacer por distintos procedimientos. Cada uno de ellos tratar de cambiar la secuencia de ujos de caja,
cuyas fechas de ingreso o pago estarn en T + h a distancias temporales generalmente atpicas (382 das, 1423 das, etc.), en una secuencia de ujos de caja
en cuantas distintas, pero todos ellos a pagar o cobrar en fechas estndar, coincidentes con los vencimientos para los que disponemos de tipos cupn cero en
la estructura temporal de la que hemos partido. Este cambio de ujos de caja
se hace de modo que determinadas propiedades de la secuencia de ujos de caja
permanezcan inalteradas, como su duracin, su valor presente, etc..

El modelo lineal Normal de VaR para carteras

de renta variable

Si tenemos una cartera construida con n valores de renta

p variable, con pesos w,
la volatilidad de la rentabilidad de la cartera es: = w0 V w donde V denota
la matriz de varianzas y covarianzas del conjunto de rentabilidades de las n
acciones.
Para horizontes de riesgo cortos, como suele ser el caso en este contexto,
podemos ignorar la diferencia entre la rentabilidad esperada de la cartera y la
tasa de descuento, y calcular el VaR:
r
h
1
V aRh;p =
P
(1 p)
250
expresion a la que, para horizontes largos, puede incorporarse la correccin
debida a la diferencia entre la rentabilidad de la cartera y el tipo de inters sin
riesgo, restando del clculo anterior la rentabilidad esperada.
As, en el caso general, para aplicar la expresin del VaR Normal bajo linealidad a un horizonte de h periodos, suponiendo que el vector de rentabilidades
de los factores de riesgo sigue una distribucin Normal multivariante y dichas
rentabilidades son i.,i.d., tenemos que predecir tanto el vector de rentabilidades
xh en exceso; como su matriz de covarianzas Vh , y calcular:
p
1
V aRh;p =
(1 p) w0 Vh w w0 E(xh )
61

Ejercicio: El Ejercicio [EIV.2.11] hace este tipo de clculos incluyendo y

omitiendo la rentabilidad esperada de la cartera. Se observa que si se calcula el
VaR teniendo en cuenta el ajuste por rentabilidad esperada (como debe hacerse),
se obtiene un VaR 1% a 10 dias que es inferior en un 5% al que se obtendra
ignorando este ajuste (259.765 euros frente a 273.738 euros). La diferencia no es
demasiado importante por el reducido horizonte de inversin. Por el contrario,
en el clculo del VaR 1% a 1 ao la diferencia entre ambas estimaciones del
VaR es de un 24% (1.051.530,5 euros frente a 1.384.864 euros). Tan elevada
diferencia se debe a que la rentabilidad esperada de la cartera es apreciable, de
un 5,5% (calcularla con los datos del ejercicio).
Si, incorrectamente, ignorasemos el valor temporal del dinero y calculsemos
el VaR sobre rentabilidades no descontadas, tendriamos un VaR 1% a 10 dias de
260.272,4 euros, frente a los 259.765 mencionados, una diferencia poco relevante.
Por el contrario, sin el descuento tendramos un VaR a 1 ao de 1.104.107 euros,
frente a los 1.051.530,5 euros mencionados, sobreestimando el VaR en un 5%,
una cantidad muy relevante.
Vemos por tanto, una vez ms, que tanto la rentabilidad esperada como el
valor temporal del dinero juegan un papel muy importante en el clclulo del VaR
sobre horizontes largos, mientas que sobre horizontes cortos, pueden ignorarse
como aproximacin sin incurrir en un error apreciable.
Ejercicio: El ejercicio [EIV.2.12] descompone el VaR de una cartera domstica de acciones enVaR sistemtico y VaR especco. Por un lado, se calcula
la volatilidad de la cartera y, por otro, la volatilidad explicada por los factores:
0
; siendo
la matriz de covarianzas de los factores. Con ellos, se puede
calcular el VaR total y el VaR debido a los factores, respectivamente. El VaR
residual es la raiz cuadrada de la diferencia de los cuadrados de ambos VaR.
Para este tipo de clculos, puede ser preferible la estimacin de unas sensibilidades (betas) mediante EWMA, de modo que sean sensibles a la situacin
actual de riesgo, en vez del clculo habitual de las betas por MCO.
5.0.1

VaR factorial para carteras de acciones, bajo Normalidad

Supongamos un nico factor, cuya rentabilidad en exceso se distribuye en el

horizonte de los prximos h dias segn una N ( h ; 2h ): Si el modelo factorial de
nuestra cartera es:
Yt =

+ X t + "t

(11)

La rentabilidad en exceso de la cartera tendr tambien distribucin Normal,

con esperanza: + h ; y desviacin tpica h :Como el alpha de la cartera es un
elemento idiosincrtico del mismo, no entra en el clculo del riesgo sistemtico;
por el contrario, se contabiliza como riesgo especco de la cartera. El riesgo
sistemtico de la cartera, que es el debido al factor equity, tendr tambien
distribucin Normal, con esperanza:
h , y tenemos:
h ; y desviacin tpica
p = P [Ys < yhp ] = P [ Xt < yhp ] = P

Xt

h
h

62

<

yhp

h
h

de modo que:
yhp

(p) ) V aRhp =

(1

p)

(Ntese que hemos hecho la transformacin habitual al pasar del percentil p

al V aR):
Ejercicio: [EIV.1.7]). A portfolio contains cash positions on two stocks: $1
million is invested in a stock with a beta of 1.2, and $2 million is invested in
a stock with a beta of 0.8 with respect to a broad market index. If the excess
returns on the index are i., i.d., and normally distributed with expectation 5%
and volatility 20% per annum, what is the 1% 10-day VaR of the portfolio? La
beta nominal de la cartera es: $1(1,2)+$2(0,8)=$2,8 m. La p
volatilidad de la
rentabilidad en exceso sobre el horizonte de 10 dias es: = 0; 2 10=250 = 0; 04
4%; y la rentabilidad en exceso: = (0,05)(10/250)=0,02 2%. El VaR es:
($2,8m.)[(2,326)(0,04)-0,02] = $254.951.
Ejemplo (Pea): Considere una cartera de 100 millones de euros invertida a
partes iguales en BBVA, Santander y Telefonica. Sus volatilidades anualizadas
son 29,41%, 28,16% y 32,94%, respectivamente. La matriz de correlaciones
entre las rentabilidades es:
0
1
1
A
1
M = @ 0; 64
0; 33 0; 57 1
Calcule los VaR 95% a un mes de cada accin (R:4,66%, 4,47%, 5,23%) y el
VaR de la cartera (R:11,77%). Calcule el VaR de la cartera utilizando las betas
de las acciones, que son 0,81, 1,18 y 1,86, respectivamente, y la volatilidad
del ndice, que es 11,85% (R:7,31%). Por qu es inferior al VaR calculado
directamente? Indicacin: Para resolver la ltima parte debe calcular la beta
de la cartera, como promedio ponderado de las betas de las acciones que la
componen, utilizando como pesos las posiciones relativas de la cartera en cada
accin.
A partir del modelo unifactorial (11), tenemos:
V (Yt )
2
Y

2
=
V (Xt ) + V ("t ) + 2Cov(Xt ; "t ) )
= ( X + " )2 2(1
) X "

donde
tanto:

2
Y

2 2
X

2
"

+2

"

denota la correlacin entre el factor y la rentabilidad residual. Por

[V olatilidad total]2

[V olatilidad de mercado + volatilidad residual]2

2(1
)[V olatilidad de mercado][V olatilidad residual]

pero como en el modelo Normal lineal, sin ajuste en media, el VaR se comporta como lo hace la volatilidad, tenemos una descomposicin similar para el
VaR, que es vlida para horizontes de inversin cortos:
63

[V aR total]2 = [V aR sistematico+V aR espec{f ico]2 2(1

)[V aR sistematico[V aR espec{f ico]

(12)
Esta expresin muestra que el VaR total es igual a la suma de los VaR
especco y sistemtico unicamente si ambos estn perfecta y positivamente
correlacionados, lo que no suceder con frecuencia. Al contrario, a veces se
arma que los factores explican tan bien la evolucin de la cartera que = 0:
Si esto sucede realmente, entonces el VaR total es la raiz cuadrada de la suma
de cuadrados de los VaR sistemtico y especco.
En los dems casos, con entre 0 y 1, el VaR total ser inferior a la suma
de los VaR sistemtico y especco,14 lo que se debe a la sub-aditividad del
modelo lineal paramtrico, que es una condicin necesaria para que una medida
de riesgo sea coherente. Esto implica que el riesgo de invertir en una cartera
no es superior al riesgo que resulta de una inversin de tamao equivalente
en cada uno de los valores que integran la cartera, lo que est relacionado
con el efecto de diversicacin de una cartera. La volatilidad de una cartera
no es nunca superior a la volatilidad de una inversin anloga en uno de los
activos de la cartera, y la volatilidad de la cartera disminuye segn aumentan
las correlaciones entre los activos constituyentes. Por tanto, para reducir el
riesgo (medido por la volatilidad) los inversores tienen incentivo a diversicar su
cartera. La subaditividad es un aspecto similar a la diversicacin, desagregando
la volatilidad de la cartera en sus componentes sistemtico y especco.
El riesgo especco Normal lineal de una cartera de accciones puede calcularse de tres modos distintos:
utilizando los residuos de la estimacin del modelo factorial y calcular el
VaR especco directamente con la varianza residual
calculando el VaR Normal lineal utilizando la varianza de la rentabilidad
de la cartera.
p 0 Calcular el VaR sistemtico mediante V aRsistematico =
1
y, posteriormente, calcular el VaR especco utilizando
(1 p)
12 [EIV.2.13]
utilizando una regla estandarizada, como por ejemplo, jando el riesgo
especco en el 8% del valor de la cartera.
1 4 Si

hacemos
= 0 en: V aR total2 = (V aR sistematico + V aR espec{f ico)2
2(1
)(V aR sistematico)(V aR espec{f ico), tenemos:
V aR
total2
=
(V aR
sistematico2 + V aR
espec{f ico2 ) +
2(V aR sistematico)(V aR espec{f ico) 2(V aR sistematico)(V aR espec{f ico) =
=V aR sistematico2 + V aR espec{f ico2 :
En los dems casos,
V aR
total2
=
(V aR
sistematico + V aR
espec{f ico)2
2(1
)(V aR sistematico)(V aR espec{f ico)<
<(V aR sistematico + V aR espec{f ico)2 ; por lo que V aR total < V aR sistematico +
V aR espec{f ico

64

Si se utiliza MCO para estimar la matriz de covarianzas y las betas, los

dos primeros procedimientos proporcionan el mismo resultado. Pero MCO no
es necesariamente el mejor mtodo, al representar estimaciones promedio sobre
todo el horizonte temporal considerado. Si se utiliza EWMA para estimar las
betas, entonces deberia utilizarse el segundo procedimiento. No es conveniente
mezclar metodologas, por ejemplo utilizando MCO para estimar la matriz de
covarianzas, y EWMA para estimar las betas. El enfoque EWMA genera estimaciones ms sensibles al riesgo actual y a variaciones en el mismo, lo que ser
generalmente preferible.
El ejercicio [EIV.2.13] desagrega el VaR de una cartera de acciones en sus
componentes sistemtico y especico. La Figura IV.2.5 representa la estimacin
del VaR especco utilizando betas calculadas mediante un esquema EWMA.

40%

35%

Total VAR
Systematic VaR

30%

Specific VaR

25%

20%

15%

10%

5%

0%
00
Jan

5.0.2

00
Jul

01
Jan

01
Jul

02
Jan

02
Jul

03
Jan

03
Jul

04
Jan

04
Jul

05
Jan

05
Jul

06
Jan

06
Jul

07
Jan

07
Jul

Componentes sistemtico e idiosincrtico del VaR de una cartera

de acciones

En esta secin describimos, en una serie de ejemplos, cmo descomponer el riesgo

sistemtico en los VaR Componentes (stand-alone VaR) y los VaR marginales.
A lo largo de los ejemplos, consideraremos diversas fuentes de riesgo.
Supongamos que tenemos una cartera de acciones en un mercado extranjero,
en el que consideramos un nico factor de riesgo, que pudiera ser el ndice de
dicho mercado. Tenemos adems el tipo de cambio como un factor de riesgo
adicional, con una sensibilidad exactamente igual a la posicin que tengamos
en la divisa extranjera. Queremos descomponer el VaR sistemtico en sus componentes de Equity(acciones) y Forex (tipos de cambio). Suponemos por sim-

65

plicidad que: 1) tanto el tipo de inters domstico como el extranjero son cero,
2) la rentabilidad esperada descontada de la cartera sobre el horizonte de riesgo
es despreciable, y unicamente necesitamos considerar en el clculo del VaR sistemtico la matriz de covarianzas de los factores de riesgo. Denotamos por Rh
~ h la rentabilidad de la cartera en la divisa,
la rentabilidad en divisa domstica, R
y Xh la rentabilidad del tipo de cambio en el perodo de h dias. La rentabilidad
en divisa domstica es:
~ h + Xh = Yh + Xh
Rh = R
donde Yh denota la rentabilidad logartmica del factor extranjero (ndice de
mercado) durante h dias. Por tanto,

=
V aR sistematicoh;p

2 2
Yh

2
Xh

Yh

2
Yh

( 1)

Yh
1

+2

(1

p)

(1

p)

Yh ;

Xh

( 1)

Yh Xh
2
Xh

Xh

(13)
=

(14)

y sus componentes:
Equity V aRh;p =

F orex V aR =

(1

p)

Xh

por lo que la expresin 13 puede escribirse:

2
h

=(

Yh

2
Xh )

2 (1

es decir, multiplicando por el cuadrado de

)
1

(1

Yh

Xh

p):

[V aR sistematico total]2 = [V aR equity+V aR f orex]2 2(1

)[V aR equity][V aR f orex]

de modo que
V aR sistematico total

V aR equity + V aR f orex

con igualdad si y solo si = 1: Si la correlacin quanto (correlacin entre

acciones y tipo de cambio) es negativa y elevada, el VaR sistemtico podra ser
menor que ambos componentes, el VaR equity y el VaR forex, como sucede en
[EIV.2.14] para correlaciones negativas elevadas. En dicho ejercicio se desarrolla
un ejemplo llevando a cabo los clculos aqui explicados.

66

5.0.3

Descomposicin en componentes marginales

Ya vimos que en el modelo paramtrico lineal, el vector gradiente del VaR puede
escribirse:
1

(1
p

g( ) =

p)
0

por lo que la descomposicin en VaR marginales se obtiene de:

p
0
1
g( ) =
(1 p) 0 h

En [EIV.2.14] se realiza este ejercicio. Hay dos factores de riesgo: Equity

y Forex. La varianza de la cartera se calcula utilizando las betas respecto de
los dos factores y las volatilidades de estos, lo que nos permite calcular el VaR
total de los factores, o VaR sistemtico total. Se dice "total" porque es el
VaR de ambos factores, utilizados simultneamente, no sumando sus efectos
individuales. Si utilizamos la desviacin tipica de cada factor y la beta de la
cartera, calculamos el VaR sistemtico de cada factor. Para el clculo de los
VaR marginales, el gradiente se calcula por la expresin que hemos dado arriba,
donde el vector son las betas sobre los dos factores. Si se utiliza cada elemento
del gradiente con la beta correspondiente, se obtiene el VaR marginal de cada
factor. Como siempre, la suma de los VaR marginales es el VaR total de la
cartera.
En [EIV.2.15] se analiza el VaR cuando una cartera est expuesta a varias
divisas y se utiliza un indice general de mercado como factor de riesgo en cada
pas, teniendo en cuenta que:
0

0
E

Eh E

0
X

0
0
E ; X );

Xh X

+2

0
E

EXh X

donde = (
siendo estas los vectores de sensibilidades de la cartera
a los factores de riesgo en Equity y Forex, mientras que EXh es la matriz de
covarianzas quanto, que sera generalmente negativa en este ejemplo. Se trata de
la cartera de un fondo estadounidense, con posiciones en los mercados de renta
variable de Reino Unido, Francia y Alemania. En cada uno de ellos mantiene
una cartera, para las que considera un nico factor de riesgo, representado por
los indices del mercado respectivo: FTSE100, CAC40 y DAX30. Hay 6 factores
de riesgo, siendo 4 de mercado y 2 de divisa (libra esterlina y euro). Primero
calculamos las betas netas de la cartera multiplicando la beta respecto de cada
factor por el nominal invertido en el mismo. Dadas las betas netas de la cartera,
y tomando distintas submatrices de la matriz de covarianzas de los 6 factores,
estimamos la varianza de la P&L debida a los 4 factores Equity, la debida a los
2 factores Forex, y la covarianza Quanto, que contiene las covarianzas entre un
indice de renta variable y una divisa. La suma de ambas varianzas, ms dos
veces la covarianza nos da la varianza total de la P &L. Al mismo resultado se
llega utilizando los 6 betas y la matriz completa de covarianzas de los factores.
Para el clculo de los VaR marginales, primero obtenemos el producto de la
matriz de covarianzas por el vector de betas. Luego, este vector se multiplica
67

1
por
(1 p) y se divide por la varianza total de la P &L: Los VaR marginales
se estiman multiplicando los componentes respectivos del vector gradiente por
las betas correspondientes.

5.0.4

VaR cuando hay exposicin a tipos de inters extranjeros

En el ejercicio [EIV.2.16] se calcula el VaR de la posicin de un inversor estadounidense que compra por 2 millones de US$ una posicin forward a 10 das
en libras esterlinas, cuando el tipo de inters del Tesoro a 10 dias es 5% y el tipo
de contado a 10 dias en UK es 4,5%. Estos tipos de inters tienen volatilidades
de 100 puntos bsicos (el tipo del Tesoro) y 80 puntos bsicos (el tipo UK) con
correlacin 0,90.
El inversor soporta un riesgo de tipos de inters debido a los cash ows de
+2 millones de US$ en el tipo UK y de -2 millones de US$ en el tipo de inters
de EEUU. Debe comenzarse calculando el valor presente de 1 pb. de cada cash
ow, para lo que se multiplica el valor nominal de cada cash-ow por el cambio
que se produce en el factor descuento ante un descenso de 1 pb. en el tipo de
inters correspondiente. As se obtiene el vector: PV01=(5,47; -5,46) en US$,
que se multiplica por la matriz de covarianzas a 10 dias, obteniendo un VaR de
tipos de inters de $114, que es sin duda muy reducido, como es habitualmente
el riesgo de tipos de inters. Slo se tendra un riesgo de cuanta apreciable si
el diferencial de tipos de inters fuese elevado y el plazo de la inversin fuese
largo.
5.0.5

Cobertura de una cartera en acciones extranjeras

En [EIV.2.17] se considera un inversor europeo que ha invertido 5 millones de

US$ en una cartera en S&P500, con una beta de 1,5 respecto del ndice de mercado. Su horizonte de gestin es de 3 meses. Para cubrir esa posicin comprada
en dlares vende 5 millones de dlares invirtiendo el importe y asumiendo el
riesgo del tipo de inters del euro a 3 meses. Para cubrir el riesgo Equity, vende
futuros sobre S&P500 con vencimiento a 3 meses, por 7,5 millones de dlares,
asumiendo el riesgo de dividendo correspondiente. Tiene, por tanto, una posicin vendida global por 12,5 millones de US$, sobre la que asume riesgo de tipo
de inters en dlares, a 3 meses.

6
6.0.6

VaR paramtrico bajo distribuciones de rentabilidad no Gaussianas

Contrastes de Normalidad: Jarque-Bera, Kolmogorov, QQplots

Analizamos en esta seccin distintos procedimientos para tratar situaciones en

que no podemos suponer que la distribucin de probabilidad de la variable
aleatoria que estamos analizando sea Normal. Un caso importante es aqul

68

en que las innovaciones de un proceso estimado se consideran no Normales.

Un situacin en que esto tendra importancia decisiva sera cuando queremos
simular dicho proceso para valorar un derivado que tenga como subyacente el
activo cuya rentabilidad se ha modelizado.
En tal situacin, la primera fase del problema es analizar, ya sea mediante
contrastes estadsticos formales o por procedimientos informales, si la variable
en cuestin tiene una distribucin Normal. Para ello, junto a los contrastes
de Normalidad habituales, del tipo Jarque-Bera, o contrastes no-paramtricos,
del tipo Kolmogorov-Smirnov o de Fisher, existen los gracos QQ (quantilequantile), en el que se representa los cuantiles de la muestra de una variable,
contra los cuantiles que se obtendran de una distribucin Normal.
Si se trabaja con rentabilidades, el contraste se aplicar generalmente a las
rentabilidades estandarizadas mediante un modelo de volatilidad previamente
estimado, siendo stas las que se comparan con una Normal(0,1). Esto se hace
porque la heterocedasticidad tan habitual en series temporales nancieras, especialmente en rentabilidades. Por tanto, se supone inicialmente su existencia,
estimando un modelo para la misma y corrigendo de dicho efecto, pues el QQplot contrasta el ajuste con una distribucin Normal de varianza constante (de
hecho, de varianza unitaria). Para ello, se ordena en orden creciente la muestra
y se establece la red de valores i , 0 < i T . A continuacin, el grco QQ se
obtiene representando el cuantil i T:5 de la distribucin de rentabilidades15 , en
1 i :5
ordenadas, contra
( T ); en abscisas, siendo
la funcin de distribucin
de una Normal estndar, o contra Tv 1 ( i T:5 ); en abscisas, siendo Tv la funcin
de distribucin de una t-Student con v grados de libertad.

6.1

VaR lineal bajo supuestos de t-Student.

La distribucin t-Student se utiliza para intentar recoger la leptocurtosis de los

datos de rentabilidades diarios. Para frecuencias ms bajas (periodos mas largos
de tiempo), esta tiende a desaparecer. Esto se debe a que si trabajamos con
rentabilidades logartmicas, la rentabilidad mensual es la suma de las rentabilidades diarias de ese mes, y el Teorema Central del Limite, nos dice que si las
rentabilidades diarias son i.i.d., su agregado tender a comportarse como una
Normal.
Debemos distinguir entre tres versiones de la distribucin t-Student. La
densidad t-Student estndar o habitual, que es la generalmente utilizada en
cursos de Estadstica, tiene esperanza matemtica igual a cero y varianza =(
2); siendo el nmero de grados de libertad. La distribucin t-Student habitual
tiene densidad:
1
f (x) = p

+1
2

1+

x2

+1
2

1 5 El cuantil % de una distribucin de probabilidad es el valor numrico del soporte de dicha

distribucin que deja a su izquierda una probabilidad menor o igual a %: En distribuciones
con componentes discretos, tal denicin puede estar sujerta a ambiguedades.

69

con esperanza igual a 0, varianza igual a =(

2); y asimetra igual a cero.
Su varianza no est denida si < 2:Su exceso de curtosis es nito para > 4:
= 6 4 : Denotamos: X t :
La distribucin t-Student estandarizada, que denotaremos T (0; 1), tiene esperanza 0 y varianza 1. Se obtiene a partir de q
una distribucin t-Student habit2

ual mediante la estandarizacion: Y = X= =

X: Recordando que ante un

1
cambio de variable, la nueva funcin
q de densidad es: g(y) = f (x(y)):(dy=dx) ,
2
y como en este caso: dy=dx =
, tenemos la funcin de densidad de la
t-Student estandarizada:

f (y) = p

+1
2

2)

+1
2

y2

1+

que debe utilizarse con rentabilidades estandarizadas, al tener varianza igual

a 1. Denotamos en este caso: X
t (0; 1): Debe notarse que hay toda una
familia de distribuciones t-Student estandarizadas, que dieren en su nmero
de grados de libertad , y que se aproximan a la distribucin N (0; 1) al aumentar
:
Si se utiliza este modelo para calcular el VaR de una distribucin, una vez
estimado el VaR, se deshace la estandarizacin multiplicando el VaR por la
desviacin tipica de las rentabilidades ajustadas de volatilidad y sumando su
media.
Por ltimo, la distribucin t-Student generalizada, tiene esperanza y varianza 2 . Podemos pensar acerca de esta distribucin como la resultante de
hacer un cambio de variable sobre una distribucin t-Student estandarizada del
tipo: Z = Y + , por lo que su funcin de densidad resulta:

f (z) =

1
(

2)

+1
2

1+

z
2

+1
2

con esperanza ; varianza 2 ; asimetria 0 y exceso de curtosis: 6=(

4)
(ver pestaa Ex_II.4.5 en Examples II.4, de Alexander ). Al igual que sucede
con la distribucin t de Student habitual, al aumentar el nmero de grados de
libertad, d , la distribucin converge a una Normal(0,1).
Los cuantiles de una distribucin se trasladan correctamente al aplicar transformaciones montonas: Si xp es el p-cuantil de X; y aplicamos la transformacin
Y = F (X); con F 0 > 0; entonces el p-cuantil de Y es: yp = F (xp ): Por tanto, si
t 1 (p) denota el p-cuantil de la distribucin t-Student p
habitual, el p-cuantil de
1(
2)t 1 (p): Por
la distribucin t-Student estandarizada es: t~ 1 (p) =
otra parte, por simetra, los cuantiles de la distribucin estndar satisfacen: t 1 (p) = t 1 (1 p) por lo que, aplicando un razonamiento similar al del caso
Normal, tenemos:
p
1(
2)t 1 (1 p)
V aRh;p t Student =
70

La distribucin t-Student no es una distribucin estable, de modo que la

suma de variables i., i.d., con esta distribucion no se distribuye t-Student. De
hecho, por el teorema central del limite, dicha suma tenderia a comportarse
como una Normal. Si el horizonte de riesgo, h; es reducido, podemos utilizar en
el clculod el VaR una expresin aproximada:
p
1(
2)ht 1 (1 p) h
V aRh;p t Student =
pero a partir de 10 dias, o incluso menos, si
es relativamente alto, la
aproximacin Normal puede ser suciente.
Si tenemos una cartera mapeada a factores de riesgo, con vector de sensibilidades , tenemos el VaR sistemtico:
V aRh;p t
donde
de riesgo y
6.1.1

Student sistematico =

1(

2)t

p
p)

(1

denota la matriz de covarianzas de las rentabilidades de los factores

es su rentabilidad esperada. [EIV.2.18], [EIV.2.19].

Estimacin de la densidad t de Student

Si modelizamos las rentabilidades como,

Rt =

t zt

con zt
t~(d); e ignoramos el hecho de que la serie temporal de varianzas
es una estimacin sujeta a error estadstico, podemos tratar el rendimiento estandarizado como una nica variable aleatoria. Comenzaramos con un modelo
de volatilidad para generar estimaciones de t ; y geenrar a partir de dicha serie
temporal la rentabilidad estandarizada: zt = Rt = t : Al tener zt una varianza
unitaria, podemos utilizar la distribucin t de Student estandarizada, y tenemos
la verosimilitud,

ln L1

T
X

ln ft~(d) (z; d) = T ln

t=1

1X
(Rt = t )
(1 + d) ln 1 +
2 t=1
d 2

d+1
2
!

ln

d
2

ln
2

ln

2
2

Este sera un procedimiento de Quasi-mxima Verosimilitud, al estimar

por separado los parmetros del modelo de varianza, que se utilizan para estandarizar las rentabilidades, y luego el parmetro de grados de libertad de la
funcin de densidad utilizando la verosimilitud anterior.
Si, por el contrario, queremos estimar el parmetro d simultneamente con
los parmetros de los modelos de varianza, debemos ajustar la distribucin para
tener en cuenta la varianza. Para ello, suponiendo que las rentabilidades tienen

71

esperanza nula, utilizariamos la distribucin t de Student estndar, ya que la

varianza no es unitaria, teniendo, para un valor d > 2:

ft(d) (Rt ; d) =

d
2

d+1
2

(d

2)

1+

2
t

1+d
2

Rt 2

1
2

2
t

d
2

y, por tanto, la funcin de verosimilitud,

ln L2 =

T
X

T
X
ln

ln ft~(d) (zt ; d) = ln L1

t=1

d+1
2

(d

2)

2
t

1+

2
t

t=1

Por ejemplo, supongamos que tratamos con un nico activo (quiz una
cartera de activos, cuyas ponderaciones se han mantenido constantes durante el
perodo muestral), cuya rentabilidad sigue un proceso GARCH(1,1) con asimetra,
del tipo:
2
t+1

= ! + (Rt

2
t)

2
t

2
t (zt

=!+

)2 +

2
t

El logaritmo de la funcin de verosimilitud, que se tratara de maximizar,

sera entonces:

ln L1

T
X

d+1
2

ln ft~(d) (z; d) = T ln

t=2

:5

T
X

2
t 1 (zt 1

ln ! +

)2 +

ln
2
t 1

d
2

ln
2

ln

2
2

:5(1 + d):

t=2

T
X
t=2

ln 1 +

Rt2

1
d

2!+

2 (z
t 1 t 1

)2 +

2
t 1

ignorando, en todo caso, la primera observacin. El algoritmo numrico de

clculo de la funcin de verosimilitud debe inicializarse con una eleccin para
1 ; para lo que puede utilizarse la varianza incondicional a lo largo del perodo
muestral, aunque esta puede ser una opcin discutible en algunos casos.
6.1.2

Estimacin del nmero de grados de libertad por el Mtodo

de Momentos

Teniendo en cuenta la expresin de la curtosis que antes vimos para la distribucin t de Student de una serie de rentabilidades estandarizadas, podemos
utilizar la lgica del mtodo de momentos para estimar el nmero de grados de
libertad de dicha distribucin mediante,
d=

6
+4
EC

72

1+d
2

zt2
d

; d > 2;

siendo EC el exceso de curtosis muestral.

Si trabajamos con rentabilidades sin estandarizar, podemos utilizar la expresin anterior del exceso de curtosis, pero tambin la expresin de la varianza,
que conduce a:
2

d=

1
y podra plantearse alguna estrategia para encontrar el valor de d que satisface con mayor aproximacin ambas ecuaciones.
6.1.3

QQ plots para distribuciones t de Student

Hemos visto que la distribucin t~(d) estandarizada puede obtenerse a partir de

la distribucin t(d) ordinaria mediante el cambio de variable:
r
x
d 2
z=
;
d
~
donde x sigue una distribucin t(d) ordinaria;
q y z sigue una distribucin t(d)
d
estandarizada, con ft~(d) (z; d) = ft(d) (z(x); d)
d 2:
Pero la relacin entre sus cuantiles es ms sencilla. El p-cuantil de la distribucin t de Student estandarizada es el valor numrico y denido mediante:
p = P ft~(d) (z; d) < y~
o, lo que es lo mismo, y~ = t~p 1 (d):Por simplicidad, en lo sucesivo, denotamos
1
1
(z(x); d)
(z; d); tp 1 (d) = ft(d);p
t~p (d) = ft~(d);p
Suponiendo que trabajamos con rentabilidades estandarizadas (por tanto,con
varianza unitaria), tenemos:
1

P t~p 1 (d) < y~ = P

tp 1 (d)

2
d

< y~

=P

tp 1 (d) < y~

d
d

= P tp 1 (d) < y ;

q
donde hemos denido: y = y~ d d 2 ; de modo que:
r
r
d
d
1
1
~
y = tp (d) = y~
= tp (d)
d 2
d 2
Por tanto, los cuantiles de la distribucin estandarizada t~(d) pueden calcularse, en funcin de los cuantiles anlogos
de las distribucin no estandarizada,
q
d 2
1
~
utilizando la relacin: tp (d) =
tp 1 (d), y el QQ-plot para juzgar la
d

~
adecuacin del ajuste proporcionado por una
q densidad t(d) puede construirse
1
d 2
tomando en abscisas los valores numricos
d t i :5 (d) y en ordenadas, las
T
rentabilidades estandarizadas, zi :
73

6.2

VaR lineal bajo mixturas de distribuciones

Las mixturas tratan de recoger diferentes regmenes de mercado, y son distribuciones que pueden generar asimetrias y curtosis importantes, lo que permite
ajustar rentabilidades cuyo nivel de curtosis no podra explicarse utilizando una
distribucin t-Student. Una mixtura de dos distribuciones Normales F1 ; F2;
viene denida por:
G(x) = F1 (x;

1;

2
1)

+ (1

)F2 (x;

2;

2
2 ); 0

<

<1

y diferenciando, tenemos una relacin similar entre sus funciones de densidad:

g(x) = f1 (x;

1;

2
1)

+ (1

)f2 (x;

2;

2
2 ); 0

<

<1

En realidad, las distribuciones no necesitan ser Normales, basta que sustituyamos 1 ; 21 por el vector de parmetros relevantes en cada caso.
En el caso de distribuciones Normales de media cero, sus momentos son:

sk

=
=
=

1
2
1

+ (1
+ (1

)
)

4
1 + (1
2 + (1
1

2
2
2

)
)

4
2
2 ]2
2

Si X denota la variable cuya distribucin es la mixtura, tenemos:

P (X < xp ) = G(xp ) = F1 (xp ;

2
1)

1;

+ (1

)F2 (xp ;

2;

2
2 ); 0

<

<1

Si denotamos por X1 ; X2 ; las variables que denen la mixtura, tenemos

asimismo:

Fi (xp ;

1;

2
1)

Xi

= P (Xi < xp ) = P

<

xp

=P

Yi <

xp

i
i

donde Yi = Xi i i tendr una distribucin N (0; 1) si F1 es Normal, o una

distribucin T (0; 1) si F1 es una distribucin t-Student. Por tanto, el VaR de la
mixtura es el valor numrico xp que resuelve la ecuacin:
p= P

Y1 <

xp

+ (1

)P

Y2 <

xp

2
2

cambiado de signo. El razonamiento se extiende sin dicultad a mixturas de

ms de dos distribuciones, aunque es raramente necesario utilizar ms de dos
distribuciones. Como es habitual, el VaR se expresa en porcentaje del valor de
la cartera si y son la esperanza y desviacin tpica de la distribucin de
74

rentabilidades, y se expresa en trminos nominales si se trata de la esperanza y

desviacin tpica de la variable de Prdidas y Ganancias.
La estimacin del modelo de mixturas puede hacerse por el algoritmo EM, o
por el Mtodo Generalizado de Momentos (GMM). Para aplicar este ltimo en el
caso de una mixtura de distribuciones Normales, hay que utilizar las expresiones
analiticas de los cuatro primeros momentos no centrales de la mixtura:

M1
M2

= E(X) =

m
X

i i

i=1
m
X

= E(X 2 ) =

2
i

2
i

i=1

M3

= E(X 3 ) =

m
X

2
i i

4
i

3
i

i=1

M4

= E(X 4 ) =

m
X

+6

2 2
i i

4
i

i=1

y la esperanza, varianza, asimetria y curtosis, en funcin de los mismos

resultan:

= E(X) = M1
= E (X
)2 = M2

M12

E (X

)3 =

M3

3M1 M2 + 2M13

E (X

)4 =

M4

4M1 M3 + 6M12 M2

3M14

El procedimiento GMM consiste en este caso en igualar los valores numricos

de los cuatro momentos muestrales ( ; 2 ; ; ) a las expresiones que arriba se
muestran, buscando los valores paramtricos que minimicen la distancia entre
ambos vectores. Primero se calculan los momentos respecto del origen en funcion de pre-estimaciones de los parmetros de la mixtura. Luego, se calculan
los momentos poblacionales en funcin de los momentos respecto del origen, y
se minimiza su distancia respecto de los momentos anlogos muestrales. Las
esperanzas y desviaciones tpicas estimadas se elevan al horizonte de riesgo que
se desea, y se calcula el VaR resolviendo la ecuacin implcita que antes vimos.
[EIV.2.20] parte de una mixtura de Normales estimada para calcular el VaR de
cada factor (stand-alone) bajo dicha mixtura. [Case Study I.5.4.4] [EIV.2.21] estima una mixtura por el Mtodo de Momentos y calcula el VaR resultante, comparandolo con el obtenido bajo supuestos de t-Student y de Normal. [EIV.2.22]
compara el VaR obtenido bajos supuestos de mixtura de Normales y mixtura de
t-Student.[EIV.2.23] analiza el efecto sobre el VaR del ajuste por autocorrelacin
de ls rentabilidades.
Supongamos ahora una situacin en la que tenemos una secuencia de cashows proyectada sobre dos factores, cada uno de los cuales sigue una mixtura
75

de Normales, posiblemente con un rgimen frecuente, de cierta estabilidad, en

el que se encuentra con probabilidad 1
i y un rgimen, menos frecuente, de
inestabilidad, en el que se encuentra con probabilidad i :
f1 (x1 ) =

1 f (x1 ;

11 ;

2
11 )

+ (1

1 )f (x1 ;

12 ;

2
12 ); 0

<

<1

f2 (x2 ) =

2 f (x2 ;

12 ;

2
21 )

+ (1

2 )f (x2 ;

22 ;

2
22 ); 0

<

<1

La densidad conjunta es una mixtura Normal bivariante de la forma:

f (x1 ; x2 ) =

1 (1

1 2 F (x1 ; x2 ;

2 )F (x1 ; x2 ;

3;

1;

3 ) + (1

1)

+ (1

1 )(1

1 ) 2 F (x1 ; x2 ;

2 )F (x1 ; x2 ;

4;

2;

4 ); 0

2 )+

<

1;

<1

con:

11

21

2
11
1 11 21
2
11
3 11 22

12

21

1 11 21
2
21

3 11 22
2
22

11

22

2
12
2 12 21
2
12
4 12 22

12
22

2 12 21
2
21

4 12 22
2
22

donde 1 representa las volatilidades y correlaciones en las colas de las dos

distribuciones, y 4 las volatilidades y correlaciones en la parte central (estable)
de ambas distribuciones. Las otras dos matrices representan volatilidades y correlaciones cuando un factor de riesgo est en la cola y el otro est en la parte
central de su distribucin. Los parmetros i ; i = 1; :::; 4 denotan las correlaciones en funcion de las regiones en que se encuentren ambas rentabilidades.
La cartera tiene como distribucin una mixtura de Normales con cuatro
componentes, y probabilidades de mezcla: = ( 1 2 ; (1
1 ) 2 ; 1 (1
2 ); (1
0
0
0
0
;
;
;
y
matrices
1 )(1
2 )):Los componentes tienen medias:
1
2
3
4
0
0
0
0
de covarianzas:
: Esta mixtura se puede estimar
1 ;
2 ;
3 ;
4
tratndola como una mixtura de cuatro distribuciones Normales. El ejercicio
[EIV.2.24] parte de una mixtura de este tipo, ya estimada, para calcular el
VaR. Anlisis VaR Normal lineal para carteras de futuros en commodities [Case
Study]

6.3

EWMA en el modelo lineal paramtrico de VaR

Ya hemos comentado en ocasiones anteriores la utilidad de un esquema EWMA

en el clculo de varianzas y covarianzas, especialmente para la gestin de riesgos
76

a corto y medio plazo. Por supuesto que los momentos as calculados pueden
utilizarse en el clculo del VaR. Una gran ventaja es que no se precisan series
temporales largas para utilizar EWMA. Otra ventaja es el mayor peso que
otrorga a las observacioens ms recientes.
La correlacin lineal puede calcularse dividiendo covarianzas por la raiz
cuadrada del producto de varianzas, si los tres momentos se han estimado mediante EWMA [Figure IV.2.15]. [EIV.2.25]
Riskmetrics utiliza esta metodologa. Riskmetrics calcula tres tipos de matrices de covarianzas:
Regulatoria: una matriz de covarianzas con iguales ponderaciones, basada
en los ltimos 250 das,
Matriz diaria: una matriz de covarianzas EWMA calculada utilizando
datos diarios con = 0:94
Matriz mensual : una matriz de covarianzas EWMA calculada utilizando
datos diarios con = 0:97 para todos sus elementos, y multiplicando el
resultado por 25.
En el ejercicio [EIV.2.26] se comparan los VaR resultantes de las dos primeras
opciones.

6.4

Expected tail loss (conditional VaR) bajo diferentes

distribuciones de probabilidad

La ETL se dene:
ET Lp (X) =

E (X j X < xp ) =

xp

xf (x)dx
1

Como se trata de una probabilidad condicional, hemos dividido el promedio

ponderado de los valores inferiores a xp ; por la probabilidad de que un valor de
X sea inferior a xp :
En el modelo normal lineal, sea X la rentabilidad aleatoria de una cartera
sobre un horizonte de h das. Si X N ( h ; 2h ); puede probarse que :
ET Lp (X) = p

'

(p)

h;

donde ' y denotan las funciones de densidad y distribucin de una variable

N (0; 1):[EIV.2.27]
En el modelo t-Student, puede probarse que:
ET Lp (X) =

1
p(

1)

2 + xp ( )2 ]f (xp ( ))

h;

donde f (xp ( )) denota la densidad de una t-Student estandarizada (esperanza=0, varianza=1) con grados de libertad y xp ( ) es el VaR de la mixtura,
cambiado de signo. [EIV.2.28]
77

Supongamos que la rentabilidad descontada de una cartera a lo largo de h

dias sigue una mixtura Normal G0 con esperanzas
Pn matemticas iguales a cero.
La funcin de densidad de la mixtura es:
i=1 i fi (x) donde cada fi (x) es
una densidad Normal con esperanza matemtica igual a cero y desviacin tpica
1
xp es el VaR 100p% a h dias, y:
ih :Tenemos: xp = G0 (p), de modo que

ET Lp (X) =

n
X

i=1

xp

xfi (x)dx = p
1

n
X

i ih '

1
ih xp

i=1

Supongamos ahora que la rentabilidad descontada siguiera una mixtura X

N M ( ; h ; 2h ), donde ; h ; 2h denotan el vector de probabilidades de mezcla
y los vectores de esperanzas matemticas (no nulas) y varianzas de cada
Pn componente de la mixtura. En este caso, el valor esperado de la mixtura es i=1 i ih
y tenemos:
ET Lp (X) =

n
X
i=1

xp

xfi (x)dx = p
1

n
X

ih '

1
ih xp

i=1

n
X

i ih

i=1

donde xp es el VaR 100p% a h dias obtenido bajo la mixtura Normal anloga

con esperanza cero. [EIV.2.29] [EIV.2.30].
Cuando la distribucin de rentabilidades es una mixtura de distribuciones
t-Student, puede probarse que

ET Lp (X) = p

n
X
i=1

1
i
i

2 + tip ( )2 ]f i (tip ( ))

ih

n
X

i ih

i=1

donde
denota el vector compuesto por los grados de libertad de cada
componente de la mixtura, tip ( ) = xp ( ) i 1 ( i 2) ih1 ; y xp ( ) es el VaR de
la mixtura Student, cambiado de signo.

6.5

VaR paramtrico lineal y ETL para spreads de crdito

[Case Study IV.2.12]

Este caso muestra el enorme riesgo de modelo que puede existir en el clculo del VaR, incluso si utilizamos una misma metodologia (VaR Normal lineal
paramtrico, la misma muestra, y el mismo modelo de riesgo (un nico factor,
el spread de crdito).
El factor de riesgo que utilizamos es el ndice iTraxx a 5 aos, un ndice
equiponderado de spreads de CDS, medido en puntos bsicos y construido sobre
125 empresas the rating investment grade. Cada 6 meses se cambia el ndice,
sustituyendo las empresas que han hecho default, se han fusionado con otras,
han cambiado de sector o han sido bajadas de rating, por las ms liquidas que
no formaban parte del ndice, cumpliendo sus condiciones. En el periodo 21
78

de junio de 2004 a 10 de abril de 2008, la desviacin tpica de las variaciones

diarias del ndice fue 2.4037, lo que signica una volatilidad anual de 38 puntos
bsicos por ao. Sin embargo, si se tiene en cuenta que el ndice tiene una
autocorrelacin positiva y signicativa, de 0.1079, la volatilidad anual es 41.5
puntos bsicos. Como muestra la Tabla IV.2.39, el VaR estimado para una
exposicin de 1000 euros puede oscilar entre 17.683 y 43.784 euros, mientras el
ETL oscila entre 20.250 y 47.522 euros.

Clculo del VaR mediante simulacin histrica

Este es el segundo de los procedimientos para el clculo del VaR.

Sus ventajas:
no precisa hacer supuestos acerca de la forma paramtrica de la distribucin de rentabilidades de los factores de riesgo o de la cartera,
a diferencia del modelo paramtrico, que es de una sola etapa (calcula
el VaR al horizonte deseado nicamente), el mtodo de simulacin puede
utilizarse para el clculo del VaR en activos cuya rentabilidad es pathdependent. Puede asimismo acomodar volatility clustering, a diferencia
del mtodo paramtrico, que precisa independencia de las rentabilidades
diarias. El mtodo Monte Carlo tambin puede incorporar volatility clustering, pero necesita hacer algn supuesto acerca de la evolucin temporal
de la rentabilidad.
no est limitado a carteras en las que los pagos tienen una estructura
lineal, por lo que puede utilizarse en carteras que contengan opciones u
otro activos con estructuras de pagos no lineales. Tambien el mtodo
monte Carlo puede hacerlo, pero es muy dependiente del modelo que se
establezca para las rentabilidades de los factores.
el mtodo histrico debe utilizarse solo para el clculo del VaR a un horizonte de muy pocos dias. Para intervalos ms amplios se aplica un factor
de escala, por lo que deben cumplirse los supuestos que justican tal extensin. La aplicacin del factor de escala supone que la cartera se rebalancea
para que los pesos relativos continuen siendo los mismos sobre el horizonte
de riesgo.
supone que la cartera que hoy se ha escogido es la misma cartera que se
habra escogido en cualquier momento en el pasado. Esto se debe porque
para su clculo hemos de generar una serie histrica de rentabilidades de
la cartera, utilizando su composicin actual.
en general, parece que debera preferirse el mtodo de Monte Carlo.
El VaR 100p% sobre h dias es el p-cuantil de la distribucin emprica de P &L
descontadas, si se expresa en trminos nominales, o el p-cuantil de la distribucin
79

emprica de rentabilidades, si se expresa como un porcentaje del valor de la

cartera. Con carteras que pueden tener posiciones cortas, hemos de trabajar
en trminos nominales, con las P &L puesto que el concepto de rentabildad no
est entonces muy bien denido. El clculo del VaR debe utilizar perodos de h
dias no solapados, por lo que si h es largo, las necesidades de datos pueden ser
enormes. En este caso es conveniente poder disponer de datos intrada.
Cuando se utiliza un modelo de factores, las sensibilidades a los mismos se
suponen constantes en su nivel actual, y se aplican retrospectivamente hacia
atrs en el tiempo.

7.1

Extrapolacin temporal de la varianza: Escalado exponencial

La regla de la raiz cuadrada en la extrapolacin temporal de la varianza no es

vlida si las rentabilidades no son i., i.d., con distribucin Normal. En el mtodo
histrico, no trabajamos con distribuciones de probabilidad paramtricas, por
lo que hay que cuestionarse la validez de la extrapolacin temporal de la varianza. Supongamos que la rentabilidad X sigue una distribucin estable. Una
distribucin estable es invariante por un factor de escala 1= : por ejemplo, para
el p-cuantil a h dias, tenemos:
xhp = h1= x1p
Toda la distribucin, no solo los cuantiles quedan afectados de una escala
como la indicada. La distribucin Normal es una distribucin estable con = 2:
Para tratar de estimar el parmetro de estabilidad, tomamos logaritmos en
la expresin anterior,
=

ln(h)
ln(xhp ) ln(x1p )

por lo que puede estimarse en una regresin del numerados sobre el denominador. En [Case Study IV.3.2] se lleva a cabo este anlisis para activos de
distinta naturaleza. Para el tipo de inters sobre Treasury Bills a 3 meses, el
grco representa ln(h) en funcin de ln(xhp ) ln(x1p ); siendo el parmetro
la pendiente de dicha recta. Tales ejercicios sugieren un valor algo inferior a 0,5
para la extrapolacin temporal de la varianza en el caso del S&P500, e inferiores
an, en torno a 0,43 para los ndices de volatildad VIX y VDAX

80

3,5
3
2,5
2
1,5
1
0,5
0
0

0,2

0,4

0,6

0,8

1,2

1,4

1,6

1,8

En el caso de una cartera, no hay forma de agregar las posibles constantes de

escala de los activos individuales, para lograr una constante de escala aplicable
a la cartera. Adems, las rentabilidades de la cartera seguirn una distribucin
estable solo si la siguen todos los activos de la cartera, pero con el mismo
exponente. En ese caso, a veces se utiliza el promedio de las constantes de
escala, o se estima directamente la constante de escala de la rentabilidad de
la cartera, ignorando las constantes de los activos individuales. El primero,
que es una aproximacin peor, tiene la ventaja de que no hay que estimar una
constante para cada una de las carteras que podamos formar a partir de los
mismos activos.
Los errores cometidos al ignorar este aspecto pueden ser importantes. En
negrilla aparece el factor que extrapolara el VaR a 1 dia a VaR a perodos ms
largos, siguiendo el criterio de la raiz cuadrada. Todos los demas factores estn
expresados como porcentaje de ste.
[T ablaIV:3:2]
Scale exponent
Holding period
2
5
10
30
100
250

0,3

0,35

0,4

0,45

0,5

0,55

0,6

0,65

0,7

87,1%
72,5%
63,1%
50,6%
39,8%
33,1%

90,1%
78,6%
70,8%
60,0%
50,1%
43,7%

93,3%
85,1%
79,4%
71,2%
63,1%
57,6%

96,6%
92,3%
89,1%
84,4%
79,4%
75,9%

1,41
2,24
3,16
5,48
10,00
15,81

103,5%
108,4%
112,2%
118,5%
125,9%
131,8%

107,2%
117,5%
125,9%
140,5%
158,5%
173,7%

111,0%
127,3%
141,3%
166,6%
199,5%
228,9%

114,9%
138,0%
158,5%
197,4%
251,2%
301,7%

Para una cartera dada, las estimaciones del VaR por los mtodos histrico y
Normal lineal suelen estar ms proximas que las que se obtengan por el mtodo
histrico en dos muestras muy distintas. [Case Study IV.3.3.1]
En el clculo del VaR histrico puede ser conveniente aplicar ponderaciones
EWMA a las rentabilidades, con objeto de ponderar ms el pasado ms reciente
[Figures IV.3.9 y IV.3.10].

81

7.2

Ajustes de volatilidad

Al utilizar una muestra larga en al anlisis histrico, podemos encontrarnos

con que la evolucin media a lo largo de la muestra no sea representativa de
la situacin de volatilidad actual, ya sea porque esta sea excesivamente alta
o baja para los estndares histricos. Pero para nuestros clculos de riesgo,
queremos trabajar bajo el supuesto de rentabilidades que se distribuyen igual
e independientemente. Para aproximarnos a una distribucin constante a lo
largo de la muestra, en ocasiones se ajusta la series histrica de rentabilidades
mediante:
r~t;T =
T

^T
rt
^t

donde f^ t gt=1 denota una estimacin temporal de la volatilidad para la serie

histrica utilizando un esquema EWMA o GARCH, y ^ T es la estimacin para
el ltimo dato de la muestra.
El uso de un modelo GARCH para estimar la volatilidad evita la eleccin
arbitraria de la constante en el esquema EWMA. Este ajuste permite estimar
con bastante precisin el VaR para cuantiles muy elevados.
Ejercicio: [EIV.3.1]. Se ajustan modelos GARCH y AGARCH a rentabilidades diarias del S&P500. El modelo GARCH ignora la asimetra en volatilidad, por lo que subestima la volatilidad a largo plazo, que sita prxima al 20%,
frente a ms del 36% del modelo AGARCH. El Ratio de Verosimilitudes favorece
al modelo AGARCH. Ver ambos grcos en hoja de clculo. Al estimar el VaR
tanto con rentabilidades no ajustadas, como con rentabilidades ajustadas con
ambos modelos GARCH, se observa una clara subestimacin del riesgo cuando
no se ajustan las volatilidades. Aunque si el ejercicio se reriese a un periodo
tranquilo en el mercado, el resultado sera el opuesto.

82

El ajuste de volatilidad puede utilizarse asimismo para estimar la constante

de escala a la que antes nos referimos para convertir un VaR a 1-dia en un VaR
a h dias. [Table IV.3.7 de Alexander, cuyo contenido se calcula en Case Study
IV.3.3. Scale_Index_S&P500_Volatility Adjusted]. Puede apreciarse que la
estimacin del exponente de escala no vara con el nivel de volatilidad al cual
se ajusta la serie de rentabilidades.

7.3

Simulacin histrica ltrada

Una alternativa para el clculo del VaR a h dias consiste en utilizar un modelo GARCH para las rentabilidades logaritmicas, y estandarizarlas utilizando
las desviaciones tipicas estimadas a partir del modelo GARCH. Entonces, se
simula el modelo GARCH extrayendo las innovaciones de la distribucin de
rentabilidades estandarizadas.
Utilizando la rentabilidad del ltimo dia en la muestra, rT ; asi como su
varianza estimada ^ 2T , la simulacin comienza con:
^ 2T +1 =

2
1 rT

2
2 ^T

Finalmente, se agregan las rentabilidades sobre el horizonte de riesgo de h

dias para obtener las rentabilidades logaritmicas simuladas sobre dicho periodo
de tiempo, y se calcula el VaR como el p-cuantil de la distribucin de rentabilidades a h dias. Esto es en el caso en que las rentabilidades no tengan estructura
estocstica:
83

rt
2
t

=
=

+ "t ; E("t ) = 0; V ar("t ) =

2
2
0 + 1 "t 1 + 2 t 1

2
t;

En caso contrario, habria que simular a partir de la distribucin de innovaciones de rt obtenidas en la estimacin del modelo, y una vez estandarizadas:
rt
2
t

=
=

+ rt 1 + "t ; E("t ) = 0; V ar("t ) =

2
2
0 + 1 "t 1 + 2 t 1

2
t;

Aunque hemos utilizado en esta descripcin un modelo GARCH simtrico,

pueden utilizarse otros esquemas. En [EIV.3.2] se utiliza un modelo AGARCH.

Precisin del VaR histrico para cuantiles extremos

Cuando se trabaja con cuantiles no ms extremos del 1%, basta con utilizar
el ajuste de volatilitidad y la simulacin histrica ltrada. Cuando utilizamos
cuantiles ms extremos, como 0,01%, en general no tendremos muchas observaciones para estimar, por lo que la precisin en la estimacin del VaR y de
la prdida esperada se reduce mucho. Para resolver el problema necesitamos
ajustar distribuciones continuas a las escasas observaciones discretas con que
contamos.

8.1

Kernel tting

El ajuste de un kernel (ncleo) a una distribucin emprica tiene como objeto

obtener una curva suave que represente la distribucin muestral de una variable.
Dada una muestra fx1 ; x2 ; :::; xn g, la aproximacin mediante un kernel a la
distribucin muestral se dene:
n

fh (x) =

1 X
K
nh i=1

xi
h

donde K es la funcin kernel y h es el ancho de banda (bandwidth). El

ancho de banda es equivalente a la amplitud de los intervalos de un histograma
de frecuencias, y el objeto de estimar un kernel es precisamente encontratr el
ancho de banda ptimo para esta representacin. El kernel Gaussiano consiste
en aproximar la densidad por una mixtura de densidades Normales. El kernel
de Epanechnikov, denotando por u = x hxi ; se dene:
K(u)

=
=

3
(1 u2 ); si
4
0 en otro caso
84

La eleccin de kernel no es excesivamente importante, pudiendo utilizarse

los kernel de Epanechnikov, Gaussiano o logNormal. El kernel logNormal puede
dar peores resultados. Puede comenzarse aplicando una ajuste de volatilidad
como se ha explicado, a partir de varianzas que pueden estimarse por EWMA
o GARCH. Posteriormente, las rentabilidades se estandarizan para tener esperanza 0 y varianza 1 antes de ajustar el Kernel. Por ltimo, se calculan los
cuantiles de las distribuciones continuas estimadas. El ejercicio se repite con las
ltimas 500, 1000, 2000 y 3000 observaciones muestrales.

8.2

Aproximacion de Cornish-Fisher

Una limitacin importante de la distribucin t-Student en la modelizacin de

las rentabilidades condicionales est originada por su dependencia de un slo
parmetro, el nmero de grados de libertad, d: Ello no permite reproducir ni
el tipo de asimetra ni el elevado grado de curtosis que sera deseable explicar
en las rentabilidades estandarizadas empricas. Una alternativa consiste en utilizar la aproximacin de Cornish-Fisher, que permite mayor exibilidad en los
valores numricos de los momentos de la distribucin de rentabilidades, y que
puede aproximar el comportamiento de muchas densidades distintas de la Normal. La expresin de Cornish-Fisher proporciona aproximaciones a los cuantiles
de una distribucin de rentabilidades estandarizadas, a partir de estimaciones
numricas de su asimetra y curtosis. Incorpora posibles asimetras mediante
la consideracin de un coeciente de asimetra no nulo. Una limitacin de este
enfoque es que puede verse inuido por rentabilidades estandarizadas prximas
a cero, lo cual puede resolverse mediante la Teora de Valores Extremos, que
examinamos ms adelante.
La aproximacin de cuarto orden x
~p al p-cuantil de una distribucin em85

prica con esperanza 0 y varianza 1 (por tanto, la aproximacin debe aplicarse

a rentabilidades estandarizadas) es:
x
~ p = zp +

zp2

1 +

24

zp (zp2

3)

36

zp (2zp2

5)

1
donde zp =
(p) es el pcuantil de la distribucin N (0; 1); y ; denotan la
asimetria y exceso de curtosis de la distribucin. Esta expresin nos proporciona
el cuantil de Cornish-Fisher mediante un desarrollo en serie de Taylor alrededor
de la distribucin Normal. Cuando ambos coecientes (asimetra y curtosis) son
cero, tenemos el cuantil N (0; 1):
La aproximacin es buena para el clculo del VaR cuando las rentabilidades
no tiene mucha asimetria o curtosis. Para una rentabilidad con distribucin
t-Student con 50 grados de libertad, la aproximacin puede ser buena, subestimando el VaR ligeramente, pero para una distribucin con 10 grados de libertad,
que tiene exceso de curtosis igual a 1, la subestimacin ser importante, en torno
al 10%.
Ejercicio [ver EIV.3.4]
Consideremos, por ejemplo, el VaR 1%. Bajo Normalidad, tenemos: :011 =
2:33: Alternativamente, la aproximacin de Cornish-Fisher del cuantil 1% es:

CFp

2; 33 + 0; 74

Supongamos que la asimetra es:

Tendramos entonces,
CFp

2; 33

0; 74

0; 24

0; 38

2
1

1 y el exceso de curtosis:

4(0; 24)

0; 38 =

= 4:

4; 41

Una vez obtenida la aproximacin Cornish-Fisher, el VaR puede calcularse,

p
V aRt+1
=

t+1 CFp

y en el ejemplo anterior:
p
V aRt+1
=

4; 41

t+1

casi el doble de lo que habramos obtenido suponiendo la Normalidad de los

rendimientos estandarizados.

8.3

Distribuciones de valor extremo

La aproximacin de Cornish-Fisher proporciona estimaciones de los cuantiles

de la distribucin de rendimientos estandarizados a partir de estimaciones de
los coecientes de asimetra y de exceso de curtosis de dicha distribucin. Pero
las estimaciones de estos estadsticos pueden estar excesivamente condicionadas
por el amplio conjunto de rentabilidades en el entorno de cero, lo que entenderamos por rentabilidades "estndar". Por esta razn puede ser conveniente
un enfoque basado nicamente en los rendimientos ms extremos. Adems, el
mayor riesgo al que se enfrenta una cartera es la ocurrencia repentina de una
86

rentabilidad negativa extremadamente grande, por lo que estimar con precisin

la probabilidad de tales sucesos es la esencia de la gestin de riesgos.
El resultado bsico sobre el que se basa la EVT es que la cola extrema de una
amplia familia de distribuciones F puede describirse aproximadamente por una
distribucin relativamente sencilla, la llamada distribucin de Pareto. La teora
se basa en el supuesto de independencia e idntica distribucin de los rendimientos. Como la dependencia temporal surge en muchos casos debido a la persistencia en volatilidades, es conveniente trabajar con rendimientos estandarizados
mediante un modelo de volatilidad condicional previamente estimado:
zt+1 = Rt+1 =

t+1

que, generalmente, ya podemos suponer i:; i:d:, con esperanza nula y varianza
unitaria.
Por otra parte, los rendimientos en perodos de tiempo relativamente largos
se aproximan a la distribucin Normal, por lo que la EVT tiene mayor inters
para rendimientos observados en datos de alta frecuencia, una vez estandarizados.
Una alternativa es ajustar a los datos disponibles una distribucin que se
sabe que tiene colas gruesas. La distribucin Generalizada de Valor Extremo
GVE se ajusta a la muestra completa, mientras que la distribucin generalizada
de Pareto (GPD) se ajusta a las rentabilidades que exceden de cierto umbral
predenido u: Pero necesitamos tener un cierto nmero de datos (mnimo 20)
para ajustar con precisin la distribucin.
La distribucin Generalizada de Valor Extremo (GVE) depende de parmetros de posicin y escala ; asi como de un parmetro que se conoce como
ndice de cola (tail index ). Su inverso, 1= , se conoce como shape (perl) de la
distribucin:
F (x)

exp

F (x)

exp

exp

= 0;
!

1=

1+

6= 0;

>

siendo su funcin de densidad:

f (x)
f (x)

exp

La condicin

exp
1=

1+
x

exp
1

exp
>

;
1+

= 0;
1=

6= 0;

1 es una condicin sobre el rango de valores de x;

1

x >
x <

87

: si
: si

>0
<0

>

Hay tres tipos de distribucin GVE, segn el valor del ndice de cola

para = 0 tenemos la distribucin de Gumbel, cuya densidad tiene moda

en 0, asimetra positiva y disminuye exponencialmente en las colas
para < 0 tenemos la distribucin de Weibull, cuya densidad tiende a
degenerar en el punto segun tiende a 1
para
> 0 tenemos la distribucin de Frchet, que tambin tiende a
degenerar en el punto ; pero esta vez segn tiende a 1: Converge
ms lentamente que la distribucin de Weibull, puesto que en las colas
disminuye de acuerdo con la potencia de los valores de la variable. Este
resultado aplica a la mayora de las distribuciones con colas pesadas, como
la t de Student. Para la Normal, el parmetro sera igual a 0, mientras
que para distribuciones con colas ligeras, no muy tiles en Finanzas, el
parmetro sera negativo.
8.3.1

Distribuciones en las colas: La distribucin Generalizada de

Pareto

Consideremos ahora la distribucin de Pareto, que se utiliza para representar valores extremos por encima de un cierto umbral. Supongamos que un
rendimiento estandarizado z sigue la distribucin incondicional F (z); y consideremos la probabilidad de que el rendimiento observado un determinado instante,
excediendo de un cierto umbral u; lo haga en menos de una cuanta x. Esto
dene una funcin de distribucin diferente, que denotamos por Fu y que tiene
como argumento a x: Es una distribucin de probabilidad truncada de z, que
podemos calcular:16

Fu (x) = P [z

u + x j u < z] =

F (u + x) F (u)
P (u < z u + x)
=
P (z > u)
1 F (u)

Como vemos, es una funcin paramtrica del umbral jado, u; y, como

acabamos de ver, puede escribirse en funcin de la distribucin de rendimientos
estandarizados F .
Para un umbral dado u;sucientemente alto, y para muchas distribuciones de
probabilidad F , la distribucin anterior pertenece a la familia de distribuciones
Generalizada de Pareto (GPD), que est denida por:

Fu (y)
Fu (y)
donde
1 6 Se

= P (z
1

u < x j z > u)
exp

1+

=0

es el parmetro de escala y

es el tail index.

dice truncada, porque es la densidad a la derecha del umbral u:

88

1=

; 6= 0

(15)

Su funcin de densidad es:

fu (y)

fu (y)

1+
exp

x
x

1=

; 6= 0
;

=0

Al aumentar el parmetro de escala

aumenta el rango de valores efectivos para la funcin de densidad. Al aumentar el indice de cola aumenta la
probabilidad en las colas
La distribucin suele utilizarse sobre rentabilidades estandarizadas, de modo
que tengan media 0 y varianza 1. Una vez estimado el VaR, se deshace esta
normalizacion multiplicando el VaR por la desviacin tipica de las rentabilidades
ajustadas de volatilidad y sumando su media.
Puede probarse que, cuando se ajusta una distribucin GPD a las prdidas
en exceso de un umbral u, el VaR bajo dicha distribucin GPD viene dado por:
"
#
nu
n
V aRp = u +
n
p
donde n es el tamao muestral y nu es el nmero de observaciones por debajo
del umbral u:
La prdida media en exceso sobre un umbral u se dene:
e(u) = E(x

u j x > u)

y si la distribucin en exceso del umbral sigue una distribucin GPD, su

expresin es:
+ u
1
por lo que el Expected Tail Loss o VaR condicional puede estimarse agregando al VaR esta cantidad (con u = V aR) despues de haber estimado los
parmetros de una distribucin GPD utilizando las observaciones en exceso del
umbral.
Ejercicio [EIV.3.3] Utilizando las rentabilidades del S&P500 ajustadas de
volatilidad que se incluyen en la hoja de clculo para enero 1950 a marzo 2007,
se estiman los parmetros de la distribucin GPD y se calcula el VaR bajo esta
distribucin, comparndolo con el estimado mediante el percentil adecuado de
la distribucin de rentabilidades ajustadas de volatilidad.
e(u) =

Threshold
20%
10%
5%
1%

nu
1000
500
250
50

u
-0,693
-1,1708
-1,536
-2,5292

89

-0,1194
-0,1776
-0,2305
-0,4036

2,2280
3,3405
4,4352
8,2127

VaR (Standardized)
8,8421
10,2978
11,0486
11,7463
Empirical VaR
8.3.2

GPD VaR
5,94%
6,91%
7,41%
7,88%
4,86%

Estimacin

Si en la expresin:
Fu (x) =

F (u + x) F (u)
1 F (u)

hacemos el cambio de variable: y = x + u; tenemos:

1 Fu (y u) = 1

F (y) F (u)
1
=
1 F (u)
1

F (y)
) F (y) = 1 [1
F (u)

F (u)] [1

Fu (y

u)]

Si T denota el tamao muestral total, y Tu denota el nmero de observaciones

que exceden del umbral u;el trmino [1 F (u)] puede estimarse mediante el
cociente Tu =T . Utilizando la aproximacin (15), tenemos, para los valores que
exceden del umbral u, la distribucin:
F (y) = 1

Tu
T

1+

(y

1=

u)

Vamos a utilizar este resultado para estimar el parmetro , que determina

el grosor de la cola de la distribucin F; por mxima verosimilitud. Para ello,
suponemos que para valores de y superiores al umbral u, es decir, para y > u;
la funcin anterior puede aproximarse por:17
F (y) = 1

L(y)y

1=

1=

cy

con funcin de densidad:

f (y) =

dF (y)
1
= cy
dy

1=

donde puede observarse que en la aproximacin hemos prescindido del parmetro

:
La aproximacin se basa en el hecho de que la funcin L(y) vara lentamente
con y para la mayora de las distribuciones F; por lo que podemos suponerla
constante. De este modo, tenemos en F (y) 1 cy 1= una expresin aproximada para el valor de un amplio conjunto de funciones de distribucin en su
cola superior.
1 7 En

esta aproximacin, la funcin L(y) es: L(y) =

90

Tu
T

1=

1+

u
y

1=

Utilizando la denicin de distribucin condicional tenemos la funcin de

densidad de rendimientos a la derecha del umbral u:
f (y=y > u) =

f (y)
P (y > u)

Recordemos que, esencialmente, una funcin de densidad truncada se obtiene

normalizando la funcin de densidad original por la probabilidad existente en la
regin que se considera tras el truncamiento (en este caso, la regin a la derecha
del umbral u).
Suponiendo independencia de los rendimientos, tenemos la verosimilitud:
!
Tu
Tu
1= 1
Y
Y
f (yi )
1 cyi
L=
=
1 F (u) i=1
cu 1=
i=1
para las observaciones yi > u: Por tanto, el logaritmo de dicha funcin es:
ln L =

Tu
X

ln

+ 1 ln yi +

ln u

i=1

Derivando respecto de e igualando a cero, tenemos el estimador de Hill del

parmetro de grosor de cola:
Tu
X
yi
^= 1
ln
Tu i=1
u

Ya solo nos falta estimar el parmetro c de la aproximacin a la distribucin

F: Para ello, notamos que:
Tu
= 1 cu 1=
T
y, puesto que F (u) est estimado mediante Tu =T , esto nos lleva al estimador:
F (u) = 1

Tu 1=
u
T
por lo que la estimacin de la funcin de distribucin para observaciones que
exceden del umbral u es:
c^ =

Tu y 1=
(16)
T u
Por tanto, bajo el supuesto que antes hicimos acerca del comportamiento
de la funcin F (y), tenemos estimadores sencillos, sin tener que recurrir a la
optimizacin numrica de la funcin de verosimilitud.
Eleccin del umbral u
La eleccin del umbral u es siempre delicada. Si escogemos un umbral excesivamente pequeo, entonces estaremos trabajando con algunos rendimientos
F (y) = 1

cy

1=

=1

91

no excesivamente atpicos, y la aproximacin funcional a la cola de la distribucin en que nos hemos basado puede no ser sucientemente buena para dichos
valores numricos. Si, por el contrario, escogemos un umbral excesivamente elevado, tendremos muy pocas observaciones para estimar los parmetros de la
distribucin, por lo que tendremos baja precisin en la estimacin de dichos
parmetros y, consecuentemente, en los clculos posteriores de Valor en Riesgo,
Prdida Esperada y otros, que veremos a continuacin. Una regla relativamente
habitual es elegir un umbral que deje un 5% de los datos en la cola de la distribucin, aunque en funcin del nmero de observaciones con que contemos,
podramos variar dicho criterio.
8.3.3

Construccin del QQ-plot bajo la EVT.

Es muy importante observar que hemos desarrollado la EVT para la cola derecha
de la distribucin, al considerar la probabilidad de que el rendimiento z observado un determinado instante, excediendo de un cierto umbral u; lo haga en
menos de una cuanta x. En relacin con el clculo del VaR, nos interesara
caracterizar la probabilidad de que el rendimiento, siendo inferior a u; con
u > 0; no sea inferior a (x + u); con x > 0 : Fu (x) = P [z
(u + x) j z < u]:
Por tanto, para aplicar la teora de EVT que hemos desarrollado al anlisis de
la cola izquierda de una distribucin de rendimientos, hemos de trabajar con
prdidas, no con las rentabilidades observadas.
Si denimos la prdida estandarizada:
Ri

yi =

tenemos, de acuerdo con la distribucin (16) que el cuantil y de orden 1

denido como es habitual, por: F (y) = 1 p; debe satisfacer:
1

p=1

Tu
T

y
u

p,

1=

por lo que dicho cuantil es:

y = F1

1
p

=u

Tu 1
T p

y el QQ-plot se construye utilizando los pares de puntos formados por el cuantil

terico y que acabamos de denir y el cuantil emprico yi :
) (
)
(
Tu
Tu 1
; yi = u
; yi
fXi ; Yi g = u
T p
i 0; 5
ya que p se estima mediante: p = i T0;5 : Las coordenadas yi del QQ-plot son
las (Tu =T ) mayores prdidas realmente observadas en la muestra.

92

8.3.4

Clculo del VaR bajo EVT

El clculo del VaR es ahora sencillo:

p
V aRt+1
=

1
t+1 F1 p

t+1 u

Tu 1
T p

que puede compararse con el que habramos calculado bajo Normalidad:

p
1
=
V aRt+1
t+1 p : Como puede verse, hay dos diferencias: a) utilizamos la
probabilidad 1 p en el clculo del cuantil, por utilizar una teora desarrollada
para rentabilidades positivas, y b) no cambiamos de signo al VaR que obtenemos.
La razn por la que hemos usado en el VaR de EVT el cuantil 1 p es porque
el cuantil para el que 100p% (con p = 0; 01; por ejemplo) de las prdidas son
prdidas superiores (que ser generalmente negativo) es, cambiado de signo, el
cuantil para el que 100(1 p)%; (el 99%) de las rentabilidades estandarizadas
(no prdidas) es inferior.
8.3.5

Aplicacin prctica de los procedimientos de EVT

1. Comenzamos estandarizando las rentabilidades utilizando un modelo de

volatilidad previamente estimado, y convirtindolas en prdidas estandarizadas,
mediante un simple cambio de signo.
2. Fijado un umbral de signicacin (1% 5%, por ejemplo) calculamos
el umbral u calculando el percentil correspondiente en las rentabilidades
estandarizadas (no en las prdidas estandarizadas). El umbral ser una
rentabilidad negativa.
3. Estimamos el parmetro de grosor de cola. Hemos de utilizar el umbral
u cambiado de signo, positivo, puesto que estamos trabajando ahora con
la distribucin de las prdidas.
4. Calculamos F1 1p = u TTu p1 [denotado como EVT en la hoja de clculo]
y multiplicamos por la volatilidad de cada da para obtener el V aR:
5. Para generar un QQ-plot, representamos las Tu rentabilidades estandarizadas
menores (las ms negativas, recordemos que estamos modelizando la cola
izquierda de la distribucin de rentabilidades) frente a los cuantiles de las
distribucin que queremos utilizar como referencia en el QQ-plot. En el
caso de la EV T , los cuantiles estn dados por F1

1
p

=u

Tu 1
T p

Ejemplo: En Chapter4Results.xls, de Christoersen, se estima un GARCH(1,1)

bajo una distribucin t-Student para la innovacin del proceso, y se dibuja el
QQ-plot para los residuos del modelo estimado (Question 4 y Question 5). En
Question 6 se utiliza el estimador de Hill para la GPD

93

8.4

Distribuciones de Johnson

Una variable aleatoria X sigue una distribucin SU de Johnson si:

X

= senh

donde Z N (0; 1): El parmetro determina la localizacin, determina la

escala, es la asimetra, y la curtosis. Con cuatro parmetros, la distribucin
es muy exible y puede incorporar comportamientos muy diferentes. Cada
cuantil xp de la distribucin de Johnson est relacionado con el cuantil anlogo
zp de la distribucin N (0; 1) :
zp

xp = senh

por lo que:
V aRhp =

senh

zh;p

que ser un valor numrico de signo positivo.

Es posible estimar los parmetros de la distribucin de Johnson a partir de
los cuatro primeros momentos muestrales de la distribucin de rentabilidades
utilizando el Mtodo de Momentos, del siguiente modo:
donde es el exceso de curtosis muestral. A continuacin, calculamos una
cota superior y una inferior para ! :

! sup

! inf

1+

p
2( + 2)

1=2

max(! 1 ; ! 2 )

donde ! 1 es la nica raiz positiva de ! 4 + 2! 3 + 3! 2

6 = 0, y ! 2 es la
nica raiz positiva de (! 1)(! + 2)2 = 2 siendo el coeciente muestral de
asimetra.
A continuacin, denotando por m(!) la funcin:
m(!) =

4 + 2 !2

+6
+3
2
! + 2!

1=2

2;

hallamos el valor numrico ! , comprendido entre ! inf y ! sup tal que

(!

m(! )) ! + 2 +

m(! )
2

Finalmente, las estimaciones paramtricas son:

94

1
ln !
; siendo

sgn( )senh

2 2
(!
1)(! cosh 2 + 1)
p
!
m(! )
sgn( )
!
1

(! + 1)(!
1
2! m

m(! ))

donde y son la media y desviacin tpica de la muestral de rentabilidades.

La distribucin de Johnson da resultados mucho mejores que la aproximacin
de Cornish-Fisher. Para una distribucin t-Student con 30 grados de libertad
apenas comete error de aproximacin. Incluso con 10 grados de libertad el
error es despreciable. Para una distribucin t-Student con 6 grados de libertad,
la distribucin de Johnson subestima ligeramente el VaR al 5% y 10% y lo
sobreestima ligeramente para percentiles 0,1% y 1%.
Ejercicio [ver EIV.3.5] En la hoja de clculo, primero se obtienen, mediante
el algoritmo de Tuenter, los valores de ! 1 ; ! 2 ; y a continuacion, el valor de ! :

8.5

Distribucin t-Student Generalizada Asimtrica

La distribucin SGT (Theodossiou, 1998), es una distribucin muy exible que

capta tanto la curtosis como la asimetra presente en las series nancieras. Y
que engloba como casos particulares un conjunto amplio de distribuciones ms
sencillas, como la distribucin normal o la t-Student.

f (zt j ; ; k) = C

1+

j zt + jk

+1
k

[1 + sign(zt + ) ]

( +1)=k

donde:

(0; 5) k

1
g

1=k

+1
k
2

1
k k

2 B

(1 + 3 )2 B

1
k; k

;
1=k

+1
k

1
k k

B
1

95

+1
k

1 2
;
k
k

1=k

1 3
;
k

En esta densidad, es el parmetro de simetra (j j< 1), > 2 recoge

grosor de las colas, k > 0 recoge la curtosis o grado de apuntamiento, B(:) es
funcin Beta, y zt son los rendimientos estandarizados.
La distribucin normal surge como caso particular cuando = 0; k = 2;
1; mientras que la t-Student con v grados de libertad aparece cuando
0; k = 2; = v:

el
la
=
=

VaR histrico para carteras lineales

Analizamos el clculo del VaR histrico en carteras lineales sin plantearnos la

precisin en la estimacin del VaR en cuantiles extremos, lo que podra hacerse
utilizando Cornish-Fisher o las distribuciones de Johnson. Por el contrario, en
los ejemplos vamos a aplicar la regla de la raiz cuadrada al extrapolar la varianza
en el tiempo. Hacemos el ajuste en volatilidad mediante EWMA, aunque podra
hacerse mediante un modelo GARCH.

9.1

VaR histrico para secuencia de ujos de caja

Despues de proyectar los cash ows sobre los vertices de tipos de inters, se
0
utiliza la representacion habitual: P Vt
rt :Previamente se ha utilizado
un esquema EWMA para ajustar volatilidad al nal de la muestra. Luego se
ajusta las P&L diarias en volatilidad, para hacerlas comparables con la ltima
observacin muestral. Se comparan los histogramas de P&L resultantes, y se
calculan los VaR con ajuste de volatilidad y sin dicho ajuste.
Significance level:
Risk horizon (days):
Lambda
Historical VaR
Normal VaR
Ratio

9.2

VaR
1,0%
10
0,9
Unweighted
193.585
198.579
97%

Volatility Adjusted
259.231
272.846
95%

VaR total, sistemtico y especco para una cartera

de acciones

[EIV.3.6] [EIV.3.7], ambos en [Case Study IV.3.5.2].

La rentabilidad de la cartera se construye a partir de las rentabilidades de
los activos que la componen mediante:
rt = wT0 xt ; t = 1; 2; :::; T
donde utilizamos una serie temporal reconstruida, de una cartera que se hubiese mantenido histricamente con la misma composicin que la que hemos congurado en T: Por otra parte, como el VaR histrico reejar mejor las actuales
condiciones de mercado si se utilizan rentabilidades ajustadas de volatilidad,
96

podemos hacer este ajuste de dos modos distintos: 1) ajustando las rentabilidades de cada activo y aplicando los pesos que denen la cartera, 2) aplicando
los pesos para denir la rentabilidad de la cartera y ajustando directamente esta
rentabilidad.
En este caso, es importante que el ajuste de volatilidad preserve la estructura de correlaciones de las rentabilidades xt de los activos individuales. Para
ello, si denotamos por Vt la matriz de covarianzas GARCH o EWMA de las
rentabilidades y por Qt la matriz de Cholesky correspondiente, tenemos:
Vt (xt ) = Vt = Qt Q0t
Si hacemos la transformacin:
x
~t = QT Qt 1 xt ; t = 1; 2; :::; T
tenemos:
Vt (~
xt ) = Vt QT Qt 1 xt = QT Qt 1 Vt (xt ) QT Qt

1 0

= QT Qt 1 Qt

Q0t Q0t

Q0T = QT Q0T = VT

manteniendo por tanto constante la estructura de la matriz de covarianzas.

Si denotamos:
2
1t

Vt =
con at =

2 ;b
1t t

12t

QT Qt:

12t =
1 0

y la transformacin es:
s
x
~1t = x1t

12t
2
2t
2 ;c
1t t

= (at ct )

2
1T
2
1t

) Qt =
=
1

2
2t

aT ct
0

; x
~2t = x1t

at
bt
12t
2
1t

0
ct

; por lo que:

bT ct bt cT
at cT

cT
bT ct bt cT
+ x2t
at ct
ct

de modo que la primera rentabilidad solo experimenta el ajuste de volatilidad

habitual.
En el Case Study se calcula el VaR ajustado de 3 formas distintas: a) transformando las dos rentabilidades de modo que se preserve la correlacion entre
ellas, b) generando la serie temporal histrica de la rentabilidad de la cartera,
ajustndola de volatilidad, y calculando el VaR, c) ignorando el efecto que la
transformacin tiene sobre la correlacion: ajustamos la rentabilidad de cada
activo por separado, y se reconstruye la serie temporal de la rentabilidad de la
cartera.
Si se va a calcular el VaR de distintas carteras sobre los mismos activos,
es preferible ajustar las rentabilidades de los activos individuales. Entonces,
debemos utilizar el primer procedimiento. Sin embargo, el error introducido
con el tercer procedimiento no es generalmente muy grande.
97

9.3

VaR Equity y Forex de una cartera de accciones internacionales.

[Case Study IV.3.5.3] Cmo debe desagregarse el VaR de una cartera de acciones internacionales en sus componentes Equity y Forex? Los cuantiles se
trasladan correctamente al aplicar transformaciones monotonas continuas. Si
la rentabilidad de la cartera sigue una distribucin estable, tambien es posible
agregar temporalmente los cuantiles. Sin embargo, no existe una manera de
caracterizar la transformacin de cuantiles dentro de una cartera, es decir, la
relacion que existe entre los cuantiles de la cartera y los de los activos que la
componen. Consideremos un inversor UK que tiene una cartera en acciones US
y UK a 21 de abril de 2008. Supongamos que el 70% del total de la cartera
est invertido en libras esterlinas, en la forma de acciones UK, y 30% est en
acciones US. La cartera US tiene una beta de 1.8 en relacion con el S&P500, y
la cartera UK tiene una beta de 1.25 respecto del FTSE100.
Puesto que vamos a utilizar una muestra larga de datos diarios, desde 3 de
enero de 1996 (3000 datos), utilizaremos varianzas ajustadas por un esquema
EWMA con = 0:94:
El precio en libras de la cartera es:
$=$

Pt$ = Pt$ :Xt

por lo que, en trminos de rentabilidades logaritmicas:

$=$

$=$

$
$
ln Pt+1
=Pt$ = ln(Pt+1
=Pt$ ) + ln(Xt+1 =Xt

$=$

) ) rt$ = rt$ + rt

El valor de la cartera en cada momento es:

$
$
Pt$ = ! 1 P1t
+ ! 2 P2t

en trminos de rentabilidades porcentuales. Para continuar, hemos de suponer

que las rentabilidades logaritmicas y porcentuales son similares. Si denotamos
$
$
por y1t
e y2t
las rentabilidades diarias de los dos indices de mercado, tenemos:
$
r1t
=

$
1 y1t ;

$
r2t
=

$
2 y2t

por lo que la rentabilidad de la cartera es:

$=$

$
r1t

$
$
$
$
! 1 r1t
+ ! 2 r2t
= ! 1 r1t
+ ! 2 (r2t
+ r2t ) =

(! 1

$
1 y1t

+ !2

$
2 y2t )

$=$

+ ! 2 r2t

= rtE + rtF

cuyo cuantil emprico, cambiado de signo, nos daria la estimacin del VaR.
Los componentes Equity VaR y Forex VaR son los cuantiles de las distribuciones
de los dos sumandos que aparecen en la expresin anterior.
Para el clculo del VaR marginal, al estar utilizando el mtodo histrico, no
tenemos expresiones analticas del VaR en el que tomar derivadas, por lo que
98

estimamos numricamente las derivadas del VaR respecto a los parmetros del
mismo:
Descomposicion del V aRp M arg inal =

1 g( 1 )

2 g( 2 )

Dichos parmetros son los que dependen de la eleccin del inversor, y estos
son en este caso: = (! 1 + ! 2 ; ! 2 ) = (1; ! 2 ); por lo que:
V aR(1 + "; ! 2 ) V aR(1; ! 2 )
"
V aR(1; ! 2 + ") V aR(1; ! 2 )
V aRp M arg inal F orex = ! 2
"

V aRp M arg inal Equity

lo que implica generar una serie perturbada de rentabilidades de la cartera

mediante (1 + ")rtE + rtF y calcular su VaR, para compararlo con el VaR de
las rentabilidades originales. Luego hacemos lo mismo con rtE + (1 + ")rtF : Y,
nalmente, repetimos el ejercicio con las rentabilidades ajustadas, para ver el
efecto que tiene el ajuste de la varianza muestral a la varianza al nal de la
muestra.

9.4

VaR de tipos de inters y Forex de una cartera de

bonos internacionales.

[Case Study IV.3.5.4] Un banco UK compra el 21 de abril de 2008 50 millones

de un bono US AA a 5 aos, con cupon anual del 4%. Puesto que el banco
necesita comprar 50 millones en $US para nanciar la compra, la rentabilidad
total tendr un componente de divisa. Los factores de riesgo son, por tanto,
la curva swap, con calicacion AA, y el tipo de cambio /US$. Queremos
descomponer el VaR histrico en sus componentes de tipos de inters y Forex.
Calculamos el valor presente de los ujos de pago (4,4,4,4,104) utilizando la
curva swap a 21 de abril de 2008. La suma nos da el precio (fair price) del bono:
101,1398. Por tanto, los 50 equivalen a 494.365 bonos de nominal 100 libras.
El VaR de tipos de inters puede calcularse de dos modos: a) Calculamos
los PV01 de los ujos de caja en libras:
P V 01$
it = Ti Ci (1 + Rit;T )

(T +1)

10

donde los ujos vienen dador por: Ci = n(100x) = (N=P )(100x), siendo x el
cupon, n el numero de bonos, N el nominal, y P el precio del bono en el momento
de compra para todos menos el ltilmo ujo, que es: Ci = n100(1 + x) =
(N=P )100(1+x): A continuacin, multiplicamos por r a lo largo de la muestra
para obtener los P &L en libras. Calculamos el percentil y multiplicamos por la
raiz cuadrada del horizonte de riesgo, en das, b) calculamos el valor del bono
dia a dia descontando los ujos de caja a los tipos swap a lo largo de la muestra.
Los P &L son entonces la diferencia entre el valor de la cartera de bonos cada
dia y la cuanta inicial, 50 millones. El valor del bono se puede convertir a
99

$US al tipo de cambio diario, y calcular las P &L en dolares diariamente, y su

VaR. Los resultados son casi idnticos.
El VaR total est basado en la distribucin de P &L en $US. El precio en
dolares cada dia se obtiene aplicando al precio en libras el tipo de cambio.
El VaR Forex se estima a partir de la distribucin histrica de rentabilidades
del tipo de cambio, y la distribucin de P &L para el VaR total se obtiene
convirtiendo el valor de la posicin en libras a $US, y recalculando las P &L:
Solo que para obtener el tipo de cambio que debe utilizarse cada dia en esta
conversin del valor de la cartera de bonos, se aplica el rendimiento logaritmico
del tipo de cambio de ese dia al tipo de cambio actual, el del dia en que se
estima el VaR.
Este ajuste es similar al que aplicamos en rentabilidades para igualar la
varianza que experimentan las mismas a lo largo de la muestra, a la varianza
al nal de la misma, cuando se calcula el VaR. En este caso, el tipo de cambio
ha mostrado una tendencia creciente desde el entorno del 1,5 $/ hacia los 2,0
$/ . Lo que hacemos entonces es utilizar las rentabilidades diarias del tipo
de cambio, pero aplicarlas a su ltima cotizacin, el 21 de abril de 2008, para
calcular el VaR ese dia.
El VaR Forex es mayor que el VaR de tipos de inters, y el VaR total es
inferior a la raiz cuadrada de la suma de los componentes del VaR al cuadrado,
lo que indica una dependencia negativa entre el tipo de cambio y los tipos swap.

9.5

VaR de un crack spread trader

Crack spread is a term used in the oil industry and futures trading for the
dierential between the price of crude oil and petroleum products extracted
from it - that is, the prot margin that an oil renery can expect to make by
"cracking" crude oil (breaking its long-chain hydrocarbons into useful shorterchain petroleum products). In the futures markets, the "crack spread" is a
specic spread trade involving simultaneously buying and selling contracts in
crude oil and one or more derivative products, typically gasoline and heating
oil. Oil reneries may trade a crack spread to hedge the price risk of their
operations, while speculators attempt to prot from a change in the oil/gasoline
price dierential.
En este ejemplo analizamos una inversin que considera dos spreads: la
diferencia entre el precio del futuro del fuel calefaccin, y el precio del futuro en
petrleo WTI de igual vencimiento, por un lado; la diferencia entre los precios
de los futuros sobre gasolina y el futuro en petrleo WTI de igual vencimiento,
por otro. Como los diferenciales pueden tomar valores negativos, no tiene sentido calcular rentabilidades porcentuales de estos factores de riesgo. Lo que
hacemos es calcular las P &L diarias sobre el spread, expresarlo en trminos
nominales. Cada contrato de futuros es por 1000 barriles, con precio en $US
por barril. Queremos calcular el VaR de la cartera y descomponerlo en los VaR
de ambos crack spreads. Los factores de riesgo son los futuros con vencimiento
constante en 1, 2, 3, 4, 5 y 6 meses. Supongamos que un inversor tiene opsi-

100

ciones en el spread HO_WTI: (100; 50; 50; 0; 0; 250) y en el spread UL_WTI:

( 50; 100; 0; 0; 150; 100): Calculamos las volatilidades mediante un esquema
EWMA con = 0:94 y ante la apariencia de variabilidad en volatiliad a lo largo
de la muestra, aplicamos a las rentabilidades un ajuste en volatilidad. Como la
volatilidad es alta hacia el nal de la muestra, este ajuste har que el VaR sobre
datos P &L ajustados, sea supeiror al VaR calculado sobre datos sin ajustar.
Calculamos las P &L multiplicando el nmero de contratos a cada vencimiento
por la variacin en el spread ese da, despues de hacer el ajuste en volatilidad. A
continuacin, sumamos los P &L de cada dia para las 6 posiciones en un spread,
las 6 posiciones en el otro spread, y las 12 posiciones conjuntamente. Ambos clculos se hacen con lasP &L ajustadas y sin ajustar de volatilidad. As podemos
calcular el VaR de cada posicin, as como el VaR total. Para el clculo del VaR,
multiplicamos el percentil, cambiado de signo, por 1000, que es el nmero de
barriles en cada contrato.
El VaR total es muy inferior a la suma de los VaR de los dos spreads, pero
superior a la raiz cuadrada de la suma de sus cuadrados. El ajuste en volatilidad
aumenta sensiblemente, en efecto, el VaR.
[Case Study IV.3.5.5]

9.6

Estimacin de la ETL en el modelo histrico de VaR

En el modelo lineal paramtrico de VaR, nos result posible proporcionar expresiones analticas para el ETL porque haciamos suspuestos especicos acerca de
la forma funcional de la distribucin de rentabilidades. En el modelo histrico de
VaR, el ETL debe estimarse directamente, calculando el promedio de todas las
prdidas que han excedido del umbral denido por el VaR. Pero si hemos ajustado una distribucin paramtrica, a modo de aproximacin, a la distribucin
histrica de rentabilidades, podemos utilizar la expresin analtica correspondiente para el clculo de la ETL.
9.6.1

ETL histrico paramtrico

A partir de la expresin analtica para la prdida en exceso en la distribucin

Generalizada de Pareto, tenemos:18
ET Lp = V aRp +

+ V aRp
1

En otros dos casos, podemos deducir expresiones analticas para la ETL a

partir de la transformacin de variables aleatorias que dene dichas distribuciones. Utilizando el hecho de que la ETL al 100%p en el caso de una Normal
es p 1 '(Zp ); tenemos para la distribucin de Johnson SU:
ET Lp =
18 O

senh

es esta expresin: ET Lp = V aRp +

'(Zp )

+ (V aRp
1

101

u)

+
?

1
donde Zp =
(p):
Finalmente, la ETL bajo una distribucin Cornish-Fisher puede aproximarse
por:

ET Lp = f p
donde: f (x) = x +
9.6.2

x2

1 +

'(Zp )

2
24 x(x

3)

2
2
36 x(2x

5):

Resultados empricos acerca del ETL histrico [Case Study

IV.3.6.2 S&P 500]

Utilizando rentabilidades ajustadas de volatilidad para el perodo 4 de enero

de 1950 a 9 de marzo de 2007, y se estiman la expansin de Cornish-Fisher
y la distribucin SU de Johnson utilizando los cuatro primeros momentos de
la distribucin de rentabilidades. Se estima asimismo el ETL empirico, como
promedio de la prdidas en exceso del VaR, as como el ETL bajo el supuesto
de Normalidad.
Al haber 14000 datos en la muestra, podemos calcular VaR y ETL con precisin incluso para altos niveles de conanza. Por el contrario, el trabajo con
la GPD requiere muchos datos, puesto que consiste en estimar la distribucin
utilizando las observaciones que exceden de un determinado umbral. Las estimaciones del VaR de Johnson estn ms proximas a las obtenidas con GPD que
las de Cornish-Fisher, el VaR emprico o el VaR Normal. Tienen la ventaja de
que, a diferencia de las obtenidas con GPD, no dependen de la eleccin de un
determinado umbral.
Como la distribucin emprica de rentabilidades tiene una alta curtosis, con
exceso de curtosis de 4,93, y una asimetria negativa muy signicativa, el ETL
Normal es muy inferior al proporcionado por otros mtodos. Tengamos en
cuenta que incluso con 14.000 datos, la estimacin del ETL al 0,1% se realiza
con solo 14 datos, y al 0,05%, con solo 7 datos, por lo que sern estimaciones
poco precisas. En general, cuanto menor sea la muestra, mayor ser el riesgo
de modelo en la estimacin del VaR y el ETL al utilizar mtodos paramtricos
o semi-paramtricos.
9.6.3

Desagregacin del ETL histrico [Case Study IV.3.6.3] (Contina del Case Study IV.3.5.3).

La ETL se puede desagregar igual que el VaR, con la peculiaridad de que es

siempre subaditivo. En la hoja de clculo se estiman las ETL directamente,
promediando las prdidas en exceso del VaR. En este caso particular, el ajuste
de volatilidad no tiene apenas efecto debido a que el 21 de abril de 2008 la
volatilidad no estaba muy lejos de su promedio histrico. Pero si se cambia
la muestra, puede verse que el ajuste puede resultar importante para otros
momentos cronolgicos.

102

10

Riesgo de estimacin

Entendemos por Riesgo de Estimacin la cantidad de incertidumbre que se genera por el hecho de que un determinado parmetro o estadstico, como puede ser
la volatilidad de una cartera, o su VaR, hayan de ser estimados, al ser desconocidos. Hay diversas fuentes de riesgo de estimacin, que surgen de los distintos
componentes que entran a formar parte del proceso de estimacin: el modelo estadstico/economtrico escogido, la metodologa de estimacin, o la muestra de
datos seleccionada, por lo que el riesgo de estimacin tiene varios componentes:
el llamado Riesgo de Modelo, que se genera por la eleccin de un determinado
modelo, entre todos los alternativos, para llevar a cabo la estimacin; el riesgo
procedente del inevitable error muestral en toda estimacin, que depende de la
muestra seleccionada para llevar a cabo la estimacin, y el Riesgo Paramtrico,
que se debe a la ausencia de precisin con que se lleva a cabo la estimacin.
Es importante asociar a la estimacion del VaR una medida de la precisin
con que se ha obtenido su valor numrico. El modo en que se haga depende del
enfoque que se haya seguido en la estimacin numrica del VaR, ya sea por simulacin o mediante un modelo paramtrico. Cuando se obtiene por simulacin,
se genera una distribucin de probabilidad simulada para la rentabilidad, pero
la estimacin del VaR puede ser muy sensible al tamao de la muestra utilizada
o al nmero de simulaciones histricas en que basamos su clculo. De hecho, el
tamao muestral parece ser un condicionante importante del valor numrico
del VaR (Case Study 4.3.3.1). Cuando se utiliza un enfoque paramtrico,
suponiendo Normalidad e independencia de las rentabilidades, es sencillo estimar la matriz de covarianzas de los factores de riesgo. Recordemos (ver captulo
sobre Volatilidad) que cuando se estima la varianza de la rentabilidad mediante
la varianza muestral, entonces la desviacin tpica de la volatilidad es:
^
DT (^ ) ' p
2T
mientras que si se estima mediante un esquema de media mvil ponderada
(EWMA), tenemos:
s
1
DT (^ ) ' ^
2(1 + )
Es interesante extender tal estimacin para obtener una desviacin tpica
aproximada para el VaR. Tal desviacin tpica podra utilizarse para contrastar
si los valores numricos obtenidos para el VaR por dos procedimientos distintos
son estadisticamente diferentes. Asimismo, es til para obtener intervalos de
conanza para el VaR.

103

10.1
10.1.1

Distribucin del estimador del VaR

Distribucin del estimador del VaR en modelos lineales paramtricos

Rentabilidades con distribucin Normal Si se espera que la cartera genere

una rentabilidad igual a la del activo sin riesgo, entonces el VaR es proporcional
a la volatilidad (desviacin tpica) de la cartera, siendo sencillo obtener sus
propiedades estadsticas. Para un horizonte de h dias, tenemos:
p
h
V aR (h) = 1 1
Puesto que

y h son constantes, tenemos:

DT (V aR (h)) '

1
1

^ p
V aR (h)
p
h= p
2T
2T

(17)

Mientras que si la varianza se ha estimado mediante un esquema EWMA,

tenemos:
s
s
p
1
1
h = V aR (h):
DT (V aR (h)) ' 1 1 ^
2(1 + )
2(1 + )
Rentabilidades con distribucin t-Student Cuando las rentabilidades son
i., i.d., con distribucin t-Student con grados de libertad, y se espera que dicha
cartera proporcione, en media, la rentabilidad del activo sin riesgo, la estimacin
del VaR a un perodo es:
r
2 1
t Student V aR ; =
t ;1
Para horizontes cortos (h pequeo), la extrapolacin lineal en la desviacin
tpica es razonable, y tenemos para h perodos:
r
2 1
t Student V aR ; (h) = h
t ;1
En comparacin con el supuesto de Normalidad de las rentabilidades, la
leptocurtosis de la distribucin t-Student har que el VaR calculado bajo este
supuesto sea superior al estimado bajo Normalidad, y que los errores estndar
sean asimismo mayores. Esta expresin podra utilizarse asimismo para la estimacin del error estndar del VaR de modo similar a como vimos en el caso de
la distribucin Normal.

DT (V aR

;v (h))

'

1
;1

^ p
t
p
h=
2T

104

Student V aR
p
2T

;v (h)

(18)

10.1.2

Distribucin no paramtrica del estimador del VaR

Cuando el clculo del VaR se basa en un modelo factorial, el VaR se obtiene

a partir de una forma cuadrtica, en la que aparecen tanto la matriz de covarianzas de los factores, como las estimaciones numricas de las betas, las
sensibilidades de la cartera a cada uno de los factores. Calcular expresiones
para la desviacin tpica del VaR incluso con carcter de meras aproximaciones
es entonces complejo, y puede ser preferible construir directamente una aproximacin a la distribucin de probabilidad del VaR, tenendo en cuenta que es un
cuantil de la distribucin de probabilidad de la rentabilidad de la cartera, como
hacemos en esta seccin.
Cuando la estimacin del VaR se basa en simulacin histrica o en simulacin
monte Carlo, el error muestral puede ser una fuente importante de error de estimacin. Incluso en el modelo de simulacin histrica (el modelo con ajuste
de volatilidad o ltrado de rentabilidades no paramtrico o semiparamtrico),
el error muestral puede introducir bastante imprecisin acerca de la estimacin
numrica del VaR. El error muestral es ms fcil de controlar en la simulacin
Monte Carlo, pero en ella tenemos el componente de riesgo procedente de la
estimacin de los parmetros del modelo. En la simulacin histrica, el tamao
muestral escogido para las simulaciones es el principal determinante de la precisin (o su ausencia) en la estimacin del VaR. En la simulacin Monte Carlo,
utilizando un elevado nmero de simulaciones, junto con tcnicas de reduccin
de varianza, podemos conseguir que el riesgo de estimacin paramtrica y el
riesgo de modelo sean las principales factores explicativos de la falta de precisin (elevada desviacin tpica) en la estimacin del VaR por este mtodo.
Como proporcin del valor de la cartera, el V aRp (h) es igual a
; siendo
el cuantil p de la distribucin de rentabilidades de la cartera a horizonte de
h das. Pero desconocemos dicha distribucin de probabilidad, de la que solo
disponemos de una muestra. Por tanto, podemos utilizar dicha muestra para
estimar el cuantil p poblacional, pero sera conveniente tener una medida del
grado de precisin de dicha estimacin.
Aproximacin Normal Dada una muestra aleatoria, denotemos por It (p)
la funcin indicatriz que toma el valor 1 si la observacin t est por debajo del
cuantil p poblacional , que desconocemos, y toma el valor 0 en caso contrario.
Sea ahora X(T; p) la suma de dichas funciones a lo largo de toda la muesPT
tra: X(T; p) = t=1 It (p): La variable aleatoria It (p) sigue una distribucin de
Bernoulli, B(p); 19 mientras que X(T; p) sigue una distribucin binomial B(T; p):
Por tanto, su esperanza matemtica es T p y su varianza T p(1 p): Permitiendo
tender T a innito, podemos aplicar la aproximacin Normal, y tenemos que:
X(T; p)
p
T p(1

Tp
p)

N (0; 1)

1 9 Pues toma el valor 1 cuando el dato es inferior a

otma el valor cero en caso contrario.

105

(19)

lo que sucede con probabilidad p; y

A partir de esta expresin podemos generar un intervalo al nivel del 100(1")% de conanza para el nmero de observaciones muestrales por debajo del
cuantil p poblacional, X(T; p):
h
i
p
p
1
1
Tp
T
p(1
p)
;
T
p
+
T
p(1
p)
"=2
"=2

donde denota la funcin de distribucin Normal estndar, N (0; 1):

Es importante distinguir entre la probabilidad p que caracteriza el cuantil
que buscamos, y el nivel de conanza 1 " al que construimos el intervalo para
dicho cuantil. Por ejemplo, con p = 5%; " = 1% y una muestra de 500 datos,
dicho intervalo sera (11 ; 37): Una vez que hemos estimado este intervalo, ordenaramos la muestra de rentabilidades de menor a mayor y tomaramos las
rentabilidades numricas que ocupasen los puestos 11 y 37 en dicha ordenacin.
Supongamos que estas son -1,40% y -1,05%, respectivamente. Nuestra conclusin sera que el cuantil 5% de la distribucin de rentabilidades de la cual
disponemos de una muestra de tamao 500, est comprendida en el intervalo
(-1,40%;-1,05%) con una probabilidad del 99%. Por supuesto que podemos tambin calcular exactamente el cuantil 5% muestral, que ser la rentabilidad que
ocupe el lugar 25 en la muestra ordenada, y estar comprendida entre -1,40%
y -1,05%. Supongamos que resulta ser igual a -1,21%, lo que nos dara una
estimacin del cuantil 5% poblacional, pero no conceramos con qu precisin
habramos obtenido dicha estimacin. Eso es lo que nos proporciona el intervalo
de conanza que hemos construido.
Utilizando un supuesto acerca de la funcin de densidad Hasta aqu
no hemos utilizado ninguna informacin acerca de F; la distribucin muestral de
rentabilidades de la cartera de activos. Veamos ahora cmo podemos incorporar
tal informacin, lo cual hace el procedimiento aplicable, por ejemplo, en la
estimacin del VaR histrico.
Dividiendo en (19) numerador y denominador por T :
p(T; p) p
p
p(1 p)=T

N (0; 1)

A partir de esta distribucin asinttica, teniendo en cuenta que el cuantil

= q(T; p) satisface: F (q(T; p)) = p(T; p); tenemos:
F (q(T; p))

N p; T

p(1

p)

(20)

Ahora, supongamos que F es aproximadamente lineal en el rango relevante

de la distribucin, lo que podemos expresar como:
F (q(T; p)) ' q(T; p)f (q(T; p))

(21)

siendo f la funcin de densidad. Dicho de otro modo, suponemos que la

funcin de densidad es lineal en la regin de la cola de la distribucin que esta-

106

mos considerando.20 No puede negarse que este supuesto, sugerido en Kendall

(1940), es bastante estricto, y condiciona la validez rigurosa de los resultados
que siguen.
Bajo este supuesto, tenemos, por (20) que:
q(T; p)f (q(T; p))

N p; T

p(1

p)

es decir:
q(T; p)

p
T 1 p(1 p)
;
f (q(T; p)) [f (q(T; p))]2

por lo que la desviacin tpica aproximada para el estimador muestral del

cuantil p es:
p
T 1 p(1 p)
DT (q(T; p))
(22)
f (q(T; p))
que podemos utilizar para estimar un intervalo de conanza al 100(1-")%
para el cuantil poblacional utilizando informacin acerca de la distribucin de
rentabilidades a travs de la presencia en esta expresin de la funcin de densidad
f:
Por ejemplo, bajo una distribucin Normal estndar, el cuantil 5% es 1,65.
Con una muestra con T = 100; el intervalo de conanza del 95% de conanza
sera (1; 23; 2; 06); que puede considerarse muy amplio. Con T = 250; el intervalo sera (1; 38; 1; 91); mientras que con T = 1250; el intervalo se reducira a
(1; 53; 1; 76): Si trabajamos con el VaR 1%, tenemos para la Normal estndar el
cuantil 2,33. Con un ao de datos, el intervalo de conanza sera (1; 86; 2; 79) ;
notablemente ms amplio que el obtenido para el VaR 5%.
El VaR es el cuantil p cambiado de signo, por lo que su desviacin tpica
ser misma que la desviacin tpica del cuantil, que acabamos de deducir. Dado
un nivel de signicacin para el VaR, por ejemplo del 1%, ese ser nuestro p:
Si partimos de un determinado supuesto acerca de la funcin de distribucin
F seguida por las rentabilidades de la cartera, comenzamos invirtiendo dicha
funcin al nivel p: Es decir, encontramos el nmero real tal que21 F ( ) = p:
A continuacin, calculamos el valor numrico de la funcin de densidad22 de las
rentabilidades en dicho punto f ( ) y lo llevamos a la expresin (22) :
Dos comentarios acerca de la aplicacin prctica de este resultado: 1) requiere conocer la funcin de densidad f de la rentabilidad de la cartera, y 2)
2 0 Si F es lineal en dicha regin: F (x) = k:x; por lo que, tomando derivadas: f (x) = k; lo
que implica que: F (x) = x:f (x); como aparece en (21)
2 1 Si suponemos una distribucin de rentabilidades Normal, la funcin NORMINV de Excel, a la que hemos de dar como inputs los valores numricos de , junto conl a esperanza
matemtica y la desviacin tpica de la distribucin de rentabilidades, nos proporciona x:
2 2 En el caso de una Normal, la funcin NORMDIST de Excel, con inputs (x; ; ; f also) nos
proporciona dicha estimacin, siendo ; la esperanza y desviacin tpica de la distribucin
de rentabilidades. El ltimo input "falso" hace que el resultado sea el valor numrico de la
funcin de densidad en el punto x, y no el valor numrico de la funcin de distribucin, lo que
sucedera si escribisemos "verdadero", en lugar de "falso".

107

se basa en la validez del supuesto acerca de que la cola de la distribucin de

rentabilidades es localmente plana, siendo slo una aproximacin en los dems
casos.
Comparacin de la precisin de distintos mtodos en la estimacin
del VaR Hemos visto dos procedimientos para la estimacin del VaR: por
un lado, acabamos de ver como utilizar el cuantil de la distribucin observada
de rentabilidades; por otro lado, antes vimos cmo utilizar la desviacin tpica
de dicha distribucin. A diferencia de los cuantiles, la desviacin tpica utiliza
informacin relativa a toda la distribucin de rentabilidades, por lo que cabe
esperar que sea ms eciente, generando estimaciones ms precisas.
Para el VaR
p
al 95% de conanza tendramos: DT ( ^ ) = :DT (^ ) = ^ = 2T : Con un ao
de datos tendramos alrededor del percentil 5%, que es 1,65, un intervalo
p del
95% (semiamplitud dos desviaciones tpicas) igual a 1; 65 (1; 96)(1; 65)^ = 500:
En una Normal estndar ( = 1), esto genera un intervalo de conanza para el
VaR de: (1; 51; 1; 79) ; frente al intervalo (1,38; 1,97) que obtuvimos estimando
el VaR a travs del percentil.
Que los errores estndar obtenidos a partir del error estndar de la estimacin
de la varianza (17) sean menores, sugiere que la estimacin del VaR por este
procedimiento es ms eciente (ver Example IV.6.4, Ejercicio 4.2). Esto sucede
porque dichos errores estandar utilizan la informacin acerca de que la distribucin de rentabilidades es Normal. Si dicho supuesto es correcto, sera preferible
utilizar estos errores estndar. Sin embargo, si las rentabilidades no siguen una
distribucin Normal, los errores estandar que resultan por este procedimiento
no seran correctos. Por otra parte, si el supuesto que se ha hecho acerca de
que F sea lineal en la cola de la distribucin no se cumple, las desviaciones
tpicas calculadas pueden ser bastante incorrectas, como puede comprobarse si
se utilizan ambos mtodos para estimar desviaciones tipicas del VaR en el caso
de una distribucin Normal de rentabilidades.

10.2
10.2.1

Validacin del model de estimacin del VaR

Backtesting

Un procedimiento de backtest se basa en el resultado obtenido por una determinada cartera representativa, en el sentido de tener una exposicin tpica a los
distintos factores de riesgo que se consideren relevantes en el anlisis. Hemos
de suponer que o bien las posiciones en los distintos activos o los porcentajes
invertidos en ellos. Mantener constantes las ponderaciones implica que se hayan
estado ajustando continuamente las posiciones, segun iban variado los precios
de los activos, por lo que se habla entonces de un VaR dinmico. Si en la cartera
se permiten posiciones cortas y largas, entonces no cabe mantener las ponderaciones constantes, sino las posiciones en los activos. Otro criterio consiste en
suponer que lo que se ha mantenido constante con el paso del tiempo han sido
las betas de la cartera con respecto a cada uno de los factores considerados.

108

Por supuesto que el resultado del backtest depende no solo del modelo
seguido para el clculo de laVaR, sino de la cartera considerada, por lo que
el contraste puede dar resultados contrarios en distintas carteras. Un backtest
debe llevarse a acabo con un nmero de datos sucientemente grande pues, de
lo contrario, el contraste carecer de potencia, no siendo capaz de rechazar un
modelo de VaR que sea inadecuado. Asimismo, el backtest ha de realizarse con
observaciones no solapadas. Esto signica que si se trata de un VaR a horizonte
h; comenzaremos utilizando n observaciones (perodo de estimacin) para estimar el VaR a horizonte h; es decir, en el instante n+h: Se calcula la rentabilidad
observada en la muestra sobre ese periodo de 10 dias y se comprueba si se trata
o no de una excepcin. A continuacin, moveremos la ventana muestral para
recoger las observaciones h + 1 a n + h: Con estas, se estima el VaR para el
periodo n + 2h; y se vuelve a desplazar la ventana muestral h observaciones
hacia el futuro. Se procede de este modo hasta agotar la muestra. Con ello se
tienen aproximadamente (T n)=h estimaciones del VaR a h periodos, y otras
tantas observaciones de la rentabilidad sobre esos mismos h perodos. Ese es el
nmero de ocasiones en que concluirmos si se ha producido o no una excepcin.
El periodo de estimacin es generalmente bastante mas corto si se trata de un
VaR paramtrico o se estima el VaR por Monte Carlo, que si se estima mediante
simulacin histrica.
La validacin del modelo de estimacin del VaR se basan en la excepciones
que se observen a lo largo de la muestra. Unos contrates se basan en el nmero de
tales excepciones; otros en la ocurrencia temporal de tales excepciones, y otros,
en ambos aspectos. Otros contrastes tratan de encontrar factores explicativos de
las excepciones, lo que nos llevaria a creer que no suceden de forma puramente
aleatoria, como se supone en todo modelo de estimacin del VaR. Para denir
los contrastes, conviene tener en mente una funcin indicatriz que toma el valor
1 cuando se produce una excepcin, y toma el valor cero cuando no se produce.
Es decir, dado un nivel de signicacin del VaR, tenemos:
I
I
10.2.2

;t+1
;t+1

=
=

1 si Rt+1 < V aR1;

0 en caso contrario

;t

Contraste del nmero de excepciones

Si el modelo de estimacin del VaR fuese adecuado, I ;t+1 seguiria una distribucin de Bernoulli con probabilidad : Si denotamos por Xn; el nmero de excepciones observadas, esta vriable sigue una distribucin Binomial B(n; ). Por
tanto, elnmero de excepciones esperadas sera n ; y su varianza n (1
):
Cuando n es sucientemente grande, Xn; es aproximadamente Normal, de
modo que un intervalo de conanza del 95% para el nmero de excepciones
sera:
p
p
) ; n + 1; 96 n (1
)
n
1; 96 n (1
109

10.2.3

Guidelines

Para las instituciones nancieras, es muy importante disponer de un modelo

adecuado de estimacin de su VaR. Debe justicar la calidad de dicho modelo
mediante pruebas de backtesting, siguiendo las pautas propuestas por los acuerdos de Basilea. SI el modelo de VaR no resulta sucientemente satisfactorio de
acuerdo con dichas normas, la institucin puede verse obligada a disponer de
un capital regulartorio igual a 4 veces su VaR nominal. El backtest que se propona en Basilea II consideraba un VaR 1% a horizonte de un dia, utilizando 250
observaciones en su estimacin. Por tanto,
el nmero esperado de excepciones
p
) =1,5732. El objetivo de los
es de 2,50, con una desviacin tpica n (1
reguladores de riesgos es rechazar modelos que generan un VaR excesivamente
bajo. Ello seria conveniente para la institucin nanciera, que mantendra un
capital regulatorio reducido, con un coste bajo, pero tendra un alto nmero
de excepciones. Los reguladores aceptan modelos de VaR con un nmero de
excepciones igual o inferior a 4. TSe dice que tales modelos estn en la zona
verde, con un capital regulatorio igual a 3 veces su VaR. Si tienen entre 5 y 9
excepciones, el modelo pasa a estar en zona amarilla, y el multiplicador aumenta
gradualmente entre 3,40 y 3,85 veces el VaR. La zona roja viene denida por 10
o ms excepciones, con un multiplicador de 4, o la institucin nanciera debe
variar su modelo de estimacin del VaR.
Sin embargo, cuando el capital regulatorio se calcula utilizando un modelo
de VaR interno a la institucin nanciera, se considera un VaR 1% a horizonte
de 10 dias. Por qu plantean entonces los reguladores un backtest con VaR
a 1 da? La razon es que sera dicil poder disponer de un elevado nmero
de observaciones del VaR a 10 dias. Por ejemplo, con 10 aos de muestra
dispondriamos de tan solo 250 observaciones de VaR, que no son pocas para un
backtest. Podriamos plantearnos analizar elos resultados que genera un modelo
de VaR con horizonte a 10 dias utilizando muestra diarias, pero el problema
que tendramos es que las excepciones ya no seran independientes en el tiempo,
pues una caida importante dlemercado en un determinado dia tenderia a hacer
que se produjeran excepciones durante los 10 das siguientes. Por tanto, aunque
el nmero esperado de excepciones no variara, la varianza de dicho nmero
aumentara considerablemente.
A pesar de ello, las instituciones calculan el VaR a 10 dias cada da. No est
justicado efectuar contrastes basados en la independencia de las excepciones,
pero se pueden obtener estimaciones de distintos eventos, como el de si el capital
regulatorio se va a ver superado cada dia de una determinada semana.
Asimismo, los reguladores permiten en ocasiones a la sinstituciones nancieras
estimar su VaR a un dia, y multiplicarlo adecuadamente para elevarlo al horizonte de riesgo deseado. Pero, como sabemos, esto est justicado unicamente
si las rentabilidades de la cartera son independientes en el tiempo y siguen una
distribucin Normal, lo que suele rechazarse en los datos. Por otra parte, si se
utilizan muestras solapadas en la estimacin del VaR a 10 das, podra pensarse en elevar el nmero de excepciones que dene cada una de las zonas que
antes describimos. Ello hara que las instituciones tuviesen que preocuparse de

110

como aumentar el VaR diario para equipararlo a un VaR a 10 dias, o tratar de

disponer de un buen modelo de estimacion directa del VaR a 10 dias. Asimismo,
la muestra de 250 observaciones que los reguladores proponen para estimar el
VaR resulta insuciente, generando estimaciones numricas poco precisas, lo
que diculta que se llegue a rechazar un modelo de VaR inadecuado.
En la aplicacin prctica de backtests, los reguladores distinguen entre los
P &L realizados, que se obtendran mediante la negociacin intrada, incorporando comisiones, reservas, y costes de nanciacin, y los P &L tericos, no
realizados, que se obtienen mediante el llamado mark-to-market, es decir, valorando la cartera a precios de mercado, sin incorporar los elementos que hemos
mencionado.
10.2.4

Contrastes de modelos de VaR

Contraste de cobertura incondicional Los contrastes de cobertura incondicional, propuestos por Kupiec (1995) se basan asimismo en el nmero de
excepciones. La hiptesis nula es que la funcin indicatriz que antes denimos
sigue una distribucin de Bernoulli con una probabilidad constante de observar
el suceso (una excepcin), igual al nivel de signicacin del VaR. El estadstico
de contraste es:
LRci =

n1
m (1
n1

^ (1

n0
m)
^ )n0

donde n1 es el nmero observado de excepciones, y n0 = n n1 ; siendo

n el tamao de la muestra utilizada para la validacin del VaR, ^ denota el
porcentaje observado de excepciones ^ = n1 =n, m es el porcentaje esperado
de acuerdo con el modelo terico: m = . En muestras grandes, 2:ln(LRci )
se distribuye como una chi-cuadrado con 1 grado de libertad, con cuyos valores crticos habr que comparar el valor numrico que hayamos obtenido para
2:ln(LRci ) .[EIV.6.5]
Contraste de independencia temporal Suele observarse que las excepciones no estn distribuidas de modo aleatorio a lo largo de la muestra, sino que
ocurren en mayor frecuencia en determinados intervalos de tiempo. Ello reejara que el modelo de VaR que se est utilizando no responde sucientemente
a las circunstancias de mercado. En particular, esto sucedera si la estimacin
de la varianza a lo largo de la muestra no es sucientemente exible.
Por tanto, un contraste de validacin el VaR es el de la independencia temporal en la ocurrencia de las excepciones. Para ello, se tiene en cuenta que si
las excepciones no se presentan de modo independiente, la probabilidad de que
maana se observe una excepcin es ms elevada si hoy se produjo una excepcin, que si no se produjo. Si denotamos por nij el nmero de observaciones en
que el indicador toma el valor i en un perodo, seguido del valor j el perodo siguiente. Por ejemplo, n10 sera el nmero de observaciones en que no se produjo
excepcin, habindose producido una excepcin en el perodo anterior. Ntese
que n1 = n11 + n01 ; n0 = n00 + n10 : Denamos las proporciones:
111

01

n01
;
n00 + n01

11

n11
n10 + n11

que miden la proporcion de excepciones, dado que el dato previo no lo fue,

y la proporcin de excepciones que han seguido a una excepcin, 11 :
El estadstico para el contraste de independencia temporal en la ocurrencia
de excepciones, propuesto por Christoersen (998), es:
01 ,

LRind =

n01
01 (1

^ n1 (1
n
01 ) 00

^ )n0
n11
11 (1

n
11 ) 10

y se tiene que 2ln(LRind ) sigue una distribucin chi-cuadrado con 1 grado

de libertad.
Este contraste no detectar la dependencia temporal en la ocurrencia de
excepciones si se producen rentabilidades "normales" entre excepciones. Esto es
debido a que se basa en una cadena de Markov de primer orden, por lo que el
contraste funciona bien si las excepciones viene realmente en dias consecutivos.23
Ntese que para la aplicacin del contraste es preciso que se hayan observado
algunos episodios de excepciones consecutivas, de modo que 11 no sea igual a
cero.[EIV.6.6]
Contraste de cobertura condicional El siguiente estadstico puede utilizarse para contrastar la cobertura incondicional combinada con la independencia de las excepciones, y constituye un contraste de cobertura condicional:
LRcc =

n01
01 (1

n1
m (1
n
01 ) 00

n0
m)
n11
11 (1

n
11 ) 10

tenndose que 2 ln(LRcc ) sigue una distribucin chi-cuadrado con dos grados de libertad.
Es evidente que LRcc = LRci LRind ; por lo que 2 ln(LRcc ) = 2 ln(LRci )
2 ln(LRind ):
Contrastes basados en regresin Estos contrastes se basan en tratar de
explicar la ocurrencia de excepciones por algun factor que era conocido en el
momento de estimar el VaR para el periodo t, como la volatilidad del mercado,
el nivel de los tipos de inters, la pendiente de la estructura temporal, u otros.
En el caso de la estimacin del VaR un perodo hacia adelante, se tratara
de avriables conocidas en t 1: Si alguno de estos factores tuviese capacidad
explicativa, rechazariamos la ocurrencia puramente aleatoria de las excepciones,
lo que implicara un rechazo del modelo de estimacin del VaR. El contraste se
basa en el estadstico F de capacidad explicativa global de la regresin. Una
alternativa al modelo de regresin lineal es, en este caso, el uso de un modelo
logit o probit para explicar la ocurrencia de una excepcin.
2 3 Para los interesados, esta limitacin se debe a que el contraste de independencia se basa
en un modelo de cadena de Markov de orden 1, cuando sera conveniente disponer de un
contraste de orden superior.

112

En ocasiones se observa que la ocurrencia de excepciones est relacionada

con la volatilidad de la cartera ese mismo da. Al no tratarse de la volatilidad
del dia en que se estim el VaR, ello no tiene ninguna implicacin para el contraste del modelo VaR, pero sugiere que el modelo de volatilidad podria estar
mal especicado. Esto puede suceder si, por ejemplo, se han utilizado ventanas
mviles para estimar la volatilidad, que no tienen en cuenta los posibles agrupamientos de volatilidad, como hacen tanto el modelo EWMA de volatilidad
como los modelos GARCH. [EIV.6.7]
Contrastes basados en la calidad de las predicciones de volatilidad
(aadir otros) Cuando se utiliza el modelo lineal Normal, el contrate de
validacin del VaR se reduce a un contraste de validacin de las predicciones
de volatilidad, puesto que ambos son proporcionales. Si denotamos por ^ t la
prediccin, hecha en t; de la desviacin tpica de la rentabilidad obtenida entre
t y t + 1; la rentabilidad estandarizada es:
Rt+1
^t
Si las rentabilidades son i., i.d. con desviacin tpica ; y nuestro modelo
predice adecuadamente, entonces la desviacin tpica de zt debera ser igual
a 1.
El estadstico de sesgo (bias statistic), b; es precisamente igual a la desviacin
tpica muestral de zt y se trata de contrastar H0 : b = 1; frente a una alternativa
unilateral o bilateral, dependiendo de que creamos que el modelo infraestima o
sobreestima el VaR, o no tengamos de tal intuicin.
Recordemos que el error estndar del estimador de la desviacin tpica de
una
q variable aletoria es igual a dicha estimacin numrica, multiplicada por
zt+1 =

1
2T

siendo T el tamao de la muestra. Por tanto, como el valor numrico

de b, que es una desviacin tpica
q ser muy prxima a 1, su error estndar
1
ser aproximadamente igual a
2T : Para contrastar H0 : b = 1; podriamos
p
pensar en utilizar el estadstico 2T ^b 1 . Pero al no tener b una distribucin
Normal,dicho estadstico no tendra una distribucin t Student:
Si suponemos que las rentabilidades estandarizadas son independientes y
siguen una distribucin N (0; 1); entonces T b seguir una distribucin chi-cuadrado
con T grados de libertad, por ser la suma de cuadrados de variables N (0; 1):
Su media sera T y su varianza 2T; por lo que, aplicando el teorema central del
limite para muestras grandes,
T b2
p

N (0; 1)

2T

es decir,
b

r !
2
1;
T
113

y utilizando la expansin en serie de Taylor del mismo modo que hicimos

para obtener los errores estndar del estimador de la desviacin tpica, tenemos:
r !
1
b N 1;
2T
que ser vlida en muestras de backtesting grandes, trabajando con rentabilidades independientes, con distribucin Normal:A partir de esta distribucin,
puede construirse un intervalo de conanza y examinar si la estimacin de b cae
dentro del mismo, no rechazando H0 ; fuera del mismo por su izquierda (subestimacin del VaR), o por su derecha (sobreestimacin del VaR). [EIV.6.10]
Contrastes de la distribucin prevista en el backtesting del VaR Este
contraste examina si los valores numricos observados para las rentabilidades futuras se corresponden con la distribucin de probabilidad utilizada en el clculo
del VaR. Utiliza por tanto todas las rentabilidades observadas, y no slo las que
caen en las colas de la distribucin. Si el backtesting se basa en datos no solapados, y denotamos por Ft la distribucin prevista en t para las rentabilidades
en t + h; tenemos:
pht = Ft (Rt+h )
Si el modelo del VaR es correcto, entonces las probabilidades pht debern
seguir una distribucin Uniforme U (0; 1), ya que deberian ser una secuencia de
nmeros puramente aleatorios. Dicho de otro modo, si el modelo de riesgo es
correcto, no debera ser capaz de predecir la probabilidad de una rentabilidad
futura. Si, por el contrario, el modelo subestima el riesgo en las colas de la distribucin, tendremos un nmero relativamente alto de observaciones en las colas
(con pht prximo a 0 o a 1), y tambien en el centro (pht = 0; 5) por leptocurtosis.
Nos alejariamos asi de la distribucin uniforme de dichas probabilidades en el
intervalo (0,1).
Para facilitar el contraste, transformamos las probabilidades pht en variables
aleatorias Normales mediante:
1

Zht =

(pht )

donde denota la funcin de distribucin de una variable N (0; 1): Queremos

contrastar la hiptesis nula:
H0 : Zht

i:; i:d: N (0; 1)

frente a la alternativa:
H1 : Zht

i:; i:d: N (

h;

2
h );

El estadstico de razn de verosimilitudes:

2 ln(LR) =

2 ln

114

L0
L1

6= 0;

6= 1

Es fcil ver que:

2 ln(LR) =

T
X
t=1

2
zht

T
X

zht

t=1

^h

^h

T ln ^ 2h

donde ^ h ; ^ h denotan la estimacin de la media y desviacin tpica de Zht :

Una alternativa sera aplicar un contraste dinmico, que utilizase una alternativa:
H1 : Zht i:; i:d: N ( ; 2t ); 6= 0; t 6= 1
donde t proviniese de algun modelo especco, como el suavizado exponencial (EWMA). [EIV.6.11]

11
11.1

Apndices
Apndice 1: Semi-desviacin tpica y momentos parciales inferiores de segundo orden

En la medicin del riesgo estamos interesados en los posibles resultados negativos

de una cartera. Por tanto, nos preocupa especialmente medir las caractersticas de la distribucin de rentabilidades en su cola inferior. Los momentos que
examinamos en esta seccin miden las propiedades de las rentabilidades cuando
stas son inferiores a una determinada referencia, como pudiera ser la rentabilidad de un indice de renta variable, o un determinado porcentaje previamente
estipulado.
La semivarianza es una medida de dispersin de las observaciones inferiores
a la esperanza matemtica de una variable:
SV ar(X) = E min(X

E(X); 0)2

Puesto que E [min(X E(X); 0)] 6= 0 , excepto que X = E(X) con probabilidad 1, tenemos que: E min(X E(X); 0)2 6= V ar (min(X E(X); 0)) :Es
decir, la semivarianza no es la varianza de las observaciones inferiores a la referencia escogida en su denicin.
La semi-desviacin tpica estimada a partir de una muestra es:
v
u
T
u1 X
2
^ semi = t
min Rt R; 0
T t=1

en cuyo clculo suelen incluirse los "ceros", es decir las observaciones con
Rt = R: Al igual que el resto de los momentos que vemos en esta seccin, la
semidesviacin tpica se especica en trminos anualizados.
El momento parcial inferior de orden 2 es anlogo a la semi-desviacin tpica,
pero calculado con respecto a una referencia : En general, el momento parcial
inferior de orden k , siendo k un nmero no necesariamente entero, (Lower
partial moment) es:

115

h
LP Mk; (X) = E jmin(X

; 0)j

1=k

= E max(

X; 0)k

1=k

El LPM de orden 1 respecto del origen, LPM1;0 es:

LP Mk; (X) = E [max(

X; 0)]

que es el pago esperado en una opcin put con precio de ejercicio igual a , y
puede interpretarse como el coste de asegurarse respecto del riesgo de prdidas
de una cartera.
Segn aumenta k, el LPM va asignando mayor peso a las rentabilidades
ms negativas. El momento LP M2;0 es la semi-desviacin tpica respecto de
; LP M3;0 se denomina la semi-asimetra (semi-skewness), mientras que LP M4;0
es la semi-curtosis. Ejercicios: [EIV.1.1], [EIV.1.2]
11.1.1

Distribuciones no estndar

La distribucin generalizada de errores tiene por funcin de densidad:

s
1
v
0;5j x jv )
v
(
e
; = 2 (2=v)
f (x) = (1+1=v)
3
2
(1=v)
v
donde v es una parmetro que controla el perl de la funcin de densidad.
Incluye la densidad Normal cuando v = 2; y tiene colas ms gruesas que la
Normal para v menor que 2. El parmetro asegura que la varianza sea igual
a 1.
Distribuciones truncadas
La funcin de densidad truncada que resulta al considerar los valores por
debajo de un umbral q en una funcin de densidad f (x) es:
g(x) = R q

f (x)
; x<q
f (x)dx
1

con esperanza matemtica:

Rq

E [g(x)] = R q

xf (x)

f (x)dx

que mide el valor esperado de la variable X cuando X < q:

Su varianza es:
Rq
x2 f (x)
2
(E [g(x)])
V ar [g(x)] = R q 1
f
(x)dx
1
En el caso de una variable "

Normal(0,1) tenemos:

E(" j " <

)=

116

( )
)

Por ejemplo, para

= 0; tenemos:
E(" j " < 0) =

11.2

p1
2

e0
=

0; 5

Apndice 2: Valoracin de opciones en presencia de

asimetra y curtosis. El modelo Gram-Charlier.

El precio de una opcin call debe ser igual al valor esperado y descontado de su
pago a vencimiento, donde la expectativa se calcula de acuerdo con la distribucin libre de riesgo:
c=e

rT

Et [M ax(St+T

X; 0)]

El modelo de Black Scholes Merton supone que las rentabilidades diarias del
activo subyacente se distribuyen independientemente en el tiempo, de acuerdo
con una distribucin Normal con esperanza y varianza constantes, N ( ; 2 ). En
tal caso, la rentabilidad sobre el horizonte a vencimiento de la opcin seguir
una distribucin N (T ; T 2 ); y el precio del activo subyacente al vencimiento
de la opcin ser: St+T = St eRt+1;t+T :
Esto conduce a:

c = e
= e

rT

rT

Z
Z

M ax(St ex

1
1

ln(X=St )

X; 0)f (x )dx =
Z 1
x
St e f (x )dx
Xf (x )dx
ln(X=St )

donde x denota la variable riesgo-neutro correspondiente a la rentabildad

del activo subyacente entre t y t + T: La integral anterior resulta:
cBSM = e

rT

donde

St erT (d)

X (d

i
T ) = St (d)

Xe

rT

(d

T)

denota la funcin de distribucin de la variable N (0; 1); y d =

2
=2)
:
La paridad put-call es una relacin de ausencia de arbitraje, que no precisa
de ningn modelo de valoracin:
ln(St =X)+T (r+
p
T

St + p = c + Xe

rT

y, junto con la expresin anterior para el precio de la opcin call, conduce al

precio de la opcin put:
cBSM = c + Xe

rT

St = Xe

117

rT

d)

St ( d)

En el caso en que el activo reparte una tasa de dividiendos ( u otro tipo de

2
rentas) constante, anual, igual a q; la expresin para d es: d = ln(St =X)+Tp(rT q+ =2) ;
puesto que el inversor que tiene la opcin en su cartera recibe al vencimiento
de la opcin tan slo el activo subyacente,pero no la renta que su posesin ha
generado desde que se compr la opcin.
En consecuencia, de acuerdo con el modelo BS, el precio de una opcin call
es una funcin: cBS = c(St ; r; X; T; q; ) y, si disponemos de una muestra de n
opciones negociadas un determinado da sobre un mismo activo subyacente, la
volatilidad de dicho subyacente puede estimarse mediante el problema:
M in M SEBSM = M in

n
1 P
cmkt
n i=1 i

cBSM (St ; r; Xi ; Ti ; q; )

La volatilidad implcita se dene:

vi
BSM

1
= cBSM
(St ; r; X; T; q; )

que puede calcularse para cada opcin por separado. De acuerdo con el
modelo BSM, dicha volatilidad debera sernica para cada activo subyacente,
con independencia del vencimiento del opcin considerada, o de su precio de
ejercicio. Sin embargo, se observa que esto no es as, apareciendo sonrisas o
muecas de volatilidad. En el primer caso, la curva de volatilidad sobre el grado
de Moneyness describe una curva cncava, indicando la infravaloracin de las
opciones muy out-of-the-money por parte del modelo BSM, debido a un exceso
de curtosis en la distribucin de rentabilidades del activo subyacente. La mueca
reeja una infravaloracin de una cola del mercado por parte del modelo BSM,
habitualmente la formada por las opciones muy in-the-money. Estadsticamente,
se debe a una asimetra en la distribucin de rentabilidades del activo subyacente. En consecuencia, las opciones put muy out-of-the-money estn asimismo
infravaloradas por el modelo BSM.
Consideremos ahora la existencia de asimetra y curtosis en la distribucin
de rentabilidades del activo subyacente. Es sencillo ver que los coecientes
de asimetra y curtosis de la rentabilidad sobre un perodo de longitud T se
relacionan
con los coecientes de las rentabilidades diarias mediante: 1T =
p
11 = T ; 2T = 21 =T: Por tanto, si denimos la rentabilidad estandarizada:
!T =

Rt+1;t+T
p
T

p
tenemos: Rt+1;t+T = T + T !:
Si suponemos ahora que las rentabilidades estandarizadas siguen una distribucin caracterizada por la expansin de Gram-Charlier, tenemos:
f (! T ) = (! T )

1T

1 3
D (! T ) +
3!

2T

1 4
D (! T )
4!

donde (:) denota la funcin de densidad de la N (0; 1);y Di denota el operador derivada.

118

Tenemos, por tanto:

D1 (!)
D3 (!)

! (!); D2 (!) = (! 2 1) (!);

(! 3 3!) (!); D4 (!) = (! 4 6! 2 + 3) (!);

=
=

La funcin de densidad Gram-Charlier f (! T ) es una expansin alrededor de

la funcin de densidad Normal, que permite asimetra y curtosis no nulas, pero
que se reduce a la densidad N (0; 1) cuando el coecinte de asimetra y el exceso
de curtosis son ambos cero. La expansin de Cornish-Fiser, por el contrario, se
aplica a la inversa de la funcin de distribucin de una variable aleatoria.
Para poner precio a opciones Europeas, partimos de nuevo de la frmula
libre de riesgo de valoracin de una opcin:
c=e

rT

Et [M ax(St+T

por lo que debemos resolver:

Z 1
c = e rT

(St ex

X; 0)]

X)f (x )dx

ln(X=St )

Antes trabajamos con la distribucin Normal con esperanza r y varianza

diariamente. Ahora, en cambio, denimos la rentabilidad estandarizad a
horizonte T :
2

!T =

rT
T

y suponemos que sigue una distribucin Gram-Charlier.

Bajo tal supuesto, el precio de la opcin call es aproximadamente igual a:

St (d)

Xe

rT

= St (d)

Xe

rT

cGC

(d

p
T ) + St (d) T

(d

T ) + St (d)

1T

p
(2 T

3!
p
1
(2 T
3!

2T

d)

d)

21

4!

4!
(1

(1

p
d2 + 3d T

La expresin es aproximada porque hemos prescindido de los trminos en

y 4 ; lo que nos permite mantener la misma denicin para el parmetro d
que en el modelo BSM. De este modo, el modelo Gram-Charlier (GC) es una
extensin del modelo BSM para el caso en que hay asimetra y curtosis. La
existencia de dividendos o rentas puede ser tenida en cuenta del modo habitual.
El modelo GC tiene tres parmetros desconocidos: ; 11 ; 21: Pueden estimarse por un procedimiento numrico resolviendo el problema de optimizacin:
3

n
1 P
cmkt
i
21 n i=1

M in M SEGC = M in

11 ;

21

11 ;

119

cGC (St ; r; Xi ; Ti ; ;

11 ; 21 )

p
d2 + 3d T
3T

3T
2

) =

mientras que la volatilidad implcita puede calcularse para cada opcin mediante:
vi
GC

1
= cBSM
(St ; r; X; T ; cGC )

de modo que, una vez que se dispone de valores numricos para los parmetros ; 11 ; 12 ; se lleva el precio terico generado por el modelo GC a la frmula
de valoracin del modelo BSM, y se invierte para encontrar as la volatilidad
implcita.
Puede utilizarse asimismo la expresin aproximada:

vi
GC

1
= cBSM
(St ; r; X; T ; cGC )

p
11 = T
d
3!

21 =T
(1
4!

d2 )

que se reduce a la expresin habitual en ausencia de asimetra y curtosis. El

modelo CG proporciona una formula de valoracin cerrada, en un contexto de
asimetria y curtosis, que permite recoger las puatas sistemticas de volatilidad
que se observan en los mercados.

11.3

Apndice 3: El modelo GARCH de valoracin de

opciones

El modelo de Gram-Charlier para valorar opciones es capaz de recoger la asimetra

y curtosis en volatilidad, pero tiene la desventaja de que supone que sta es
constante en el tiempo, contrariamente a la robusta observacin emprica al
contrario en todos los mercados. Puede decirse, que mientras que el modelo GC
captura la estructura de precios de las opciones a travs de los precios de ejercicio, sin embargo no recoge la estructura existente a lo largo de los vencimientos.
En esta seccin consideramos la formacin de precios de opciones cuando la
rentabilidad esperada del subyacente sigue un proceso GARCH. La diferencia
estriba en que bajo volatilidad constante, la estructura temporal de volatilidades
es constante, ya que la varianza de la rentabilidad a un horizonte de T periodos
es igual a T 2 ; siento 2 la varianza de la rentabilidad sobre un perodo.
Suponemos que el proceso GARCH especica que la rentabilidad esperada
es igual a la tasa libre de riesgo, r; ms una prima por riesgo de volatilidad ; as
como un trmino de normalizacin. Por otro lado, se supone que la rentabilidad
observada cada perodo es igual a la rentabilidad esperada r; ms una prima
1 2
por el riesgo de volatilidad,
t+1 ; un trmino de normalizacin,
2 t+1 ; ms
una innovacin. Se supone que dicha innovacin sigue una distribucin condicional N (0; 2t );donde 2t evoluciona de acuerdo con un proceso GARCH(1,1)
con apalancamiento, lo que crea asimetra en la distribucin de rentabilidades,
lo cual es importante para explicar la asimetra observada en los precios de las
opciones:

120

Rt+1
2
t+1

ln St+1

ln St = r +
2
t)

= ! + ( t zt

1
2

t+1

2
t+1

t+1 zt+1 ;

zt+1 =

N (0; 1)

2
t

que implican una esperanza y varianza condicional para las rentabilidades:

Et Rt+1

= r+

Vt Rt+1

h
= Et (Rt ) = Et er+

= er+

t+1

1
2

2
t+1

2
t+1 ;

2
t+1

Utilizando la conocida propiedad: x

emos:
Et (St+1 =St )

1
2

t+1

1
2

N( ;

t+1
2
t+1

) ) E(ex ) = e

2
t+1 + t+1 zt+1

1
2

= er+

t+1

= er+

t+1

1
2

=2

; ten-

2
t+1

Et [e

que muestra el papel que juega el parmetro como precio del riesgo de
volatilidad.
Si partimos nuevamente de la expresin genrica para el precio de una opcin
call:
c=e

rT

Et [M ax(St+T

X; 0)]

Bajo neutralidad al riesgo, debemos tener una rentabilidad esperada igual a

la tasa libre de riesgo, y una volatilidad esperada igual a la del proceso original:
Et (St+1 =St ) = r
2
Vt (Rt+1 ) =
t+1
Consideremos ahora el proceso:

Rt+1
zt+1 =

t
2
t+1

ln St+1

ln St = r

N (0; 1)
= ! + ( t zt

1
2

2
t+1

t+1 zt+1 ;

(23)
(24)

t)

2
t

cuya esperanza condicional, bajo la distribucin de probabilidad libre de

riesgo es: Et (St+1 =St ) = r; y cuya varianza condicional bajo esa misma distribucin es:

121

t+1 zt+1

]=

Vt (Rt+1 )

= Et

"

2
t+1

= E t ! + ( t zt

[Por (23) ] = Et ! +

Rt

= E t ! + ( t zt

2
t

1
2

2
t

2
t)

2
t)

2
t

=
#

2
t

= Et

2
t+1

2
t+1

Por tanto, (23) satisface las dos condiciones que debe satisfacer un proceso
libre de riesgo.
La ventaja de este modelo es su exibilidad, pudiendo ser adaptado a cualquiera
de las especicaciones GARCH vistas. Adems, ajusta los precios de las opciones con bastante aproximacin. La limitacin es que no existe una frmula
cerrada para el precio de las opciones,que deben valorarse mediante simulacin.
Para ello notemos que podemos eliminar un parametro mediante la especicacin:
2
t+1

= ! + ( t zt

2
t)

2
t

= ! + ( t zt

2
t)

2
t

donde
= + :
Para llevar a cabo las simulaciones con objeto de valorar una opcin, a
partir de una observacin para 2t+1 ; generamos N observaciones N (0; 1) para
zt+1 = t : Como queremos calcular la esperanza matemtica Et utilizando el
proceso estocstico libre de riesgo, calculamos ahora la rentabilidad y varianza
riesgo-neutro en el perodo t + s para la simulacin j-sima mediante:

Rj;t+s
2
j;t+s+1

= r

1
2

2
j;t+s

= !+ (

j;t+s zj;t+s ;

j;t+s zj;t+s

j = 1; 2; :::N

2
j;t+s )

2
j;t+s ;

s = 1; 2; :::

Repitiendo el ejercicio de simulacin, obtenemos N realizaciones para el horizonte deseado. El precio hipottico del activo a vencimiento bajo la distribucin
riesgo-neutro puede calcularse, para cada realizacin:
PT

Sj;t+T = St e

s=1

Rj;t+s

; j = 1; 2; :::; N

y el precio de la opcin se calcula mediante el promedio descontando los

pagos hipotticos a vencimiento:
cGH

rT

N
1 P
M ax Sj;t+T
N j=1

X; 0

que converge a la esperanza matemtica segn aumenta el nmero de simulaciones. N = 5000 debera ser suciente para proporcionar una aproximacin
sucientemente buena en la mayora de los casos.

122

Los parmetros del modelo GARCH deben estimarse previamente, lo que

puede hacerse mediante el procedimiento de Mxima Verosimilitud. Alternativamente, si la muestra de opciones disponible para un determinado da es sucientemente amplia, podemos estimar resolviendo el problema de optimizacin:

M in

2
t+1 ;!;

; ;

M SEGH =

M in

2
t+1 ;!;

; ;

n
1 P
cmkt
n i=1 i

cGH (St ; r; Xi ; Ti ;

2
t+1 ; !;

; ;

donde estamos tratando 2t+1 como un parmetro desconocido. Debe tenerse

en cuenta, sin embargo, que segn el algoritmo numrico va buscando en el espacio paramtrico un vector de valores numricos para 2t+1 ; !; ; ; ; hay que
proceder a la valoracin de las opciones mediante simulacin, por lo que se trata
de un procedimiento bastante exigente desde el punto de vista computacional.
Por otra parte, este procedimiento permitira analizar la variabilidad temporal
de los valores numricos de los parametros del modelo, 2t+1 ; !; ; ; :
Existe una especicacin GARCH algo ms particular que la anterior, que
genera una frmula cerrada para el precio de la opcin:
Rt+1
2
t+1

= ln St+1 ln St = r +
2
= ! + (zt
t) +

2
t+1

t+1 zt+1 ;

zt+1 =

N (0; 1)

2
t

La persistencia de la varianza en este modelo viene dada por

varianza incondicional es 1 !+2 :
La versin riesgo-neutro de este proceso es:

Rt+1
2
t+1

ln St+1

1
2

ln St = r
2
t)

= ! + (zt

2
t+1

t+1 zt+1 ;

zt+1 =

+ ; y la

N (0; 1)

2
t

siendo sencillo ver que:

Et (St+1 =St ) = r
2
Vt (Rt+1 ) =
t+1
Bajo este proceso GARCH, el precio de una opcin call europea es:
cCF G = St P1

Xe

rT

P2

con:

P1 =

1 1
+
2

Re

i'

f (i' + 1)
i'f (1)

d'; P2 =

donde la funcin f (:) est denida por:

123

1 1
+
2

Re

X i' f (i')
i'

d';

f (') = St' eAt;t+T (')+Bt;t+T (')

2
t+1

con expresiones recursivas:

At;t+T (')

= At+1;t+T (') + 'r + Bt+1;t+T (')!

At;t+T (')

= '( + )

1
2

1
ln (1 2 Bt+1;t+T ('))
2
1
('
)2 =2
2 1 2 Bt+1;t+T (')

+ Bt+1;t+T (')!

que pueden resolverse a partir de condiciones terminales:

At+T;t+T (') = 0; Bt+T;t+T (') = 0

11.4

Apndice 4: Teora de valores extremos (versin 2)

Consideremos una serie de rentabilidades diarias de una cartera: fr1 ; r2 ; :::; rn g ;

cuyos estadsticos de orden extremos son r(1) y r(n) : r(1) = min1 j n frj g; y
r(n) = max1 j n frj g: Nos vamos a centrar en las propiedades del mnimo, que
son las relevantes para el clculo del V aR de una posicin larga. Sin embargo,
la misma teora es vlida para el clculo de la rentabilidad mxima de la cartera,
mediante un cambio de signo:
r(n) =

min f rj g =

1 j n

c
r(1)

donde rtc = rt .
Supongamos que las rentabilidades son incorrelacionadas e igualmente distribuidas, de acuerdo con F (x); y con un rango [l; u] ; :donde los extremos pueden
ser nitos o no. La funcin de distribucin de r(1) ; Fn;1 (x); es:
Fn;1 (x) = 1

[1

F (x)]

que tiende a ser degenerada segn n ! 1 : Fn;1 (x) ! 0 si x l; y Fn;1 (x) !

1 si x > l:
La Teora de Valores Extremos se reere a la posible existencia de sucesiones
f n g ; (factores de escala) f n g ; (parmetros de localizacin), con n > 0; tales
que las distribucin de:
r(1

r(1)

)
n

converja a una distribucin no degerada cuando n ! 1:

La Teora de Valores Extremos tiene dos implicaciones importantes:
la distribucin lmite del mnimo normalizado, F (x); est caracterizada
por el comportamiento en las colas de la distribucin F (x) de rt ; no por
la distribucin especca de las rentabilidades, por lo que es aplicable
a una gama amplia de distribuciones de rentabilidades. Sin embargo,
124

las sucesiones f
rentabilidades,

ng

y f

ng

dependern de la distribucin concreta de

el ndice de cola k; o el parmetro de perl, no depende del intervalo

temporal considerado para las rentabilidades, lo que resulta til en el
clculo del V aR:
11.4.1

Estimacin del modelo

Los parmetros del modelo: k; escala, n ; perl, n ; localizacin, puedes estimarse por mtodos paramtricos (Mxima Verosimilitud o regresin) o por
mtodos no paramtricos.
Mxima verosimilitud
Mtodo de Regresin
Mtodo no paramtrico

125