Documente Academic
Documente Profesional
Documente Cultură
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
28
29
30
31
32
34
37
38
3.6.1
3.6.2
3.6.3
38
39
39
4.3
4.4
4.5
4.6
49
50
51
51
53
55
58
59
61
62
65
67
68
68
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
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
V aR] = Fh (V aR)
(1)
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
pg
Vt = Vt (1 + Rt;t+h )
Vt = Vt Rt+h
Vt+h = Vt
(1 + Rt;t+h )Vt =
Vt Rt;t+h
Vt Rt;t+l
V2 ; entonces (V1 )
(V2 )
k: Si aadimos liquidez
1.2
Un caso paramtrico
f (R)dR = P (R < R )
1
p = P (R < R ) = P
<
=1
de modo que:
R
=1 p)
(1 p) ) R =
(1 p)
R+ R
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
Vt Rt;t+h = Vt
(1
p)
t = Vt
(1
p)
= E(Vt+l )
= Vt
Vt+l = Vt Rt;t+h
R t =
p
p
1
(1 p) R
t = Vt R
t
Vt
<
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
Vt Rt;t+h
1.2.1
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
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
Vt
dVt+h Vt
Vt
Vt+h Vt
Vt
1
1+RF
< 1:Respecto de la
tenemos la relacin:
1 + Rd = (1 + R)d =
1+R
1 + RF
(2)
(1
d);
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).
Vt
Xht;p ]
(3)
Bht Vt+h
Vt
Vt
xht;p = P (Rd
xht;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 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 =
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)
(1 p)d
[(1 + )d
1] = d[
(1 p)d
=0
(1
p)
= d:
(1
p) = d:V aR
=0
=RF
(1
p)
(1
p)
RF
=0
(1
p)
= d: V aR
=RF
+ RF
13
d:V aR
=0
1.4
1.5
14
1.6
cW
p
= W !0 !
(4)
= x0 x
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)
V aRi =
(1
p)
jWi j
(1
p) =
(1
p
p) ! 0 !
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
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
1.7
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 ( ))
g( ) =
n
X
i fi (
i=1
19
f ( 1)
f ( 0)
0)
g( ) =
n
X
i1
0
i0 ) fi (
i=1
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
! 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
Cov(Ri ; Rc )
2
c
20
i
ic
(6)
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
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
ic
2
i
2
c
2
i
Cov(Ri ; Rc )
1
0; 1562
0; 0050
0; 0144
0; 205
0; 590
V aRi =
Cov(Ri ; Rc )
= (1; 65)
1
0; 156
0; 0050
0; 0144
0; 0528
0; 1521
10000
0
= 528 euros
= (2; 01 1)
0; 052
0
0
0; 122
2; 01
1
= 258:267 euros
V aRi =
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
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
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
dV =
dS =
0 dS
0j V
aRS =
1
1 p
0j
dS=S S0
D V dy
1
1 p
(D V )
dy
V (S0
1
1 p
S0 )
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
dV =
1 @2V
@V
@V
dS +
dS 2 +
dt + ::: =
2
@S
2 @S
@t
dS +
1
dS 2 + dt + :::
2
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
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 )
2 2
dS
+ 1=2
2
dS 2
=2
2
2
dS
; de
2
2
dS
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
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
3.1
Rd
P (Rd < x) = P
<
V aRd
)
=
x=:
x=
+
d
d
1
(p) = :
(1 p) :
:
d
1
(1
=p)
p)
=
x=
= d
d
1
(1
(1
p)
p)
1
= (d )
(1 p)
(1 d) = dV aR + (1
d
[d
d)
(1
d)] =
W R = Vt
(1
p)
t =W
=
=
W (R
1
(1
p)W
t) =
p
t= W
(1
p)
i
t =
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
[(h
1)(1
(1
h 1
)]
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
3.3
E (Xh j Xh <
32
V aRhp ) P
~h j X
~h <
E X
BV aRhp P
p
V aRt+1
p
ESt+1
=
p
V aRt+1
=
t+1
p
( V aRt+1
=
p
( V aRt+1
=
t+1 )
t+1 )
t+1
p
( V aRt+1
=
p
( V aRt+1 =
t+1 )
t+1 )
p
t+1
p
p
1
1
p
ESt+1
=
p
V aRt+1
1
1
(2 )
1=2
1; 145
de modo que, cuanto ms gruesa sea la cola en esta distribucin EVT, mayor
ser la ratio de Prdida Esperada a VaR.
3.4
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
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 )
= !B
0
cV
ar(ft )
36
2
c;t+1
2 2
c M;t+1
(1
p)
Pt :
1)
(1
p
p) E 0 M E
3.5
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
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 )
=
=
=h
38
3.6.2
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;
= 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
p) (
general, tendramos:
) ( 0 h ) 1=2
h
V aR =
1 (1
39
h;
y g( ) =
1 (1
g( ) =
(1
p) (
1=2
h
g( ) =
n
X
i fi (
i=1
) g( ) =
n
X
i ) fi (
i=1
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
PV =
N X
1
Ct
100 i=1 i (1 + Rti )ti
40
N X
1
=
Ct
100 i=1 i (1 + y)ti
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 )
Duracin y convexidad
Cti
t o Pti = Cti exp ( yti )
(1 + y) i
n
X
i=1
n
X
i=1
n
X
Pti ti
i=1
de modo que:
DM
duracion de M acaulay =
1 dP
P dy
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
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)
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
dP
jy=y0 (y
dy
y0 ) +
1 d2 P
jy=y0 (y
2 dy 2
y0 )2
dP
dy
y+
1 d2 P
2
( y) =
2 dy 2
1
2
D$ y + C $ ( y)
2
(7)
P
1 dP
=
P
P dy
y+
1 1 d2 P
2
( y) =
2 P dy 2
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
45
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
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
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
n
X
xi Ti = T
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
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 =
2
1
+ x22
2
2
+ 2x1 x2
1 2
2
c
2
1
2
2
1 2
x2 + 2
2
2
1 2
x+
2
2
2
c
=0
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
x1 =
T2
T2
4 3; 237
Tc
(59:385) =
(59:385) = (0:763) (59:385) = 45; 333
T1
4 3
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 )
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
1) =
i=1
n
X
i=1
1) =
n
X
i=1
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
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)
4.5
CP st (W )
T xk
nxk
=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
)0
kxk
(W
kxn nx1
) = S0
3
X
j=1
58
Sj2
4.6
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)
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
60
dht =
1
(1 + r0h )h
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..
+ X t + "t
(11)
Xt
h
h
62
<
yhp
h
h
de modo que:
yhp
(p) ) V aRhp =
(1
p)
2
=
V (Xt ) + V ("t ) + 2Cov(Xt ; "t ) )
= ( X + " )2 2(1
) X "
donde
tanto:
2
Y
2 2
X
2
"
+2
"
[V olatilidad total]2
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
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
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
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
=(
Yh
2
Xh )
2 (1
)
1
(1
Yh
Xh
p):
de modo que
V aR sistematico total
V aR equity + V aR f orex
66
5.0.3
Ya vimos que en el modelo paramtrico lineal, el vector gradiente del VaR puede
escribirse:
1
(1
p
g( ) =
p)
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
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
6
6.0.6
68
6.1
+1
2
1+
x2
+1
2
69
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+
f (z) =
1
(
2)
+1
2
1+
z
2
+1
2
Student sistematico =
1(
2)t
p
p)
(1
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
71
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
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
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
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;
d=
1
y podra plantearse alguna estrategia para encontrar el valor de d que satisface con mayor aproximacin ambas ecuaciones.
6.1.3
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
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
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
2
1)
1;
+ (1
)F2 (xp ;
2;
2
2 ); 0
<
<1
Fi (xp ;
1;
2
1)
Xi
= P (Xi < xp ) = P
<
xp
=P
Yi <
xp
i
i
Y1 <
xp
+ (1
)P
Y2 <
xp
2
2
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
= E(X) = M1
= E (X
)2 = M2
M12
E (X
)3 =
M3
3M1 M2 + 2M13
E (X
)4 =
M4
4M1 M3 + 6M12 M2
3M14
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
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
6.3
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
La ETL se dene:
ET Lp (X) =
E (X j X < xp ) =
xp
xf (x)dx
1
'
(p)
h;
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
ET Lp (X) =
n
X
i=1
xp
xfi (x)dx = p
1
n
X
i ih '
1
ih xp
i=1
n
X
i=1
xp
xfi (x)dx = p
1
n
X
ih '
1
ih xp
i=1
n
X
i ih
i=1
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
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
7.1
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
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
^T
rt
^t
82
7.3
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
rt
2
t
=
=
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
=
=
2
t;
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
fh (x) =
1 X
K
nh i=1
xi
h
=
=
3
(1 u2 ); si
4
0 en otro caso
84
8.2
Aproximacion de Cornish-Fisher
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
2; 33
0; 74
0; 24
0; 38
2
1
1 y el exceso de curtosis:
4(0; 24)
0; 38 =
= 4:
4; 41
t+1 CFp
y en el ejemplo anterior:
p
V aRt+1
=
4; 41
t+1
8.3
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;
>
f (x)
f (x)
exp
La condicin
exp
1=
1+
x
exp
1
exp
>
;
1+
= 0;
1=
6= 0;
x >
x <
87
: si
: si
>0
<0
>
Hay tres tipos de distribucin GVE, segn el valor del ndice de cola
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)
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.
88
1=
; 6= 0
(15)
fu (y)
fu (y)
1+
exp
x
x
1=
; 6= 0
;
=0
u j x > 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)
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)]
Tu
T
1+
(y
1=
u)
L(y)y
1=
1=
cy
dF (y)
1
= cy
dy
1=
90
Tu
T
1=
1+
u
y
1=
f (y)
P (y > u)
Tu
X
ln
+ 1 ln yi +
ln u
i=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
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 =
p=1
Tu
T
y
u
p,
1=
1
p
=u
Tu 1
T p
92
8.3.4
1
t+1 F1 p
t+1 u
Tu 1
T p
1
p
=u
Tu 1
T p
93
8.4
Distribuciones de Johnson
= senh
xp = senh
por lo que:
V aRhp =
senh
zh;p
! sup
! inf
1+
p
2( + 2)
1=2
max(! 1 ; ! 2 )
4 + 2 !2
+6
+3
2
! + 2!
1=2
2;
m(! )) ! + 2 +
m(! )
2
94
1
ln !
; siendo
sgn( )senh
2 2
(!
1)(! cosh 2 + 1)
p
!
m(! )
sgn( )
!
1
(! + 1)(!
1
2! m
m(! ))
8.5
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
el
la
=
=
9.1
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%
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
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
9.3
[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:
$=$
$=$
$
$
ln Pt+1
=Pt$ = ln(Pt+1
=Pt$ ) + ln(Xt+1 =Xt
$=$
) ) rt$ = rt$ + rt
$
1 y1t ;
$
r2t
=
$
2 y2t
$
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
"
9.4
(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
9.5
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
9.6
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
+ V aRp
1
senh
'(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):
Desagregacin del ETL histrico [Case Study IV.3.6.3] (Contina del Case Study IV.3.5.3).
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
1
1
^ p
V aR (h)
p
h= p
2T
2T
(17)
DT (V aR
;v (h))
'
1
;1
^ p
t
p
h=
2T
104
Student V aR
p
2T
;v (h)
(18)
10.1.2
Tp
p)
N (0; 1)
105
(19)
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
N (0; 1)
N p; T
p(1
p)
(20)
(21)
106
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
107
10.2
10.2.1
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
=
=
;t
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
110
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
01
n01
;
n00 + n01
11
n11
n10 + n11
LRind =
n01
01 (1
^ n1 (1
n
01 ) 00
^ )n0
n11
11 (1
n
11 ) 10
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
1
2T
N (0; 1)
2T
es decir,
b
r !
2
1;
T
113
Zht =
(pht )
frente a la alternativa:
H1 : Zht
i:; i:d: N (
h;
2
h );
2 ln
114
L0
L1
6= 0;
6= 1
T
X
t=1
2
zht
T
X
zht
t=1
^h
^h
T ln ^ 2h
11
11.1
Apndices
Apndice 1: Semi-desviacin tpica y momentos parciales inferiores de segundo orden
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
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
f (x)
; x<q
f (x)dx
1
Rq
E [g(x)] = R q
xf (x)
f (x)dx
Normal(0,1) tenemos:
)=
116
( )
)
= 0; tenemos:
E(" j " < 0) =
11.2
p1
2
e0
=
0; 5
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 )
rT
donde
St erT (d)
X (d
i
T ) = St (d)
Xe
rT
(d
T)
St + p = c + Xe
rT
rT
St = Xe
117
rT
d)
St ( d)
n
1 P
cmkt
n i=1 i
cBSM (St ; r; Xi ; Ti ; q; )
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
=
=
rT
Et [M ax(St+T
(St ex
X; 0)]
X)f (x )dx
ln(X=St )
!T =
rT
T
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
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 )
11.3
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
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
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)]
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
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
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
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 ; !;
; ;
= ln St+1 ln St = r +
2
= ! + (zt
t) +
2
t+1
t+1 zt+1 ;
zt+1 =
N (0; 1)
2
t
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
Xe
rT
P2
con:
P1 =
1 1
+
2
Re
i'
f (i' + 1)
i'f (1)
d'; P2 =
1 1
+
2
Re
X i' f (i')
i'
d';
2
t+1
At;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 (')!
11.4
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)]
r(1)
)
n
las sucesiones f
rentabilidades,
ng
y f
ng
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