Riesgo de Mercado BCRP 2015 PDF

22/02/2015
Curso de Extensión en Finanzas Avanzadas (BCRP)
Riesgo de Mercado
David Trillo
Profesor Titular Universidad Rey Juan Carlos
Vilariño Consultores
david.trillo@urjc.es
formación@axpa.es
www.axpa.es
Antecedentes históricos de los riesgos

Fin del patrón oro-tipo de RIESGO DE CAMBIO
cambio fijo (1971). Desarrollo Forward sobre divisas
1981 1ª permuta Banco Mundial IBM
(USD contra marcos y francos suizos)
Flotación del tipo de cambio
Crisis Petróleo (1973) RIESGO DE INTERÉS

DEFICIT FISCALES OCHENTA Fondos y Bancos invierten Deuda
Hasta 1945 tipo letras tesoro (repos o inv. a vencimiento ¿sin riesgo?)
1,25%, inflación controlada 1,3%
EEUU. Se desarrolla mercado swaps, FRAS
Crisis oferta-Choques Necesidad de un estándar uniformidad

inflacionistas: Política agresiva de (1986) LIBOR
Volcker subida tipos, FIBOR, PIBOR, MIBOR
fuerza el FLOATING (1999) EURIBOR
Años 80 y 90 RIESGO DE PRECIOS

Aumento del volumen de Reformas: negociación electrónica
negociación Bolsas + desarrollo de Crecimiento Fondos inversión,
Fondos de inversión necesidad
David Trillo de valoración de posiciones
2
Vilariño Consultores©
1
22/02/2015
Antecedentes históricos de los riesgos

AÑOS 80 RIESGO DE INTERÉS
AUMENTO EMISIÓN DEUDA EEUU, R.U.
RIESGO DE PRECIOS-
CRISIS DEUDA MÉXICO 1982 VALORACIÓN
Renegociación 1989
Mercados secundarios (LIQUIDEZ) RIESGO DE CRÉDITO
(SPREAD)
A PARTIR DE LOS 80 RIESGO DEL MODELO
IRRUPCIÓN DE LOS DERIVADOS
Mercados organizados Futuros y opciones Se utilizan modelos definidos en
sobre acciones y bonos del gobierno tiempo contínuo. Derivadas
Divisas (mercado OTC) parciales en términos
La teoría se desarrollo en los 70 infinitesimales.
Preocupación gestión riesgos de
derivados (Barings, LTMC)
2001 CRISIS NASDAQ RIESGO DE PRECIOS
 PRODUCTIVIDAD
Goldman Sachs especula con Futuros Las compras masivas de
sobre petróleo Futuros presionan al alza los
Incidencia de la banca de inversión
David Trillo precios 3
INTERPRETACIÓN DEL BALANCE

Recursos Invertidos
Posiciones Posiciones
largas RP cortas
RIESGOS
A
RA
Créditos
Plazo vencimiento ≠ Plazo vencimiento
2
22/02/2015
Riesgo de mercado
(1987) JPMorgan-Riskmetrics. Influye en Basilea (1996)
El riesgo de mercado se origina por la posibilidad de pérdidas

debido a movimientos adversos de los precios de los activos
financieros. Precios de acciones, tipos de interés, tipos de
cambio, y precios de productos derivados entre los principales.
Afecta a las carteras de negociación, a las carteras de inversión,
al valor de las emisiones vivas y en general a todo aquello que
se valora a precios de mercado y al valor de los recursos
propios cuando la empresa se cotiza en mercados secundarios.
David Trillo 5
Herramientas necesarias
~ Un modelo de los cambios aleatorios de los precios de los

activos subyacentes.
~ Un modelo de la sensibilidad de los precios de los activos
derivados a los cambios de los precios de los activos
subyacentes.
~ Un modelo de las posibles relaciones entre los cambios de
los precios de los distintos activos subyacentes. Generalmente
esto se consigue mediante la matriz de correlaciones, pero
también puede utilizarse un modelo econométrico.
David Trillo 6
3
22/02/2015
Herramientas necesarias
~ Un modelo para los cambios de algunos de los parámetros de

los modelos anteriores, especialmente de la volatilidad de los
precios de los activos subyacentes. Modelos GARCH de
volatilidad condicional.
~ Un método de estimación de los parámetros que aparecen
en los modelos anteriores (tipo de interés libre de riesgo,
volatilidad, tasa de dividendos, etc...)
~ Un método para contrastar los modelos y los resultados
obtenidos.
David Trillo 7
Métodos paramétricos
En los modelos paramétricos para el cálculo del VaR, se supone
que las pérdidas siguen una determinada distribución de
~
probabilidad. Si llamamos Pt a la variable aleatoria que
representa las pérdidas de la cartera, cuya función de
distribución es conocida, la obtención del VaR a un horizonte
T y para un nivel de confianza  , se reduce al problema trivial
de obtener el valor crítico Pt* T de las pérdidas, que es aquel

que verifica la ecuación

Pr obF Pt  T  Pt* T  1  
David Trillo 8
4
22/02/2015
Modelos paramétricos
En esta expresión están contenidos todos los elementos de un

modelo de riesgo.
Pt variable aleatoria cuyas realizaciones son las pérdidas de la

cartera
t fecha actual
T horizonte temporal de medición del riesgo
 nivel de confianza
F Función de distribución de la variable aleatoria pérdidas
de la cartera
Pt* T VaR, importe del riesgo, para el horizonte elegido T y

nivel de confianza 
David Trillo 9
Modelos paramétricos
El problema deja de ser trivial cuando relajamos la hipótesis de

que la función de distribución es conocida. La aplicación de un
modelo paramétrico tiene como primera etapa la investigación
de la función de distribución más adecuada. Hay que distinguir
dos niveles; el primero se refiere a los activos individuales y el
segundo a la agregación de los riesgos. La distribución conjunta
de varias variables tiene un mayor nivel de complejidad en
todos los sentidos; desde la identificación de los procesos hasta
la estimación de los parámetros, el contraste de los resultados
obtenidos y los cálculos numéricos.
David Trillo 10
5
22/02/2015
Distribución normal
Por este motivo la atención se centra fundamentalmente en la

obtención de modelos paramétricos para activos individuales.
Una de las razones del éxito práctico de la distribución normal,
es que tiene muy bien resueltos todos esos problemas, tanto
para el caso univariante como multivariante.
Al aceptar la existencia de un determinado modelo aleatorio

para representar las pérdidas de la cartera en la gestión se
introduce un nuevo elemento de riesgo. Se trata del riesgo del
modelo.
David Trillo 11
Riesgo del modelo
Como todo riesgo, expresa la pérdida que se puede producir

debido a un comportamiento de los precios en términos
diferentes a las pautas establecidas por el modelo. Este riesgo
existe tanto en el caso de que el modelo infravalore los riesgos
como en el caso de que los sobrevalore. La medida del VaR
sirve para tomar decisiones de gestión, tales como la amplitud
de las posiciones de negociación, la asignación de los recursos
de capital o la medición de los rendimientos ajustados al
riesgo. Por lo tanto, los errores del modelo están afectando a
las decisiones de gestión en un amplio sentido.
David Trillo 12
6
22/02/2015
VaR Normal
Suponemos que la rentabilidad del activo se distribuye según

una variable aleatoria normal. Probablemente es la hipótesis
más utilizada en la práctica.
En el caso de un único activo, cuyo precio es P0 y del que se
tiene N unidades, el valor de mercado de la cartera es
V0  NP0
La variación del valor de la cartera entre la fecha actual 0, y la
fecha t, es Vt  V0  N  Pt  P0 
David Trillo 13
VaR normal
Para los cálculos resulta más cómodo trabajar con las
variaciones relativas que con las absolutas, por lo que
escribimos
Vt  V0 N  Pt  P0  N  Pt  P0  Pt  P0
  
V0 V0 NP0 P0
Introducimos la hipótesis básica de esta aproximación. La

rentabilidad del activo se distribuye como una normal con
media nula y varianza  2
Pt  P0
P0

~ N 0,  2 
David Trillo 14
7
22/02/2015
VaR normal
La variación relativa de la cartera tiene la misma distribución.

Elegido un nivel de confianza 1   , el valor crítico de Vt , que
corresponde a una probabilidad  se obtiene fácilmente ya que
dividiendo por la desviación típica  tenemos una distribución
normal estándar. Sea z 1( )  k( ) los valores que

corresponden en dicha normal estándar al nivel  elegido
(Función inversa de la función de distribución de la normal). Los
valores de z 1( ) para los niveles de confianza más habituales

aparecen en el cuadro siguiente
David Trillo 15
1- k()
95% 1,645
99% 2,33
99,9% 3,1
David Trillo 16
8
22/02/2015
VaR
Vt*  V0
Se verifica  k( )
V0
El VaR es la variación del valor de la cartera
VaR    Vt*  V0  V0 k   
La volatilidad  siempre es la volatilidad de la rentabilidad en
el horizonte temporal h, y suele ser frecuente expresarla en
función de la rentabilidad calculada con datos diarios. En ese
caso, aceptando la regla para agregar volatilidades
  1 h
David Trillo 17
VaR
el VaR queda VaR    V0 k   1 h
El VaR aparece como una función sencilla de cuatro variables: el

valor actual de la cartera o importe en riesgo; el parámetro que
depende del nivel de confianza elegido bajo la hipótesis de
normalidad; la volatilidad de la rentabilidad y el horizonte
temporal elegido.
David Trillo 18
9
22/02/2015
Interpretación del VaR de una acción
 P*
R*t  R0
P
David Trillo 19
Ejemplo cálculo del VaR

N = 300.000 acciones
Pt = 15 USD
 t 1  1,2%
t
1    95%
VaR  300.000  15  1,645  1,2%  88.822,1 USD
• El riesgo sería la caída de valor estimada para el día siguiente con

un nivel de confianza del 95%,  V, se expresa en positivo.
• Debe interpretarse como poco probable que la pérdida supere al

VaR,  = 5% implicaría que eso sucede 5 de cada 100 días
David Trillo 20
10
22/02/2015
Volatilidad
El concepto “volatilidad” es utilizado ampliamente en los

medios económ icos y financieros, pero con un a variedad de
interpretaciones. Es sinónimo de variabilidad, rapidez de
cambio, y a veces de caída de los precios.
En un contexto teórico la concreción del concepto volatilidad

depende de la hipótesis que se adopte sobre el
comportamiento estadístico de los precios de un activo
financiero.
David Trillo 21
Volatilidad
Es muy frecuente la hipótesis de que la rentabilidad logarítmica
del precio se comporta como una variable normal. Es decir
St
Rt  ln  N(  ,  2 )
St 1
Por otra parte sabemos que la rentabilidad logarítmica es un

valor muy próx imo a la rentabilidad para valores “pequeños” de
la rentabilidad.
St S  St 1
Rt  ln  t
St 1 St 1
David Trillo 22
11
22/02/2015
Volatilidad
La volatilidad, en este caso, se identifica con la desviación típica

 , que se supone constante.
La estimación de  se realiza a partir de una serie de N+1
observaciones de precios, S0 ,S1 , ,SN de la que obtenemos
una serie de N rentabilidades logarítmicas,
S1 S SN
R1  ln ,R2  ln 2 , ,RN  ln
S0 S1 SN 1
David Trillo 23
• Varianza. Una de las ventajas de calcularlo por este método

es que
St  h  S S S  S S S
Rt  h  ln  ln  t  h  t  h 1    t 1   ln t  h  ln t  h 1      ln t 1
t St  St  h 1 St  h  2 St  St  h 1 St  h 2 St
Tomando varianzas
 2 Rt  h   2t  h   2t  h 1  ...   2t   t2  h
t
calculamos la volatilidad  t  h
David Trillo 24
12
22/02/2015
Modelo RiskMetrics de volatilidad
RiskMetrics ha adoptado un enfoque práctico para la volatilidad.

Utiliza el modelo llamado EWMA para la obtención de las
volatilidades, covarianzas y correlaciones. EWMA es una media
movil ponderada con pesos que son potencias decrecientes de
un factor constante, que asigna más peso a las observaciones
más recientes.
RiskMetrics asigna el valor cero a la media de las rentabilidades,
considerando que en un horizonte de corto plazo es un
término despreciable frente a los efectos de varianza.
David Trillo 25
RiskMetrics
Define la varianza condicional en t para t+1, es decir con datos
diarios, el día siguiente, mediante
 t21   t2  (1   )Rt2
t t 1
Rt2   t2   t21   t2
t 1 t t 1
Rt2  2
t   t21 2
 t
t 1 t t 1
Rt2  2
t  2 2
 t 1   t
t 1 t t 1
 es un parámetro del que es necesario determinar su valor

mediante algún criterio de optimización.
David Trillo 26
13
22/02/2015
RiskMetrics
Desarrollando la suma se tiene
 t21   t2  (1   )Rt2
t t 1
 t2  2
 t 1  (1   )Rt21
t 1 t 2
sustituyendo
 
 t21     t21  (1   )Rt21   (1   )Rt2 
t  t 2 
 (1   )Rt2   1    Rt21   2 1    Rt2 2

generalizando (1   )  R
i0
i 2
t i
donde Rt21 es rentabilidad en t-1 al cuadrado.

David Trillo 27
RiskMetrics
Mediante la última expresión observamos que la varianza futura

es igual a lambda veces la volatilidad del día anterior, más el
cuadrado de la rentabilidad del día por uno menos lambda. De
este modo si hoy la rentabilidad es alta, esta induce un aumento
de la volatilidad estimada para mañana.
La ecuación anterior acerca a la expresión de la varianza a los
modelos GARCH. RiskMetrics establece en   0,94 el valor
que considera óptimo para el caso de datos diarios y 0,97 para
datos mensuales.
David Trillo 28
14
22/02/2015
RiskMetrics
Varianza condicional
 t21  (1   )Rt2   1    Rt21   2 1    Rt2 2
t
(1   )   1      2 1   
0.06  0.056  0.053
Varianza incondicional si R  0
n
R 2
t
1 2 1 2 1
2  i 1
 Rt  Rt 1  Rt2 2
N N N N
David Trillo 29
VaR normal condicional
Se parte de modelos con varianza no constante:

Modelos GARCH
GARCH(1,1) es un proceso que se ajusta razonablemente a
numerosas series de rentabilidades de activos financieros.
Rt    t t  N(0,ht )
ht   0  1 t21  1ht 1
1  1  1
En el modelo EWMA
0  0
David Trillo 30
15
22/02/2015
Ejemplo VaR de acciones horizonte 10 días
Una inversión en acciones de precio de mercado

S0  5.000 USD y volatilidad anual calculada según
metodología Riskmetrics  = 22%, a un nivel de

confianza 1- = 99.9%, y a un horizonte temporal de h
= 10 días, tiene el siguiente VaR:
Para 1- = 99.9%  K() = 3,1
ˆ
S   S0 k( ) h 
250
0,22
 5000  3,1   10  681USD
250
David Trillo 31
RiskMetrics
Para el cálculo de las covarianzas y el coeficiente de correlación

realiza un planteamiento similar.
La definición de la covarianza condicional a la información en t,
entre las rentabilidades de dos activos, llamados 1 y 2, con
horizonte unidad, es

12,t 1 t  (1   )  R
i 0
i
1,t  i R2,t  i
Mediante un razonamiento similar al caso de la varianza se

puede desarrollar la expresión anterior, separando un primer
término, y sacando factor común el parámetro lambda.
David Trillo 32
16
22/02/2015
RiskMetrics
12,t 1 t  12,t t 1  (1   )R1,t R2,t
12,t t 1  12,t 1 t  2  (1   )R1,t 1R2,t 1
 
12,t 1 t   (1   )R1,t 1R2,t 1  12,t 1 t  2  (1   )R1,t R2,t
12,t 1 t  (1   )R1,t R2,t   (1   )R1,t R2,t   2 (1   )R1,t R2,t
generalizando

12,t 1 t  (1   )  R i
1,t  i R2,t  i  (1   )R1,t R2,t 
i0
 (1   )  R1,t 1R2,t 1   R1,t  2 R2,t  2  ... 

(1   )R1,t R2,t  12,t t 1
Ángel Vilariño 33
Coeficiente correlación EWMA
El coeficiente de correlación lineal es el resultado de los

cálculos anteriores. Será
12,t 1 t
12,t 1 t 
1,t 1 t 2,t 1 t
Cuando se calcula así el coeficiente es bastante variable, es

parecido a calcularlo con una muestra de muy pocos datos,
puede aparecer una matriz de correlaciones definida positiva
que complica las opciones de cálculo
David Trillo 34
17
22/02/2015
RiskMetrics
La covarianza para un horizonte de T días se calcula mediante

12,t  T t  T12,t 1 t
El coeficiente de correlación para un horizonte de T días

coincide con el coeficiente de correlación a horizonte un día.
12,t  T t T 12,t 11

12,t  T t    12,t 1 t
1,t  T t 2,t  T t T 1,t 1 t T  2,t 1 t
David Trillo 35
VaR de una cartera de activos

 Pi
Llamando RV a la rentabilidad de la cartera y Ri  la
Pi0
rentabilidad de cada activo individual
k
RV   R
i 1
i i
Los pesos  i representan el importe de cada activo respecto al

valor de la cartera. Estos pesos varían con el tiempo, al cambiar
los precios de los activos, pero en el cálculo del VaR se
suponen constantes e iguales a los valores que tienen en la
fecha actual.
Cuando el VaR se va calculando en sucesivos momentos del
tiempo, los pesos se van actualizando a los nuevos precios de
mercado.
David Trillo 36
18
22/02/2015

Si lo desagregamos
V Vt  V0 k
NP  NP
  i it
k
V0   NP  i io
i io V0 V0 i 1 NP
i io
i 1
k si expresamos Pit  Pi0  Pi ; Pi  Pit  Pi0
Vt   NP
i io  Ni  Pit  Pi0   Ni  P
i it  NP
entonces NP
i it
i 1
ahora,
V V  V0 k
NiPit  NiPi0 k
Ni  P k
NiPi0  P
V0
 t
V0
  NiPi0
  NP   V0

Pi0
i 1 i 1 i i0 i 1
V k
V0
 R i i  R v Rentabilidad de la cartera
i 1
 Representa el valor de cada activo contratado respecto al total de la cartera

David Trillo 37
Al aceptar la hipótesis de normalidad de las Ri , la variable RV
también tiene una distribución normal. Llamando  V a la
volatilidad de RV , podemos aplicar el resultado obtenido para

el caso de un único activo
VaR  V  V0 k    V h
La volatilidad  V puede calcularse en función de las varianzas y

de las covarianzas de las rentabilidades de los activos de la
cartera.
David Trillo 38
19
22/02/2015
Sea para tres activos RV  1R1   2R2   3R3
La varianza de RV es
 V2  1212   22 22   32 32  21 212  21 313  2 2 3 23
 i2  Var  Ri   ij  Cov  Ri ,R j 
Lo anterior se puede escribir en notación matricial.
David Trillo 39
Sea X un vector columna cuyas componentes son los pesos de

T
la cartera, es decir X  1  2  3  donde el símbolo T
significa traspuesta. Se puede escribir
 12 12 13  

  1
 V2  1  2  3   21  2  23   2 
2
  
2   
 31  32  3   3 
David Trillo 40
20
22/02/2015
Llamando  a la matriz de varianzas covarianzas
 12 12 13 

 
   21  22  23 
 

 31
 32  32 
podemos obtener una expresión sencilla para la varianza  2V de

la rentabilidad de la cartera. Esta expresión es
 V2  X T  X
El VaR de la cartera es VaR  V  V0 k   XT X h
David Trillo 41
Es útil transformar la matriz de covarianzas en función de la

matriz de correlaciones. Recordando la expresión del
coeficiente de correlación entre las rentabilidades Ri y R j
 ij
ij   ij  ij i j
 i j
La matriz de covarianzas se puede escribir
David Trillo 42
21
22/02/2015
12 121 2 1k 1 k 

 
  22  2k 2 k 
  
 
  k2 
 
1 0 0  1 12 1k  1 0 0
0  0 
 2 
1  2k   2 0

   
   
 k   1  k 
y en notación abreviada   D D
David Trillo 43
Esta descomposición permite separar en la matriz D el efecto

de las volatilidades de las rentabilidades y en la matriz  el
efecto de las correlaciones. Debido a que el coeficiente de
correlación lineal tiene una interpretación intuitiva sus valores
numéricos son más fáciles de interpretar que las covarianzas.
David Trillo 44
22
22/02/2015
Como vemos el riesgo medido básicamente en esta

aproximación mediante la desviación típica de la cartera
aparece como una combinación de efectos volatilidad y efectos
correlación. Estos factores se miden mediante métodos
estadísticos específicos y así se puede llegar a cuantificar el
riesgo. Pero a otro nivel menos operativo y más conceptual
esta aproximación es también válida para pensar sobre los
riesgos.
David Trillo 45

Resulta interesante analizar la relación que existe entre el VaR
de la cartera y el VaR de cada activo individual. Aunque el
desarrollo se realiza para dos activos puede generalizarse a un
número cualquiera. El desarrollo de la expresión X T X para el

caso de dos activos es
X T  X  1212   22 22  2121 2

y al introducir el coeficiente de correlación tenemos
 ij  ij i j
X T  X  1212   22 22  2 1 21 2

David Trillo 46
23
22/02/2015

Los valores del VaR para cada activo individual son
VaR1  V1k   1 t  V01k   1 h
VaR2  V2k    2 t  V0 2k    2 h
y el VaR de la cartera es
 
1/2
VaR  V0 k    1212   22 22  2 1 2 1 2 h
 
1/2
2 2 2
 V02k    1212 h  V02k     22 22 h  V02k   2 1 21 2 h
que toma la siguiente forma en función del VaR de los activos individuales.
VaR  (VaR1 )2  (VaR2 )2  2 VaR1VaR2
David Trillo 47
Cálculo matricial del VaR
 1    VaR1 
VaR   VaR1 VaR 2    
  1   VaR 2 
Esta expresión se generaliza fácilmente para n activos
 1 12 ... 1n   VaR1 
  
12 1 ...  2n VaR 2
VaR   VaR1 VaR 2 ... VaR n    
  
  
 1n  2n ... 1   VaR n 
David Trillo 48
24
22/02/2015
Interpretación gráfica y financiera
• =1 (VaR1  VaR2 )2  VaR1  VaR2 * Suma de los riesgos

individuales de los activos
• =0 VaR12  VaR22  (VaR1  VaR2 )2
•  = -1 (VaR1  VaR2 )2  VaR1  VaR2
=0
 = -1
Var1 – VaR2
+
VaR1 =1 VaR2
David Trillo 49
Dificultad de cálculo
1 0 0  1 12 1k  1 0 0 
0 2 0  1  2k   2 0 
   
   
   
 k   1  k 
  D D
En ocasiones la matriz de correlaciones puede no ser definida
positiva. Los coeficientes de correlación son muy variables, por
el procedimiento recursivo del EWMA puede ocurrir algo
similar a si se calculan con una muestra pequeña de datos.
Además se añaden nuevas complicaciones si aparecen muchos
activos en la cartera (aumenta la dimensión de las matrices)
Alternativa: Calculo VaR por simulación histórica
David Trillo 50
25
22/02/2015
VaR bonos y divisas
VaR de un bono cupón cero

Sea N el nominal, z el tipo de interés cupón cero al plazo
residual y T dicho plazo.
N
El precio es P 
1  zT
Diferenciando tenemos que
dP
 N( T )(1  z) T 1 
dz
T N T . P
dP  N( T )(1  z) T 1 dz   T
dz  dz
1  z (1  z) 1 z
David Trillo 52
26
22/02/2015
Var de un bono cupón cero
Considerando la aproximación discreta, la variación

relativa del precio es
P T
  z
P 1 z
La varianza viene dada por
2
 P  2  T  2
Var 
P    p  1  z   z
   
El VaR es
T
VaR  P k( ) z t
1 z
David Trillo 53
Duración y VaR de bonos con cupones

La duración es un concepto necesario para la gestión de
riesgos de carteras de bonos con cupones
 t F (1  z)
i i
 ti
n
Fi (1  z) ti T VAFi
D i 1
  ti   ti
P i 1 P i 1 P
c 1  z  c 1  z  c 1  z 
1 2 n
1 2  ...  T 
P P P
 1.w  2.w  3.w  ...  n.w
La duración puede interpretarse como una suma ponderada de

tiempos
David Trillo 54
27
22/02/2015
Duración y VaR de bonos con cupones
 t F (1  z)
i i
 ti
T
si D  i 1
 DP   tiFi (1  z) ti
P i 1
T
Para evaluar el riesgo de mercado derivamos P   F (1  z)
i
 ti
Respecto al tipo de interés libre de riesgo z i 1
T
dP 1 T
   tiFi (1  z) ti 1    tiFi (1  z)1
dz i 1 1  z i 1
dP DP dP D
  dz
dz 1z P 1z
David Trillo 55
VaR de un bono con cupones

Utilizando la duración, la variación de P verifica la ecuación:
DP
dP   dz
1 z
Considerando una aproximación finita:
DP
P    z  PS  z
1 z
Aceptando que z se distribuye como N(0, z)
2 D 2P 2 D P
 P  2
2 z
 P   z
1  z  1 z
El VaR del bono es: VaR  PSk( )  z h * Sensibilidad (S)

David Trillo 56
28
22/02/2015
Desviación típica de la variación de tipos
• Para el cálculo del VaR de bonos se precisa  z
En términos discretos
 z  zt  zt 1  zt  2  zt 1  ...  z1  z0 
  z1   z2  ...   zT
Suponiendo independencia entre cada z e igual  z

en todos los horizontes
 2 z   2 z1   2 z2  ...   2 zT  T  2 zt
  z    zt T
David Trillo 57
r  8%
7-nov-02 Flujo Días Años Valor actual t*VA

15-abr-03 6 159 0,436 5,80 2,53
15-abr-04 6 525 1,438 5,37 7,73
15-abr-05 6 890 2,438 4,97 12,13
15-abr-06 6 1255 3,438 4,60 15,83
15-abr-07 6 1620 4,438 4,26 18,92
15-abr-08 6 1986 5,441 3,95 21,48
15-abr-09 6 2351 6,441 3,65 23,54
15-abr-10 106 2716 7,441 59,79 444,87
92,40 547,03
58
29
22/02/2015
Ejemplo de cálculo de Duración
D
 t jVA j  547.03  5.92 años
 VA j 92.40
59
VaR de bonos
Calcular el VaR de un bono de duración D = 6 años ;

valor efectivo P = 1200 millones, a un nivel de
confianza 1- = 99%, siendo la TIR r=6%, si la
volatilidad anualizada es  r  0,56% a un horizonte
temporal h = 10 días.
6 0,56%
VaR  1200   2,3   10  17,726
1,06 250
David Trillo 60
30
22/02/2015
Duración y VaR Deuda Perpetua


0 1 2 3
1
Serie geométrica, progresión infinita
 1 1  1 iN
P0  c    ...   c 1  z  c 
 1  z 1  z  2
 1 z z
  1
1z
dP i DP 1z N 1 z z 1 z
 2N  D  2  i  2  i 
dz z 1z z P z i z
iN
P
David Trillo z 61
Ejemplo Duración Deuda Perpetua
• Se ha negociado un instrumento de deuda perpetua a un

tipo de interés nominal i =6% y precio a la par
i 6%
P N N  100%
z 6%
Calcule el VaR del instrumento al 95% de confianza
1  z 1.06
D   17,7 años
z 0.06
DP 17,7  100
VaR  () z   1,645   z
1z 1  0.06
David Trillo 62
31
22/02/2015
VaR de un bono cupón cero con riesgo crediticio
N
El precio viene dado por P0 
(1  z   )T
siendo N el principal, z el tipo de interés cupón cero,
 la prima de riesgo y T la vida residual.
TP
Se verifica que P  (  z   )
1 z 
 z expresa el riesgo de mercado
  expresa de forma conjunta riesgo de crédito y
riesgo de mercado.  puede cambiar sin que cambie la
calificación crediticia del bono.
David Trillo 63
VaR hipótesis de independencia
Para calcular el VaR es necesario plantear hipótesis

sobre la distribución de probabilidad de  z y   .
Suponemos independencia y en ese caso
Var(  z   )   2 z   
2
P0T
VaR  k( )  2 z   
2
h
1 z 
David Trillo 64
32
22/02/2015
VaR divisas
• Un inversor peruano tiene inversiones en N. York pero hace

su contabilidad y paga sus impuestos en soles
Vt  NPt e t  USD  soles  soles

USD
p.e. e t  2,57soles / USD
*y(u   u)  y(u)
y  xz   y  xz  x z  xz;  x z 0 despreciable
 Vt  N  Pt e t  NPt  e t  N Pt  e t  N Pt  e t 0
 Pt e t  P e t 
 Vt  NPt e t  NPt e t  Vt  t  
Pt et  Pt et 
David Trillo 65
VaR divisas
Pt e t  P e t 
Vt  NPt e t  NPt e t  Vt  t  
Pt et  Pt et 
Tomando varianza
 
2Vt  Vt2   2Pt   2et  2  Pt  et   Pt   et 
 , 
 Pt et Pt e t Pt et 
VaR  Vt  ()   2Pt   2e t  2 Pt e t  Pt  e t

,
Pt et Pt et Pt et
David Trillo 66
33
22/02/2015
• En caso de que la cartera fuesen dos activos nominados en

USD y hubiera que convertir a soles (por contabilidad p.e.)
• Para el calculo del VaR se hace uso del VaR calculado sobre
los valores de las posiciones de los activos en soles y las
volatilidades EWMA. Var1+2 es el VaR calculado con el valor
de la cartera en soles, () y la volatilidad del tipo de
cambio (e)
 1 12 1e   VaR1 

  
VaR   VaR1 VaR 2 VaR1 2   12 1  2e   VaR 2 

 1e  2e 1   VaR1 2 
David Trillo 67
Simulación histórica
34
22/02/2015
Este método no supone ninguna función de distribución para las

pérdidas y ganancias y se apoya únicamente en el
comportamiento histórico observado. Trabaja con la hipótesis
de que el mercado es estable a lo largo del tiempo y por lo
tanto es posible trasladar al futuro los comportamientos
observados en los datos pasados. De alguna manera esta
hipótesis es compartida por los restantes métodos, aunque es
posible plantear distintos matices en cada uno de los casos.
David Trillo 69
La metodología de simulación histórica operativamente trabaja

del siguiente modo: Supongamos que los datos son diarios y se
define un precio representativo de cada día. Puede ser el precio
de cierre de mercado o el precio observado a una hora
determinada. Se elige el tamaño de la muestra de datos. Por
ejemplo, pueden ser los últimos 101 datos diarios para de este
modo obtener 100 variaciones, absolutas o relativas, pero no
existe inconveniente en elegir otro número.
Ángel Vilariño 70
35
22/02/2015
Rentabilidades
A continuación se calculan las variaciones relativas de los

precios durante los días de la muestra seleccionada. Con una
muestra de N observaciones se determinan N-1 rentabilidades.
Pt  Pt 1
Rt 
Pt 1
De este modo se obtiene la serie temporal de las rentabilidades

diarias. En total hay n = N-1 observaciones, es decir,
R1 , R2 ,..., Rt ,..., Rn 1 , Rn
Ángel Vilariño 71
Simulación de variaciones
La posición actual, cuyo riesgo se quiere medir, tiene un

determinado valor de mercado, que llamamos V.
Se calcula una nueva serie que es el resultado de aplicar a V la
serie de rentabilidades históricas calculada. Esta nueva serie se
denomina Lt Lt  V  Rt
Este es realmente el núcleo de la simulación histórica, ya que la
serie anterior simula el comportamiento de la posición actual
para la serie de rentabilidades históricas seleccionada.
Ángel Vilariño 72
36
22/02/2015
Datos ordenados
A continuación, ordenamos los datos de menor a mayor, es

decir desde el resultado obtenido con la menor rentabilidad
hasta el conseguido con la mayor. Los datos reordenados
pierden la secuencia temporal original que tenían al comienzo.
Para distinguir los nuevos datos, ordenados de menor a mayor,
de los anteriores, ordenados según el tiempo, empleamos la
siguiente notación. El dato que está en el lugar j de la muestra
de tamaño n se representa mediante L j:n
Ángel Vilariño 73
Estimación no paramétrica
De este modo la secuencia se escribe

L1:n  L2:n  ...  L j:n  ...  Ln:n
L1:n es la mayor pérdida observada en la muestra de tamaño n,

L2:n es la segunda mayor pérdida, y así sucesivamente.
Un estimador no paramétrico del VaR calculado mediante
simulación histórica (SH) para un nivel de confianza  viene
dado por
VaRSH ( )  L j* :n
j*  1 j*
siendo j* el número entero que verifica 1  
n n
Ángel Vilariño 74
37
22/02/2015
Estimación VaR 95%
Por ejemplo, si n = 100 observaciones y  = 0,95= 95%

j*  1 j*
 0 ,05 
100 100
de donde j*  5 y el VaR es, VaR SH (95 %)  L5:100

Esto quiere decir que elegimos el importe de la pérdida situada
en quinto lugar en la serie ordenada de mayor a menor pérdida
como estimador del Valor en Riesgo, es decir, como estimador
de la pérdida máxima de la cartera a horizonte un día y con un
nivel de confianza del 95 por 100.
Ángel Vilariño 75
Estimación VaR 99%
Si el nivel de confianza elegido hubiera sido el 99%
evidentemente será j*  1 , ya que
j*  1 j*
 0 ,01 
100 100
implica j*  1 . El VaR a un día y nivel de confianza del 99%,

viene dado mediante el método de simulación histórica por
VaR SH (99 %)  L1:100
En este caso se elige el primer dato de la serie ordenada según

el importe de la pérdida.
Ángel Vilariño 76
38
22/02/2015
Estimación VaR 99,9%
Si elevamos el nivel de confianza al 99,9% y por lo tanto 1-  =

0,001 tenemos dificultades por el tamaño de la muestra elegida.
Para obtener un valor de j* entero, n debe ser como mínimo

1000. En este caso será
j*  1 j*
 0 ,001 
1000 1000
que implica j*  1 , y el VaR viene dado por

VaRSH (99,9%)   L1:1000
Ángel Vilariño 77
Tamaño muestral
En particular para muestras de tamaños 100, 260 y 560

observaciones y niveles de confianza del 95% y 99% podemos
construir el Cuadro
 n=100 n=260 n=520

0,95 L5:100 L13:260 L26:520
0,99 L1:100 L3:260 L6:520
Ángel Vilariño 78
39
22/02/2015
Simulación histórica para una cartera de

activos
En el caso de una cartera con k activos, nominados todos en la
misma divisa, se calculan las series de rentabilidades históricas
para cada uno de los activos
R11 , R12 , , R1 n
R21 , R22 , , R2 n

Rk1 , Rk 2 , , Rkn
En la posición actual cada activo tiene un valor de mercado que

denominamos V1 ,V2 , ,Vk
Ángel Vilariño 79
VaR Cartera
Se calcula la serie de valores de la cartera aplicando a los

valores actuales las rentabilidades históricas desde el día 1 hasta
el día n.
Lt  V1R1t  V2 R2t   Vk Rkt t  1,2,...,n
A partir de este paso, el cálculo continúa como en el caso de

un único activo. Se ordenan los L t y se elige el valor que
corresponda al nivel de confianza elegido.
Ángel Vilariño 80
40
22/02/2015
Un procedimiento alternativo consiste en calcular las

ponderaciones de los importes de cada uno de los activos en el
valor total de la cartera, es decir,
k
Vi
xi 
V
siendo V  V i
i 1
k
y calcular Vt  x R
i 1
i it . Se ordena la serie obtenida, Vt , y
se elige el valor que corresponda al nivel de confianza elegido.

El importe del riesgo, VaR, es el producto del valor de la
cartera por el valor obtenido.
Ángel Vilariño 81
Estimación no paramétrica
En el caso de una cartera de activos, las relaciones estadísticas

que posiblemente existen entre los precios o entre las
rentabilidades de los diferentes activos, podrían estimarse
mediante la matriz de covarianzas. En el caso del método de
simulación histórica no es necesario tal estimación, ya que en
los datos utilizados ya están incluidas las relaciones existentes
entre los precios. Por supuesto, una cuestión importante para
la precisión del método vuelve a ser la hipótesis de estabilidad
de los comportamientos de los precios en fechas futuras.
Ángel Vilariño 82
41
22/02/2015
VaR de posiciones largas y cortas
El razonamiento seguido hasta aquí supone implícitamente que

se trata de una posición larga, ya que el riesgo se produce por
la caída de la rentabilidad. Si la cartera estuviera formada por
posiciones largas y cortas cada uno de los valores actuales Vi
estaría afectado de un signo, positivo si la posición es larga, y
negativo si la posición es corta. Todos los cálculos se
mantienen a partir de ese convenio de signo.
Ángel Vilariño 83
Rentabilidades extremas Amazon

15/3/1999 a 30/3/2000; 200 observaciones
Horizonte 1 día Horizonte 10 días

Número Valor Número Valor
1 -14,87 1 -32,89
2 -14,85 2 -30,16
3 -9,86 3 -29,50
4 -9,21 4 -28,62
5 -8,78 5 -28,25
6 -8,32 6 -27,29
7 -7,91 7 -27,23
8 -7,87 8 -23,88
9 -7,84 9 -22,85
10 -7,53 10 -22,71
Ángel Vilariño 84
42
22/02/2015
VaR Amazon
Para un nivel de confianza del 99% la rentabilidad relevante es la

que ocupa el segundo lugar, -14,85%. El precio de cierre del 30
de marzo de 2000 de la acción fue 67 dólares. El VaR
correspondiente a una acción, al nivel de confianza del 99% y
horizonte de un día, viene dado por
VaR1
SH (99%)  67  (14,85%)  9,95 USD
Para un horizonte temporal de 10 días y nivel de confianza del

99%, la rentabilidad relevante es –30,16%. El VaR es
VaR10
SH (99%)  67  ( 30,16%)  20,21 USD
Ángel Vilariño 85
Expected Shortfall
43
22/02/2015
Medidas coherentes de riesgo
• Artzner, Delbaen, Eber y Heath (1999). Sea V variable para

medir el riesgo donde :V  es la medida de riesgo
1. Función monótona (x)≤ 0 (-x.k().) riesgo = pérdida
2. Subaditividad (x+y) ≤ (x) + (y)

VaR (X+Y) ≤ VaR (x) + VaR (y)
3. Homogeneidad positiva (hx) = h (x)
4. Invariante para las traslaciones (x+a) = (x) - a
David Trillo 87
Expected Shortfall
X  Vt
VaR  x  (x)  sup x  P X  x  
• El VaR responde a la pregunta ¿Cuál es la mínima pérdida

incurrida en los A% peores casos de la cartera
• Podemos modificar la pregunta ¿Cuál es el valor esperado

de la pérdida en el A% de peores casos de la cartera?
 
TCE( )(x)  E  x
 X   x ( )(x)
TAIL CONDITIONAL
EXPECTATION
David Trillo VaR 88
44
22/02/2015
Expected Shortfall
• Para distribuciones continuas TCE = ES
1   1  VaR
ES( )(x)   E x
  X   x (x)
( )  
  
x.f(x).dx
VaR 2 k( )2
   
ES( )(x)  
2
e 2
e 2
 2  2
• P.e. Basilea 1- = 97,5%, si  = 1,6%

2 2
k( )
  0,016 
1,96)
e 2  e 2  3,74
 2 0,025 2
Posición  100 millones  ES  3,74 millones
David Trillo 89
VaR y Expected Shortfall
• Si antes la regulación exigía n.VaR = k. ES
n.VaR
k n
ES
nVaR
kES
David Trillo 90
45
22/02/2015
VaR y Expected Shortfall
• En distribuciones contínuas el VaR cumple la propiedad de

subaditividad
VaR(x+y)= VaR(x)2 +VaR(y)2  2  VaR(x)VaR(y)

  1  VaR(x+y) = VaR(x) +VaR(y)
  1  VaR(x+y)  VaR(x) +VaR(y)
David Trillo 91
Backtesting:
contraste de los modelos
46
22/02/2015
Precisión de los modelos
Tanto por parte de los gestores, como por las autoridades

supervisoras, existe la preocupación de verificar la precisión
con la que realizan sus estimaciones los modelos de riesgo de
mercado.
Para conseguir una verificación operativa es necesario
disponer, como en otros casos similares, de un método de
contraste adecuado al problema planteado y de una
información muestral idónea.
David Trillo 93
Recordemos que un modelo de riesgo de mercado está

generando un conjunto de valores en riesgo, por ejemplo,
cada día, asociados a una determinada probabilidad o nivel de
confianza. Esta serie generada por el modelo está midiendo el
nivel de riesgo con una determinada precisión, que es lo que
se quiere contrastar. La pregunta es: ¿El modelo de riesgo
está infravalorando o sobrevalorando el riesgo?
David Trillo 94
47
22/02/2015
Kupiec (1995), desarrolló una metodología de contraste en

los siguientes términos. Tenemos una serie de datos
históricos, formada por los datos diarios del VaR de una
cartera, calculado con un nivel de confianza determinado. A
partir de una fecha inicial podemos observar, cada día, si las
pérdidas de la cartera han superado al VaR de ese día. Este
suceso lo llamamos “exceso”.
David Trillo 95
Sea T una variable aleatoria que es el número de días hasta

que se produce el primer exceso y sea p la probabilidad de
que un día cualquiera se produzca el suceso anterior. Bajo la
hipótesis de que las medidas diarias de VaR son
independientes, los resultados corresponden a una
secuencia de sucesos independientes tipo Bernoulli. La
probabilidad de que el primer exceso se produzca en un
período de H días viene dada por
Pr ob T  H   p(1  p)H 1
* Producto de probabilidades
David Trillo 96
48
22/02/2015
El contraste del modelo equivale a contrastar la hipótesis

nula de que la probabilidad del exceso es igual a la
probabilidad con la que se ha construido el VaR. Kupiec
diseñó dos tests, el primero utiliza el tiempo hasta el primer
exceso y el segundo la frecuencia de excesos en un período
dado de días.
David Trillo 97
Test del tiempo hasta que se produce el

primer exceso
Para mostrar cómo trabaja este test utilizamos la siguiente

notación:
H es el tiempo hasta que se produce un exceso
p es la verdadera probabilidad cubierta por el VaR
p* es la probabilidad especificada para el cálculo del VaR

realizado, es decir el nivel de significación  elegido
p̂ es el estimador máximo verosímil de p, que está dado por
p̂  1 / H
David Trillo 98
49
22/02/2015
Para contrastar la hipótesis nula p  p* se utiliza la razón de

verosimilitud que está dada por
p* (1  p* )H 1 p* (1  p* )H 1
RV  2 ln   2 ln
p(1  ˆ
ˆ p)H 1 1 1
H 1
 1 
H H
Bajo la hipótesis nula RV se distribuye como una chi

cuadrado con 1 grado de libertad.
David Trillo 99
Por ejemplo, supongamos que se ha calculado el VaR con un
nivel de confianza 99% por lo que p*  0,01 . Se observa que

el primer exceso ocurre a los 200 días. El estadístico RV
toma el valor
0.01(1  0.01)199
RV  2 ln 199
 0.619
1  1 
200 1  200 
 
El valor crítico de una chi-cuadrado con 1 grado de libertad,
con un nivel de significación del 5% es 3.841, por lo que no
se rechaza la hipótesis nula, es decir, se acepta que la
probabilidad con la que se calcula el VaR no difiere de la
probabilidad con la que se producen las pérdidas extremas
de la cartera.
David Trillo 100
50
22/02/2015
En el Cuadro se tienen las regiones de aceptación y rechazo
de la hipótesis nula, según los valores de la probabilidad p* .

Llamando abreviadamente THPE al “tiempo hasta el primer
exceso” tenemos
David Trillo 101

Cuadro. Valores críticos para THPE

Zona de no rechazo
Probabilidad p*
5%
0.005 11  H  879
0.010 6  H  439
0.015 4  H  292
0.020 3  H  219
0.025 2  H  175
0.050 H  87
David Trillo 102

51
22/02/2015
Zona de no rechazo p* = 5%
20,0000
18,0000
16,0000
14,0000
12,0000
10,0000
8,0000
6,0000
4,0000
2,0000
0,0000
4 44 84 124 164 204 244
David Trillo 103
7,0000
Zona de no rechazo p* = 1%
6,0000
5,0000
4,0000
3,0000
2,0000
1,0000
0,0000
2 52 102 152 202 252 302 352 402 452
David Trillo 104

52
22/02/2015
Test de la frecuencia de excesos

Un segundo test se desarrolla teniendo en cuenta el número
de excesos que han ocurrido durante un determinado
intervalo temporal.
Sea
p* la probabilidad con la que se ha generado el VaR

n el número de días de la muestra
x el número de excesos que se han observado en los n
días
El test de la hipótesis nula p  p* es nuevamente la razón

de verosimilitud
David Trillo 105
(1  p * )n x (p * )x
RV  2 ln n x x
 x x
1    
 n n
Bajo la hipótesis nula, RV se distribuye como una chi-
cuadrado con 1 grado de libertad.
David Trillo 106

53
22/02/2015
Por ejemplo, si p*  0 . 01 y en una muestra de n = 510 días

observamos x = 20 excesos, el estadístico RV toma el valor
(1  0.01)490 0.0120
RV  2 ln 490 20
 25.304
 20   20 
1  510   510 
   
En este caso se rechaza la hipótesis nula ya que el valor
crítico de una chi-cuadrado con 1 grado de libertad y nivel de
significación del 5% es 3.841. Como podemos observar en la
construcción del estadístico sería necesario un valor de p*

más alto para situar a RV dentro de la zona de aceptación.
Esto significa que el VaR está infravalorado ya que existe una

probabilidad mayor de la que se dice de que las pérdidas
sobrepasen al VaR calculado.
David Trillo 107
Regiones de aceptación y rechazo
En el Cuadro se muestran las regiones de aceptación y

rechazo de la hipótesis nula, según los valores de la
probabilidad p* y de la muestra n. Llamando abreviadamente

FE a la frecuencia de excesos tenemos
David Trillo 108

54
22/02/2015
Cuadro. Valores críticos de FE
Zona de no Zona de no Zona de no

Probabilidad p*
rechazo, n rechazo, rechazo,
=255 n=510 n=1000
0.010 x<7 1<x<11 4<x<17
0.025 2<x<12 6<x<21 15<x<36

0.050 6<x<21 16<x<36 37<x<65
David Trillo 109

Zona de no rechazo
p* H X p RV
0,05 100 0 0,0000 7,0000 3,841
0,05 100 1 0,0100 4,9472 3,841
0,05 100 2 0,0200 2,4286 3,841
0,05 100 3 0,0300 0,9769 3,841
0,05 100 4 0,0400 0,2253 3,841
0,05 100 5 0,0500 0,0000 3,841
0,05 100 6 0,0600 0,1984 3,841
0,05 100 7 0,0700 0,7530 3,841
0,05 100 8 0,0800 1,6158 3,841
0,05 100 9 0,0900 2,7510 3,841
0,05 100 10 0,1000 4,1308 3,841
0,05 100 11 0,1100 5,7332 3,841
0,05 100 12 0,1200 7,5402 3,841
David Trillo 110

55
22/02/2015
Zona de no rechazo H = 100 p*=5%
30,0000
25,0000
20,0000
15,0000
10,0000
5,0000
0,0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
David Trillo 111

VaR de derivados
David Trillo 112

56
22/02/2015
 Los derivados son instrumentos muy idóneos para la cobertura

de riesgos de mercado. El VaR debe calcularse para la cartera
cubierta y no para los activos individuales
- Una cartera de acciones cubierta con opciones de

venta
- Una cartera de bonos cubierta con ventas de futuros

sobre bonos
- Una posición en divisas cubierta con la venta a plazo

de la divisa
- Un bono con cupones fijos cubierto con un swap que

cambia fijo por variable
David Trillo 113

VaR de Forwards y futuros
En general se utiliza la valoración teórica del precio del

forward para obtener la expresión del VaR
Valoración mediante la condición de imposibilidad de

arbitraje
David Trillo 114

57
22/02/2015
Valor en riesgo del futuro sobre

acciones
El precio del futuro en ausencia de

oportunidades de arbitraje es
F0 T  St (1  (r  q )T)
ΔF ΔS
=
F S
2F /F  2S/S
David Trillo 115

Valor en riesgo de una posición

forward sobre una divisa
El tipo de cambio a plazo en ausencia de

posibilidades de arbitraje es
1  rT 1  rsol T
e0 T  e0 p.e. e0
1  yT 1  rusd T
 e 0T e 0 T T
  r  y
e 0T e0 1  rT 1  yT
David Trillo 116

58
22/02/2015
Valor en riesgo forward divisa
 
 2e/e  e/e r  e/e y   1 
   
 T T   T 
2e0 T /e0 T  1   2r  r y 
 1  rT 1  yT    1  rT 

  
 y   T 
2
  
 1  yT 
VaR  Ne0T  Ne0T k( ) h
David Trillo 117

Futuros sobre tasas de interés corto plazo
y L tL  y CtC R L t L  RCtC
f  *f ' 
(1  R C t C )(t L  tC )
tL  tC
simple
e y c t c .e f (t L  t C )  e y L t L ln(1  R t )
* * yt 
y c t c  f (t L  t C )  y L t L t
tL tC
f  y L  y C
tL  tC tL  tC
David Trillo 118

59
22/02/2015
Valor en riesgo del futuro sobre tasas

de interés a corto plazo
VaR  V   n  N  (t L  t C )f 
f   k( ) f h
1
 f  t 2L 2y L  t 2C 2y C  2t L t C  y L  y C
(t L  t C )
David Trillo 119

Valor en riesgo de swaps

• El valor de la permuta es la diferencia entre la suma del
valor actual de los flujos variables y la suma del valor
actual de los flujos fijos. En la fecha de emisión el valor
es nulo para ambas contrapartes
Nv Mf
V   G(T )FV   G(T )FF

i 1
i i
j 1
j j 0
Forward implícitos
zi
 G(0,i) 1
i i+1 fi   1
 i 1  G(0,i  1) 
V  V( z1 ,z2 , ...,zK ) V
* 1 
V  1  z1  ...   k  zk z1
David Trillo 120

60
22/02/2015
Ejemplo VaR Swap

Al modificar en 1 punto básico cada tasa de interés cupón cero se
obtienen los siguientes efectos:
Aumento Valor Valor Variación
0,01%*
z1 -26.721 -27.059 -338
z2 -26.721 -26.701 20
z3 -26.721 -26.690 31
z4 -26.721 -26.680 41
z5 -26.721 -24.641 2.080
1.834
Calculamos los delta dividiendo la variación entre el 0,01%

V  1z1  2 z 2  ...  k z k
Para el cálculo del VaR hay que definir la distribución de probabilidad de
z i N(0, Var( z i ))
V N(0, Var( V))
David Trillo 121
Valor en riesgo de swaps
V  1z1  2 z 2  ...  k z k
V V V
1  , 2  , ... , k 
z1 z 2 z k
 12 12 1k   1 

  
  22  2k    2 
Var(  V)   1 2 ...  k   12
  
 2  
 1k  2k  k   k 
2i  Var(z i )  ij  Cov(z i ,  z j )   ij i  j
David Trillo 122

61
22/02/2015
VaR de opciones
David Trillo 123

En general existen expresiones analíticas (fórmulas)

para obtener el precio de una determinada opción
No existen para opciones americanas, asiáticas

media aritmética, y otras. En algunos casos existen
fórmulas aproximadas
David Trillo 124

62
22/02/2015
Precio de una opción sobre una divisa
Opción de compra europea estándar
C  S (1  r  ) T N(d1 )  E (1  r) T N(d 2 )
ln(S / E)  (r  r  2 / 2)T
d1  d 2  d1   T
 T
C  f (S, )
David Trillo 125

Variación del precio
f f 1  2f
C  S    2
 S2
S  2 S
f f  2f
  
S  S 2
1
C   S    S2
2
David Trillo 126

63
22/02/2015
Aproximación delta
C  S
Valor en riesgo (VaR)
C   S
S*  VaR subyacente  S.    . h
David Trillo 127

Aproximación delta gamma

1
 C  S  S2
2
S*  VaR subyacente  S.    . h
VaR call  (VaR suby )    VaR suby 

1 2
2
S 2
 N(0,  2 )  S  2
S    1
 S 
S2  S2212
David Trillo 128

64
22/02/2015
Cálculo VaR Opciones
• Se calcula el precio de una opción Call con una volatilidad

anualizada estimada, el tipo de interés libre de riesgo r y la
tasa de beneficios q al plazo de la opción
C 0  S 0 exp( qT)N(d1 )  E exp( rT)N(d2 )
ln(S 0 / E)  (r  q  0,5 2 )T
d1  d 2  d1   T
 T
𝑉 = 60.000 × 𝐶
David Trillo 129

C
  exp(  qT)  N(d1 )
S
2
 C 1 1 d2
 2
 exp(  qT)  exp(  1 )
S S T 2  2
C S exp(  qT) 1 d2
   Sq exp(  qT)N(d1 )  Er exp( rT)N(d 2 )  exp(  1 )
T 2 T 2 2
1
C  S  ( S)2  T
2
el valor del VaR del activo subyacente
VaR OPCIÓN  60000  C
David Trillo 130

65
22/02/2015
Simulación de Montecarlo:
VaR activos y opciones
Valor en riesgo mediante la simulación de

Monte Carlo
dS
 (r  q)dt   dt 
S
S es el precio del activo subyacente, dS es el diferencial del precio, dt
es el diferencial del tiempo, r es el tipo de interés instantáneo libre de
riesgo, ya que se supone capitalización continua, q es la tasa
instantánea que expresa el rendimiento explícito del activo subyacente
que en el caso de una acción es, en su caso, la tasa de dividendos, si se
trata de una divisa q es el tipo de interés instantáneo de la divisa y,
cuando se trata de un futuro entonces q es igual que r. sigma es la
volatilidad instantánea, que se supone constante, y es una variable
aleatoria normal estándar. La solución a la ecuación diferencial es:
S t  S 0 exp (r  q  0,5 2 )t   t  t 

 
David Trillo 132

66
22/02/2015
C
  exp(  qT)  N(d1 )
S
2
 C 1 1 d12
  exp(  qT)  exp(  )
S 2 S T 2  2
C S exp(  qT) 1 d2
   Sq exp(  qT)N(d1 )  Er exp( rT)N(d 2 )  exp(  1 )
T 2 T 2 2
1
C  S  ( S)2  T
2
el valor del VaR del activo subyacente

S  S  k(  )  ˆ  H
David Trillo 133

• Esta ecuación nos permite simular los precios del activo

subyacente, para un horizonte t, en función de los
parámetros r, q y y del valor inicial del activo subyacente.
• Para el caso que se ha calculado el VaR vamos a suponer

que días, es el tipo de interés libre de riesgo a 10 días, , y
la volatilidad es la misma que la utilizada para los ejercicios
anteriores del cálculo del VaR,
• Se simulan 1000 valores de una variable aleatoria normal

de media cero y desviación típica la unidad.
David Trillo 134

67
22/02/2015
• Ejemplo simulación: se muestran los diez primeros valores

variable Precio Precio de la
n normal simulado de opción de
estándar la acción compra
1 -0,30023 50,33081 3,11205
2 -1,27768 48,21361 2,01282
3 0,24426 51,55027 3,86646
4 1,27647 53,94373 5,57489
5 1,19835 53,75876 5,43320
6 1,73313 55,03777 6,44179
7 -2,18359 46,33098 1,26907
8 -0,23418 50,47719 3,19809
9 1,09502 53,51508 5,24884
10 -1,08670 48,62016 2,20241
El primer precio
S t  51exp (0,035  0,5  (0,0168 250)2  (10 / 365) 0,0168 250  10 / 365( 0,30023)  50,33081
 
Para este valor del activo subyacente se calcula el precio de la opción que vence
p.e. dentro de 120 días y se conservan los datos de r, q y utilizados en la fecha
inicial.
David Trillo 135
se han simulado 1000 precios de la opción. El histograma está representado en

el gráfico siguiente.
Histograma: precio de la opción dentro de 10 días
160
140
120
100
80
60
40
20
0
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5
David Trillo 136

68
22/02/2015
• Que tiene el perfil de una distribución lognormal, dado que

sigue una distribución normal.
• Ordenados los precios de la opción de menor a mayor. el

dato situado en el lugar 50, corresponde al 95%. en el
lugar 50 el precio de la opción es 1,6470
• El VaR es la diferencia en valor absoluto entre el precio

simulado en cada uno de los lugares señalados y el precio
inicial de la opción,
David Trillo 137

69

Riesgo de Mercado BCRP 2015 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Riesgo de Mercado BCRP 2015 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

22/02/2015

Curso de Extensión en Finanzas Avanzadas (BCRP)

Antecedentes históricos de los riesgos

Crisis Petróleo (1973) RIESGO DE INTERÉS

Crisis oferta-Choques Necesidad de un estándar uniformidad

Años 80 y 90 RIESGO DE PRECIOS

Antecedentes históricos de los riesgos

INTERPRETACIÓN DEL BALANCE

Plazo vencimiento ≠ Plazo vencimiento

El riesgo de mercado se origina por la posibilidad de pérdidas

~ Un modelo de los cambios aleatorios de los precios de los

~ Un modelo para los cambios de algunos de los parámetros de

de obtener el valor crítico Pt* T de las pérdidas, que es aquel

En esta expresión están contenidos todos los elementos de un

Pt variable aleatoria cuyas realizaciones son las pérdidas de la

Pt* T VaR, importe del riesgo, para el horizonte elegido T y

El problema deja de ser trivial cuando relajamos la hipótesis de

Por este motivo la atención se centra fundamentalmente en la

Al aceptar la existencia de un determinado modelo aleatorio

Riesgo del modelo

Como todo riesgo, expresa la pérdida que se puede producir

Suponemos que la rentabilidad del activo se distribuye según

Introducimos la hipótesis básica de esta aproximación. La

media nula y varianza  2

La variación relativa de la cartera tiene la misma distribución.

normal estándar. Sea z 1( )  k( ) los valores que

valores de z 1( ) para los niveles de confianza más habituales

el VaR queda VaR    V0 k   1 h

El VaR aparece como una función sencilla de cuatro variables: el

Interpretación del VaR de una acción

Ejemplo cálculo del VaR

VaR  300.000  15  1,645  1,2%  88.822,1 USD

• El riesgo sería la caída de valor estimada para el día siguiente con

• Debe interpretarse como poco probable que la pérdida supere al

El concepto “volatilidad” es utilizado ampliamente en los

En un contexto teórico la concreción del concepto volatilidad

Por otra parte sabemos que la rentabilidad logarítmica es un

La volatilidad, en este caso, se identifica con la desviación típica

• Varianza. Una de las ventajas de calcularlo por este método

Modelo RiskMetrics de volatilidad

RiskMetrics ha adoptado un enfoque práctico para la volatilidad.

 es un parámetro del que es necesario determinar su valor

donde Rt21 es rentabilidad en t-1 al cuadrado.

Mediante la última expresión observamos que la varianza futura

VaR normal condicional

Se parte de modelos con varianza no constante:

ht   0  1 t21  1ht 1

Ejemplo VaR de acciones horizonte 10 días

Una inversión en acciones de precio de mercado

metodología Riskmetrics  = 22%, a un nivel de

Para el cálculo de las covarianzas y el coeficiente de correlación

Mediante un razonamiento similar al caso de la varianza se

12,t 1 t  12,t t 1  (1   )R1,t R2,t

12,t t 1  12,t 1 t  2  (1   )R1,t 1R2,t 1

12,t 1 t  (1   )R1,t R2,t   (1   )R1,t R2,t   2 (1   )R1,t R2,t

 (1   )  R1,t 1R2,t 1   R1,t  2 R2,t  2  ... 

Coeficiente correlación EWMA

El coeficiente de correlación lineal es el resultado de los

Cuando se calcula así el coeficiente es bastante variable, es

La covarianza para un horizonte de T días se calcula mediante

El coeficiente de correlación para un horizonte de T días

12,t  T t T 12,t 11

VaR de una cartera de activos