Documente Academic
Documente Profesional
Documente Cultură
Backtesting
1987
1988
1994
1996
1997
1999
1999
1999
2000
2001
2003
2004
2006
2007
2010
2 RONDA CONSULTIVA (PRCTICAS SLIDAS PARA LA ADMINISTRACIN Y SUPERVISIN DEL RIESGO OPERATIVO
Fuente: Elaboracin Propia
Empresas Financieras
Allied Irish Bank ($700) Barings ($1,000) Chemical Bank ($33) Daiwa ($1,000)
Empresas No Financieras
Grandes Quiebra s
(MM US$)
Metallgesellschaft ($1,800) Orange County ($2,000) Procter and Gamble ($90) Shell ($1,000)
Parmalat (?)
ENRON (?)
Similitudes
Los tres mtodos buscan estimar un valor crtico para las prdidas potenciales.
Diferencias
Cada mtodo realiza distintos supuestos acerca de qu valores son representativos sobre las futuras prdidas potenciales y cmo stas se distribuyen estadsticamente.
Backtesting
Qu es el Backtesting?
Para complementar la metodologa de medicin de riesgo de mercado, es recomendable hacer pruebas para verificar la exactitud del modelo VaR.
El backtesting es un procedimiento estadstico utilizado para validar la calidad y la precisin de un modelo VaR. Por lo cual mediante pruebas de bondad de ajuste se comparan los resultados estimados por los modelos con los realmente observados y con base en una tcnica estadstica, se concluye si el modelo es exacto (backtesting)
Propiedades
Para el anlisis del backtesting se tendr en cuenta dos propiedades que debe cumplir la funcin de impactos, : Christoffersen (1998), puntualiza que el problema para determinar la adecuada cobertura de un modelo VaR, es determinar si la funcin de sucesos, satisface las siguientes propiedades.
a).
Propiedad de cobertura no condicionada: La probabilidad en que una prdida exceda al VaR reportado, debe ser igual al %, o en trminos de la notacin anteriormente mencionada, = . Asimismo, si el nmero de veces que exceden las prdidas al VaR reportado es estadsticamente mayor que el nivel de significancia %, el modelo debera ser revisado, puesto que se estara subestimando el actual nivel de riesgo del portafolio.
Propiedades
b). Propiedad de independencia: La propiedad de cobertura no condicionada establece una restriccin sobre cun frecuente el VaR es excedido. La propiedad de independencia establece una restriccin ms fuerte sobre la forma en que estos excesos pueden ocurrir. Especficamente, esta propiedad nos dice que dos elementos de la funcin de impactos, ( ) deben ser independientes uno del otro. Intuitivamente, esta condicin requiere que los rezagos de los excesos , no deben influir sobre el resultado de los posteriores excesos, . Por tanto, si los excesos previos predicen un exceso del VaR futuro, entonces esto indicara una inadecuada medida del VaR reportado.
Mtodo Grfico: Se compara grficamente las Utilidades - Prdidas registradas con el VaR calculado, y se registra el nmero de veces en que las prdidas exceden al VaR.
4 000.00
Utilidades/Prdidas - VAR
2 000.00
0.00
( 2 000.00)
( 4 000.00)
Utilidad/Prdida VaR
Metodologas
Mtodo de intervalos de confianza de fallas: Mediante este mtodo se construye un intervalo estadstico para el nmero de excesos registrados en el modelo. De esta manera si el nmero de excesos est dentro del intervalo se podra afirmar que el nivel de confianza elegido al calcular el VaR refleja eficientemente la proporcin de excesos. Este mtodo se fundamenta en la estimacin de un intervalo estadstico probable para el nmero de excesos. As, dado un nmero n de das y una proporcin emprica de excesos x, la varianza de esta proporcin de excesos es:
2
x(1 n
x)
Metodologas
Test de Proporcin de Fallas de Kupiec (POF) : Este test, enfoca exclusivamente la propiedad de cobertura no condicionada. Evala si el VaR reportado es excedido en mayor o menor medida que el nivel de significancia %. Kupiec, propuso un Test de Proporcin de Fallas (excesos), el cual examina cuntas veces una institucin financiera excede el VaR sobre un periodo de tiempo dado. Si el nmero de excesos difiere considerablemente del % de la muestra, entonces el modelo utilizado para el clculo del VaR entra en cuestionamiento. Para verificar si el nivel de exceso presentado por el VaR es compatible con el nivel de confianza asumido, se evala la Hiptesis Nula que la probabilidad de fallas sea igual a:
H0 : p
Esta prueba de Razn de Verosimilitud (LR), se distribuye asintticamente como una Chi Cuadrado con 1 grado de libertad.
Prueba Kupiec
Tabla 1. Valores del estadstico chi-cuadrada
Nivel de confianza de la prueba (1- ) Nivel de significancia ( ) 95% 99% 99.5% 5% 1% 0.50% Valor del estadstico chicuadrada con un grado de libertad 3.841455 6.634891 7.879400
Si la medida del VaR es adecuada y por tanto refleja el nivel de riesgo del portafolio, entonces la proporcin de excesos que N4 I 1 ocurren despus de un da en que hubo2 un4 exceso, , es decir, N N debera ser igual a la proporcin de excesos que ocurrieron N I despus 0 un daNen N de que no hubo excesos, es decir . En trminos de los elementos de la tabla de contingencia, se debera dar lo siguiente:
t 1
3
t 1
N3 N1 N3 N2
N4 N4
Si esta proporcin difiere estadsticamente una de otra, esto indicara revisar el modelo del clculo del VaR. A su vez, estas proporciones deben ser equivalentes al nivel de significancia %, que se asume en el anlisis del backtesting,
Obtenindose la siguiente relacin de equivalencia:
N3 N1 N3 N2
N4 N4
N3 N
N4
Stress testing
Stress - testing
Las metodologas de VaR no tienen como propsito medir la peor perdida que podra pasar; por lo tanto estos anlisis deben ser complementados con pruebas de stress testing; que permitan identificar situaciones que puedan traer perdidas extraordinarias. Stress testing es clave para la adecuada gestin de riesgo que debe incluir
Anlisis de escenarios Modelos estresados por volatilidades y correlaciones Desarrollo de planes de accin en caso de materializarse alguno de los escenarios extremos.
Los escenarios recogen grandes e imprevistos movimientos en las variables y pueden ser creados de la siguiente forma:
Stress - testing
Movimientos de variables claves: es un simple e intuitivo mtodo, sin embargo tiene como dificultad el prever el movimiento de todas las variables que es improbable que se muevan en la misma direccin.
Usando escenarios histricos: consiste en replicar las condiciones de periodos histricos de crisis tales como el crash de la bolsa en 1987, la crisis asitica, la crisis mejicana etc. Creando escenarios en prospectiva: generando y modelando las variables que puedan afectar de manera mas directa el valor del portafolio. El objetivo del Stress testing es identificar reas de potencial vulnerabilidad para de esta manera generar estrategias que eviten escenarios de bancarota.
Ejemplo:
Stress - testing
Para nuestro portafolio de 3 acciones realizamos un stress testing replicando las peores volatilidades de nuestro periodo de anlisis.
Parametros FECHA
Factor decaimiento exponencial Confidence level short term Factor Escalar Horizonte de tiempo No dias Valor portafolio 07/08/2007 0.94 95.0% 1.6449 VaR 10 USD 100,000,000
Volatilidades Stock Coke Amazon Bank of America EWMA 8.52% 24.59% 5.91% Historica 10.37% 12.79% 5.60% Stress testing 20.56% 33.27% 6.87%
Resultados
Stock Coke Amazon Bank of America VaR no correlacionado VaR Correlacionado Efecto diversificacin W 30% 30% 40% 100% Valor USD USD 30,000,000 USD 30,000,000 USD 40,000,000 USD 100,000,000 VaR EWMA USD 2,554,797 USD 7,377,410 USD 2,365,718 USD 12,297,926 USD 11,999,687 USD 298,239 VaR Historico USD 3,110,716 USD 3,837,653 USD 2,241,019 USD 9,189,387 USD 12,726,448 -USD 3,537,061 VaR Stress testing USD 6,169,217 USD 9,980,300 USD 2,747,988 USD 18,897,505 USD 25,459,886 -USD 6,562,381
En el anlisis clsico de datos, los valores extremos son llamados outliers y, generalmente, son ignorados en el estudio. Esto significa que los datos son analizados de forma de hacerlos uniformes a los efectos de ajustar un modelo a ellos. Esto es correcto si se buscan estimadores de los casos comunes por lo que, no debe importar si se quitan los valores extremos. Pero si se busca describir los eventos que no suceden comnmente, entonces es incorrecto. El potencial de la teora de los valores extremos aplicada a problemas de ndole financiera ha sido reconocido recientemente.
Retornos extremos
Fundamentos de Probabilidad
La llamada funcin de densidad de probabilidad (f.d.p.) sirve para saber cmo repartir la probabilidad en los diferentes posibles eventos. Ejemplo: la f.d.p. con forma de campana de la distribucin de Gauss o "Normal": La densidad "Normal" tiene grandes virtudes, especialmente las asociadas al "teorema central de lmite", pero desgraciadamente no sirve para el clculo de probabilidades de la mayora de los indicadores financieros. Si observamos los cambios diarios en alguna variable de mercado durante un periodo prolongado de tiempo, siempre se tendrn muchas observaciones pequeas positivas y negativas pero generalmente tendremos algunos datos extremos hacia uno o ambos extremos.
Fundamentos de Probabilidad
La densidad Gaussiana no permite la existencia de eventos extremos pues sus colas decrecen extremadamente rpido (ms rpido que una exponencial). La Teora de Valores Extremos, o EVT por sus siglas en ingls ("Extreme Value Theory"), es un conjunto de tcnicas estadsticas para ajustar distribuciones de probabilidad que permitan (como el nombre lo dice) la existencia de valores extremos. Las densidades ajustadas son "de colas anchas de colas pesadas.
Ejemplo
Tasa de Cetes a 91 das en mercado secundario.
Se tomaron 1045 datos diarios de esta tasa (aprox. 4.2 aos). Se tom una ventana mvil de 504 datos (2 aos) y se calcul el VaR de la tasa por cuatro diferentes mtodos. Esto dio como resultado, 540 estimaciones de VaR. Obsrvese la grfica de evolucin de la tasa y de sus primeras diferencias.
15 10
30 25 20
35
40
50 45
5 0
18-Sep-97 18-Dic-97 18-Mar-98 18-Jun-98 18-Sep-98 18-Dic-98 18-Mar-99 18-Jun-99 18-Sep-99 18-Dic-99 18-Mar-00 18-Jun-00 18-Sep-00 18-Dic-00 18-Mar-01 18-Jun-01 18-Sep-01
Cetes 91d
-6
-3
12
15
Histograma y Ajustes
Histograma de 1as diferencias del Cete de 91 das 500 0.5
400
Frecuencia
0.4
300
0.3
Mmm
200 0.2
100
0.1
0
0.5 1.5 2.5 3.5 4.5 5.5 -4.5 -3.5 -2.5 -1.5 -0.5 6.5
g 0 x, ,
exp
exp
exp
x
0.1 0 4 2 0 2 x 4 6 8 10
Frchet
g1 x, , , x
(1 )
Frchet
0.8
0.6
exp
g1( x .5 2 2)
0.2
4 x
10
Weibull
g2( x g2( x g2( x 1.5 0 1) 4 1 5)
0.8
0.6
.75 2 3) 0.4
0.2
g 2 x, , ,
(1
exp
10
6 x
Exponencial
w0 x, , exp x
1.5
w0( x 0 1) w0( x 1 2) 1
0.5
4 x
10
Pareto
Pareto
w1( x 1 0 1) w1( x .75 1 1)
1.5
w1 x, , ,
(1
w1( x 3 1 1) 0.5
1.5
2.5
3 x
3.5
4.5
Beta
1 w2( x w2( x w2( x .99 0 1) .75 0 1) .05 .20 1) 0.5
w2 x, , ,
(1
)
0 1 0.8 0.6 x 0.4 0.2 0
Teorema de Fisher-Tippet
Para conocer la probabilidad en las colas es importante observar primero la distribucin del mximo y del mnimo. El teorema de Fisher-Tippet asegura, bajo ciertas condiciones, que la distribucin de los extremos se puede aproximar bien con alguna de las distribuciones extremas (Gumbel, Frchet, Weibull), siempre que el tamao muestral sea grande. Esto reduce la bsqueda de la distribucin lmite a slo tres posibilidades!
Grfica de Prdidas
Tiempo
0
Monto de Prdidas X
U
Estimacin
Primero estimaremos el umbral. Esto generalmente se hace con tcnicas visuales como la grfica de la funcin de excesos promedio. Generalmente se parte de unos estimadores iniciales de los parmetros, usando el mtodo de Pickands o el de Hill la grfica Q-Q. Posteriormente se pasa a afinar esas estimaciones por Mxima verosimilitud. Para esto se necesita un mtodo de optimizacin multivariado (v.g. Newton-Raphson). Una vez que se tienen los parmetros, la estimacin del VaR y del Exceso Esperado son inmediatas.
Otros Usos
Riesgo de Crdito Riesgo operacional (y legal) Hidrologa Clculos actuariales