Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción Al Cálculo Del VaR
Introducción Al Cálculo Del VaR
No. 7
Julio 2005
APUNTES DE ECONOMA
ISSN 1794-029X
No. 7, Julio de 2005
Editor
Julio Csar Alonso C.
jcalonso@icesi.edu.co
Asistente de Edicin
Stephanie Vergara Rojas
Gestin Editorial
Departamento de Economa - Universidad ICESI
www.icesi.edu.co
Tel: 5552334 ext: 398. Fax: 5551441
Calle 18 #122-135 Cali, Valle del Cauca Colombia
Julio de 2005
Resumen
Este documento tiene como objetivo brindar al estudiante una breve introduccin a la
interpretacin y el clculo del Valor en Riesgo (VaR) de un portafolio. Se presenta el
clculo del VaR bajo el supuesto de una varianza constante as como bajo la posibilidad
de una varianza no constante. Adicionalmente a la exposicin terica, se presentan
ejemplos y una hoja de Excel que le permite al lector seguir la exposicin. El documento
est dirigido principalmente a estudiantes de ltimos semestres de pregrado, pero por la
sencillez del lenguaje, puede ser de utilidad para cualquier estudiante o profesional
interesado en el clculo del VaR.
Palabras claves: Valor en Riesgo, VaR, volatilidad no constante, valoracin del Riesgo
jcalonso@icesi.edu.co
ltima modificacin: 02/02/2007
Tabla de Contenido
Introduccin
2.1
2.2
8
11
14
3.1
Mtodo paramtrico
14
3.2
Mtodo no paramtrico
19
21
4.1
22
4.2
25
4.3
27
4.3.1
Modelo ARCH(p).
27
4.3.2
Ejemplo de un ARCH(1).
29
4.3.3
Modelo GARCH(p,q)
30
4.3.4
Modelo TARCH
30
4.3.5
31
Comentarios Finales.
31
Referencias.
32
32
1. Introduccin2
El Valor en Riesgo (VaR por su nombre en ingls)3 se ha convertido en una de las
herramientas ms empleadas para la medicin de riesgo por reguladores, agentes y
acadmicos. Esta popularidad, tiene su origen a principios de los 80 cuando las
principales firmas financieras de los pases desarrollados empleaban el VaR como
medida del riesgo de sus portafolios. A mediados de los 90 esta popularidad se
potencializ por el inters de los reguladores en el VaR como medida de riesgo. En
abril de 1995, el Comit de Basilea para la Supervisin Bancaria, propuso permitir a los
bancos calcular sus requerimientos de capital para cubrir su riesgo de mercado por
medio de sus propios modelos VaR. En junio de ese ao, la Reserva Federal de los
Estados Unidos adopt una medida similar. En diciembre de ese mismo ao, la US
Securities and Exchange Commission inici la discusin de una propuesta de emplear
medidas de riesgo corporativo, entre las cuales se inclua el VaR. Despus de la
segunda mitad de los 90, el VaR adquiri mayor reconocimiento en el mundo como
medida del riesgo de mercado de activos o portafolios.
Una de las razones para esta gran reputacin es la sencillez del concepto y, en
especial, lo intuitivo de su interpretacin al ser sta la medida (estimacin) de la
mxima prdida posible para un horizonte de tiempo y un nivel de significancia
determinados, bajo circunstancias consideradas como normales en el mercado.
Es decir, el VaR corresponde a algo as como el peor escenario posible para un activo
o portafolio dadas unas condiciones normales de mercado, un horizonte de tiempo
determinado y un nivel de confianza determinado. En palabras de Benninga (2000) el
VaR responde la pregunta: Cunto puedo perder con una probabilidad (1- ) en un
horizonte preestablecido? (Pg. 209). O, como lo expone Hull (2002), el VaR permitir
realizar afirmaciones como: estamos seguros en (1- )% que no perderemos ms de
2
Este documento puede ser replicado con los datos del archivo Apuntes1.xls, disponible en la Pg. del
Departamento de Economa de la Universidad Icesi:
http://www.icesi.edu.co/~econego/depto/publicaciones/apuntes.htm
3
Tambin es conocido como VeR, por sus siglas en espaol (Valor En Riesgo).
As, el VaR sintetiza en una nica medida el riesgo total de un portafolio, facilitando la
toma de decisiones. Por ejemplo, el VaR servir a los reguladores como la
Superintendencia Financiera para determinar el capital que deben mantener los
intermediarios financieros de tal forma que sus reservas concuerden con el riesgo que
estn asumiendo. Similarmente, los mismos intermediarios financieros pueden emplear
el VaR para determinar el riesgo que corre cada uno de sus portafolios o traders.
Antes de entrar en el detalle del clculo del VaR, es necesario resaltar la importancia
de escoger dos parmetros para nuestros clculos:
El horizonte de tiempo ( N )
El horizonte de tiempo es escogido dependiendo del uso que se le vaya a dar a esta
medida. Por ejemplo, si estamos calculando el VaR para una mesa de dinero bastante
activa que tranza un gran volumen de activos en cuestin de horas, entonces el
horizonte del VaR puede ser de un par de horas. Si por el contrario, estamos
analizando el riesgo de un fondo de pensiones, el horizonte puede ser de hasta un ao.
Cmo se discutir ms adelante, la seleccin del horizonte de tiempo puede afectar el
modelo y los supuestos que se empleen al momento del clculo del VaR.
As mismo, la seleccin del nivel de confianza tambin depende del uso que se le vaya
a dar al VaR. Por ejemplo, si lo que se desea es satisfacer los requerimientos de un
regulador, normalmente el nivel de confianza es alto: 99%. Por otro lado, si lo que se
desea es emplear el VaR para control interno del manejo del riesgo y su exposicin a
ste, tpicamente se emplea un nivel de confianza del 95% (Benninga (2000)). En la
prctica, los niveles de confianza ms empleados corresponden al 95%, 99% y 99.9%.
Antes de entrar en los detalles del clculo, es importante reafirmar la intuicin detrs
del VaR. Recuerden que lo que deseamos es poder responder a la pregunta: cunto
podremos perder con una probabilidad de (1- )% en los prximos N das? Noten que
esta pregunta es equivalente a determinar el percentil ms bajo de la distribucin de
las posibles prdidas que pueden ocurrir durante un horizonte de tiempo especfico. Por
ejemplo, supongamos que consideraremos un horizonte de un da y un nivel de
confianza del 99% ( =1%), entonces al final del periodo el valor ms bajo que podra
tomar el portafolio con un 99% de confianza est dado por el punto Vc (valor de corte)
Ver Grfica 1-1. Por lo tanto, si el portafolio tiene un valor de V0 hoy, lo que se podra
perder es VaR = V0 Vc .
Grfica 1-2. Representacin Grfica del VaR para diferentes distribuciones (Cont).
Del anterior ejemplo grfico, queda claro que el VaR no slo depender del horizonte
de tiempo y el nivel de confianza, sino tambin de la distribucin que siguen los
posibles valores que tomara el portafolio. En la prctica, se emplean diferentes
mtodos para calcular el VaR que bsicamente pueden ser clasificados en dos grandes
tipos: mtodos en los que se supone una distribucin de los datos (mtodos
paramtricos) y mtodos basados en la historia que no suponen ninguna distribucin
(mtodos no paramtricos). En este capitulo, se discutir cmo calcular el VaR para un
portafolio con los dos tipos de mtodos, pero antes discutiremos un ejemplo sencillo
para un portafolio de un solo activo.
Para responder esta pregunta necesitamos conocer los posibles valores que puede
tomar nuestro portafolio al final del ao y la probabilidad asociada a cada uno de estos
posibles valores; es decir, su distribucin de probabilidad. Para conocer la funcin de
probabilidad, podemos adoptar dos opciones:
suponer un comportamiento, o
Supongamos que los rendimientos del prximo periodo ( Rt +1 ) del nico activo que
compone nuestro portafolio sigue una distribucin normal, es decir, dado nuestro
).
Dado que nuestro valor inicial es de $100M. ( V0 =$100M), entonces tenemos que el
valor esperado del rendimiento al final del prximo periodo ser:
E [ Vf ] =E V0 (1 + R f )
Dado que V0 es un valor conocido en t y por tanto:
E [ Vf ] =V0 E (1 + R f )
Similarmente, tenemos que la respectiva varianza del valor del portafolio ser:
V f ~ N 115, ( 20 )
Ahora, responder nuestra pregunta es muy sencillo. Noten que la respuesta implica
encontrar un valor de corte ( Vc ) tal que exista una probabilidad del 1% de que los
valores del portafolio caigan por debajo de ella (Ver el primer panel de la Grfica 1-1);
es decir, el Vc corresponde a encontrar el mnimo valor del portafolio que garantice que
de 100 veces slo una el portafolio puede tomar un valor menor a este. Una vez
conocido este nmero, se lo podemos restar al valor actual de nuestro portafolio
( V0 =$100M) para encontrar la mxima prdida posible al final del ao con un 99% de
confianza, es decir, el VaR.
Estos clculos se pueden realizar de forma sencilla en Excel por medio de la funcin
DISTR.NORM.INV (Ver Recuadro 1). En este caso, tenemos que Vc corresponde a
$68.47 millones. Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
Recuadro 1.
10
R1 , R2 ,..., Rn
(1)
Adems, supongamos que el valor actual del portafolio es de V0 . Observen que cada
uno de estos rendimientos corresponden a un escenario diferente, en otras palabras,
corresponden a un posible estado del mundo.
V0 (1 + R1 ) ,V0 (1 + R2 ) ,..., V0 (1 + Rn )
(2)
Esto nos provee de una distribucin emprica de posibles valores que puede tomar el
portafolio en el prximo perodo. A partir de esta distribucin, podemos detectar el valor
de corte ( Vc ) tal que este sea superior al % de los escenarios.
Empleemos un ejemplo para ilustrar el anterior clculo. Suponga que cuenta con 250
datos del rendimiento diario de un activo (Ver nota de pgina numero 2) y que cuenta,
adems, con un portafolio de un nico activo por valor actual de $100M ( V0 =$100M)
(Ver
Recuadro 2. Se han escondido varias filas). Adems, deseamos responder la pregunta:
Con un 99% de confianza, cul es la mxima prdida posible al final del prximo da?
11
Recuadro 2.
A partir de estos rendimientos podemos calcular el valor que tomar nuestro portafolio
bajo estos 250 diferentes Escenarios (Ver Columna D del Recuadro 3).
Recuadro 3.
Como lo discutimos anteriormente, esto permite tener una distribucin emprica de los
12
posibles valores futuros del portafolio. Intuitivamente, noten que el histograma de estos
250 valores futuros del portafolio puede dar una idea del comportamiento esperado del
portafolio a partir de la historia de los rendimientos (Ver Grfica 2-1).
Frecuencia
Grfica 2-1. Histograma del Valor del Portafolio bajo 250 diferentes escenarios
90
80
70
60
50
40
30
20
10
0
98.7 98.9 99.1 99.4 99.6 99.8 100.0 100.3
Posibles Valores del Portafolio
As, el valor de corte ser aquel que asegure que el 1% de los escenarios (valor del
portafolio bajo cada escenario) estn por debajo de l. En este caso, dado que tenemos
250 datos, el 1% de los datos corresponden a 2.5; podemos redondear este nmero
por lo bajo a 2. Es decir, el valor de corte ( Vc ) corresponde, en este caso, al portafolio
que garantice que nicamente existen dos portafolios con menor valor que l.
Para encontrar este portafolio, podemos emplear Excel para ordenar los datos de
menor a mayor empleando el criterio Portafolio bajo diferentes Escenarios. De esta
manera, el Vc corresponder al tercer escenario ordenado, pues este garantiza que dos
observaciones estn por debajo de l. En este caso, tenemos que Vc = 99.309 . Otra
opcin ms rpida es calcular el primer percentil de la distribucin de los posibles
escenarios.
Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
13
Es decir, slo existe un chance de 100 de obtener una perdida diaria mayor a $691 mil
si el mercado se encuentra en condiciones normales.
En principio, la idea detrs del clculo de un VaR es muy sencilla, tal como lo
estudiamos en las secciones anteriores y en especial en la seccin 2.1. Cuando
consideramos un portafolio conformado por ms de un activo, tendremos que tener en
cuenta no slo los rendimientos esperados y sus correspondientes desviaciones
estndar, sino tambin las relaciones que existen entre ellas. As mismo, no solamente
se necesitar asumir un comportamiento (distribucin conjunta) de las series sino
tambin necesitaremos calcular ms parmetros, pues no solamente requeriremos las
medias y desviaciones estndar sino tambin de las covarianzas. As, en este caso
existe un problema prctico al momento de implementar el clculo del VaR para un
portafolio: La estimacin de los parmetros de la distribucin conjunta de cada uno de
los activos que componen el portafolio.
En este caso, supongamos que contamos con tres activos: A1 , A2 y A3 ; cada uno con
media y varianzas dadas por 1 , 2 , 3 , 12 , 22 y 32 , respectivamente. As mismo,
tendremos que la matriz de varianzas y covarianzas para cada uno de los tres
portafolios corresponde a:
12 12 13
S = 12 22 23
13 23 32
(3)
q2 y q3 .
14
E R portafolio = q11 + q2 2 + q3 3
(4)
E R portafolio = [ q1
q2
1
q3 ] 2 = q1 1 + q2 2 + q3 3
3
(5)
Var R portafolio = [ q1
q2
12 12 13
q3 ] 12 22 23 [ q1
13 23 32
q2
q3 ]
(6)
Ahora, suponiendo que los rendimientos de los tres activos siguen una distribucin
normal multivariada, podemos concluir que el rendimiento del portafolio seguir una
distribucin normal con media E R portafolio y varianza Var R portafolio , es decir,
(7)
Para ilustrar este mtodo, supongamos que se cuenta con un portafolio cuyo valor
inicial es de $100M ( V0 =$100M). Adems, supongamos que (corresponden a
mediciones diarias).
[ q1
q2
0.03
1 0.1
0.1 0.04
= 0.12 y S = 0.04 0.2 0.04
2
la mxima prdida posible al final del ao? Para responder esta pregunta, ser
necesario encontrar el rendimiento medio y la desviacin estndar del rendimiento del
portafolio, en otras palabras necesitamos emplear las frmulas (5) y (6). Estas
operaciones las podemos realizar fcilmente por medio de Excel.
E R portafolio = [ q1
q2
1
q3 ] 2
3
(8)
Recuadro 4.
En este caso, tendremos que la media del rendimiento del portafolio ser 12.25%.
Ahora, para calcular la Varianza del rendimiento del portafolio, tendremos que realizar
el siguiente clculo:
16
Var R portafolio = [ q1
Esto
se
puede
realizar
12 13
q3 ] 12 22 23 [ q1
13 23 32
2
1
q2
por
medio
de
la
q2
q3 ]
siguiente
frmula:
0.1114 = 33.38% .
Recuadro 5.
Siguiendo la misma lgica empleada en la seccin 2.1, tenemos que el valor medio del
portafolio para el siguiente perodo ser:
V f ~ N 112.25, ( 57.77 )
Ahora, responder a nuestra pregunta implicar encontrar el valor de corte ( Vc ) tal que
exista una probabilidad del 1% para que los valores del portafolio caigan por debajo de
ella (Ver el primer panel de la Grfica 1-1). Es decir, Vc corresponde al valor del
portafolio que garantiza que de 100 veces slo una el portafolio puede tomar un valor
menor a este.
Recuadro 6
18
Supongamos que contamos con un portafolio de valor V0 compuesto por tres activos:
(9)
Rn ,1 , Rn ,2 , Rn ,3
En otras palabras, contaremos con n diferentes escenarios de rendimientos, por lo
que slo necesitamos valorar el portafolio actual con las participaciones actuales en los
diferentes escenarios y seguir el mismo procedimiento indicado en la seccin 2.2.
[ q1
q2
A partir de esta informacin podemos encontrar el valor que tomara el portafolio para
los 250 diferentes escenarios. (Ver Recuadro 8)
19
Recuadro 7.
Recuadro 8.
Ahora contamos con una distribucin emprica para los posibles valores del portafolio
para el siguiente perodo (Grfica 3-1). A partir de esta distribucin, podemos encontrar
el valor de corte del portafolio que asegure que el 1% de los escenarios (valor del
portafolio bajo cada escenario) estn por debajo de l. Recuerden que dado que
20
tenemos 250 datos, el 1% de los datos corresponden a 2.5; podemos redondear este
nmero por lo bajo a 2. En este caso, el valor de corte ( Vc ) corresponde al portafolio
que garantice que nicamente existen dos portafolios con menor valor que l.
Vc = 99.46522246 .
Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
10
0.
1
10
0.
3
10
0.
5
10
0.
7
99
.9
99
.6
99
.4
70
60
50
40
30
20
10
0
99
.2
Frecuencia
Grfica 3-1. Histograma del Valor del Portafolio bajo 250 diferentes Escenarios
As, si bien parece ser conveniente seguir asumiendo que en el comportamiento de los
rendimientos provee suficiente informacin para determinar el futuro de la trayectoria,
en esta seccin consideraremos la posibilidad de que la volatilidad de los rendimientos
vare en el tiempo. Es ms nuestro principio inspirador en esta seccin ser que la
volatilidad de las trayectorias de serie de tiempo financieras puede ser predecible y
proviene de un comportamiento especifico que no necesariamente es lineal. As, los
modelos que estudiaremos permitirn la estimacin de una volatilidad no constante que
servir para actualizar nuestro clculo del VaR, tal como lo habamos estudiado
anteriormente.
04/07/2003
04/04/2003
04/01/2003
04/10/2002
04/07/2002
04/04/2002
04/01/2002
04/10/2001
04/07/2001
04/04/2001
04/01/2001
04/10/2000
04/07/2000
04/04/2000
04/01/2000
-3%
Una de las maneras ms sencillas de capturar esta idea es calcular una varianza
22
2
t ,m
(R
t i
Rm )
i =1
Por ejemplo4,
2
t ,m
( Rt i )
(10)
i =1
( m = 40 ) . Noten que, en este caso, ser difcil determinar cul de las cuatro opciones
describe de mejor forma la variabilidad de los rendimientos diarios de la TRM.
Grfica 4-2. Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM
(Ene-1-2000 / Dic-31-200)
29-Nov-03
29-Aug-03
28-Feb-03
29-May-03
29-Nov-02
29-Aug-02
28-Feb-02
29-May-02
29-Nov-01
29-Aug-01
28-Feb-01
29-May-01
29-Nov-00
29-Aug-00
29-Feb-00
4
29-May-00
0.000400
0.000350
0.000300
0.000250
0.000200
0.000150
0.000100
0.000050
-
1 2
1
1
Rt 1 + Rt2 2 + ... + Rt2 m . Por tanto est varianza tambin es conocida
m
m
m
23
Grfica 4-2. Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM
(Ene-1-2000 / Dic-31-200) (Cont.)
Volatilidad Histrica (Media Mvil)
del Rendimiento diario de la TRM (2 semanas)
Ene-1-2000 / Dic-31-2003
29-Oct-03
29-Jun-03
28-Feb-03
29-Oct-02
29-Jun-02
28-Feb-02
29-Oct-01
29-Jun-01
28-Feb-01
29-Oct-00
29-Jun-00
29-Feb-00
0.000250
0.000200
0.000150
0.000100
0.000050
-
19
-
Ju
n-
02
2
ar
-0
M
11
-
01
ec
1D
Au
g-
01
01
23
-
ay
M
15
-
4F
eb
-
01
0
O
ct
-0
0
27
-
Ju
l-0
19
-
Ap
r-0
10
-
1J
an
-0
0.000100
0.000080
0.000060
0.000040
0.000020
-
Para determinar cul es la mejor opcin, se puede emplear una medida de bondad de
24
ajuste conocida como la Raz del Error Medio Cuadrado (RMSE por su nombre en
ingls Root Mean Squared Error):
RMSE =
2
1 T
Rt2 t2 )
(
T i =1
(11)
Tabla 4-1. RMSE para los Cuatro Modelos de Volatilidad Histrica (Media Mvil)
del Rendimiento diario de la TRM (Ene-1-2000 / Dic-31-200)
Perodo
1 semana
2 semanas
1 mes
2 meses
RMSE
0.000038317
0.000042559
0.000044767
0.000046062
t2 = (1 ) i 1 ( Rt i )
(12)
i =1
25
t2 = (1 ) i 1 ( Rt i ) = (1 ) 0 ( Rt 1 ) + 1 ( Rt 2 ) + ...
2
i =1
2
2
= (1 ) Rt21 + (1 ) 0 ( Rt 2 ) + 1 ( Rt 3 ) + ...
2
2
= (1 ) Rt 1 + t 1
(13)
19
-J
ul
-0
0
27
-O
ct
-0
0
4Fe
b01
15
-M
ay
-0
1
23
-A
ug
-0
1
1D
ec
-0
1
11
-M
ar
-0
2
19
-J
un
-0
2
Ap
r-0
0
10
-
1Ja
n-
00
26
( t ) .
as sucesivamente. Noten que est solucin implicar una misma prediccin para la
volatilidad, lo cul no implicar una dinmica!!
Rt +1 = + t +1
27
(14)
(15)
t +1 t ~ N ( 0, t2+1 )
(16)
t , que incluye todos los sucesos relevantes que se han producido hasta la fecha.
Retornando al modelo definido por (14) y (15), a partir de una muestra de tamao T se
necesitar estimar los parmetros poblacionales , 0 , 1 , 2 ,..., p . Los valores
estimados los denotaremos por , 0 , 1 , 2 ,..., p , respectivamente.
t = Rt
7
28
(17)
T2+1 = 0 + 1 ( RT ) + 2 ( RT 1 ) + ... + p RT ( p 1)
2
(18)
y por tanto la rentabilidad en T + 1 seguir una distribucin con media estimada dada
por y varianza condicional T2+1 . Es decir8,
Rt +1 ~ ( , T2+1 ) .
(19)
Rt +1 = -0.000167 + T +1
(20)
(21)
= .0004735
Por tanto, la correspondiente desviacin estndar es ST2+1 = .0004735 = 0.022 = 2.2% .
Es decir, para el periodo T+1 se tendr que Rt +1 :
( -0.000167, 0.0004735)
y esto nos
Noten que a partir de esta expresin usted puede emplear las tcnicas aprendidas en el capitulo anterior
pero con varianza heteroscedstica.
29
Rt +1 = + t +1
(22)
p 1
i =0
i =0
(23)
con p, q, i , i 0 y 0 > 0 . Noten que este modelo es una generalizacin del modelo
ARCH donde la varianza condicional depende no solo de los p cuadrados anteriores de
las innovaciones, sino tambin de los q valores pasados de la misma varianza.
ARCH).
Este
tipo
de
modelo
intenta
capturar
la
presencia
de
Rt +1 = + t +1
(24)
(25)
1 t < 0
dt =
0 t 0
(26)
Y,
R1,t +1 = 1 + 1,t +1
(27)
R2,t +1 = 2 + 2,t +1
(28)
1,2t +1 = 10 + 11 t2 + 111,2t
(29)
2,2 t +1 = 20 + 21 t2 + 212,2 t
(30)
2
2
1,2,
t +1 = 30 + 31 1,2,t + 311,t 2,t
(31)
1,2,
t +1
= 21,t +1
2
1,2,t +1 2,t +1
(32)
5. Comentarios Finales
En este documento hemos presentado una breve introduccin al concepto del VaR y al
clculo de l. En la seccin 2 se presenta un mtodo paramtrico que implica suponer
una varianza constante de los rendimientos. No obstante, un hecho muy comn en el
comportamiento de los rendimientos financieros es que la varianza o volatilidad de ellos
no es constante (Ver Alonso y Arcos (2005) para una discusin ms completa al
respecto). As, para considerar esta realidad ser necesario estimar la volatilidad del
31
siguiente periodo por uno de los mtodos (el ms adecuado) que se presentan en la
seccin 5. De igual manera se puede proceder para un portafolio. Esta conexin entre
las secciones de estas notas se dejan premeditamente al lector.
6. Referencias
Alonso, Julio Csar y Mauricio Arcos. 2005. 4 Hechos Estilizados de las series
de rendimientos: Una ilustracin para Colombia. Mimeo.
32