A Pen Con 7

INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO Julio Csar Alonso C.
No. 7 Julio 2005
Apuntes de Economa No. 7_________________________________________

DEPARTAMENTO DE ECONOMA
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

INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO Julio Csar Alonso1
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
Apuntes de Economa es una publicacin del Departamento de Economa de la Universidad Icesi, cuya finalidad es divulgar las notas de clase de los docentes y brindar material didctico para la instruccin en el rea econmica a diferentes niveles. El contenido de esta publicacin es responsabilidad absoluta del autor.
jcalonso@icesi.edu.co ltima modificacin: 02/02/2007

Tabla de Contenido
1 2
Introduccin Mtodos para el Clculo del VaR para un activo: Un ejemplo sencillo. 2.1 2.2 Mtodo paramtrico: El modelo Normal Mtodos no paramtricos - Simulaciones Histricas
4 7 8 11 14 14 19 21 22 25 27 27 29 30 30 31 31 32 32
VaR para un portafolio con ms de un activo. 3.1 3.2 Mtodo paramtrico Mtodo no paramtrico
Extenciones del VaR: Volatilidad no constante 4.1 4.2 4.3 Volatilidad histrica (Promedio Mvil) Promedio Mvil con ponderaciones Exponenciales (RiskMetrics) Modelos Univariados de series de tiempo con Varianza no constante. Modelo ARCH(p). Ejemplo de un ARCH(1). Modelo GARCH(p,q) Modelo TARCH Modelo GARCH multivariado
4.3.1 4.3.2 4.3.3 4.3.4 4.3.5 5 6 7
Comentarios Finales. Referencias. Anexo. Estimacin de una Matriz de Varianzas y covarianzas con Excel.

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).

X dlares en los prximos N das" (Pg. 378).
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 nivel de confianza (1- )%
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%.
En la jerga del VaR, se escuchan afirmaciones como: un administrador de un portafolio tiene un VaR diario de US$1 milln con 99% de confianza. Esta afirmacin es equivalente a decir que slo existe un chance de 100 de obtener una perdida diaria 5

mayor a US$1 milln cuando el mercado se encuentra en condiciones normales.
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 1-1. Representacin Grfica del VaR para diferentes distribuciones

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.
2. Mtodos para el clculo del VaR para un activo: Un ejemplo sencillo.
Supongamos que usted es un administrador de un portafolio de un activo cuya rentabilidad media es del 15% anual con desviacin estndar del 20%. El portafolio se 7

encuentra hoy valorado en $100 millones de pesos ( V0 =$100M.) y usted desea responder a la siguiente pregunta: Con un 99% de confianza, cul es la mxima prdida posible al final del ao?
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 emplear los datos histricos para inferir de ellos un comportamiento.
En el caso de suponer que una distribucin, o ms bien una familia de distribuciones, replican el comportamiento de los posibles valores del portafolio, tendremos que estimar o conocer unos parmetros (como por ejemplo la media y la varianza) que permitirn hacer los clculos requeridos para responder nuestra pegunta anterior. Dado que con este tipo de mtodos es necesario suponer una distribucin y estimar o conocer unos parmetros de la distribucin, a esta aproximacin se le conoce como mtodo paramtrico.
Por otro lado, si no suponemos una distribucin y se emplea la informacin histrica para determinar de forma emprica la distribucin, no ser necesario conocer los parmetros y por tanto se conoce esta aproximacin como no paramtrica. En este caso, dejamos que los datos "cuenten" por si mismos qu tipo de distribucin siguen. A continuacin se discuten ambas aproximaciones.
2.1. Mtodo paramtrico: El modelo Normal
Como se acaba de mencionar, los mtodos paramtricos implican suponer una distribucin o modelo que sigue el comportamiento del valor del portafolio. Noten que esta distribucin puede ser muy diferente dependiendo de cada caso; pero, en general, es la distribucin ms usada.

Supongamos que los rendimientos del prximo periodo ( Rt +1 ) del nico activo que compone nuestro portafolio sigue una distribucin normal, es decir, dado nuestro problema inicial tendremos que: Rt +1 ~ N 15%, ( 20% )
).
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 ) E [ Vf ] =V0 1+E R f =V0 (1+ )

Para nuestro caso, dado que E Rt +1 = 15% , tendremos:
E [ Vf ] =100 (1+15% ) =115

En otras palabras, el valor medio del valor del portafolio para el siguiente ao ser de $115 millones.
Similarmente, tenemos que la respectiva varianza del valor del portafolio ser:
Var [ Vf ] =Var V0 (1 + R f ) = Var V0 R f

Var [ Vf ] =V02 Var R f
Y por tanto, la desviacin estndar ser:
Var [ Vf ] =V0 Var R f

Lo cual implica, para nuestro ejemplo, que la desviacin estndar del valor del portafolio para el siguiente ao ser:
Var [ Vf ] =100 Var R f = 100 20% = 20

Es decir, la desviacin estndar del valor del portafolio ser de $20 Millones. Por lo tanto, el valor final del portafolio ( V f ) seguir una distribucin normal con media $115 9

M. y desviacin estndar de $20M., es decir:
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:
VaR = V0 Vc = 100 68.47 = 31.53

Es decir, slo existe un chance de 100 de obtener una perdida anual mayor a $31.53 millones cuando el mercado se encuentra en condiciones normales.
Recuadro 1.
10

2.2. Mtodos no paramtricos - Simulaciones Histricas Ahora consideremos el caso en que no se desee hacer ningn supuesto sobre la distribucin de los rendimientos, en este caso dejaremos que los datos nos cuenten qu distribucin siguen. Para emplear estos mtodos normalmente ser necesaria una buena cantidad de informacin.
Supongamos que contamos con los precios de rendimientos de un portafolio conformado por un nico activo. Es decir, contamos con una serie de rendimientos como la siguiente:
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.
Ahora, podemos a partir de estos T escenarios, determinar cul sera el valor de nuestro portafolio para el prximo perodo bajo los diferentes escenarios, es decir, tendremos:
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).
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:
Frecuencia
VaR = V0 Vc = 100 99.309 = 0.691
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.
3. VaR para un portafolio con ms de un activo.
3.1. Mtodo paramtrico
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
2 2 media y varianzas dadas por 1 , 2 , 3 , 12 , 2 y 3 , respectivamente. As mismo,
tendremos que la matriz de varianzas y covarianzas para cada uno de los tres portafolios corresponde a:
12 12 13 2 S = 12 2 23 13 23 32
(3)
donde ij = Cov Ai , Aj . Adems, supongamos que la participacin en cada uno de los tres activos en el portafolio de valor inicial V0 corresponde respectivamente a: q1 ,
q2 y q3 .
14

As, tenemos que el rendimiento esperado del portafolio ( E R portafolio ) ser:
E R portafolio = q11 + q2 2 + q3 3
(4)
Es decir, el rendimiento esperado del portafolio corresponder al promedio ponderado de las rentabilidades esperadas de cada uno de los activos. En este caso, ser mucho ms fcil emplear una notacin matricial para expresar (4), es decir,
E R portafolio = [ q1
q2
1 q3 ] 2 = q1 1 + q2 2 + q3 3 3
(5)
Tambin es fcil demostrar que la varianza del rendimiento del portafolio ( Var R portafolio ) ser:
Var R portafolio = [ q1
q2
12 12 13 2 q3 ] 12 2 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,
R portafolio ~ N E R portafolio , Var R portafolio i
(7)
A partir de este resultado podemos calcular el VaR de la misma manera que lo habamos hecho anteriormente.
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
q3 ] = [ 0.4 0.25 0.35]
0.03 1 0.1 0.1 0.04 = 0.12 y S = 0.04 0.2 0.04 2 0.03 0.04 0.6 3 0.15
Recuerden que queremos responder a la pregunta: Con un 99% de confianza, cul es 15

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.
Empecemos por el clculo de la rentabilidad media, es decir:
E R portafolio = [ q1
q2
1 q3 ] 2 3
(8)
Esta operacin se puede realizar situndonos en la celda donde queremos reportar este resultado (por ejemplo C11) y empleando la opcin para multiplicar matrices (MMULT). En este caso tendremos MMULT(F3:H3,C5:C7), lo cual multiplicar la matriz (fila) que se encuentra en las celdas F3 a H3 con la matriz (columna) que se encuentra en las celdas C5 a C7 (Ver Recuadro 4).
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
q2
12 13 2 q3 ] 12 2 23 [ q1 13 23 32
2 1
q2
q3 ]
por
medio
de
la
siguiente
frmula:
=MMULT(MMULT(F3:H3,F6:H8),TRANSPONER(F3:H3)). Dado que este corresponde a una multiplicacin de matrices, ser necesario que despus de introducir esta frmula usted haga clic simultneamente a las teclas Ctrl, Shift y Enter. Asegrese que entiende la operacin que est realizando (Ver Recuadro 5). En este caso, tenemos que la Var R portafolio = 0.1114 . Por tanto, la desviacin estndar del rendimiento del portafolio ser la raz cuadra de este resultado, es decir,
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:
E [ Vf ] =V0 1+E R portafolio

En este caso tenemos que:
E [ Vf ] =100 (1+12.25% ) =112.25

17

Similarmente, la desviacin estndar del portafolio ser:
Var [ Vf ] =V0 Var R f = 100 33.38% = 57.77

De esta manera, la desviacin estndar del valor del portafolio ser de $57.77 Millones y su media ser 112.25 Millones. Por lo tanto, tendremos que el valor final del portafolio ( V f ) seguir una distribucin normal con media $112.25M. y desviacin estndar de $57.77M., es decir:
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.
Como lo discutimos anteriormente, estos clculos se pueden realizar de forma sencilla en Excel por medio de la funcin DISTR.NORM.INV (Ver Recuadro 6).
Recuadro 6
18

3.2. Mtodo no paramtrico Un mtodo no paramtrico, muy sencillo para calcular el VaR de un portafolio de ms de un activo, implica una generalizacin del mtodo estudiado en la seccin 2.1.
Supongamos que contamos con un portafolio de valor V0 compuesto por tres activos:
A1 , A2 y A3 . Adems, la participacin de cada uno de los tres activos corresponde a q1 , q2 y q3 , respectivamente. Ahora, suponga que cuenta con una serie lo
suficientemente grande de los rendimientos para cada uno de los tres activos, es decir:
R1,1 , R1,2 , R1,3 R2,1 , R2,2 , R2,3 M M M 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. (9)
Empleemos nuevamente un ejemplo para ilustrar este procedimiento. Supongamos que contamos con 250 observaciones de la rentabilidad diaria de tres activos (Ver nota de pgina nmero 2) y, adems, tenemos que el valor actual del portafolio es de $100M ( V0 =$100M) con una participacin de cada activo dada por:
[ q1
q2
q3 ] = [ 0.4 0.25 0.35]
(Ver Recuadro 7. Se han escondido varias filas)
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.
Anlogamente a lo realizado anteriormente en la seccin 2.2, podemos emplear Excel para ordenar los datos de menor a mayor empleando el criterio Portafolio bajo diferentes Escenarios. Entonces el Vc corresponder al tercer escenario ordenado, pues este garantiza que dos observaciones estn por debajo de l. De tal caso que
Vc = 99.46522246 .
Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
VaR = V0 Vc = 100 99.465 = 0.5348

Es decir, slo existe un chance de 100 de obtener una perdida diaria mayor a $534.8 mil si el mercado se encuentra en condiciones normales.
Grfica 3-1. Histograma del Valor del Portafolio bajo 250 diferentes Escenarios
70 60 50 40 30 20 10 0
Frecuencia
99 .2
99 .4
99 .6
99 .9
Posibles Valores del Portafolio
4. Extensiones del VaR: Volatilidad no constante
El gran supuesto que hemos realizado hasta el momento es que el comportamiento de los rendimientos ser el mismo en el futuro que lo que ha sido en el pasado. Pero, 21
10 0. 1 10 0. 3 10 0. 5 10 0. 7

adicionalmente hemos supuesto que la volatilidad (desviacin estndar) de la distribucin de los rendimientos es constante en el tiempo. Ahora bien, si observamos el comportamiento de los rendimientos diarios de, por ejemplo, la Tasa Representativa de Mercado (TRM) en el tiempo (Ver Grfica 4-1) podemos rpidamente concluir que este supuesto no parece ser muy realista (Ver Alonso y Arcos (2006) para una discusin de este hecho).
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.
Grfica 4-1 Rendimiento diario de la TRM (diaria) Ene-1-2000 / Dic-31-2003.

3% 2% 1% 0% -1% -2% -3% 04/01/2000 04/04/2000 04/07/2000 04/10/2000 04/01/2001 04/04/2001 04/07/2001 04/10/2001 04/01/2002 04/04/2002 04/07/2002 04/10/2002 04/01/2003 04/04/2003 04/07/2003 04/10/2003
Fuente: Banco de la Repblica
4.1. Volatilidad histrica (Promedio Mvil)
Una de las maneras ms sencillas de capturar esta idea es calcular una varianza
22

mvil, es decir, una varianza que va cambiando de acuerdo a la nueva informacin que se va acopiando en los ltimos m das, como se muestra en la formula:
2 t ,m
=
i =1
(R
t i
Rm ) m
donde t2,m y Rm corresponden a la varianza estimada para el perodo t y la media de los
rendimientos ambos calculados a partir de los ltimos m datos, respectivamente. Sin embargo, como normalmente, los rendimientos diarios exhiben una media muy cercana a cero, supondremos que esta es cero y por tanto, tenemos que:

Por ejemplo4,
2 t ,m
=
i =1
( Rt i )
m
(10)
en la Grfica 4-2 se presenta el clculo de la varianza diaria para
periodos de una semana ( m = 5 ) , dos semanas ( m = 10 ) , un mes ( m = 20 ) y dos meses
( 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)
Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM (1 semana) Ene-1-2000 / Dic-31-2003
0.000400 0.000350 0.000300 0.000250 0.000200 0.000150 0.000100 0.000050 29-May-00 29-May-01 29-May-02 29-May-03 29-Nov-00 29-Nov-01 29-Nov-02 29-Aug-00 29-Aug-01 29-Aug-02 29-Aug-03 29-Nov-03 29-Feb-00 28-Feb-01 28-Feb-02 28-Feb-03
Noten que (10) implica t2, m =
1 2 1 1 Rt 1 + Rt2 2 + ... + Rt2 m . Por tanto est varianza tambin es conocida m m m
como volatilidad histrica con ponderaciones iguales.
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
0.000250 0.000200 0.000150 0.000100 0.000050 29-Oct-00 29-Oct-01 29-Oct-02 29-Feb-00 28-Feb-01 28-Feb-02 28-Feb-03 29-Oct-03
Ju n19 02
29-Jun-00
29-Jun-01
29-Jun-02
Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM (1 mes) Ene-1-2000 / Dic-31-2003
0.000150 0.000100 0.000050 1 2 0 1 0 02 00 00 01 01 -0 -0 -0 -0 nr -0 bngctul ar ay ec Ju O Ja -J M Ap Fe Au M D 14119 19 27 11 10 23 15
Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM (2 meses) Ene-1-2000 / Dic-31-2003
0.000100 0.000080 0.000060 0.000040 0.000020 01 0 01 0 01 01 0 0 Ap r-0 an -0 Ju l-0 ay Au gO ct eb ec M 10 19 27 1D 4F 1J 15 23 11 M ar -0 -0 2
Para determinar cul es la mejor opcin, se puede emplear una medida de bondad de 24
29-Jun-03

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)
Donde T corresponde al nmero total de observaciones consideradas. Esta medida recoge la diferencia que existe entre cada valor estimado y el observado, de tal manera que un RMSE menor ser considerado mejor que uno grande. En la Tabla 4-1 se reporta el clculo del RMSE para nuestro ejemplo. En este caso, tenemos que el menor RMSE corresponde a la media mvil que considera un perodo de una semana.
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
4.2. Promedio Mvil con ponderaciones Exponenciales (RiskMetrics)
La opcin considerada anteriormente ponderaba de igual manera a todas las observaciones, esta opcin conocida como el EWMA (por su nombre en ingles Exponential Weighted Moving Average) pondera de manera diferente cada observacin de tal forma que asigna mayor peso a las observaciones ms recientes.
Esta forma de estimar la volatilidad, fue empleada inicialmente por JP Morgan denominndolo RiskMetrics, el cual fue hecho pblico en 1994. En general, de acuerdo a la EWMA la varianza en el momento t ser:
t2 = (1 ) i 1 ( Rt i )
i =1
(12)
donde es un parmetro que se debe escoger por medio de un proceso de
25

optimizacin5. En especial, JP Morgan emplea en su RiskMetrics un de 0.94 para datos diarios y 0.97 para datos mensuales. Noten que (12) implica:
t2 = (1 ) i 1 ( Rt i ) = (1 ) 0 ( Rt 1 ) + 1 ( Rt 2 ) + ...
2 2 2 i =1
(13)
2 2 = (1 ) Rt21 + (1 ) 0 ( Rt 2 ) + 1 ( Rt 3 ) + ... 2 2 = (1 ) Rt 1 + t 1
Es decir, la varianza de hoy ser igual veces la volatilidad del da anterior ms el cuadrado de la rentabilidad del da anterior. En la Grfica 4-3 se presenta el clculo de la volatilidad diaria a partir del modelo de RiskMetrics para el Rendimiento diario de la TRM. En este caso el RMSE corresponde a 0.000046026 superior al encontrado con nuestra aproximacin de media mvil y para un horizonte de una semana. As, para este caso en particular sigue siendo un mejor modelo para estimar la volatilidad el modelo de media mvil. Es importante anotar que este no es el caso general, por el contrario nuestro resultado depende de los datos que estamos empleando.
Grfica 4-3. Volatilidad Histrica (EWMA - RiskMetrics) del Rendimiento diario de la TRM (Ene-1-2000 / Dic-31-200)
0.000140 0.000120 0.000100 0.000080 0.000060 0.000040 0.000020 -
Por ejemplo, se puede escoger
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
1Ja n-
10 -
Ap r-0 0
00
tal que el RMSE sea minimizado.
26

Esquema 4-1 Cmo predecir la volatilidad a partir del EWMA? Suponga que cuenta con informacin de los rendimientos hasta el perodo t 1 . Es decir se cuenta con la siguiente informacin Rt 1 , Rt 2 , Rt 3 ,...R1 , y se desea encontrar la volatilidad para el perodo t
( t ) .
En este caso, se puede emplear
fcilmente la frmula (13). Pero, qu tal si se desea encontrar la volatilidad del perodo t + 1 ? En este caso, la frmula t2+1 = (1 ) Rt2 + t2 no servir pues nos har falta Rt . La solucin ser emplear nuestra mejor adivinanza para Rt2 , es decir
t2 . As, la formula ser t2+1 = (1 ) t2 + t2 = t2 . As, tendremos que t2+ 2 = t2+1 y
as sucesivamente. Noten que est solucin implicar una misma prediccin para la volatilidad, lo cul no implicar una dinmica!!
4.3. Modelos Univariados de series de tiempo con Varianza no constante.
En los modelos anteriores, la volatilidad se asume constante para un periodo. No obstante, como lo indicamos anteriormente, el comportamiento de los rendimientos de activos normalmente presentan una volatilidad variable. De hecho, grandes retornos tienden a estar seguido de grandes retornos y pequeos retornos tienden a estar seguidos por pequeos retornos. As, el anlisis emprico de las series permite intuir la necesidad de considerar modelos en los que la variabilidad no sea constante, es decir, que presenta heteroscedasticidad (varianza diferente).
4.3.1. Modelo ARCH(p).
Los modelos ARCH6 (Heteroscedasticidad Condicional Auto-Regresiva) relajan el supuesto de la volatilidad constante y permiten detectar cambios en la volatilidad de acuerdo a patrones preestablecidos en la historia de la serie.
Supongamos que la rentabilidad corresponde a un proceso como el siguiente:
Rt +1 = + t +1
(14)
Esta sigla proviene del nombre en ingles Autoregressive Contidional Heteroskedasticity.
27

donde es constante y t corresponde a innovaciones normales. Es importante anotar que este tipo de modelo tiene ms como objetivo pronosticar la variabilidad de los rendimientos y no tanto el rendimiento per se. As, en muchos casos y, en especial, cuando se consideran periodos de tiempo muy cortos (10 das o menos), se emplea como hiptesis que = 0 . Como se puntualiz anteriormente, la importancia de este modelo se centra en la variabilidad y por tanto en la distribucin de t . La varianza condicional ( t2+1 ) se supone que seguir el siguiente patrn:
t2+1 = 0 + 1t2 + 2t21 + ... + pt2( p 1)
(15)
En otras palabras, se supone que la varianza condicional es la suma del promedio ponderado de los cuadrados de las p innovaciones anteriores y una constante. Noten que de este supuesto surge el nombre del modelo, pues la varianza condicional es diferente para cada periodo y esta depende de sus valores anteriores (ARCH).
Es importante resaltar que hemos empleado el trmino condicional, pues la varianza depende del conjunto de informacin que en este caso corresponde a las innovaciones aleatorias en los p periodos anteriores. En otras palabras, tenemos que
t +1 t ~ N ( 0, t2+1 )
(16)
donde t representa el conjunto de informacin con que se cuenta hasta el momento
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.

A partir de los valores estimados, podemos encontrar los residuos7 basados en la siguiente expresin:
t = Rt
7
(17)
Nuestra mejor estimacin de las innovaciones.
28

As, la varianza condicional estimada para el perodo T + 1 (fuera de la muestra) viene dada por:
T2+1 = 0 + 1T2 + 2T21 + ... + pT2( p 1) T2+1 = 0 + 1 ( RT ) + 2 ( RT 1 ) + ... + p RT ( p 1)

2 2
(18)
y por tanto la rentabilidad en T + 1 seguir una distribucin con media estimada dada
2 por y varianza condicional T +1 . Es decir8,

2 Rt +1 ~ ( , T +1 ) .
(19)
4.3.2. Ejemplo de un ARCH(1) Consideremos la tasa de cambio nominal diaria (pesos por dlar americano) en Colombia para los aos 2000 a 2003. Para este activo el Modelo ARCH(1) es:
Rt +1 = -0.000167 + T +1
donde la varianza condicional de la innovacin viene dada por
(20)
t2+1 = 0.00008 + 0.16t2
(21)
Ahora supongamos que la rentabilidad en el da T es excepcionalmente alta, por ejemplo 5%. En este caso tendremos que la varianza condicional para el perodo T+1 ser:
T2+1 = 0.00008 + 0.16 ( RT ) = 0.00008 + 0.16 ( 0.05 0.00041)

2
= .0004735
2 Por tanto, la correspondiente desviacin estndar es ST +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
permitir calcular el VaR paramtrico a partir de la aproximacin paramtrica vista en la seccin 2.1.
Noten que a partir de esta expresin usted puede emplear las tcnicas aprendidas en el capitulo anterior pero con varianza heteroscedstica.
29

4.3.3. Modelo GARCH(p,q)
Otro modelo muy empleado es el de heteroscedasticidad condicional auto-regresiva generalizado, GARCH(p,q) por su nombre en ingls. En este caso tenemos que:
Rt +1 = + t +1
Donde la varianza condicional ( t2+1 ) se supone que seguir el siguiente patrn:
(22)
t2+1 = 0 + i t2i + it2i

i =0 i =0
q 1
p 1
(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.
4.3.4. Modelo TARCH
Un modelo un poco menos usado pero mucho ms potente corresponde al TARCH (Treshold ARCH). Este tipo de modelo intenta capturar la presencia de
comportamientos asimtricos en la varianza, es decir, a rentabilidades negativas se asignan mayores varianzas condicionales con respecto a rentabilidades positivas. En este caso el modelo corresponde a:
Rt +1 = + t +1
(24)
t2+1 = 0 + 1 t2 + 1t2 + dtt2

Y,
(25)
1 t < 0 dt = 0 t 0
(26)
Cuando t < 0 , la varianza condicional ser: t2+1 = 0 + 1 t2 + (1 + )t2 . En caso contrario, sta ser t2+1 = 0 + 1 t2 + 1t2 . As, podemos capturar el mayor riesgo asociado a rendimientos negativos que positivos. 30

4.3.5. Modelo GARCH multivariado
El modelo GARCH se puede generalizar al caso donde contamos con ms de un activo. Un modelo GARCH multivariado proporciona una estructura ms rica que en el caso univariado. Sin embargo, el nmero de parmetros que hay que estimar crece rpidamente y obliga a introducir ciertas hiptesis ad hoc, tanto para facilitar la estimacin como para garantizar ciertas caractersticas deseadas en la matriz de varianzas y covarianzas.
Por simplicidad, consideremos dos activos, en este caso un modelo multivariado GARCH(1,1) corresponde a:
R1,t +1 = 1 + 1,t +1 R2,t +1 = 2 + 2,t +1

2 2 1,t +1 = 10 + 11 t2 + 111,t 2 2 2,t +1 = 20 + 21 t2 + 212,t 2 2 1,2,t +1 = 30 + 31 1,2,t + 311,t2,t
(27) (28)
(29) (30) (31)
As, la correspondiente matriz de varianzas y covarianzas condicional corresponde a:

2 2 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. Benninga, Simon. 2000. Financial Modeling: MIT Press. Hull, John C. 2002. Introduccin a los Mercados de Futuros y Opciones: Prentice Hall.
7. Anexo. Estimacin de una Matriz de Varianzas y covarianzas con Excel
Existe una forma sencilla de calcular la matriz de varianzas y covarianzas de un grupo de activos por medio de Excel. Para esto podemos emplear un truco de Excel, la funcin DESREF. Ver recuadro para un ejemplo.
32

A Pen Con 7

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

A Pen Con 7

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO Julio Csar Alonso C.

No. 7 Julio 2005

Apuntes de Economa No. 7_________________________________________

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

Apuntes de Economa No. 7_________________________________________

INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO Julio Csar Alonso1

jcalonso@icesi.edu.co ltima modificacin: 02/02/2007

Apuntes de Economa No. 7_________________________________________

4.3.1 4.3.2 4.3.3 4.3.4 4.3.5 5 6 7

Apuntes de Economa No. 7_________________________________________

Apuntes de Economa No. 7_________________________________________

X dlares en los prximos N das" (Pg. 378).

Apuntes de Economa No. 7_________________________________________

mayor a US$1 milln cuando el mercado se encuentra en condiciones normales.

Grfica 1-1. Representacin Grfica del VaR para diferentes distribuciones

Apuntes de Economa No. 7_________________________________________

2. Mtodos para el clculo del VaR para un activo: Un ejemplo sencillo.

Apuntes de Economa No. 7_________________________________________

2.1. Mtodo paramtrico: El modelo Normal

Apuntes de Economa No. 7_________________________________________

E [ Vf ] =V0 E (1 + R f ) E [ Vf ] =V0 1+E R f =V0 (1+ )

E [ Vf ] =100 (1+15% ) =115

Var [ Vf ] =Var V0 (1 + R f ) = Var V0 R f

Var [ Vf ] =V0 Var R f

Var [ Vf ] =100 Var R f = 100 20% = 20

Apuntes de Economa No. 7_________________________________________

M. y desviacin estndar de $20M., es decir:

VaR = V0 Vc = 100 68.47 = 31.53

Apuntes de Economa No. 7_________________________________________

Apuntes de Economa No. 7_________________________________________

Apuntes de Economa No. 7_________________________________________

VaR = V0 Vc = 100 99.309 = 0.691

Apuntes de Economa No. 7_________________________________________

3. VaR para un portafolio con ms de un activo.

3.1. Mtodo paramtrico

Apuntes de Economa No. 7_________________________________________

As, tenemos que el rendimiento esperado del portafolio ( E R portafolio ) ser:

R portafolio ~ N E R portafolio , Var R portafolio i

q3 ] = [ 0.4 0.25 0.35]

Apuntes de Economa No. 7_________________________________________

Empecemos por el clculo de la rentabilidad media, es decir:

Apuntes de Economa No. 7_________________________________________

E [ Vf ] =V0 1+E R portafolio

E [ Vf ] =100 (1+12.25% ) =112.25

Apuntes de Economa No. 7_________________________________________

Similarmente, la desviacin estndar del portafolio ser:

Var [ Vf ] =V0 Var R f = 100 33.38% = 57.77

Apuntes de Economa No. 7_________________________________________

R1,1 , R1,2 , R1,3 R2,1 , R2,2 , R2,3 M M M Rn ,1 , Rn ,2 , Rn ,3

q3 ] = [ 0.4 0.25 0.35]

(Ver Recuadro 7. Se han escondido varias filas)

Apuntes de Economa No. 7_________________________________________

Apuntes de Economa No. 7_________________________________________

VaR = V0 Vc = 100 99.465 = 0.5348

Posibles Valores del Portafolio

4. Extensiones del VaR: Volatilidad no constante

Apuntes de Economa No. 7_________________________________________

Grfica 4-1 Rendimiento diario de la TRM (diaria) Ene-1-2000 / Dic-31-2003.

Fuente: Banco de la Repblica

4.1. Volatilidad histrica (Promedio Mvil)

Apuntes de Economa No. 7_________________________________________