Está en la página 1de 203

UNIVERSIDAD COMPLUTENSE DE MADRID

FACULTAD DE CIENCIAS ECONMICAS Y EMPRESARIALES Departamento de Fundamentos del Anlisis Econmico I (Anlisis Econmico)

VALORACIN DEL RIESGO UTILIZANDO CPULAS COMO MEDIDA DE LA DEPENDENCIA: APLICACIN AL SECTOR FINANCIERO MEXICANO (2002-2008).
MEMORIA PARA OPTAR AL GRADO DE DOCTOR PRESENTADA POR

Tania Nadiezhda Plascencia Cuevas


Bajo la direccin del doctor J. Javier Nez Velzquez
Madrid, 2010 ISBN: 978-84-693-4791-1
Tania Nadiezhda Plascencia Cuevas, 2009

UNIVERSIDAD COMPLUTENSE DE MADRID


FACULTAD DE CIENCIAS ECNOMICAS Y EMPRESARIALES
Departamento de Fundamentos del Anlisis Econmico I (Anlisis Econmico)

VALORACIN DEL RIESGO UTILIZANDO CPULAS COMO MEDIDA DE LA DEPENDENCIA. APLICACIN AL SECTOR FINANCIERO MEXICANO (2002-2008)

Tania Nadiezhda Plascencia Cuevas

Memoria para optar al grado de Doctor realizada ba jo la direccin del Dr. D. J.Javier Nez Velzquez Madrid, 2009

ndice general

Agradecimientos Introduccin general 1. Aspectos metodolgicos de la medida del riesgo 1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. La volatilidad como medida de riesgo . . . . . . . . . . . . . . . . 1.2.1. Principales tipos de volatilidad . . . . . . . . . . . . . . . 1.2.2. Estimacin de la volatilidad . . . . . . . . . . . . . . . . . 1.3. Riesgos nancieros . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. Riesgo de crdito . . . . . . . . . . . . . . . . . . . . . . . 1.3.2. Riesgo de liquidez . . . . . . . . . . . . . . . . . . . . . . . 1.3.3. Riesgo operacional . . . . . . . . . . . . . . . . . . . . . . 1.3.4. Riesgo legal . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.5. Riesgo de mercado . . . . . . . . . . . . . . . . . . . . . . 1.4. Medidas del riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1. Medidas coherentes del riesgo . . . . . . . . . . . . . . . . 1.5. El modelo de Markowitz . . . . . . . . . . . . . . . . . . . . . . . 1.6. Valor en riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.1. Antecedentes histricos . . . . . . . . . . . . . . . . . . . .

VII

IX

1 2 3 4 5 11 12 12 13 13 13 14 15 17 19 19 i

NDICE GENERAL 1.6.2. Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.3. Metodos de estimacin del VaR . . . . . . . . . . . . . . . 1.6.4. Comprobacin y contrastacin del VaR . . . . . . . . . . . 1.6.5. Ventajas e inconvenientes del VaR . . . . . . . . . . . . . . 1.7. Valor en riesgo condicional . . . . . . . . . . . . . . . . . . . . . . 1.8. Teora de valor extremo . . . . . . . . . . . . . . . . . . . . . . . 1.8.1. Mtodo block maxima . . . . . . . . . . . . . . . . . . . . 1.8.2. Peak over threshold . . . . . . . . . . . . . . . . . . . . . . 1.9. Dependencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9.1. Coeciente de Correlacin de Pearson . . . . . . . . . . . . 1.10. Cpulas nancieras . . . . . . . . . . . . . . . . . . . . . . . . . . 1.10.1. Familia de cpulas elpticas . . . . . . . . . . . . . . . . . 1.10.2. Familia de cpulas arquimedianas . . . . . . . . . . . . . . 1.10.3. Dependencia de las colas de la distribucin . . . . . . . . . 1.10.4. Contrastes sobre la adecuacin de cpulas . . . . . . . . . 1.10.5. Ventajas e Inconvenientes de las cpulas . . . . . . . . . . 1.11. Estimacin del VaR mediante cpulas . . . . . . . . . . . . . . . . 1.12. Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas 2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Descripcin y anlisis de los datos . . . . . . . . . . . . . . . . . . 2.3. Descripcin de la metodologa . . . . . . . . . . . . . . . . . . . . 2.4. Valoracin tradicional del riesgo . . . . . . . . . . . . . . . . . . . 81 82 83 92 95 21 23 33 38 40 42 43 46 50 51 53 58 60 64 68 71 72 78

2.5. Valoracin del riesgo a travs de cpulas elpticas . . . . . . . . . 100 ii

NDICE GENERAL 2.6. Extensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 2.6.1. Incorporacin de varianzas dinmicas en el modelo . . . . 106 2.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 3. Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles 115

3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 3.2. Descripcin y anlisis de los datos . . . . . . . . . . . . . . . . . . 118 3.2.1. Mexbol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 3.2.2. Dow Jones . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 3.2.3. Ibex-35 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 3.3. Descripcin de la metodologa . . . . . . . . . . . . . . . . . . . . 130 3.4. Valoracin tradicional del Mexbol . . . . . . . . . . . . . . . . . . 135 3.5. Relacin Mexbol e Ibex-35 . . . . . . . . . . . . . . . . . . . . . . 137 3.6. Relacin Mexbol y Dow Jones . . . . . . . . . . . . . . . . . . . . 142 3.7. Extensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 3.7.1. Relacin Mexbol e Ibex-35 . . . . . . . . . . . . . . . . . . 148 3.7.2. Relacin Mexbol y Dow Jones . . . . . . . . . . . . . . . . 150 3.8. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 3.9. Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 4. Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo 157

4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 4.2. Descripcin de la metodologa . . . . . . . . . . . . . . . . . . . . 159 4.3. Relacin Mexbol e Ibex-35 . . . . . . . . . . . . . . . . . . . . . . 162 4.4. Relacin Mexbol y Dow Jones . . . . . . . . . . . . . . . . . . . . 164 iii

4.5. Cartera equiponderada . . . . . . . . . . . . . . . . . . . . . . . . 165 4.6. Cartera autoponderada . . . . . . . . . . . . . . . . . . . . . . . . 167 4.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 Conclusiones generales y lneas abiertas de investigacin 171

A mi madre

Agradecimientos
Para empezar, quiero agradecer al director de esta tesis, el profesor Dr. D. Jos Javier Nez Velzquez, porque su dedicacin y apoyo han sido decisivos en todo momento, ya que sin su orientacin, la elaboracin de sta no hubiera sido posible. Adems el trato personal que he recibido por su parte es inmejorable e inestimable para m. Tambin agradezco a los profesores Pablo Alonso Gonzlez e Irene Albarrn Lozano por aceptar ser los evaluadores de esta investigacin y por la gran implicacin demostrada. Del mismo modo, agradezco a todos los profesores que me han apoyado a los largo de todo el proceso de doctorado, especialmente a Dr. Miguel Angel Martnez, Dra. Susan Orbe, Dr. Cruz Angel Echevarra, Dr. Emilio Cerd y Dra. Eva Senra. Asimismo, agradezco a todos los compaeros que han estado conmigo durante todo el trayecto: Ana Daz, Laura Ballester, Ana Gonzlez, Martn Lozano, Miguel Londoo y Jorge Herrera, porque ha sido un verdadero honor trabajar a su lado. Mi ms sincera gratitud a mis compaeras y amigas, Larraitz Aranburu, Maite Garca, Agueda Madoz y Aitziber Unzueta, por todos sus comentarios, soporte informtico y matemtico, ayuda en general y adems, todo el apoyo emocional que me han brindado.

vii

Agradecimientos Por ltimo, quiero agradecer a todas las personas que forman mi entorno personal, principalmente a mi madre, porque esta tesis es tan suya como ma y porque con su amor ha cimentado la base de una vida til y feliz, siendo mi rme soporte. A Iaki, porque su cario y apoyo me han levantado en ms de una ocasin estando siempre a mi lado y por su forma de enfrentar la vida, que merece toda mi admiracin. A la familia Cuevas, por todo el apoyo, cario y conanza que siempre me han dispensado; gracias por ser mi familia. Y a mis abuelos, Esperanza y Miguel, que aunque no estan, siguen aqu.

viii

Introduccin general
Existen diversas investigaciones acerca de lo importante que es la medicin de los riesgos nancieros y de cmo una inadecuada medicin puede ocasionar estragos y efectos nocivos en el sistema nanciero internacional. Por ello, el mundo de las nanzas se ha preocupado por desarrollar un sistema de medicin que cuantique de forma apropiada y precisa los riesgos a los que se est expuesto, para as poder gestionarlos y predecirlos lo ms acertadamente posible. Segn Jorion (1997), algunas de las entidades nancieras ms grandes del mundo han perdido miles de millones de dlares en los mercados nancieros, debido a que, en la mayora de los casos, la alta direccin se preocup muy poco de la exposicin a los riesgos de mercado. Por este motivo, muchas empresas han sufrido prdidas importantes o, en su defecto los acontecimientos han llevado a dichas empresas a sufrir agudos problemas nancieros o incluso a la quiebra. Para Torrero (2008), una crisis nanciera es un desorden agudo que altera el funcionamiento normal de los mercados y afecta de manera violenta a las valoraciones de los activos, pudiendo amenazar la existencia de instituciones nancieras. Ante la creciente volatilidad de las variables nancieras, existe la necesidad de gestionar los riesgos de manera eciente, ya que, debido a la inestabilidad existente en los sistemas nancieros, se han producido acontecimientos que han afectado a los pases de manera interna y global. Todo esto porque los eventos catastrcos fueron impredecibles por la rapidez con que se dieron los hechos. Segn Jorion (1997), la administracin del riesgo nanciero proporciona una proteccin parcial ix

Introduccin general contra las posibles implicaciones generadas por esa incertidumbre. Para Pea (2002), los riesgos nancieros no se pueden eliminar, sino que se transforman, y la estrategia ptima consistir en elegir aquellos instrumentos nancieros que puedan gestionarse mejor y tengan un balance coste/benecio ms apropiado. Por lo dicho anteriormente, es posible decir que la medicin y gestin de los riesgos nancieros se pueden considerar como el factor determinante o la piedra angular dentro de las instituciones nancieras, ya que brinda informacin de forma adecuada a las instituciones de supervisin de riesgos y permite tener un control que mejore la propia metodologa de medicin y gestin, adems de disminuir la exposicin que se tenga a los diferentes tipos de riesgos. Cuando se trata de medir el riesgo de una cartera de instrumentos nancieros, adems de elegir la herramienta de medicin apropiada, es necesario conocer si los instrumentos que componen la cartera estn correlacionados de alguna manera y saber cmo de fuerte y de qu tipo es la dependencia existente entre ellos. Entonces, la medida de riesgo elegida debe incluir un tratamiento especco para la dependencia, porque, si no es tomada en cuenta, se puede llegar a subestimar el riesgo en que se pueda estar incurriendo, y con ello se estara ms expuesto a la vez que los pronsticos se encontraran cada vez alejados de la realidad. Cuando se habla de cobertura, es importante elegir activos que se comporten de manera diferente ante el mismo evento. Sin embargo, an cuando se hayan cubierto todos los elementos que pueden aadir riesgo a una cartera, cabe la posibilidad de que existan, con cierta probabilidad de ocurrencia, valores extremos que pueden alterar los resultados. Estos valores extremos son generados por alteraciones en los mercados nancieros, tales como cambios de poltica econmica, monetaria, nanciera, en los ciclos econmicos, entre otros muchos acontecimientos que en la realidad pueden suceder con cierta frecuencia. Por ello, tambin se considera importante medir el riesgo tomando en cuenta dichos valores extremos, para as poder tener una mejor y mayor cobertura. Por lo tanto, una medicin x

del riesgo adecuada y precisa puede garantizar no slo la estabilidad para instituciones nancieras sino que tambin para todo el sistema nanciero internacional. La presente investigacin pretende valorar el riesgo de mercado mediante diferentes metodologas de medicin, tales como el VaR y el CVaR a travs de cpulas nancieras, para tratar de realizar una aproximacin ms precisa de los acontecimientos nancieros y con ello, poder evaluar las mximas prdidas que se puedan obtener, para as llevar a cabo una prediccin ms acertada y dedigna. Con lo que el objetivo de esta tesis es, adems de valorar el riesgo de mercado, tratar de hacer la valoracin del impacto que la crisis nanciera actual est teniendo, especialmente, en la evaluacin de los riesgos asociados a los activos nancieros mexicanos. Este efecto se mide a travs de la cuanticacin de las prdidas inesperadas realizadas, tanto en la muestra total como en dos subperiodos denidos en funcin de la evolucin de los mercados que ha conducido a la situacin actual de crisis nanciera. stos se seleccionaron con la nalidad de valorar las prdidas en dos periodos econmicamente diferentes. La contribucin de esta investigacin es proponer una tcnica prctica para estimar el VaR y el CVaR a travs de cpulas, utilizando distribuciones combinadas, con el objetivo de dar a cada observacin un tratamiento especco, y as poder comparar y evaluar las metodologas aplicadas con la aqu propuesta y, como ya se ha dicho, observar su ajuste en el mercado mexicano. En la actualidad, la situacin econmica y nanciera mundial es de inestabilidad e incertidumbre y esto hace que los pases emergentes se vean afectados principalmente por la dependencia existente con los pases desarrollados. En el caso especco de Mxico, el estrecho vnculo que sostiene con Estados Unidos ha provocado que el impacto de la crisis sea inminente e inmediato. La crisis en Mxico involucra a todos los sectores econmicos y nancieros, ya que de manera interna, est experimentando una fuerte disminucin de las fuentes de empleo, decrecimiento del consumo per capita y, adems, las instituciones xi

Introduccin general bancarias han aumentado las condiciones de contratacin de crditos y estos se han vuelto ms caros. De forma externa, este pas se ha visto afectado por el deterioro del peso mexicano frente al dlar estadounidense y al euro, a su vez, la demanda externa se ha reducido, disminuyendo los ingresos que se derivan de las exportaciones, principalmente hacia Estados Unidos. Por tanto, los ingresos provenientes de la entrada de divisas han cado signicativamente, porque no slo las exportaciones disminuyeron, sino que tambin el turismo internacional y el envo de remesas se han visto reducidos constante y notablemente. En el mercado nanciero, ha aumentado la volatilidad, la incertidumbre y se han tomado posiciones ms conservadoras, ya que no slo se experimenta la inestabilidad propia del pas, sino que se complementa con la volatilidad inyectada de los pases desarrollados por la fuerte dependencia que existe. La dependencia, principalmente con Estados Unidos, se ha incrementado notablemente entre el 2007 y 2008, provocando un aumento a la exposicin al riesgo y por tanto, mayor incertidumbre y volatilidad. As pues, esta investigacin se desarrolla de la siguiente manera: en el captulo siguiente se denen y describen los conceptos que han sido considerados ms importantes porque sern tiles y facilitarn la comprensin durante toda la investigacin, ya que estos estarn latentes en cada captulo. El segundo captulo se destina a la aplicacin de las metodologas de valor en riesgo y valor en riesgo condicional a travs de cpulas nancieras como indicadores del grado de dependencia. Las metodologas se aplican a una cartera formada por las cinco empresas que presentan mayor volumen de negociacin dentro del ndice de precios y cotizaciones de la bolsa mexicana de valores, ya que se considera que este ndice, al igual que los ndices Merval y Bovespa, es uno de los ms importantes dentro de los denominados mercados emergentes. En el captulo tercero se aplican semejantes metodologas a las del segundo captulo, pero utilizando el ndice Mexbol xii

frente al Dow Jones como representante del mercado estadounidense y frente al Ibex-35 como representante el mercado espaol de forma independiente, ya que el Mexbol muestra una conexin directa con los mercados desarrollados, y esta correlacin puede ser relevante en el momento de llevar a cabo las predicciones y las valoraciones de las prdidas. En el cuarto captulo, se propone valorar el riesgo de la cartera expuesta en el captulo dos y de los tres ndices burstiles, utilizando cpulas nancieras y una combinacin de distribuciones para dar un tratamiento especco a cada observacin, y as poder cuanticar las prdidas de manera ms cercana a la realidad. Al nal de esta investigacin se encuentran las conclusiones generales, es decir, a lo que se ha llegado con la evidencia emprica mostrada y las lneas abiertas de investigacin que se sugieren.

xiii

Captulo 1 Aspectos metodolgicos de la medida del riesgo

Aspectos metodolgicos de la medida del riesgo

1.1.

Introduccin

La historia del sistema nanciero internacional se ha visto envuelta en un sinfn de movimientos tales como auges, crisis, depresiones, recuperaciones, desaceleraciones, etctera. Sin embargo, de estos movimientos ha sido posible aprender y estudiar las causas, consecuencias y errores cometidos, y esto ha conducido a que continuamente se desarrollen herramientas que permitan suavizar y anticipar las consecuencias que estos movimientos puedan causar a los mercados nancieros y, en general, a toda la economa mundial. En el siglo XX, el sistema nanciero internacional se ha visto envuelto en diversas crisis nancieras, entre las que se pueden destacar el crack de 1929, el crash de octubre de 1987, la crisis mexicana entre 1994 y 1995, la crisis asitica de 1997, los problemas del fondo Long Term Capital Management en 1998 y la lista contina incrementndose con la crisis nanciera actual. Adems, la utilizacin de los instrumentos derivados1 dispar la volatilidad en los mercados y los gestores se vieron incapaces de evaluar de forma precisa y oportuna la exposicin a los diversos riesgos a los que se enfrentaban. Segn Torrero (2008), los detonantes de una crisis nanciera son muy variados: una cada de la bolsa, el alza de los precios de las materias primas, la quiebra inesperada de una gran empresa, etctera. Por tanto, es posible decir que la inestabilidad de los tipos de cambio, los tipos de inters, de precios y de los mercados burstiles, adems del desarrollo de los mercados de derivados y la importancia que han alcanzado los mercados emergentes han sido los principales factores que, directa o indirectamente, han contribuido a incrementar los riesgos en los mercados nancieros. Finalmente, es posible comprobar a travs de la historia que los acontecimientos mundiales, ya sean de tipo gubernamental o de poltica econmica, guerras
1 Un derivado es un instrumento nanciero cuyo valor depende o se deriva del valor de otro activo o instrumento llamado generalmente activo o variable subyacente.

1.2 La volatilidad como medida de riesgo o devaluaciones, pueden tener como consecuencia el aumento de la volatilidad de las principales variables econmicas y nancieras, y a esto le seguira una mayor exposicin a los diferentes tipos de riesgo. As pues, se puede constatar que medir, cuanticar, gestionar y evaluar activamente los diferentes tipos de riesgos nancieros se ha convertido en una prioridad para el mundo nanciero. As pues, este captulo ser destinado a denir y estudiar los principales conceptos de medicin y anlisis de riesgos, ya que sern de gran utilidad para comprender y analizar todos los captulos posteriores. La revisin y estudio de dichos conceptos se inicia deniendo brevemente la volatilidad y los tipos de volatilidad ms usuales, debido a la importancia que estos tienen en esta investigacin, en el anlisis y en la Teora General de Riesgos.

1.2.

La volatilidad como medida de riesgo

A lo largo de la literatura, diversos autores han brindado mltiples formas de interpretar el signicado de la volatilidad. Entre otros, para Aragons y Blanco (2000), la volatilidad es una medida estadstica de dispersin de la distribucin esperada de los rendimientos de un activo; cuanto mayor es la variabilidad, mayor es la dispersin de la distribucin de los rendimientos esperados y viceversa . De acuerdo con Hull (2007), la volatilidad de una variable se dene como la desviacin estndar del rendimiento proporcionado por la variable por unidad de tiempo cuando el rendimiento se expresa de forma continua . Generalizando y para facilitar la comprensin, se dene la volatilidad como la desviacin estndar del cambio relativo en el valor de un instrumento nanciero con un horizonte temporal determinado. A menudo se usa para cuanticar el riesgo del instrumento nanciero dentro de un horizonte temporal determinado. Cabe mencionar que el concepto de volatilidad debe ser tratado con mucha cautela, ya que existen varios tipos de volatilidad, tales como la implcita, histrica 3

Aspectos metodolgicos de la medida del riesgo y prevista. Al mismo tiempo, se debe tomar en cuenta que no existe una nica metodologa que permita aproximar la estimacin de la volatilidad, ya que siempre se debe estimar porque generalmente no viene determinada, debido a que no es una variable directamente observable. Por ello, es necesario denir a qu tipo de volatilidad se hace referencia, el periodo de estudio y las necesidades que se presentan. Por lo que, a continuacin, se denen brevemente los tipos de volatilidad ms utilizados y las formas de estimacin ms relevantes, relacionadas con ellas.

1.2.1.

Principales tipos de volatilidad

Se presentan y se denen, a manera de resumen, los principales tipos de volatilidad para poder continuar con la exposicin de los mtodos de estimacin relacionados con los conceptos. a) Volatilidad Histrica La volatilidad histrica indica qu variabilidad ha sufrido una variable en el pasado, es decir, est basada en rendimientos histricos de un instrumento nanciero. El rendimiento peridico de una variable X se calcula en base a la expresin rt = ln (Pt =Pt 1 ) ; donde rt es el rendimiento de la variable de t la variable en el instante t, Pt
1

t = 1; 2; :::T

(1.1)

1 a t, Pt es el precio de cierre de

representa el precio de cierre de la variable en el

periodo anterior, y T denota el nmero total de observaciones. La volatilidad histrica de los rendimientos de la variable X, expresada a travs de su desviacin tpica, puede obtenerse de la siguiente manera: v u u =t 1 n 1
n X t=1

(rt

r)2

(1.2)

1.2 La volatilidad como medida de riesgo donde


x

es la desviacin tpica de la serie, r es la media de los rendimientos de

la variable y n es el nmero de observaciones que se incluyen en la muestra. c) Volatilidad Implcita La volatilidad implcita se reere a la volatilidad asumida a los precios negociados por los agentes econmicos y nancieros, ya que incorpora las previsiones realizadas de los operadores de mercado sobre la volatilidad futura. Tambin se le conoce como volatilidad de mercado, ya que re las expectativas del mercado eja sobre la volatilidad del subyacente hasta la fecha de vencimiento del correspondiente activo derivado. Es posible conocer la volatilidad implcita a travs de modelos de valoracin a partir de los precios de instrumentos derivados. Por ejemplo, para la estimacin se utiliza, de forma habitual, el modelo de Black-Scholes o alguno similar. La aproximacin de la volatilidad depender, principalmente, de la correcta especicacin que se realice del modelo de valoracin que se eliga para calcularla. La variacin de la volatilidad implcita de una opcin como funcin de su precio de ejercicio o strike price es conocida como "sonrisa de volatilidad"2 . d) Volatilidad Prevista La volatilidad prevista es la que determinados modelos pueden anticipar como consecuencia de la utilizacin de tcnicas de prediccin economtrico-nancieras. Esta puede diferir de la histrica y de la propia del mercado. La volatilidad prevista al igual que la implcita trata de aproximarse a la volatilidad futura de un activo.

1.2.2.

Estimacin de la volatilidad

A continuacin se presentan formas de estimar la volatilidad, ya que de ello depende la buena especicacin y, por lo tanto, el resultado que se utilizar para la valoracin de los riesgos.
2

Para obtener mayor detalle acerca de la sonrisa de volatilidad, vese Hull (2006).

Aspectos metodolgicos de la medida del riesgo a) Medias Mviles

Las medias mviles son indicadores que calculan el promedio de una variable aleatoria en un determinado periodo temporal y para cualquier secuencia de datos3 . De manera concreta son medias calculadas sobre un conjunto de valores (precios, volmenes, etc.), que tienen la particularidad de que su clculo se efecta usando un nmero concreto de datos (n das) que marcan un periodo que va desplazndose en el tiempo. La expresin matemtica de las medias mviles es, 1X (Y ) = Yt n i=1
n

M An t

i+1 ;

t = 1; 2; ::::T

(1.3)

donde T es el nmero total de observaciones. As pues, son indicadores de cambio, en el sentido de que, una vez que el cambio de tendencia ha tenido lugar, la media mvil reacciona y lo conrma. A medida que se incorpora una nueva observacin desaparece la primera, con el objetivo de mantener siempre la misma amplitud en el periodo de clculo. Lo que se consigue con las medias mviles es seguir la pista de la tendencia. El clculo de medias mviles se realiza generalmente con los precios de cierre del activo considerado. Estas se emplean para suavizar la curva de precios, sirviendo de amortiguador para variaciones bruscas y con esto observar mejor la tendencia de una variable. Generalmente, cuando las medias mviles se encuentran por debajo de la serie de datos original (precios) indica que el mercado es alcista, mientras que el mercado es bajista cuando las medias mviles se encuentran por encima de los precios. Segn Borrell et al. (1997), en el entorno burstil, las medias mviles son consideradas como lneas de soporte y resistencia, con lo que una penetracin de las mismas, brinda al analista una seal de alerta frente a un cambio de tendencia
3 Secuencias de datos tales como precios de cierre, de apertura, volumen de negociacin, precios mximos y mnimos, etctera.

1.2 La volatilidad como medida de riesgo y, cuanto mayor es el nmero de observaciones mayor ser la importancia de la seal que genere. Estas medias mviles se pueden generalizar admitiendo diferentes ponderaciones para las observaciones que intervienen, dando lugar a las medias mviles ponderadas4 y exponenciales5 . b) Modelos GARCH A continuacin se presentan diferentes modelos basados en procesos estocsticos que tratan de modelizar la evolucin de las variables nancieras en el tiempo utilizando como datos series temporales. Supngase que se quiere estimar una variable Y de la siguiente manera:

Yt =

0 "t

1 "t 1 ;

t = 1; 2; :::; T

(1.4)

donde

es una constante,

representa los parmetros del modelo y " es un pro-

ceso de ruido blanco o trmino de error estocstico con desviacin tpica residual
".

En este caso, se dice que Y sigue un proceso de medias mviles de primer

orden o MA(1). Expresando a continuacin su forma ms general,

Yt =

0 "t

1 "t 1

+ ::::: +

q "t q

(1.5)

donde esta expresin equivale a un proceso de medias mviles de orden q o MA(q). A efectos prcticos, la utilizacin de esta metodologa presenta la crtica de que solamente se tiene en cuenta el periodo deteminado sobre el que se calcula,
En los anlisis nancieros, las medias mviles ponderadas suelen otorgar ms importancia a las observaciones ms recientes, de tal forma que las ltimas observaciones tienen ms in uencia que las primeras. Para mayor informacin, vase Borrell et al. (1997). 5 La media mvil exponencial incluye todos los datos histricos, aplicandoles una ponderacin de tipo exponencial (la media exponencial del primer da es el cierre de dicho da) y asigna ms importancia a las observaciones ms prximas, restando importancia a las ms alejadas. Para mayor informacin, vase Borrell et al. (1997).
4

Aspectos metodolgicos de la medida del riesgo y concede o asigna la misma importancia al primer da de la serie que al ltimo. Adems no se anticipa a los posibles cambios de tendencia. Respecto a la importancia o peso que se le da a los datos, se puede corregir el problema mediante las medias mviles ponderadas, o a travs de las medias mviles exponenciales. Segn Kisacik (2006), la volatilidad puede estimarse utilizando un proceso de medias mviles, ya que las varianzas histricas de las medias mviles se usan para estimar la volatilidad de los rendimientos, cuya expresin es la siguiente:

2 "

2 0

2 1

+ :::: +

2 q

(1.6)

donde

representa las varianzas histricas. Adems se supone que "t

N (0;

")

para i = 0; 1; :::; q, y que son variables aleatorias independientes e idnticamente distribuidas. Este mtodo se puede utilizar para estimar la volatilidad prevista en la expresin 1.6. Otra forma ms sosticada de llevar a cabo la estimacin de la volatilidad es mediante el uso de los modelos de la familia ARCH6 . La autocorrelacin en la volatilidad es modelada permitiendo que el trmino de error de la varianza condicional dependa de los valores anteriores de los residuos al cuadrado (retardos). La serie de rendimientos Yt sigue una ecuacin de la forma:
2 t

Yt =

t t

N 0;

(1.7)

donde

recoge la media condicionada hasta el momento t

1 de la serie y

representa la desviacin tpica. Por simplicidad, se supone que la serie no presenta evolucin en media, cuando u t = Yt
t

t t,

se formula el modelo ARCH en el cual la varianza condicional

es una funcin lineal del cuadrado de la variable ut (rendimientos, observaciones)


6 Autoregressive Conditional Heterocedasticity. Para ms detalle de los modelos ARCH, vase Engel (1982).

1.2 La volatilidad como medida de riesgo

2 t

2 1 ut 1

2 2 ut 2

+ :::: +

2 m ut m

(1.8)
m

siendo

2 t

la varianza condicional para el periodo t o varianza actual, y u2 t

son

los intervalos de los residuos al cuadrado (retardos de residuos). Agrupando:


m X i=1

2 t

2 i ut i

(1.9)

Estos deben cumplir dos condiciones fuertes: una de positividad y otra de estacionariedad (Bollerslev, 1986): Positividad:
0

> 0;

0; i

Estacionariedad:
m X i=1 i

<1

Reescribiendo el modelo de la siguiente manera:


m X i=1

u2 t

2 i ut i

+ vt

(1.10)

donde u2 es el valor actual de los residuos al cuadrado, siendo ste un estimador t insesgado de la volatilidad, u2 t al cuadrado, y vt = (u2 t innovacin. El modelo ARCH es un modelo autorregresivo para el cuadrado de la variable ut , de modo que ste es una generalizacin de la volatilidad histrica. Bajo el supuesto de que ut es ruido blanco, se puede reescribir como:
2 t) i

representan los intervalos pasados de los residuos

es impredecible, por lo que se considera como una

ut =

t t

Aspectos metodolgicos de la medida del riesgo y, por lo tanto, los


t

son variables aleatorias independientes e identicamente

distribuidas segn N (0; 1). Los modelos de la familia ARCH utilizan una funcin que describe la evolucin de la volatilidad, y pueden ser estimados mediante mxima verosimilitud. Este tipo de modelos generan agrupamiento de la volatilidad; sin embargo, no captan los efectos asimtricos, ocasionan problemas en la estimacin cuando estn incluidas las restricciones de positividad y estacionariedad y los valores extremos producen saltos bruscos en la volatilidad estimada7 . El modelo GARCH8 postula que la varianza condicional actual depende de m intervalos de los residuos al cuadrado y s intervalos de la varianza condicional. Este generaliza al modelo ARCH del mismo modo que el modelo ARMA generaliza el modelo AR.

2 t

2 1 ut 1

+ :::: +

2 m ut m

2 1 t 1

+ :::: +

2 s t s

(1.11)

donde

2 t

representa la estimacin de la varianza condicional en el periodo t,


m

2 t s

son los retardos de la varianza condicional o varianzas pasadas, y u2 t retardos de los residuos al cuadrado. Agrupando se obtiene
m X i=1 s X i=1

son los

2 t

2 i ut i

2 i t i

(1.12)

Este debe cumplir las dos condiciones fuertes antes expuestas: la de positividad y la de estacionariedad9 . En ese caso, se reescribe el modelo de la siguiente manera: u2 t
7 8

n X i=1

2 i ) ut i

n X i=1

u2 t

2 t i

+ vt

(1.13)

Para una explicacin ms exhaustiva, vase Novales (1993). Generalised Autoregressive Conditional Heteroscedasticity. Este modelo fue propuesto por Bollerslev en 1986. 9 Para mayor detalle, vase Bollerslev (1986).

10

1.3 Riesgos nancieros donde n es el mximo entre m y s, vt = (u2 t


2 t)

es la innovacin en el periodo

t. Por su forma, el modelo GARCH es un modelo ARMA para u2 . La estimacin t del modelo en su forma ARMA es ineciente, debido a que las innovaciones son heterocedsticas. Estos modelos generan agrupamientos o conglomerados de la volatilidad y colas anchas (leptocurtosis). El modelo ms habitual suele ser el GARCH (1,1), ya que converge a un proceso de difusin en tiempo continuo cuando la frecuencia de las observaciones es alta10 , y adems incorpora ms estructura dinmica a la ecuacin de la varianza11 . Proporciona una representacin ms parsimoniosa de la volatilidad, es decir, soluciona el problema de los saltos bruscos del modelo ARCH. Adems, cuando la frecuencia de las observaciones es alta, el valor estimado de
1+ 1

es muy prximo a 1. Existen diferentes modelos desarrollados a partir del

GARCH tradicional12 . Despus de haber denido la volatilidad y de exponer las formas de aproximacin a sta, se considera muy importante abordar el concepto de riesgos nancieros y presentar los diferentes tipos que existen, ya que el riesgo se puede mostrar de diferentes formas. Debe tenerse en cuenta que si no se consideran las posibles combinaciones de diferentes tipos de riesgos, se pueden ocasionar prdidas importantes para todo el sistema nanciero.

1.3.

Riesgos nancieros

En un principio, el riesgo13 puede denirse como la volatilidad o dispersin de los ujos nancieros inesperados o, en trminos generales, como la incertidumbre que se tiene sobre resultados futuros. Segn Artzner et al. (1999), la denicin de riesgo est relacionada con la variabilidad del valor futuro de una posicin, debido
10 11

Nelson, 1990. Novales, 1993. 12 Para un estudio mas detallado de este tipo de modelos, vese Brooks (2002). 13 Para mayor detalle de la denicin de riesgo, vase Jorion (1997).

11

Aspectos metodolgicos de la medida del riesgo a cambios en el mercado o por eventos con incertidumbre. Es decir, los riesgos nancieros son diversos y estn relacionados con las prdidas que puedan tener lugar en los mercados. Existen diferentes fuentes de riesgos y se pueden manifestar de muchas formas, debido a que el riesgo puede medirse como la dispersin de los resultados posibles, por lo que la variabilidad o movimientos de las variables nancieras14 constituyen una fuente de riesgo de gran importancia, ya que estas variables suelen estar expuestas a cambios constantes. Los tipos de riesgos pueden ser clasicados y denidos de la siguiente forma15 .

1.3.1.

Riesgo de crdito

Este riesgo se presenta cuando las contrapartes estn imposibilitadas para cumplir o hacer frente a sus obligaciones contractuales. Su efecto se mide por el coste de la reposicin de ujos de efectivo si la otra parte incumple. En trminos generales, el riesgo de crdito tambin puede conducir a prdidas cuando los deudores ven reducida su calicacin por las agencias crediticias, generando as una cada en el valor de mercado de sus obligaciones. La administracin y gestin del riesgo de crdito tiene tanto aspectos cuantitativos como cualitativos, siendo la determinacin de la credibilidad de una contraparte el componente cualitativo.

1.3.2.

Riesgo de liquidez

Este riesgo se deriva de la necesidad de cerrar una posicin en un cierto instante de tiempo. Este tipo de riesgo asume dos formas: liquidez mercado/producto y de efectivo/nanciacin. La primera forma se presenta cuando una tranujo saccin no puede ser cerrada a los precios vigentes en el mercado debido a un bajo nivel de operaciones en ste. La segunda forma se reere a la incapacidad de conseguir nanciacin necesaria, lo cual puede llevar a forzar una liquidacin
Variables tales como tipos de inters y tipos de cambio, entre otras. Para una clasicacin ms exhaustiva y desglosada de los tipos de riesgos nancieros, vese la OCC Banking Circular (1993) sobre la administracin del riesgo de los derivados nancieros.
15 14

12

1.3 Riesgos nancieros anticipada, transformando las prdidas potenciales en prdidas reales.

1.3.3.

Riesgo operacional

Este tipo de riesgo se reere a las prdidas potenciales que se dan como resultado de procesos internos inadecuados o fallidos, ya sea por personas o por sistemas. Algunos ejemplos del riesgo operacional pueden ser fallos en la tecnologa, errores en el procesamiento de datos, controles defectuosos, errores humanos, fraude, etctera. El riesgo ms habitual es debido a operadores que toman posiciones importantes sin el conocimiento de las directrices de la institucin.

1.3.4.

Riesgo legal

Es el riesgo que supone la realizacin de una prdida cuando una operacin no se puede ejecutar por no existir una formalizacin clara o no ajustarse al marco legal establecido, bien sea de mbito nanciero, civil o legal. ste tambin incluye el riesgo regulatorio16 y scal17 .

1.3.5.

Riesgo de mercado

Se deriva de cambios que se dan en los precios de los activos y pasivos nancieros y no nancieros, tales como inmuebles. Este riesgo se genera como consecuencia de la inestabilidad de los precios y la imposibilidad de predecir los cambios con tiempo suciente. Desde la dcada de los setenta, los mercados nancieros han estado gobernados por una gran inestabilidad en la evolucin de las variables econmicas y nancieras, por lo que para llevar a cabo una correcta medicin cuantitativa de los riesgos se han desarrollado un gran nmero de herramientas que permiten una
16 Hace referencia a actividades que podran quebrantar regulaciones gubernamentales, como manipular el mercado, expropiaciones, etctera. 17 Es el que se deriva de los posibles cambios en la normativa scal.

13

Aspectos metodolgicos de la medida del riesgo gestin activa de stos. Es posible decir que la gestin de riesgos es una disciplina terica y aplicada, porque dene y mide las diferentes fuentes de volatilidad y a su vez gestiona la cobertura y optimizacin de una cartera. Por todo lo descrito hasta ahora, se advierte que las instituciones nancieras han reconocido que es de suma importancia identicar y medir con precisin y veracidad los riesgos a los que se est expuesto, para despus ser capaz de gestionarlos, controlarlos y evaluarlos. En efecto, una medicin incorrecta puede conducir a estimaciones muy alejadas de los objetivos preestablecidos, pudiendo causar grandes prdidas. As pues, a continuacin, se denen las medidas de riesgo y sus caractersticas, las cuales deben ser tratadas con especial nfasis.

1.4.

Medidas del riesgo

Como ya se ha sealado, en el mundo nanciero y/o en la industria de seguros se puede incurrir en grandes prdidas, por lo que las medidas del riesgo juegan un papel de gran importancia en lo que se reere a optimizacin bajo incertidumbre. Por ello, sera muy necesario adoptar mtodos que permitieran medir el riesgo con la mayor exactitud y precisin posibles para garantizar una mayor estabilidad en el sistema nanciero y, adems, con esto protegernos de los riesgos o poder especular con ellos. Sea donde : ! R una funcin denida en el espacio de probabilidad ( ; ; P ),

es un espacio de variables aleatorias en el que se encuentran todos los es una medida de riesgo si existe una funcin de

factores de riesgo. Se dice que

distorsin, g : [0; 1] ! [0; 1], que es creciente donde, para cada variable aleatoria X, la medida de riesgo asociada a la funcin g viene dada por (Manistre, 2003)
+1 Z xdg [F (x)] g (X) = 1

(1.14)

14

1.4 Medidas del riesgo siendo F (x) = P (X x), es decir, representa la funcin de distribucin.

El riesgo en general es parte inevitable en un proceso de toma de decisiones, y ms concretamente en nanzas donde el concepto de riesgo est relacionado con el grado de incertidumbre en los rendimientos esperados futuros. Es por ello que la medicin cuantitativa de los riesgos viene determinada por la probabilidad asociada a las prdidas pontenciales. La gestin de riesgos consiste en medir esas probabilidades en un contexto de incertidumbre. A continuacin, se denen las propiedades que hacen que una medida de riesgo pueda ser considerada como coherente. A estas propiedades se debe prestar especial atencin porque sern de gran ayuda para proponer medidas que cumplan condiciones ideales o deseables en cuanto a medicin de riesgos, adems de que pueden brindar informacin acerca de posibles prdidas extremas.

1.4.1.

Medidas coherentes del riesgo

Segn Arzner et al. (1999), deben satisfacerse algunas propiedades para que una medida de riesgo pueda ser considerada como coherente. En concreto, cualquier medida de riesgo que satisfaga las propiedades de monotonicidad, relevancia, homogeneidad positiva, invarianza ante translaciones y subaditividad puede considerarse como coherente. A continuacin se exponen estas propiedades. Sea una medida de riesgo, se dice que es una medida de riesgo coherente

si satisface las siguientes propiedades: a) Monotonicidad:

(X)

(Y ) ;

8X; Y 2

:X

(1.15)

es decir, si una posicin es mejor que la otra, el riesgo en la mejor es menor o igual que el riesgo en la peor. 15

Aspectos metodolgicos de la medida del riesgo b) Homogeneidad positiva:

( X) =

(X) ;

0; 8X 2

(1.16)

es decir, si una posicin aumenta proporcionalmente, el riesgo en ella aumentar en la misma proporcin. c) Invarianza ante translaciones:

(X + ) = (X) + ;

8X 2 ; 8 2 R

(1.17)

es decir, sumando o restando una determinada cantidad

a una posicin o cartera

X, se altera el capital requerido exactamente en esa cantidad y, por tanto, su medida de riesgo es determinista. d) Relevancia:

(X) > 0;

8X 2

:X

0 y X 6= 0

(1.18)

es decir, si no hay posibilidad de riesgo, entonces no existir la posibilidad de prdida. e) Subaditividad:

(X + Y )

(X) + (Y ) ;

8X; Y 2

(1.19)

es decir, que la diversicacin ayuda a disminuir el riesgo. Segn Acerbi y Tasche (2001), la subaditividad captura la escencia de la forma en que una medida de riesgo debe comportarse bajo la composicin o incorporacin de carteras. En gestin de riesgos, la subaditividad est asociada con el principio de diversicacin, que es escencial para el planteamiento y solucin de problemas de optimizacin de carteras, puesto que posee relacin con la con16

1.5 El modelo de Markowitz vexidad de la medida de riesgo, lo que garantiza que se pueda encontrar una combinacin ptima dentro de una cartera que minimice el riesgo. Puede interpretarse que la convexidad re la aversin al riesgo por parte del inversor. La eja convexidad es un efecto de segundo orden que describe la forma en que el riesgo cambia, a medida que vara el rendimiento. Se han desarrollado diversos modelos para la gestin de riesgos, siendo tres los que se consideran fundamentales. En 1952, Harry Markowitz desarroll la Teora de Carteras y el concepto de que ha medida en que se aaden activos a una cartera de inversin, el riesgo disminuye como consecuencia de la diversicacin. Tambin propuso los conceptos de correlacin y covarianza como elementos clave en el anlisis. En 1973, Fisher Black y Myron Scholes proponen un modelo para valorar y cubrir opciones nancieras, que se conoce como modelo de Black-Scholes, aunque Merton (1973) desarroll un modelo similar de manera independiente. Y en 1993, JP Morgan desarrollo el concepto de Valor en Riesgo como modelo para cuanticar los riesgos de mercado basndose en la Teora de la Probabilidad. Segn Jorion (1997), los avances en la teora nanciera moderna han permitido a las instituciones la creacin de nuevos instrumentos y un mejor entendimiento de la administracin dinmica de los riesgos nancieros. En seguida se describen brevemente los modelos mencionados, porque son de gran importancia en la evolucin histrica de las herramientas de anlisis de riesgos. Adems permitirn introducir con mayor claridad el concepto de Valor en Riesgo, que es uno de los conceptos clave de esta investigacin.

1.5.

El modelo de Markowitz

H. Markowitz desarroll el modelo de optimizacin de carteras que lleva su nombre, basndose en el comportamiento racional de los inversores; es decir, el inversor desea obtener la mayor rentabilidad y es adverso al riesgo. Para Markowitz, 17

Aspectos metodolgicos de la medida del riesgo una cartera se considera eciente si proporciona la mxima rentabilidad posible para un nivel de riesgo determinado, o equivalentemente, si proporciona el menor riesgo posible para un nivel jado de rentabilidad. En concreto, el modelo de Markowitz parte de las siguientes hiptesis: a) Se supone conocido el rendimiento esperado de cada uno de los instrumentos nancieros considerados. b) Se supone que las varianzas y las covarianzas entre instrumentos nancieros son conocidas, adems se supone que el anlisis es esttico, por lo que el periodo t se mantiene jo. c) Los rendimientos de los instrumentos nancieros se distribuyen de manera normal. d) La forma de actuar de los inversores es racional. e) El modelo optimiza la cartera de manera esttica. En estas condiciones, el conjunto de carteras que son consideradas ecientes pueden obtenerse resolviendo el siguiente problema:
n n XX i=1 j=1

mn

(Rp ) =

xi xj

ij

(1.20)

sujeto a: E (Rp ) =

i=1

xi

0; i = 1; 2; 3; :::; n

i=1 n P

n P

xi E (Ri ) = V (1.21)

xi = 1

donde xi 18 es la proporcin del presupuesto que el inversor destina al activo nanciero i, Rp es el rendimiento de toda la cartera, y varianza de la cartera p y
ij 2

(Rp ) representa la

es la covarianza de los rendimientos de los valores i

y j. E (Rp ) representa el rendimiento esperado de la cartera p, de forma que si se


18

Un planteamiento ms amplio es que xi sea negativo, lo cual implica endeudamiento.

18

1.6 Valor en riesgo varia el parmetro V se obtiene el conjunto de proporciones xi que minimizan el riesgo y su correspondiente valor. El conjunto de combinaciones de rentabilidad y riesgo [E (Rp ) ;
2

(Rp )] de

todas las carteras ecientes se denomina frontera eciente19 ; una vez que sta es conocida, el inversor, segn sus preferencias, elegir la cartera ptima20 . As pues, se puede decir que la cartera ptima es aquella combinacin de instrumentos nancieros que representa la relacin riesgo-rendimiento que maximiza la satisfaccin del inversor. Por lo tanto, cualquier decisin que sea considerada como racional debe escoger siempre carteras que esten dentro de la frontera eciente.

1.6.

Valor en riesgo

Esta herramienta juega un papel central en la evaluacin de riesgos y su estudio constituye uno de los objetivos de este trabajo. Por ello, se va a presentar con mayor detalle. Ante la situacin de inestabilidad de los mercados nancieros y la necesidad de un forma de medicin adecuada del riesgo, se ha adoptado el valor en riesgo (VaR, Value at Risk 21 ), como herramienta estndar para la medicin del riesgo de mercado, cuyo principal atractivo es su simplicidad de interpretacin, ya que se puede estimar cunto se puede perder con determinada probabilidad y el resultado se resume en un slo nmero.

1.6.1.

Antecedentes histricos

Para Aragons y Blanco (2000), el Consejo de Administracin del Grupo de los Treinta (G-30) encabezado por JP Morgan, lleg a la conclusin de que era
La frontera eciente puede denirse como el conjunto de carteras que para cada rendimiento tienen la mnima varianza o, de forma equivalente, el conjunto de carteras que para cada varianza dada, tienen el mximo rendimiento. 20 Para estudiar el modelo con mayor detalle, vase Markowitz (1952). 21 Por su denominacin anglosajona.
19

19

Aspectos metodolgicos de la medida del riesgo necesario que existiera un mayor control de los riesgos, ms informacin por parte de las instituciones sobre las posiciones tomadas y una medida consistente para calcular el riesgo de mercado. Para Jorion (2003), la revolucin VaR se inici en 1993 cuando fue aprobado por el G-30 como parte de "las mejores prcticas" para hacer frente a los productos derivados, adems se populariz por el inters de los reguladores en el VaR como medida de riesgo. Segn Pea (2002), la primera recomendacin pblica del uso de medidas tipo VaR apareci en julio de 1993 en un informe del Global Derivatives Study Group (1993), que recomendaba a los agentes (...) el uso de medidas consistentes para el clculo diario del riesgo de mercado de sus posiciones en derivados (...) . En 1995, el comit de supervisin bancaria permiti que los bancos calcularan sus propios requerimientos de capital con modelos basados en la metodologa VaR. Y segn Jorion (1997), la recompensa del VaR es que ha llevado el debate del riesgo en torno a los derivados a un sendero ms constructivo.

A partir del desarrollo del VaR, han ido apareciendo diversas publicaciones, en las cuales se aplica esta metodologa, adems de utilizar los diferentes mtodos de estimacin22 pertinentes, como por ejemplo Pea (2002), Embrechts et al. (2005) o Jorion (1996) y (1997), que ha utilizado tcnicas de simulacin histrica y de Monte Carlo en el marco de instrumentos nancieros no lineales, tales como las opciones. En Christoersen et al. (2001), se argumenta que el VaR ha emergido como una herramienta estndar para medir y reportar el riesgo del mercado nanciero. Las medidas VaR se calculan utilizando datos histricos para la valoracin de opciones. Estas valoraciones se basan en medidas de volatilidad tipo GARCH. El VaR es esencialmente el percentil de la distribucin condicional de los rendimientos de un activo, pudiendo aplicarse tanto a uno individual como a una cartera.

22

Las diferentes formas de estimacin del VaR se describen posteriormente.

20

1.6 Valor en riesgo

1.6.2.

Denicin

Ms en detalle, debe destacarse que la valoracin de los riesgos es mayormente utilizada para reducir la probabilidad de incurrir en grandes prdidas. Por ello, el Valor en Riesgo (VaR) es ampliamente utilizado para medir el riesgo de mercado en la administracin o gestin de riesgo, puesto que permite asegurar que las instituciones nancieras continen en el negocio despus de un evento catastrco. En general, puede denirse23 como la cantidad mxima probable que puede perder una cartera o instrumento nanciero, en un horizonte temporal determinado, bajo unas circunstancias normales de los mercados y para un nivel de conanza dado, como consecuencia de movimientos adversos de los precios. De esta manera, el VaR combina la exposicin a una fuente de riesgo con la probabilidad de un movimiento extraordinario en el mercado. Supngase que una cartera de inversin presenta un VaR de Y unidades monetarias para un nivel de conanza de y un horizonte temporal de T meses. Puede

interpretarse que, en el 100 ( ) % de los casos, no existir una prdida superior a Y unidades monetarias en los prximos T meses, es decir, en 100 (1 ) % de los

casos la prdida ser inferior a Y unidades monetarias en los prximos T meses24 . Con mayor precisin, el VaR de una cartera, activo o, en general, de cualquier instrumento nanciero, se puede denir de la siguiente forma: dado un nivel de conanza, , es la mayor prdida que se puede sufrir en un intervalo de tiempo determinado [t0 ; t]. Es decir,

P [ (t0 )

(t) < V aR] =

(1.22)

(t0 ) denota el valor de la cartera o del instrumento nanciero inicial, mientras


Existen diferentes deniciones del VaR segn diferentes puntos de vista. Para mayor detalle del concepto, vase Jorion (1997). 24 Es decir, el VaR es el resultado menos malo de los 100 (1 ) % peores casos de la distribucin de prdidas y ganancias. En este contexto, los peores casos indican prdidas ms grandes.
23

21

Aspectos metodolgicos de la medida del riesgo que (t) representa el valor del instrumento nanciero en el instante t. Debe

recordarse que el horizonte temporal puede expresarse en das, semanas, meses y hasta un ao. El nivel de conanza tambin puede variar, siendo lo usual un valor entre 95 % y 99 %, es decir, un valor muy prximo al 100 %. Por lo tanto, el VaR es una estimacin estadstica y como tal requiere que se establezcan ciertos parmetros como el horizonte temporal, el nivel de conanza y la moneda de referencia. A partir de un contexto probabilstico, sea t el instante en el que se adquiere una posicin nanciera y se desea analizar el riesgo para los siguientes n periodos. Vt;t+n representa el cambio de t a t + n del valor del activo en una Vt;t+n .

posicin nanciera, Fn (x) es la funcin de distribucin acumulada de

Por tanto, es posible denir el VaR para una posicin larga en el horizonte de tiempo n con una probabilidad p como:

p = P ( Vt;t+n

V aR) = Fn (V aR)

(1.23)

El poseedor de la posicin larga incurrir en una prdida cuando

Vt;t+n < 0,

ya que, se suponen valores negativos cuando p es pequea. El poseedor de una posicin corta sufre una prdida cuando el valor de un activo crece, por lo que el VaR se dene como:

p = P ( Vt;t+n

V aR) = 1

Fn (V aR)

(1.24)

para una p pequea, el VaR de una posicin corta supone un valor positivo. Para una posicin larga la cola izquierda de la distribucin Fn (x) es la ms importante, mientras que en una posicin corta se da ms nfasis en la cola derecha Fn (x). La funcin de distribucin acumulada en la prctica es desconocida y las investigaciones del VaR tienen que ver principalmente con la estimacin de esta funcin Fn (x) o sus cuantiles. As pues, el objetivo principal del VaR es cuanticar el riesgo de mercado, 22

1.6 Valor en riesgo y por tanto, jar lmites al riesgo asumido por los gestores; esta metodologa permite que la administracin de riesgos pueda tomar medidas correctivas de forma oportuna en caso de prdidas o de eventos extraordinarios. Es importante hacer hincapi en que el VaR debe expresarse dentro de un contexto, en concreto, un horizonte temporal, un nivel de conanza, una moneda de referencia y una metodologa de clculo. La metodologa de clculo depender del modelo que se le aplique a los datos. As pues, a continuacin se describen diferentes mtodos de estimacin de VaR, para valorar su adecuacin a los diversos conjuntos de datos que puedan presentarse.

1.6.3.

Metodos de estimacin del VaR

Para llevar a cabo la estimacin del VaR existen diferentes mtodos. Entre los ms difundidos, estn los mtodos delta-normal, de simulacin histrica y de simulacin de Monte Carlo, proporcionando este ltimo una base de datos para evaluar el VaR. Por la importancia y utilidad que estas formas de aproximacin han llegado a tener, se describen a continuacin.

Mtodos de valoracin local Estos mtodos miden el riesgo realizando la valoracin de un activo o una cartera en la posicin inicial. Usualmente, estos se basan en la hiptesis de normalidad de los factores de riesgo, por lo que muestran, que si una cartera est compuesta por activos normalmente distribuidos, la cartera tambin seguira dicha distribucin. En concreto se presenta el mtodo Delta-Normal y sus ampliaciones.

a) Mtodo Delta-Normal

Este es un mtodo analtico que se basa en utilizar la matriz de varianzas y covarianzas de los factores de riesgo implicados para representar el riesgo global 23

Aspectos metodolgicos de la medida del riesgo de una cartera o instrumento de inversin. El objetivo es calcular la varianza del instrumento nanciero, asumiendo que sus rendimientos siguen una distribucin normal25 , para luego estimar el VaR con un nivel de conanza y un horizonte temporal determinado. El valor en riesgo de un instrumento nanciero i, V aRi , en concreto puede escribirse como: p

V aRi =

Si

(1.25)

donde

es el factor que determina el nivel de conanza del clculo, Si es el


i

monto total de la inversin en el instrumento i,

es la desviacin tpica de los

rendimientos y, t es horizonte temporal en que se desea calcular el VaR. El VaR de una cartera se puede obtener agregando el VaR de cada instrumento en funcin de las correlaciones observadas entre los cambios relativos de los precios, p

V aRp =

V aR0 C V aR

(1.26)

siendo C la matriz de correlaciones de dimensin n V aRi por instrumento de dimensin n

n, V aR el vector de los

1 y V aR0 su traspuesta.

As pues, en el caso ms general de una cartera, se asume que la cartera consta de instrumentos nancieros con distribuciones conjuntamente normales, as que se denen sus rendimientos para el prximo periodo como la suma ponderada de los rendimientos que componen la cartera,
N X i=1

Rp;t+1 =

wi;t Ri;t+1

(1.27)

donde Rp representa el rendimiento de la cartera, Ri;t+1 son los rendimientos de los activos que conforman toda la cartera, N representa el nmero total de activos y, wi;t son las ponderaciones en el instante actual. Como el rendimiento de
25 En este mtodo la distribucin normal es asumida por las prdidas y ganancias de una cartera o instrumento nanciero. Tambin es llamado mtodo de varianzas y covarianzas

24

1.6 Valor en riesgo la cartera es una combinacin lineal de variables que se asumen como normales, dicho rendimiento tambin se distribuir normalmente. Si se utiliza notacin matricial, la varianza de la cartera viene determinada por la siguiente expresin:

0 (Rp;t+1 ) = wt

t+1

wt

0 wt = (w1t ; :::::; wN t )

(1.28)

siendo

t+1

la prediccin de la matriz de covarianzas.

Uno de los principales inconvenientes que presenta es que el VaR debe medirse para carteras grandes y complejas que se desarrollan a lo largo del tiempo, y entonces no mide correctamente el riesgo de instrumentos no lineales tales como opciones. Este mtodo simplica el proceso, ya que transforma los factores de riesgo a su forma lineal bsica para calcular el VaR a partir de la matriz de varianzas y covarianzas, esto es, se produce un conjunto de exposiciones xi;t , agregadas a travs de todos los instrumentos para cada factor de riesgo. Por lo tanto, el VaR de la cartera es: p

V aR = siendo

x0t

t+1 xt ;

x0t = (x1t ; :::::; xN t )

(1.29)

el factor relacionado al nivel de conanza especicado.

Un caso particular de este mtodo es el denominado Riskmetrics, el cual es un sistema de medicin de riesgos que fue desarrollado por J. P. Morgan. Probablemente es el sistema de medicin de riesgo ms conocido y que ms llam la atencin de los que se desarrollaron en la ltima parte del siglo pasado, cuando numerosas instituciones nancieras empezaron a preocuparse por llevar a cabo este tipo de mediciones. Riskmetrics se cre con el objetivo de incrementar la transparencia de las instituciones participantes en los mercados de derivados y para establecer un sistema homogneo de medicin de riesgos de mercado que pudiera ser utilizado por la mayora de instituciones que participan en los mercados nancieros. 25

Aspectos metodolgicos de la medida del riesgo En Christoersen et al. (2001) se arma que una importante contribucin de Riskmetrics es la introduccin del VaR, que resume los resultados de una cartera de rendimientos en un nico nmero, y que los inversores han encontrado til y fcil de interpretar. Se puede decir que Riskmetrics es un conjunto de herramientas que permiten a los participantes en el mercado nanciero estimar su exposicin al riesgo de mercado bajo el marco de valor en riesgo. Riskmetrics cuenta con tres componentes bsicos: 1) Conjunto de metodologas que esbozan cmo los gestores de riesgos pueden computar el VaR de una cartera de instrumentos nancieros. 2) Datos que permiten a los gestores llevar a cabo la aplicacin del conjunto de metodologas anteriores. 3) Clculo del VaR e informe de resultados26 . Riskmetrics supone que el rendimiento diario de una cartera sigue una distribucin normal condicional27 . Se denota como rt al logaritmo de los rendimientos diarios y como It
1

al conjunto de informacin disponible en tiempo t

1.

Entonces, Riskmetrics supone que:

rt jIt siendo
t

!N

t;

2 t

(1.30)

2 t

la media y varianza condicional de rt respectivamente. Adems el

mtodo supone que las dos cantidades evolucionan a travs del tiempo segn el modelo simple. 8 > < > :

t 2 t

=0 =
2 t 1

(1.31) + (1
2 ) rt 1

Para ms detalle del funcionamiento de la metodologa Riskmetrics, vase J.P. Morgan (1996). 27 Esto es debido a que el sistema Riskmetrics est basado en un enfoque paramtrico, es decir, se pretende ajustar una distribucin paramtrica, como la normal, a un conjunto de datos. Este enfoque es muy similar al mtodo de varianzas y covarianzas, slo que tiene como diferencia que cuenta con una base de datos actualizada de factores de riesgos, por lo que no es necesario especicarlos.

26

26

1.6 Valor en riesgo donde 0 < < 1, es ms, a menudo se encuentra en el intervalo (0;9; 1), siendo

este parmetro el factor de cada o amortiguamiento, Riskmetrics utiliza un nico valor del parmetro que es 0;94 para datos diarios28 . Se debe remarcar que la

ecuacin de la varianza sigue un proceso sin deriva IGARCH (1; 1)29 . Por ltimo, el mtodo Delta-Normal, se basa en datos distribuidos normalmente y, en la realidad, casi nunca se observan rendimientos de activos nancieros que sigan una distribucin normal. Se puede decir que este mtodo tiene como principal indicador a la matriz de covarianzas, por lo que un mnimo error en la estimacin y/o prediccin de dicha matriz puede hacer que falle toda la precisin de la medicin del riesgo y que el VaR sea incorrecto. Adems no cuenta con un adecuado tratamiento de eventos extraordinarios o extremos y no considera la leptocurtosis, lo que puede conducir a infravalorar el riesgo. Una posible solucin puede ser incorporar el riesgo gamma30 o cualquier otra letra griega31 al clculo de VaR. b) Ampliaciones del mtodo Delta-Normal El mtodo Delta-Gamma puede considerarse como una extensin del mtodo Delta-Normal, ya que ste toma en cuenta riesgos adicionales, siendo ms adecuado para carteras que contienen opciones. Por lo tanto, para una cartera
Este parmetro determina las ponderaciones relativas que son aplicadas a las observaciones (rendimientos) y a la cantidad efectiva de das usados para la estimacin de la volatilidad. Para ms detalle, vase J. P. Morgan (1996). 29 Modelo GARCH con una raz unitaria en el polinomio autorregresivo. Para ms detalle ver Engle y Bollerslev (1986). 30 El riesgo gamma est basado en fenmenos no lineales. Para mayor aclaracin ver Hull y White (1987 y 1990) para el clculo del VaR en condiciones no normales. 31 Las Griegas llamadas as porque las 5 letras son del alfabeto griego, se usan para cuan, ticar las exposiciones de las carteras que contienen opciones. Cada una de ellas, mide cmo el valor de mercado de la cartera debera responder a un cambio de alguna variable, un subyacente, volatilidad implcita, tanto de inters como de tiempo. Hay 5 griegas, Deltamedida de primer orden (lineal) y representa la sensibilidad al precio subyacente; Gamma medida de segundo orden (cuadrtica), representa la sensibilidad a los cambios del precio subyacente; Kappa o Vega medida de primer orden (lineal), representa la sensibilidad a la volatilidad implcita de un subyacente; Theta medida de primer orden (lineal) representa la sensibilidad al paso del tiempo; y Rho medida de primer orden (lineal) representa la sensibilidad a un determinado tipo de inters. Las Griegas se denen en primeras derivadas; slo el caso de gamma se dene en las segundas derivadas parciales.
28

27

Aspectos metodolgicos de la medida del riesgo de opciones, el cambio en el precio, sobre el mismo subyacente, puede estimarse usando una aproximacin de segundo orden32 , 1 dS 2 2

dc =

dS +

(1.32)

donde las griegas son valores netos para la cartera de opciones33 y S es el precio de ejercicio o strike. Para una posicin simple, el VaR es, 1 ( 2 S)2

V aR = j j (

S)

(1.33)

El problema es que cuando se pierde la linealidad, el VaR puede llegar a ser muy complejo, no pudiendo relacionarse con el VaR del subyacente. Entonces, hay que hacer uso de simulaciones numricas para la evolucin de dS y as obtener el VaR. Por lo tanto, este mtodo puede generalizarse a mltiples factores de riesgo34 , ya que se pueden introducir otros elementos, tales como la volatilidad con vega, la variacin del tiempo con theta y el tipo de inters con rho. En concreto, la generalizacin utilizando vega es: 1 (dS)0 dS + 2

dc =

dS +

(1.34)

donde dS y d ahora son vectores de N cambios en los precios de mercado y en su volatilidad, N y son vectores de N posiciones y es una matriz de gammas

N con respecto a los diversos factores de riesgo. El problema de este mtodo es que deja de ser prctico cuando se tienen mlti-

ples factores de riesgo, ya que la cantidad de datos se incrementa geomtricamente y con ellos el nmero de parmetros, aadindose los errores computacionales en que se puede incurrir en la estimacin.
32 33

Desarrollo en serie de Taylor. Posicin global de la cartera. 34 Para mayor detalle y ampliacin del modelo de Black y Scholes, vase Hull (2006).

28

1.6 Valor en riesgo Mtodos de valoracin global Estos mtodos miden el riesgo haciendo la valoracin total de un activo o una cartera sobre un rango de escenarios posibles. Por ello, se considera que estos son superiores debido a que toman en cuenta instrumentos no lineales. Sin embargo, se requiere una cantidad amplia de informacin, lo que puede llevar a dicultar la implementacin, especialmente cuando se utilizan carteras grandes. a) Mtodo de simulacin Histrica La simulacin histrica es un mtodo relativamente simple, fcil de implementar y tiene la ventaja de que no es necesario asumir que las rentabilidades siguen una distribucin normal, por lo que es posible re ejar la distribucin de rentabilidades completa, tal y como se habra producido con anterioridad. Este modelo consiste en retroceder en el tiempo durante un periodo de tiempo sucientemente amplio, en la prctica, Pea (2002) y Jorion (1997) muestran que lo usual es tomar los ltimos 250 das aproximadamente35 , y aplicar ponderaciones actuales a una serie temporal de rendimientos histricos de activos:
N X i=1

Rp;k =

wi;t Ri;k ;

k = 1; 2; :::::; t

(1.35)

Siguiendo la notacin anterior, Rp;k es el rendimiento de la cartera en el instante k, se observa que las ponderaciones wi;t toman valores actuales y, por tanto, este rendimiento no representa el de una cartera real sino que reproduce el pasado de una cartera hipottica utilizando las ponderaciones de hoy; este enfoque en ocasiones se denomina bootstrappingporque supone la utilizacin de la distribucin real de los datos histricos recientes (sin reemplazamiento). Este mtodo implica el uso de datos pasados en una forma muy directa como una gua para ver lo que sucede en el futuro, o de otra manera, este modelo se
35 Elegir el tamao de la muestra es muy importante, debido a que est puede tener una gran in uencia en la valoracin y la prediccin de este mtodo.

29

Aspectos metodolgicos de la medida del riesgo basa en el comportamiento de la cartera suponiendo que se producen los cambios pasados del mercado en una base de datos histrica. La distribucin de prdidas y ganancias de una cartera se genera empricamente, calculando la diferencia entre el valor V para diferentes niveles de precios Pt ,

V = V (Pt )

V (Pt

h)

(1.36)

siendo h el horizonte temporal elegido. El VaR para un nivel de conanza determinado es directamente el percentil de la distribucin de probabilidad de los cambios de valor de la cartera. La eleccin del perodo muestral re un balance eja entre el uso de tamaos muestrales ms largos y ms cortos; los intervalos ms grandes incrementan la precisin de la estimacin, pero se podran utilizar datos irrelevantes, omitindose cambios importantes en el proceso subyacente (cambios de tendencia).

La valoracin global requiere un conjunto de precios completos, como pueden ser las curvas de rendimientos, en lugar de solamente los rendimientos. Los hipotticos precios futuros para k escenarios se obtienen aplicando los cambios histricos en los precios sobre el nivel actual de los precios:

Pi;k = Pi;k0 +

Pi;k

i = 1; 2; :::::::; N

(1.37)

siendo k0 el precio de hoy, obteniendose un nuevo valor de la cartera Pi;k con el conjunto completo de precios hipotticos. Se debe observar que, para capturar el riesgo vega, el conjunto de precios puede incorporar mediciones de volatilidades implcitas. Generando el rendimiento hipottico correpondiente a la observacin k, Rp;k = 30 Pi;k Pi;k0 Pi;k0 (1.38)

1.6 Valor en riesgo entonces, el valor en riesgo se obtiene a partir de la distribucin completa de los rendimientos hipotticos. Este mtodo ofrece como ventaja que los escenarios sobre los que se evala la cartera ya han sido observados, por lo que se pueden tomar como posibles. Adems utiliza correlaciones condicionales en el sentido de que pueden ajustarse al comportamiento pasado de los factores de riesgo bajo cada escenario en lugar de tomar la correlacin media. El mtodo permite no linealidades, distribuciones no normales y capta riesgos gamma, vega si la cartera esta compuesta de opciones o productos derivados, cuantica las colas anchas, es robusto e intuitivo; adems facilita informacin no slo del VaR sino tambin sobre la prdida histrica mxima del perodo de observacin. Entre sus inconvenientes, se encuentra que es necesario disponer de una amplia base de datos que permita volver a valorar todos los instrumentos de la cartera, ignora completamente cambios futuros del mercado distintos al pasado, ya que el pasado representa slo al futuro inmediato. La simulacin histrica omite situaciones con volatilidad temporalmente elevada, es decir, muestra debilidad en cuanto a la prediccin de eventos extremos, y adems se puede volver incmodo para carteras grandes con complicadas estructuras. Para concluir, puede decirse que la simulacin histrica supone que la distribucin asumida no cambia con el tiempo por lo que el tamao de la muestra puede cambiar drsticamente el resultado. b) Mtodo de simulacin de Montecarlo A travs de este mtodo, se obtiene una aproximacin del comportamiento de la rentabilidad esperada de una cartera o instrumento, utilizando simulaciones informticas que generan trayectorias aleatorias de los rendimientos de la cartera o instrumento nanciero, basados en ciertos supuestos iniciales sobre las volatilidades y correlaciones de los factores de riesgo. 31

Aspectos metodolgicos de la medida del riesgo La simulacin de Monte Carlo se basa en la generacin de escenarios aleatorios futuros y se requieren conocimientos de la distribucin probabilstica de dichos escenarios, que se suelen suponer normales o lognormales, con matrices de covarianzas estimadas a partir de series histricas de rendimientos. El movimiento

geomtrico Browniano36 es un modelo de comportamiento de los precios habitualmente utilizado en la prctica para valorar instrumentos tales como opciones. El proceso de generacin de los escenarios para el caso normal es el siguiente: considrese la cartera (S), funcin de n factores de riesgo S distribuidos y sea S0 su valor actual o inicial. Sea = ( 1 ; ::: n ) un vector aleatorio,

de acuerdo a la matriz de covarianzas Q la matriz de Choleski asociada a

, y sea

cuyos componentes son variables independientes e idnticamente distribuidas en R, normales cada una de ellas, con media cero y varianza unitaria. Entonces las simulaciones de escenarios futuros vienen determinados por Q , por lo que los posibles valores de la cartera en el futuro vendrn denidos por:

(S0 ; Q )

(1.39)

Es posible calcular el VaR de dos formas, la primera es el VaR paramtrico, en el cual se ajusta la distribucin de a una distribucin paramtrica, esta

distribucin paramtrica puede ser la normal, donde su media es muy prxima a cero37 y se estima su desviacin tpica. La segunda forma es la no paramtrica, donde se ordenan los valores de , siendo el VaR el percentil al (1 ) %.

La simulacin de Monte Carlo es similar a la simulacin histrica, slo que en este caso los cambios hipotticos de los precios se crean como realizaciones de un proceso estocstico propuesto. El estimador del VaR por el mtodo de
dPt = Pt dt+ Pt dBt , donde el primer trmino de la derecha es componente determinstico o de tendencia, afectado del coeciente de la media y el segundo trmino es el componente estocstico afectado del coeciente de difusin , a travs del movimiento Browniano fBt ; t 0g, p tal que Bt s N 0; dt . 37 Para el caso en el que se utilizan rendimientos diarios.
36

32

1.6 Valor en riesgo simulacin de Monte Carlo siempre tiene un error que se debe a la variabilidad de la muestra; conforme el nmero de simulaciones aumenta, el estimador converge a su valor verdadero, normalmente a una velocidad equivalente a la raz cuadrada del nmero de escenarios38 . Sin embargo, el uso de un mayor nmero de escenarios puede hacer excesivamente lentos los clculos, con mnimos benecios marginales en trminos de precisin. Este es el mtodo ms poderoso para calcular el VaR, ya que trata posiciones con comportamiento no lineal, considera el riesgo de volatilidad e incluso el riesgo del modelo, y facilita la informacin respecto a casos extremos. Por todo ello, se puede considerar que este es el mtodo ms completo para medir el riesgo de mercado, es ms atractivo cuanto mayores sean las dimensiones del problema, puede tener en cuenta una amplia gama de riesgos y puede incorporar variacin temporal en los parmetros, colas gruesas y escenarios extremos. Tiene como inconveniente que su clculo es ms complejo y muestra mayor coste computacional, siendo esto un riesgo para el modelo.

1.6.4.

Comprobacin y contrastacin del VaR

Despus de estudiar y analizar los mtodos de estimacin del VaR, es conveniente comprobar y contrastar los resultados. Por ello, se exponen el Backtesting y el Stress Testing, que son dos mtodos extensamente utilizados para llevar a cabo la vericacin de la estimacin del VaR, ya que el primero es una anlisis retrospectivo y el segundo es un anlisis de escenarios supuestos. As pues, el primero en ser denido es el Backtesting (prueba retrospectiva) y se muestra a continuacin.

38

Pea (2002) y Jorion (1997).

33

Aspectos metodolgicos de la medida del riesgo a) Backtesting

El Comit de Supervisin Bancaria de Basilea (BSC)39 ha recomendado el Backtesting con el n de vericar la precisin del VaR obtenido. Dicha vericacin tambin es de gran inters para los gestores y analistas de riesgos, ya que requieren contrastar y corroborar que su modelo pronostique de forma acertada y anticipada el nmero de ocasiones en que se ha excedido el VaR. Es un proceso basado nicamente en observaciones pasadas, que sirve para conrmar si el clculo del VaR es acertado con respecto a los resultados de prdidas y ganancias observadas. Esta prueba consiste en contabilizar cuantas veces las prdidas observadas exceden el VaR o, dicho de otra manera, Backtesting es una contrastacin emprica que se lleva a cabo comparando los resultados obtenidos cada da frente al VaR estimado para determinar el nmero de ocasiones en que las prdidas son superiores a l. El clculo es el siguiente: 1) Se tiene una muestra de rendimientos r con N observaciones. 2) Se cogen subconjuntos de m elementos de la siguiente forma:

[r1 ; rm ] ; [r2 ; rm+1 ] ; :::; [ri ; rm+i 1 ] ; :::; [rN

m ; rN 1 ]

3) Para cada subconjunto [ri ; rm+i 1 ] se calcula el VaR para el periodo m + i. Por un lado, se obtiene la serie formada por los VaR calculados como se ha descrito anteriormente. De esta forma, se realiza la comparacin con la serie de rendimientos reales histricos, calculando as el nmero de veces, e, que se ha sobrepasado el VaR. Por otro lado, se obtiene el nmero mximo de excepciones, p, que debera tener un buen modelo: (N
39

m)

El Comit de Basilea fue establecido como el Comit de Regulacin Bancaria y Prcticas Supervisoras. Los pases miembros son: Blgica, Canad, Estados Unidos, Francia, Alemania, Italia, Japn, Luxemburgo, Holanda, Suecia, Suiza, el Reino Unido y, desde 2001, Espaa. Su principal objetivo es mejorar el entendimiento y la calidad de la supervisin bancaria en el mundo.

34

1.6 Valor en riesgo A partir de aqu se realiza un contraste donde las hiptesis son las siguientes:

H0 : e

Ha : e > p

Teniendo en cuenta la distribucin binomial, la probabilidad de que en el lmite el VaR se excediera en e o ms das X, es:
N X k=e

P (X

e) =

N! pk (1 k! (N k)!

p)N

(1.40)

Particularmente, supngase que se est calculando el VaR a un da y con un nivel de conanza de 99 %. El Backtesting podra examinar cuantas veces la prdida excede el nivel de conanza del 99 %. Si esto sucede cerca del 1 % de los das se podr seguir con la metodologa actual para calcular el VaR, pero si sucede por ejemplo, el 7 % de los das, se debe sospechar que la metodologa empleada no es la adecuada, ya que probablemente el VaR est subestimado. Si por el contrario, los excesos suceden el 0;2 % de los das, es posible decir que la metodologa estar sobrestimando el VaR. El Comit de Supervisin Bancaria de Basilea (BSC) examina el nmero de veces que las prdidas son superiores al VaR y, dependiendo del nmero de excepciones, existe un sistema de penalizacin para aquellas instituciones que utilicen un modelo que subestime el riesgo de mercado de forma consistente. Sin embargo, este contraste deja en segundo lugar el tamao que puedan tener las prdidas, ya que se basa en la frecuencia con que las prdidas son superiores al VaR estimado, por lo que quiz, no ofrezca informacin suciente para validar la abilidad de los modelos utilizados por los gestores.

35

Aspectos metodolgicos de la medida del riesgo b) Stress Testing

Otra prueba recomendada es Stress Testing, ya que examina el efecto de grandes movimientos simulados en variables nancieras de gran importancia en una cartera de inversin. Puede decirse que la tcnica Stress Testing analiza cmo se comporta una cartera o instrumento nanciero bajo algunos de los movimientos ms extremos del mercado vistos en los ltimos 10 20 aos. Se centra, principalmente, en el estudio de acontecimientos extremos en los mercados que, si se produjeran, causaran grandes prdidas en las carteras o en los instrumentos nancieros. As, con frecuencia, las volatilidades histricas calculadas a partir de series de precios pueden infravalorar la probabilidad de que se produzcan movimientos extremos en los mercados, ya sea por cambios en la situacin poltica y/o por cambios en la situacin macroeconmica. Tambin se denomina anlisis de escenario, ya que examina el efecto de grandes movimientos simulados (escenarios) en variables nancieras relevantes sobre la cartera o instrumento nanciero. Esta prueba consiste en analizar uno o varios escenarios especcos en el que las condiciones de mercado son extremas y nada favorables. Por ejemplo, se puede simular un escenario partiendo de la base de que una moneda se ha devaluado un 20 por ciento de forma sbita o que la curva de rendimientos de un instrumento nanciero se desplaza hacia abajo 150 puntos bsicos. Los escenarios de estrs y sensibilidad son pruebas no estadsticas, debido a que la forma de elegir los escenarios a utilizar es muy subjetiva. Se toma en cuenta que los modelos de valor en riesgo por simplicidad funcionan slo bajo condiciones normales. Sin embargo, en la prctica, la mayora de los activos nancieros, con especial nfasis los negociados en mercados emergentes y energticos, se caracterizan por tener distribuciones con colas ms anchas (leptocurtosis) que las que 36

1.6 Valor en riesgo sugiere la distribucin normal40 . Por lo tanto, es necesario valorar el modelo bajo condiciones en donde los supuestos se incumplan o se colapsen, es decir, valorar el modelo en situaciones extremas. La ventaja de este contraste es que es posible cubrir situaciones completamente ajenas a los datos histricos. Las principales debilidades de este contraste son las siguientes: 1) Los resultados del anlisis dependen en su totalidad de los escenarios elegidos por el gestor, por lo tanto, este puede ser un componente subjetivo. 2) Es necesario comprobar la consistencia de los posibles escenarios de precios. 3) Con carteras con un alto grado de complejidad, puede tener un alto grado de dicultad el determinar los factores de riesgo que deben tratarse con especial nfasis. 4) La eleccin de los escenarios para el anlisis es un problema, ya que existe una amplia gama de escenarios posibles, por lo que si se eligen escenarios poco probables, se llegar a mediciones errneas del VaR. 5) No est preparado para la sensibilidad de las carteras ante pequeas uctuaciones en los precios, stas no se encuentran cubiertas y pueden generar grandes prdidas. 6) No especica la probabilidad de situaciones en el peor de los casos posibles. 7) Hace un tratamiento dbil de las correlaciones, y segn se ha demostrado41 , las correlaciones son un componente esencial para cuanticar el riesgo de una cartera de inversin. Segn Jorion (1997), las implementaciones ms sosticadas de la prueba Stress Testing se realizan en dos pasos. Primero, hacer uctuar hacia arriba y hacia abajo todas las variables asociadas a factores de riesgo individualmente, por ejemplo, 1;65 desviaciones estndar, para cuanticar los cambios a la cartera. Segundo, evaluar un escenario en el peor de los casos, donde todas las variables sean pre40 41

Aragons y Blanco (2000). Vase Jorion (1997).

37

Aspectos metodolgicos de la medida del riesgo sionadas en la direccin que se considere la peor prdida. As pues, este tipo de contrastes deberan de considerarse como informacin complementaria y adicional al mtodo de estimacin que sea utilizado para aproximar el VaR.

1.6.5.

Ventajas e inconvenientes del VaR

Una de las principales ventajas que ofrece el VaR es que proporciona un valor nico42 , es decir, el valor de la mxima prdida posible para una cartera o instrumento nanciero con cierto nivel de conanza y, de la misma manera, se puede obtener de forma individual la mxima prdida posible para cada activo de una cartera. Tambin es til para tomar decisiones de negociacin y contratacin de un activo y para la gestin activa de carteras, sirve de apoyo para evaluar resultados (performance benchmarking adems de ser muy til para jar lmites ), al riesgo y asignar recursos (capital allocation Es posible decir que el VaR ). es una cifra que resume la exposicin de un instrumento nanciero al riesgo de mercado, expresada en unidades monetarias43 . Por otro lado, el VaR tiene ciertas limitaciones y este mtodo es til en la medida que los usuarios las dominen. Estos inconvenientes se presentan por el hecho de que no existe una nica forma de estimar el VaR y, por lo tanto, depende de la forma de estimacin utilizada y de la forma en que se implemente en el mundo real. Debido a lo anterior, algunos autores44 sealan que el VaR es slo una estimacin subjetiva del riesgo de mercado , aunque no por ello se disminuyen las aplicaciones del procedimiento. Para Jorion (1997), el VaR debera ser visto como un procedimiento necesario pero no suciente para el control de riesgos, ya que son necesarios diversos elementos para incurrir en el menor riesgo posible. Esta medida de riesgo tampoco tiene en cuenta la falta de liquidez y, esEl VaR es mucho ms que un nmero, y la metodologa puede ser utilizada no slo para medir el riesgo sino tambin para gestionarlo. 43 Las unidades monetaras dependen de la moneda de referencia que se est utilizando para la estimacin. 44 Vase, Jorion (1997).
42

38

1.6 Valor en riesgo ta carencia, puede ser una fuente importante de riesgos en algunos mercados45 . El VaR es una medida de riesgo coherente siempre y cuando est basado en la desviacin tpica de una distribucin normal o lognormal. Se ha demostrado46 que, en un contexto de distribuciones elpticas47 , el VaR es subaditivo porque es proporcional a la desviacin tpica y esta es subaditiva. Adems el VaR, en un contexto de normalidad, puede subestimar el riesgo, debido a que los rendimientos nancieros suelen presentar distribuciones con colas anchas. Sin embargo, si la distribucin no es elptica, el VaR no cumple con la propiedad de subaditividad, por lo que el VaR para distribuciones generales no se puede considerar una medida de riesgo coherente. Lo dicho anteriormente puede conducir a obtener resultados contradictorios, adems de infravalorar el impacto que se pueda dar como consecuencia de conclusiones imprecisas. Al mismo tiempo, el VaR ignora, por denicin, las prdidas cuya probabilidad de ocurrencia sea menor que la elegida como nivel de conanza de la estimacin. Por estas razones, Bali (2007) arma que el VaR estndar proporciona una estimacin inadecuada de las prdidas durante periodos de alta volatilidad como los correspondientes a crisis nancieras. Las desventajas que se observan en el VaR han llevado a que se propongan medidas de riesgo alternativas que sean subaditivas y convexas, ya que se considera necesario utilizar medidas que tengan en cuenta toda la distribucin de prdidas extremas esperadas, tal es el caso del Valor en Riesgo Condicional (Conditional Value at Risk 48 , CVaR). Artzner et al. (1999) mencionan que, aunque el VaR es muy utilizado en el rea nanciera, no tiene todas las caractersticas deseables, ya que carece de subaditividad y convexidad, adems de ser difcil su optimizacin cuando se calcula para escenarios. Por tanto, si el VaR no tiene una distribucin normal, no se puede considerar como medida de riesgo coherente, donde la cohe45 46

Para mayor detalle, vase Pea (2002). Vase Embrechts et al. (1997). 47 Para ms detalle de las distribuciones, vase David (1980). 48 Por su denominacin anglosajona.

39

Aspectos metodolgicos de la medida del riesgo rencia de las medidas de riesgo se justica con las cuatro propiedades deseables que ya han sido descritas. En Artzner et al. (1999), se considera el CVaR como una alternativa al problema de la falta de subaditividad y de convexidad que presenta el VaR, porque adems de tener mejores propiedades deseables con respecto al VaR, tambin demuestra la universalidad de mtodos basados en escenarios para brindar medidas coherentes.

1.7.

Valor en riesgo condicional

El Valor en Riesgo Condicional (CVaR) se deriva de tomar el promedio de las observaciones cuyas prdidas exceden el VaR. De forma general, se puede decir que el CVaR proporciona las expectativas condicionales de prdida por encima del VaR. El CVaR tambin es conocido como Expected Shortfall, Tail Conditional Expectation, Conditional Loss y Expected Tail Loss49 . Esta medida de riesgo fue propuesta como una modicacin o extensin del Value at Risk tradicional. El CVaR puede ser denido como el tamao esperado de una prdida que excede al VaR:

CV aR = E (XjX > V aR)

(1.41)

siendo X la prdida y donde la esperanza condicionada viene determinada por la siguiente expresin:
+1 Z xdF (x)

CV aR = E (XjX > V aR) = V aR +1 Z dF (x)


V aR
49

(1.42)

Para ms detalle, vase Jorion (2003).

40

1.7 Valor en riesgo condicional Artzner et al. (1999) argumenta que el CVaR es una expectativa de prdida condicionada a que se supere el nivel indicado por el VaR y que, a diferencia del VaR, es una medida coherente de riesgo, ya que cumple con las propiedades descritas previamente, presenta ventajas signicativas en comparacin con el tpico VaR y, adems es una herramienta excelente y til para la administracin y gestin de riesgos, siendo aplicable en distribuciones con saltos. El CVaR brinda mejor ajuste y consistencia en las medidas de riesgo respecto al VaR, ya que complementa la informacin que proporciona el VaR, tornndose muy til cuando se presentan distribuciones asimtricas y, adems calcula la cantidad del exceso de prdida. En Rockafellar y Uryasev (2001), se exponen las propiedades fundamentales del CVaR y se muestran las ventajas signicativas de esta metodologa respecto al VaR tradicional y, se prueba que el CVaR puede cuanticar situaciones arriesgadas o de peligro ms all que el VaR y adems comprueban su coherencia. En Rockafellar y Uryasev (1999), se introduce una aproximacin para optimizar una cartera con el n de reducir el riesgo de grandes prdidas. Se dice que por denicin, el VaR nunca es mayor que el CVaR, por lo que carteras con un CVaR bajo indican que tambin tienen un VaR bajo. Segn Kibzun y Kuznetsov (2006), el CVaR, bajo condiciones normales, es una funcin convexa con respecto a las posiciones tomadas, permitiendo la construccin de un algoritmo eciente de optimizacin; es decir, si la funcin de prdida es convexa en una estrategia nanciera para todas las realizaciones de un vector aleatorio, el CVaR es tambin convexo en la estrategia50 . Siendo esta propiedad conveniente para la optimizacin de carteras. El CVaR puede ser aplicado a cualquier instrumento y a cualquier fuente subyacente de riesgo, adems produce una valoracin de las carteras expuestas a diferentes tipos de riesgos51 . Segn Acerbi et al. (2008), el CVaR es un excelente candidato para reemplazar
50 51

Vase Rockafellar y Uryasev (2001) Acerbi y Tasche (2001).

41

Aspectos metodolgicos de la medida del riesgo al VaR en administracin de riesgos, teniendo la precaucin que se tiene con el VaR pero con la seguridad de que el resultado habr sido estimado de forma ms correcta y quiz ms acertada. A pesar de las buenas propiedades que puede brindar esta medida de riesgo, resulta evidente que tanto el VaR como el CVaR son medidas complementarias. Es importante plantear que las dos metodologas anteriores se complican a medida que se va aumentando el nmero de activos o instrumentos nancieros. El uso de medidas tipo CVaR puede considerarse como un complemento de las medidas de VaR, es decir, si el objetivo del VaR es controlar el riesgo de mercado en condiciones normales, el objetivo del CVaR es controlar los riesgos de mercado en condiciones extremas52 . Para Pea (2002), puede establecerse una relacin entre el VaR y el CVaR si se asume una distribucin paramtrica concreta, para el caso concreto de normalidad, el VaR y el CVaR son similares, ya que pueden ser multiplos escalares de la desviacin tpica. Otro concepto importante que se utiliza en la gestin de riesgos es la denominada teora de valor extremo53 , debido a que es muy til conocer, cuanticar y modelizar los casos raros, acontecimientos catastrcos o eventos con menor frecuencia que se presentan en una distribucin, es decir, analizar los valores extremos observados en una distribucin y predecir mas all.

1.8.

Teora de valor extremo

La teora de valor extremo juega un papel fundamental a la hora de describir la estimacin de las colas de la distribucin, es decir, estudia el comportamiento de las colas de la distribucin y por ello es un concepto indispensable en cuanto a minimizar riesgos. Gilli y Kllezi (2006) denen varias medidas de riesgo, entre
52 53

Pea (2002). Extreme Value Theory (EVT) por su denominacin anglosajona.

42

1.8 Teora de valor extremo otras el VaR y el CVaR, adems expone la teora de valor extremo y las formas en que se pueden tratar los extremos. Se basa en el anlisis y cuanticacin de acontecimientos desfavorables o de fuertes movimientos en los mercados, tales como crisis burstiles, devaluaciones, tormentas monetarias, etctera. Esta teora identica y modeliza los mximos y los mnimos de una variable aleatoria, adems es una forma apropiada de estudiar el comportamiento de las colas de la distribucin ya que trata, principalmente, de caracterizar dichas colas. Se concentra en resultados asintticos acerca de la distribucin lmite hacia la cual converge la distribucin del valor mximo de una variable aleatoria, habitualmente con la restriccin de que los rendimientos sean independientes y sigan una misma distribucin. La teora de valor extremo se centra nicamente en las rentabilidades negativas extremas, y parte de la hiptesis de que stas pueden ser modeladas. Para analizar los extremos de la distribucin, es necesario contar con la informacin disponible sobre fuertes movimientos de precios en el pasado e intentar ajustar dichas observaciones a travs de una funcin. Pueden citarse dos mtodos verstiles para trabajar con eventos extremos54 : The Block Maxima y Peak Over a Threshold (POT). El primero es un mtodo tradicional de la teora del valor extremo, es muy til para el estudio de la estacionalidad, aunque tambin modeliza directamente los mximos y los mnimos de la distribucin, mientras que el segundo mtodo trata nicamente con aquellas observaciones que han excedido un umbral seleccionado.

1.8.1.

Mtodo block maxima

Considerese rt como el rendimiento de un activo medido en un instante de tiempo jo, se denota (r1 ; r2 ; :::; rn ) como la coleccin ordenada de n rendimientos;
54

Para mayor detalle, vase Gilli y Kllezi (2006).

43

Aspectos metodolgicos de la medida del riesgo siendo r1 el rendimiento mnimo y rn el mximo, especcamente:

r1 = rn =

1 j n 1 j n

m n (rj )

max (rj )

El rendimiento mnimo55 , r1 , tiene gran relevancia para el clculo del VaR en una posicin larga, y el rendimiento mximo, rn , tiene gran importancia en una posicin nanciera corta. Supngase que los rendimientos rt son independientes e idnticamente distribuidos con funcin de distribucin F (x) y que el rango de los rendimientos es [l; u]. Para los logaritmos de los rendimientos se tiene que l= 1 y u = 1, de manera que la funcin de distribucin de r1 est denotada

por Fn;1 (x) y viene determinada por:

Fn;1 (x) = P (r1

x) = 1

P (r1 > x)

(1.43)

Como r1 es el mnimo de los rendimientos, si r1 > x implica que rj > x 8j 2 f1; ng, por tanto Fn;1 (x) = 1 P (r1 > x; r2 > x; ::::; rn > x) (1.44)

Teniendo en cuenta la independencia de los rendimientos


n Y j=1 n Y j=1

Fn;1 (x) = 1

P (rj > x) = 1

[1

P (rj

x)]

(1.45)

Puesto que los rendimientos tienen la misma distribucin:


n Y j=1

Fn;1 (x) = 1

[1

F (x)] = 1

[1

F (x)]n

(1.46)

55

Para mayor detalle de las propiedades del rendimiento mnimo y mximo, vase Tsay (2005).

44

1.8 Teora de valor extremo En la prctica la funcin de distribucin F (x) es desconocida, por ello Fn;1 (x) de r1 ser desconocida. Cuando n tiende a innito, Fn;1 (x) llega a degenerarse, esto es Fn;1 (x) ! 0 si x l y Fn;1 (x) ! 1 si x > l. Esta funcin de distribucin

degenerada carece de valor prctico; por lo tanto, Fisher y Tippet (1928), cuyo teorema llev al desarrollo de la distribucin asinttica para modelizar mximos o mnimos, han demostrado que rt es independiente y tiene la funcin de distribucin, H (:), no degenerativa tal que la teora del valor extremo trata de encontrar dos sucesiones
n

n,

donde

> 0, tal que la distribucin de (r1


n n ) n!1

r1

! H

(1.47)

converge a una funcin no degenerativa H (:) cuando n tiende a innito. La sucesin es el parmetro de localizacin y es el parmetro escalar. Bajo el supuesto

de independencia, la distribucin lmite del mnimo normalizado, denotado como r1 viene dada por 8 > < 1 exp h (1 + kx)1=k i si k 6= 0 si k = 0

F (x) =

para x <

1=k si k < 0 y x >

> : 1

(1.48)

exp [ exp (x)]

1=k si k > 0, donde el subndice * signica que

es el mnimo. Si k = 0 se toma como el lmite cuando k tiende a cero (k ! 0). En cuanto a los parmetros, = 1=k se denomina ndice de la cola de la

distribucin, k es el conocido como parmetro de forma de la distribucin generalizada de valor extremo, el cual rige el comportamiento de la cola de la distribucin en el lmite56 , generando as colas medias, suaves o gruesas. La ecuacin 1.48 es la distribucin generalizada de valor extremo57 en el lmite. Se dice que es generalizada en el sentido que la forma paramtrica asuma tres tipos de distribuciones lmite segn el valor que tome k.
56 57

Tambin conocido como parmetro de shape. Generalized extreme value distribution, segn aportacin de Jenkinson (1995).

45

Aspectos metodolgicos de la medida del riesgo Tipo I: Familia de Gumbel, es la que representa las colas medias. En este caso k = 0 y la funcin de distribucin es

F (x) = 1

exp [ exp (x)] ;

1<x<1

(1.49)

Tipo II: Familia de Frchet, que representa las colas gruesas, siendo k < 0 y la funcin de distribucin es 8 > < 1 exp h (1 + kx)1=k i si x < 1=k

F (x) =

> : 1

(1.50)

de otra f orma

Tipo III: Familia de Weibull, que representa las colas suaves, donde k > 0 y la funcin de distribucin es 8 > < 1 exp h (1 + kx)
1=k

F (x) =

> : 0

si x >

1=k

(1.51)

de otra f orma

El signo del parmetro de forma k determina el comportamiento de la cola de la distribucin y por lo tanto, el comportamiento de la cola de la distribucin original. Gnedenko (1943) dio condiciones necesarias y sucientes para que la funcin de distribucin F (x) de rt se asociar con uno de los tres tipos de las distribuciones anteriores.

1.8.2.

Peak over threshold

Este mtodo trata nicamente con aquellos valores que han excedido un umbral determinado. La funcin de distribucin Fu (:) se denomina funcin de distribucin de excesos condicionales y se dene como la probabilidad condicional,

Fu (y) = P (X 46

yjX > u) ;

xF

(1.52)

1.8 Teora de valor extremo siendo X una variable aleatoria, u el umbral determinado, y = x u corresponde

al valor que excede u y xF es el ltimo punto de la funcin de distribucin F (:). Se verica que Fu puede reescribirse en trminos de F , F (u + y) F (u) F (x) F (u) = 1 F (u) 1 F (u)

Fu (y) =

(1.53)

Para una amplia clasicacin de funciones de distribucin subyacentes F , la funcin de distribucin condicional de los excesos Fu (y), para una u grande, se aproxima mediante58 ,

Fu (y) t Gk; (y) ; 8 > < 1 1 + ky (y) = > 1 e y : 0 e y 2 0;

u!1
1 k

(1.54)

Gk;

si k 6= 0 si k = 0

(1.55)

para y 2 [0; (xF

u)] si k

si k < 0. El parmetro k es el

que re el comportamiento de la cola, sirviendo como indicador de su peso y eja la funcin Gk; es la denominada funcin de distribucin generalizada de Pareto. Asumiendo una funcin de distribucin generalizada de Pareto para las colas, una expresin analtica para el VaR y CVaR puede denirse como funcin de los parmetros de la distribucin generalizada de Pareto,

F (x) = (1

F (u)) Fu (y) + F (u)

(1.56)

La funcin F (u) puede ser estimada no paramtricamente por

n Nu , n

donde n

representa el nmero total de observaciones y Nu representa al nmero de veces que se excede el umbral u.

58

Para mayor detalle del procedimiento, vase Pickands (1975), Balkema y de Haan (1974).

47

Aspectos metodolgicos de la medida del riesgo Utilizando la aproximacin 1.56, se obtiene la estimacin de F (x): 0 ^ k 1 + (x ^ ! k1 ^ ^ k 1 + (x ^ !
^ k

Nu @ ^ F (x) = 1 n

u)

A+ 1

Nu n

Nu =1 n

u)

(1.57)

Invirtiendo la ecuacin 1.57 para una probabilidad determinada, p, se obtiene ^ \ V aRp = u + ^ k n p Nu


^ k

(1.58)

Adems se puede escribir el CVaR como:

\ \ CV aRp = V aRp + E X

\ \ V aRp jX > V aRp

(1.59)

Este concepto tiene gran importancia en esta investigacin, debido a que el VaR, como se observa en el expresin 1.58, se aproxima mediante la teora del valor extremo59 . Para realizar la estimacin del VaR aplicando la teora del valor extremo tradicional es necesario seleccionar la longitud del periodo y subperiodo y obtener el mnimo, adems se deben conseguir las estimaciones de los parmetros, despes se encuentra un modelo que se ajuste a las necesidades y si el modelo es adecuado se estima el VaR relacionando las probabilidades de inters asociadas con diferentes intervalos de tiempo. Existe un gran nmero de investigaciones en la literatura nanciera que tratan el tema del valor extremo. En Longin y Solnik (2001) se utiliza la teora de valor extremo para modelizar las colas de la distribucin y se deriva la distribucin de las correlaciones extremas para una amplia clase de distribuciones de los rendimientos. Los mismos autores rechazan empricamente la hiptesis nula de normalidad multivariante para la cola negativa pero no se rechaza para la cola positiva, las estimaciones las realizan usando el mtodo de mxima verosimilitud
59

Para ver detalles ms a fondo, vase Tsay (2005) y Gilli y Kllezi (2006).

48

1.8 Teora de valor extremo y utilizan la teora de valor extremo para estudiar la estructura de dependencia. En el mismo trabajo de investigacin, se encontr evidencia de que los rendimientos de los activos se presentan ms correlacionados en mercados vlatiles y a la baja, adems muestran en sus conclusiones que las correlaciones incrementan en mercados bear pero no en mercados bull. Bali (2007) desarrolla una aproximacin de la teora de valor extremo condicional e incondicional para calcular el VaR, en la aproximacin que emplea la distribucin de rendimientos extremos en lugar de utilizar la distribucin de todos los rendimientos, proporcionando buenas predicciones en momentos de catstrofe y en periodos extraordinarios. Su principal aportacin fue desarrollar una nueva forma de aproximacin para calcular el VaR y muestra que la teora del valor extremo mejora los resultados del VaR tradicional, ya que la aproximacin propuesta da mayor nfasis a las colas de la distribucin de la frecuencia observada, por lo que arma que dicha propuesta basada en la teora de valor extremo proporciona una aproximacin natural, ms exacta y robusta para calcular el VaR. Las principales ventajas60 de la teora del valor extremo son las siguientes: 1) Es un mtodo que se ajusta a los objetivos del anlisis: extremos de la distribucin. 2) Se puede desarrollar una forma funcional a priori incorporando la informacin disponible sobre el comportamiento de los activos en situaciones extremas. Esta metodologa presenta algunas desventajas, dentro de las principales se encuentra que estos modelos solo usan parcialmente la informacin, ya que se concentran nicamente en las observaciones extremas. Los supuestos en este tipo de modelos no siempre se cumplen en la prctica y los resultados se basan en derivaciones asintticas, por lo que no se pueden tomar como precisos cuando se manejan con muestras nitas. Otra metodologa que emergi a partir de la combinacin de Riskmetrics y
60

Para mayor detalle, vase Christoersen P. F., Diebold F. X., y Schuermann T. (1998).

49

Aspectos metodolgicos de la medida del riesgo la teora de valor extremo es la denominada Crashmetrics, que fue desarrollada por el matemtico ingls Paul Wilmott y se fundamenta en que los mercados se comportan de una manera totalmente distinta cuando se produce un shock o se est en condiciones de desplome. Crashmetrics trata de medir el riesgo de mercado en circunstancias extremas; su base de clculo radica en estimar las prdidas potenciales de la cartera bajo el supuesto del peor escenario la nica , hiptesis inicial es que los movimientos de mercado tienen un lmite y el nmero de shocks tambin son limitados. Se recomienda la aplicacin de esta metodologa para protegerse de prdidas extremas y quiz tomar precauciones o reducir posiciones que experimenten prdidas importantes bajo escenarios determinados. De acuerdo con Wilmott, se resumen los supuestos fundamentales de la metodologa Crashmetrics: a) Se supone que el desplome no ha sido cubierto, ya que normalmente, las coberturas no incorporan los extremos. b) Se ignoran la volatilidad y la correlacin de los activos. c) Se asumen hiptesis mnimas acerca de la distribucin de probabilidad de los rendimientos de los activos. d) No es necesario conocer qu ocurrir por trmino medio o con una cierta probabilidad, sino que slo se requiere el peor escenario61 . Los benecios de este anlisis pueden ser limitados, porque slo se toma en cuenta el peor escenario, por lo tanto, es posible que los resultados que se obtengan sean demasiado extremos.

1.9.

Dependencia

En los mercados nancieros, se pueden encontrar diversos factores de riesgo que interactuan con los instrumentos nancieros de una cartera de inversin, por
61

Para obtener ms informacin, vase Wilmott, P. (1998).

50

1.9 Dependencia esto se han desarrollado herramientas que permitan identicar y modelizar esa interaccin. As que, es necesario aclarar el concepto de dependencia y los mtodos de aproximarla, ya que una estructura de dependencia identicada y tratada de forma idonea ayudar a llevar a cabo una medicin de riesgos con mayor precisin. Tambin cabe advertir que en el contexto nanciero la estructura de dependencia vara con la volatilidad que presenta el mercado. Por lo que, modelar la dependencia es clave para la administracin y gestin de riesgos, ya que la inapropiada descripcin y un mal tratamiento de la dependencia puede acarrear una valoracin inadecuada de la exposicin al riesgo. Como se ha dicho, un factor importante que debe ser tomado en cuenta a la hora de medir riesgos, es la relacin que puedan tener las variables o instrumentos nancieros, una forma muy conocida y extensamente utilizada para medir el grado de relacin existente entre variables es la correlacin lineal, que a efectos prcticos y en un mundo elptico suele dar buenos resultados.

1.9.1.

Coeciente de Correlacin de Pearson

Las correlaciones lineales han sido utilizadas de forma tradicional en la comunidad nanciera para describir la dependencia lineal existente entre dos variables, es decir, indican una relacin lineal entre dos o ms variables aleatorias, por lo tanto, la estructura de correlaciones mide la tendencia de las variables cuantitativas a moverse conjuntamente. Las correlaciones pueden ser consideradas como una medida base para las distribuciones elpticas. Se tienen dos variables aleatorias X1 y X2 que podran ser los rendimientos de dos activos nancieros, su coeciente de correlacin es:

(X1 ; X2 ) =

cov (X1 ; X2 ) ( X1 X2 )

(1.60)

donde cov (X1 ; X2 ) es la covarianza de las dos variables aleatorias y X1 , X2 51

Aspectos metodolgicos de la medida del riesgo son sus desviaciones tpicas. Como es bien conocido, el coeciente de correlacin, , vara en el intervalo [ 1; +1]. Si el coeciente de correlacin es igual a 1 ambas variables aleatorias se mueven conjuntamente en la misma direccin (relacin directa) y existe correlacin positiva perfecta, si el coeciente de correlacin es igual a 1, signica que los activos se mueven en direccin opuesta (relacin inversa) y

existe correlacin negativa perfecta. Cuando el coeciente de correlacin es igual a cero, los cambios de uno de los activos estn incorrelacionados de los cambios del otro, y viceversa. Si tomara cualquier otro valor dentro del intervalo existira dependencia lineal imperfecta. Las correlaciones tienen buenos resultados en cuanto a dependencia lineal, sin embargo, al ser una medida de dependencia escalar62 , no dice nada acerca del grado de dependencia asimtrica o no lineal, por lo que no es una medida apropiada cuando hay existencia de colas anchas y asimetra. Las correlaciones pueden tener errores cuando son utilizadas para capturar dependencia en situaciones extremas o anormales, es decir, las correlaciones presentan problemas con dependencia no lineal existente de forma muy frecuente en el mundo nanciero, esto se debe a que dichas correlaciones se pueden considerar una medida de dependencia nicamente en el caso de distribuciones normales multivariadas (Bouy et al. 2000). En conclusin se puede decir que el coeciente de correlacin supone variables distribuidas de forma normal, no es invariante ante transformaciones de la variable y esta denida si la media y la varianza son nitas. Actualmente, al considerar las correlaciones como una medida de dependencia imperfecta y poco satisfactoria, por el hecho de que una medida apropiada debe caracterizar la estructura de dependencia de manera completa, se ha desarrollado una nueva herramienta que permita capturar la dependencia en un escenario anormal y este es el caso de la cpulas nancieras63 .
62 63

Resume toda la informacin de dependencia en un slo nmero. La palabra cpula aparece por primera vez en 1959, para mayor detalle, vase Sklar (1959).

52

1.10 Cpulas nancieras Debido a que uno de los objetivos primordiales de esta investigacin es cuanticar y gestionar el riesgo de un ndice burstil en un pas emergente, se ha considerado necesario denir el concepto de cpulas y as poder aplicarlo como herramienta de identicacin y medicin de dependencia en los siguientes captulos y con esto hacer una aproximacin a la valoracin del riesgo apropiada y ms acertada. Aunque las cpulas son parte de las medidas de dependencia, se ha decidido dedicarles un apartado especial por la importancia que tienen a lo largo de toda la investigacin.

1.10.

Cpulas nancieras

Una cpula es una funcin de distribucin multivariante denida en una unidad cbica n-dimensional [0; 1]n tal que, cada distribucin marginal es uniforme en el intervalo [0; 1], es decir, una cpula es una funcin que enlaza una distribucin de probabilidad multivariante a una coleccin de funciones de probabilidad marginal univariantes y, as determinar la estructura de dependencia tanto de la distribucin conjunta como de sus marginales. Se considera como una herramienta til que permite modelizar la estructura de dependencia de un conjunto de factores de riesgos.

Denicin 1 La cpula n-dimensional es una funcin de distribucin n-dimensional restringida a [0; 1]n teniendo marginales uniformes estndar. Sea Cn la familia de cpulas n-dimensionales. Dada una cpula C 2 C = [ Cn y un conjunto de marn=2 1

ginales univariantes F1 ; F2 ; ::::; Fn se puede denir una funcin de distribucin F en Rn teniendo estas marginales mediante:

F (x1 ; x2 ; ::::; xn ) = C (F1 (x1 ) ; F2 (x2 ) ; :::::; Fn (xn ))

(1.61)

Sin embargo, la aplicacin de las cpulas en la teora nanciera es relativamente nueva y fue introducida por Embrechts et al. (1999).

53

Aspectos metodolgicos de la medida del riesgo dadas n funciones de distribucin F1 ; F2 ; ::::; Fn , se tiene que X= (X1 ; X2 ; :::::; Xn ) es el vector aleatorio en Rn tal que la cpula satisface la ecuacin 1.61. Por lo que es posible decir que las cpulas son funciones uniformes marginales, crecientes y no negativas64 . El teorema propuesto por Sklar est detrs de muchas aplicaciones de las cpulas; este teorema muestra que cada funcin de distribucin puede ser descompuesta en sus distribuciones marginales y al menos una cpula, dicha cpula ser nica si las distribuciones marginales y la multivariante son continuas.

Teorema 2 (Sklar, 1959, versin bivariante). Sea H (u; v) una funcin de distribucin conjunta con marginales F (u) y G (v). Entonces existe una cpula C tal que 8u,v 2 R H (u; v) = C (F (u) ; G (v)) : (1.62)

Si F y G son continuas, entonces C es nica, es decir, C est determinada por RanF RanG
65

. De manera recproca, si F y G son funciones de distribucin,

entonces la funcin H denida por la expresin 1.62 es una funcin de distribucin conjunta con marginales F y G.

Este resultado admite un generalizacin inmediata al campo multivariante, tal y como se presenta a continuacin.

Teorema 3 (Sklar, 1959, versin multivariante). Sea H una funcin de distribucin multivariante con marginales F1 (x1 ) ; F2 (x2 ) ; :::::; Fn (xn ), entonces existe una funcin de distribucin conjunta multivariante C tal que:

H (x1 ; x2 ; :::::; xn ) = C (F1 (x1 ) ; F2 (x2 ) ; :::::; Fn (xn ))

(1.63)

64 Para ms detalle de las propiedades de las cpulas, vase Torres y Olarte (2007) y Cherubini et al. (2004). 65 RanF se reere al rango de la funcin F .

54

1.10 Cpulas nancieras Se ha demostrado en diversas investigaciones, tales como Embrechts et al. (1999), Nelsen (1999), Embrechts et al. (2001), entre otros; que la funcin cpula es superior en cuanto a modelar y cuanticar la dependencia, ya que ofrece mayor exibilidad en comparacin con las correlaciones y principalmente, se usa en medicin y/o valoracin del riesgo de mercado y de crdito porque captura la relacin no lineal entre los mercados. Frey y McNeil (2003), Hamerle y Rosch (2005) y Goorbergh et al. (2005) utilizan la meodologa de cpulas para la valoracin de opciones nancieras. Las cpulas nancieras, son una herramienta relativamente nueva y til. Segn Nelsen (1999), las cpulas contienen toda la informacin acerca de la estructura de dependencia de un vector de variables aleatorias. Son utilizadas para describir la dependencia entre dos o ms variables aleatorias con una distribucin marginal arbitraria. Una cpula es una distribucin de variables aleatorias cuyas marginales son distribuciones uniformes, siendo esta un instrumento excelente para la simulacin de variables aleatorias con distribuciones marginales denidas, solo se habrn de simular variables uniformes con estructuras de dependencia determinadas por su cpula. Estas pueden capturar dependencia no lineal, mientras que las correlaciones solo son medidas de dependencia lineal. A pesar de que las cpulas han sido utilizadas recientemente para la aplicacin en las nanzas, se pueden encontrar numerosas investigaciones que ayudan a entender mejor su funcionamiento y sobre todo su aplicacin. Tal es el caso de Embrechts et al. (2002) y Embrechts et al. (2003) que presentan ejemplos generales de aplicacin de las cpulas en contexto nanciero. Adems Joe (1997), Nelsen (1999) y Cherubini et al. (2004), en sus libros presentan una amplia introduccin acerca de la teora de cpulas. En los artculos de Embrechts et al. (1999) y (2003), se presenta la denicin de las correlaciones lineales, se detallan los errores en los que se incurre con el uso inapropiado de stas, al mismo tiempo se muestran los inconvenientes que stas 55

Aspectos metodolgicos de la medida del riesgo presentan a la hora de aplicarlas. Adems, se dice que la correlacin lineal es muy usada en la prctica como medida de dependencia, sin embargo, al no estar basada en dependencia no lineal, a menudo puede arrojar resultados engaosos, siendo posible malentender la medicin de la dependencia, por lo que no puede tomarse como medida de dependencia cannica. Como medida de dependencia alternativa, se proponen las cpulas, las cuales se denen brevemente. Opinan que las cpulas representan una til aproximacin para entender y modelizar la dependencia, tambin se menciona que una interesante propiedad de las cpulas es que son invariantes a transformaciones bajo un crecimiento estricto de las variables aleatorias subyacentes. Se seala que existe una numerosa variedad de cpulas66 para aplicarlas en diferentes mbitos de la gestin de riesgos. Del mismo modo, Bundi (2004) muestra que la funcin cpula describe una forma de separar el comportamiento marginal de riesgos individuales y su estructura de dependencia de una variable aleatoria multivariante. La aproximacin de las cpulas es particularmente til cuando la funcin de distribucin multivariante cuenta con funciones continuas de distribucin marginal y la transformacin es invariante. Continuando con el mismo autor, se encuentra que las correlaciones tienen limitaciones como medida de asociacin, se les considera una medida imperfecta, ya que es una medida razonable slo en el contexto normal multivariante. Las cpulas suelen utilizarse adjuntamente con herramientas de medicin y gestin de riesgo, tales como el VaR, el CVaR y la teora de valor extremo, dando buenas aproximaciones y siendo cada vez ms empleadas. Por ejemplo, en Vaz de Melo y Martins de Souza (2004) se modeliza estadsticamente la estructura de dependencia de datos nancieros multivariantes usando el concepto cpula. Se compara el efecto de la cpula elegida para utilizarla en la medida de riesgo y evalan la variabilidad de las predicciones de carteras de prdida. A su vez se utilizan modelos ajustados para simular datos y con esto evaluar la variabilidad
66

Vase Nelsen (1999) y Cherubini et al. (2004).

56

1.10 Cpulas nancieras de la medida de riesgo elegida. La simulacin re la in eja uencia que la cpula elegida tiene sobre la estimacin del VaR o CVaR. Entre las principales propiedades de las cpulas, se destaca que tienen continuidad, diferenciabilidad y que son invariantes a transformaciones estrictamente crecientes de las variables aleatorias y/o sus funciones de distribucin, esta propiedad garantiza, por ejemplo, que los rendimientos nancieros y sus logaritmos tengan la misma cpula67 . stas permiten extraer la estructura de dependencia de la funcin de distribucin conjunta y entonces, separar la estructura de dependencia de las funciones de distribucin marginales. Son utilizadas como medida de concordancia68 entre variables aleatorias y por ltimo la dependencia asinttica de cola es una propiedad muy importante de las cpulas. Por otro lado, no existe consenso en cuanto a la seleccin de una cpula en alguna situacin determinada o en alguna aplicacin especca, tampoco se encuentra un consenso en la forma de contrastar la precisin de dichas cpulas. En la literatura se propone elegir una cpula segn las necesidades o motivaciones que se tengan y con mucho cuidado para no infravalorar ni sobrevalorar el riesgo. En Kole et al. (2005), se propone un procedimiento que determine la seleccin y contrastacin de las cpulas, el cual brinda buenos resultados, por lo que este procedimiento puede ser una alternativa que ayude y facilite la eleccin de la cpula ms adecuada. El riesgo de una cartera est directamente relacionado con la dependencia entre los activos que la componen, por lo que la forma de modelizarla es importante para la gestin y seleccin de carteras. Existe una amplia variedad de cpulas, principalmente para el caso bidimensional; segn Nelsen (1999), se puede probar la forma en que se adecuan las distintas cpulas en diferentes escenarios, usando
Para ver una descripcin detallada de las propiedades de las cpulas, vase Bundi (2004). La de Kendall y la de Spearman pueden ser medidas de concordancia basadas en cpulas. Para obtener informacin acerca de la denicin de concordancia vase Nelsen (1999) y Joe (1997).
68 67

57

Aspectos metodolgicos de la medida del riesgo tcnicas stress testing 69 para observar los benecios que brinda cada una de las cpulas. En cuanto a la variedad existente de cpulas, es posible decir que las cpulas se pueden presentar en distintas familias, desde las llamadas elpticas70 hasta las familias de cpulas consideradas de valor extremo71 , las cuales estn hechas a medida para problemas que envuelven situaciones caticas. As pues, y por la importancia que tienen, se describirn ambas familias de cpulas72 . Las cpulas de la familia elptica son simtricas con distribuciones cuya densidad es constante sobre elipsoides, tal es el caso de la cpula Gaussiana y tcpula73 . A continuacin se presentan de manera ms detallada.

1.10.1.

Familia de cpulas elpticas

Las cpulas elpticas reciben este nombre debido a que son simplemente cpulas de distribuciones elpticas. Denicin 4 Sea X un vector aleatorio n-dimensional, simtrica de dimensin n 'X 2 Rn , es una matriz

n denida no negativa y la funcin caracterstica

es una funcin de la forma cuadrtica tT t. Se dice que X tiene un

distribucin elptica con parmetros ( ; ; ') de forma que

'X

(t) = ' tT t

(1.64)

por lo que la funcin de distribucin elptica se describe como X


69

En ( ; ; ').

Tcnica que identica prdidas potenciales bajo condiciones extremas de mercado, se asocia con mayores niveles de conanza. 70 Este tipo de cpulas tambin son llamadas cpulas implcitas. Para ms detalle ver Aas (2004). 71 Tambin llamadas cpulas arquimedianas o explcitas. Para ms detalle ver Aas (2004). 72 Se seguir la notacin de Nelsen (1999) y Cherubini et al. (2004), donde se puede encontra informacin ms detallada. 73 La t-cpula tambin es conocida como cpula t-Student, para mayor detalle, vase Kole et al. (2007).

58

1.10 Cpulas nancieras La dependencia en distribuciones elpticas est esencialmente determinada por las covarianzas, las cuales son una herramienta dbil para describir la dependencia en distribuciones no-Gaussianas. Segn Patton (2002), la asimetra de la cpula se relaciona y conduce a la asimetra de la cartera, an cuando la distribucin de los activos individuales que conforman la cartera sea simtrica. Las cpulas Gaussiana y t-Student cuentan con este tipo de distribucin, as que, como se mencion anteriormente pertenecen a esta familia, siendo stas muy importantes en el contexto nanciero, adems de ser extensamente utilizadas en diversas investigaciones. a) Cpula Gaussiana Tambin conocida como cpula normal, es usada muy a menudo en el mundo nanciero y es la distribucin ms utilizada en las aplicaciones. Representa la estructura de dependencia para una distribucin normal multivariada, lo que signica que distribuciones marginales normales con cpula Gaussiana forman distribuciones normales multivariadas. Esta se deriva de una funcin de distribucin Gaussiana multivariante con media cero y matriz correlacin , transformando las marginales mediante la inversa de la funcin de distribucin normal univariante . Denicin 5 La funcin de la cpula Gaussiana est denida por:

CGauss (u1 ; u2 ; :::::; un ; ) =

(u1 ) ;

(u2 ) ; :::::;

(un )

(1.65)

donde

es la funcin de distribucin normal multivariante con media cero y ,y


1

matriz de correlaciones univariante estndar.

representa la inversa de la distribucin normal

59

Aspectos metodolgicos de la medida del riesgo b) Cpula t-Student La cpula t-Student, contiene la estructura de dependencia para la distribucin t-Student multivariada. Esta es muy popular y se deriva de forma similar y en el mismo sentido que la cpula Gaussiana. Denicin 6 La funcin de la cpula t-Student est determinada por:

CStud (u1 ; u2 ; :::::; un ; ) = T

(u1 ) ; t

(u2 ) ; :::::::; t

(un )

(1.66)

siendo T

la funcin de distribucin t-Student multivariante centrada con matriz y grados de libertad. t


1

de correlacin

representa la inversa de la funcin

de distribucin t-Student univariante con

grados de libertad.

Cabe destacar que en el caso de la cpula t-Student, un valor elevado de disminuye la probabilidad de eventos en las colas de la distribucin. As mismo, cuando ! 1 la cpula t-Student converge a una Gaussiana, sin embargo,

con grados de libertad limitados, el comportamiento de ambas cpulas es muy diferente74 . Una de las caractersticas principales de la cpula t-Student es que captura la dependencia en el centro y en las colas de la distribucin, mientras que las cpula Gaussiana slo captura la dependencia en el centro de la distribucin y puede implicar que no se detecte la posible dependencia en las colas. Por lo tanto la cpula t-Student tiene mayor probabilidad de detectar eventos extremos que la cpula Gaussiana, pero no recoge las asimetras.

1.10.2.

Familia de cpulas arquimedianas

As como es posible elegir una cpula elptica, tambin se pueden elegir cpulas de la familia arquimediana que son asimtricas, entre las ms destacadas se encuentran la cpula Gumbel, la cpula Clayton y la cpula Frank. Teniendo
74

Para mayor detalle, vase Cherubini et al. (2004).

60

1.10 Cpulas nancieras en cuenta que en la realidad los rendimientos nancieros casi nunca estn normalmente distribuidos, es esta familia de cpulas la que puede ser utilizada en situaciones extremas o para distribuciones no normales, las cuales son muy interesantes y cada vez ms empleadas por las propiedades que otorgan. Denicin 7 Una cpula es arquimediana si se puede escribir de la siguiente forma:

C (u1 ; u2 ; :::::::; un ; ) =

[ (u1 ) +

(u2 ) + :::::: +

(un )]

(1.67)

donde 0

u1 ; :::; un

1 y si

es cualquier funcin continua75 que satisfaga las

siguientes propiedades (1) = 0; lm (u) = 1;


0

u!0

(u) < 0; (u) > 0

00

La funcin continua

en el intervalo [0; 1) es completamente montona,

siendo este requisito una condicin necesaria y suciente para ampliar las cpulas arquimedianas a dimensiones mayores que dos (Nelsen, 1999). Se puede decir que las cpulas arquimedianas se describen de forma ms simple que las elpticas cuando los fenmenos de estudio solo tienen dos dimensiones. Segn Genest y Mackay (1986), las cpulas arquimedianas poseen interesantes propiedades que hacen que este tipo de cpulas sean atractivas para la simulacin, mostrando que tambin son muy tiles en grandes dimensiones. Este tipo de cpulas tambin son conocidas como paramtricas, debido a que poseen el parmetro , el cual es el responsable de re ejar el grado de dependencia.
75

A menudo, tambin es llamada funcin generadora, vase Nelsen (1999).

61

Aspectos metodolgicos de la medida del riesgo El parmetro puede obtenerse a travs de medidas de concordancia, ya que estas recogen las relaciones no lineales que no capta la correlacin, este es el caso de la de Kendall, cuya expresin es la siguiente: 0 1

c d = (c c+d

B n C d) = @ A 2

(1.68)

donde n es el nmero total de observaciones de una muestra aleatoria, c es el nmero de pares concordantes y d los discordantes. Siguiendo a Genest y Mackay (1986), las expresiones que ligan el parmetro con la de Kendall son las cpulas que se muestran a continuacin76 .

a) Cpula Gumbel

Segn Nelsen (1999), la cpula Gumbel es adecuada para describir la dependencia positiva (fuerte) y las distribuciones bivariantes de valor extremo y por ello, se le conoce como cpula de valor extremo. Denicin 8 Usando la funcin generadora multivariante esta denida por: 8 " n < X :
i=1

(u) = ( ln u) , la cpula Gumbel

CGumbel (u1 ; u2 ; :::::::; un ; ) = exp

( ln ui )

#1= 9 = ;

2 [1; 1) (1.69)

La cpula Gumbel es asimtrica y captura diferentes situaciones de riesgo que ocurren durante periodos de tensin, especialmente en mercados Bull 77 y Bear 78 .
Para ms detalle de la obtencin, vase Cherubini et al. (2004) y Nelsen (1999). Bull Market, periodo prolongado en el cul la tasa de inversin sube ms rpidamente que su promedio histrico; este tipo de mercado se puede dar como resultado de una recuperacin econmica, de un auge econmico o de la psicologa del inversionista. Se considera mercado al alza. 78 Bear Market, periodo prolongado en el cual cae la tasa de inversin, acompaado por pesimismo extenso. Se considera mercado bajista.
77 76

62

1.10 Cpulas nancieras Es decir, capta las uctuaciones o variaciones bruscas o repentinas que se pueden dar en los mercados, ya sean a la alza o a la baja. La cpula Gumbel re principalmente la dependencia de las colas de la eja distribucin y son aplicadas con mayor nfasis y ms a menudo en la teora del valor extremo, siendo sta una importante e interesante caracterstica, ya que las distribuciones de los rendimientos nancieros suelen tener colas anchas.

b) Cpula Clayton

Esta cpula es adecuada para describir la dependencia negativa, ya que asigna mayor probabilidad a eventos en la cola izquierda de la distribucin. Denicin 9 Sea ahora la funcin generadora (u) = u 1, la cpula Clayton

multivariante se representa de la siguiente manera: "


n X i=1

CClayton (u1 ; u2 ; :::::::; un ; ) =

ui

n+1

1=

(1.70)

donde

2 [ 1; 0) [ (0; +1).

Este tipo de cpulas es un ejemplo relevante de las cpulas arquimedianas. A menudo esta cpula es llamada Cook-Johnson y es muy signicativa e importante en la teora de valor extremo multivariante porque, al igual que la Gumbel, es una cpula asimtrica.

c) Cpula Frank

Esta cpula implica independencia asinttica de las colas de la distribucin79 , es simtrica y asigna probabilidad cero a eventos que estn dentro de las colas.
79 Esto no implica independencia. Realmente la cpula Frank aumenta su concordancia con , cuando es positiva.

63

Aspectos metodolgicos de la medida del riesgo Denicin 10 Con la funcin generadora multivariante esta determinada por: 1 " Qn e
ui

(u) =

ln

e e

1 1

, la copula Frank

CF rank (u1 ; u2 ; :::::; un ; ) =

ln 1 +

i=1

1
1

(e

1)n

2 ( 1; 1) (1.71)

Con este tipo de cpula, a pesar de ser considerada de la familia de las cpulas arquimedianas, se corre el riesgo de que no sea apropiada en diferentes campos, por ejemplo, en el campo de los seguros, porque tiene la problemtica de que considera la misma dependencia para eventos grandes y pequeos. Se debe prestar especial atencin porque dependiendo de la cpula seleccionada y del escenario objeto de estudio, los resultados pueden ser mejores o peores, esto depender del tipo de datos a utilizar, del tipo de dependencia existente o del lugar de la distribucin que interese con mayor nfasis. En resumen se observa que la dependencia, en el centro y en las colas de la distribucin, puede ser tratada de manera separada o conjunta, de esta manera es como la funcin cpula puede generalizar el concepto de dependencia. La dependencia de las colas80 de la distribucin es una propiedad interesante de las cpulas, ya que describe el comportamiento de las colas cuando los valores de sus marginales llegan a cero (lower tail dependence) o a la unidad (upper tail dependence). Permite identicar la dependencia de los valores extremos de las variables aleatorias, siendo este concepto muy til para describir la estructura de dependencia en datos nancieros, sobre todo en valores extremos.

1.10.3.

Dependencia de las colas de la distribucin

Este concepto relaciona la dependencia en valores extremos, principalmente la de las colas de la distribucin. La dependencia de colas entre dos variables 80 El concepto de dependencia de colas en contexto nanciero fue introducido por Embrechts et al (2002).

64

1.10 Cpulas nancieras nancieras existe cuando la probabilidad de eventos extremos negativos (positivos) conjuntos es mayor que la que debera ser predicha por las distribuciones marginales. Adems, relaciona la cantidad de dependencia en el cuadrante superior derecho
U

o inferior izquierdo

de la cola de una distribucin bivariante. Si

existiera una relacin positiva entre dos situaciones extremas con respecto a las variables aleatorias X e Y , la probabilidad condicional sera

( ) = P X > FX 1 (1

) jY > FY 1 (1

(1.72)

y decrecera tal como viene denida como

# 0. La dependencia de la cola superior

entre X e Y

lim +
!0

( ) = lim P X > FX 1 (1 +
!0

) jY > FY 1 (1

(1.73)

siempre y cuando ese lmite existiera. Las dos variables X e Y sern asintticamente dependientes si
U

2 (0; 1] y asintticamente independientes si

U 1

= 0. Si (1 )

se quiere darle una interpretacin nanciera, se denota a la funcin F como el valor en riesgo. Entonces la funcin
U

captura la dependencia relaciona-

da con los periodos de tensin o estrs. En el caso de que existiera una relacin negativa entre dos acontecimientos extremos con respecto a las variables aleatorias X e Y , la probabilidad condicional sera

( ) = P X < FX 1 ( ) jY < FY 1 ( )

(1.74)

La dependencia de la cola inferior izquierda como lim +


!0 L

entre X e Y viene denida

( ) = lim P X < FX 1 ( ) jY < FY 1 ( ) +


!0

(1.75)

La dependencia superior derecha

o inferior izquierda

de las colas pueden 65

Aspectos metodolgicos de la medida del riesgo expresarse usando una cpula adecuada, C, as que C (u; u) u!1 1 u
U

viene dada por:

=lm

(1.76)

siempre y cuando exista tal lmite, existe la dependencia de la cola superior entre las variables si
U

2 (0; 1] y se da la independencia cuando


L

= 0.

Anlogamente,

esta determinada por: C (u; u) u!1 u

=lm

(1.77)

siempre y cuando exista el lmite. La dependencia de la cola inferior entre las variables existe si
L

2 (0; 1] y se da la independencia cuando

= 0.

De cualquier manera, se deben considerar ambas colas de la distribucin, debido a que la cola izquierda representa prdidas cuando un inversor se encuentra en una posicin larga en un ndice, mientras que la cola derecha tambin representa prdidas cuando un inversor est en una posicin corta. Estas medidas no presentan relacin con las distribuciones marginales a las que se haya ajustado el instrumento nanciero elegido, adems son invariantes a transformaciones estrictamente crecientes debido a que se expresan a travs de la cpula. a) Dependencia de las colas para las cpulas elpticas

(X; Y ) =

(X; Y )

(1.78)

si

(X; Y ) > 0 los eventos tienden a ocurrir simultaneamente, sin embargo,


U

cuando

(X; Y ) = 0 la distribucin no tiene dependencia de cola y puede con-

siderarse que las variables X e Y son asintticamente independientes.

66

1.10 Cpulas nancieras Para la cpula Gaussiana, el coeciente de correlacion de la dependencia de ambas colas es: p 1 xp 1+

(X; Y ) =

(X; Y ) = 2 l m

x! 1

=0

(1.79)

donde

es el coeciente de correlacin y

denota la funcin de distribucin

normal estndar univariante. Para la t-cpula, el coeciente de correlacion de la dependencia de las dos colas est denotado por: p p 1 + 1p 1+

(X; Y ) =

(X; Y ) = 2t

+1

(1.80)

siendo t

+1

la funcin de distribucin t-Student univariante con

+ 1 grados de

libertad81 . b) Dependencia de las colas para las cpulas arquimedianas La dependencia de las colas es relevante para el estudio de la dependencia entre los valores extremos de la distribucin. Especcamente, cuando existe dependencia en la colas, es que existe dependencia en los valores extremos de la distribucin, ya sea izquierda, derecha o en ambas. Este coeciente est determinado por el parmetro generado por la funcin

generadora de las cpulas arquimedianas bivariantes, lo que hace que tengan una relacin directa82 . La cpula Gumbel presenta dependencia en la cola superior derecha, es decir, el coeciente de la cola inferior izquierda es cola superior derecha es
U
81 82

(X; Y ) = 0 y el coeciente de la

(X; Y ) = 2

21=

(1.81)

Para ver ms detalle de la dependencia de las colas de la distribucin, vase Aas (2004). Para ms informacin del coeciente de dependencia de las colas de la distribucin, consultar Cherubini et al. (2004) y Nelsen (1999).

67

Aspectos metodolgicos de la medida del riesgo donde es el parmetro de la cpula que describe el grado de dependencia.

La cpula Clayton muestra dependencia en la cola inferior izquierda para > 0, es decir, el coeciente de la cola superior derecha es coeciente de la cola inferior izquierda es
U

(X; Y ) = 0 y el

(X; Y ) = 2

1=

(1.82)

donde, al igual que antes,

mide el grado de dependencia. En cuando a la cpula

Frank, es posible decir que no tiene dependencia de cola ni inferior izquierda ni superior derecha, es decir,
U

= 083 .

1.10.4.

Contrastes sobre la adecuacin de cpulas

Al no haber consenso en la forma de elegir una cpula especca en un momento determinado, se considera necesario contrastar los resultados. Ya que las cpulas son equivalentes a una funcin de distribucin, es posible utilizar los contrastes tradicionales de bondad de ajuste. Contrastar el ajuste de las cpulas es importante por varias razones, entre otras porque es necesario vericar si el conjunto de datos utilizados se pueden ajustar o armar que provienen de una distribucin determinada. Tambin son aplicables a cualquier familia de cpulas, indican si stas son capaces de capturar la dependencia observada y adems, puede ser aplicado a cualquier cpula ndimensional. En Kole et al.(2005) se contrastan las diferentes cpulas para obtener resultados ms precisos en cuanto a dependencia, utilizando datos de bonos, acciones y bienes races procedentes del ndice JP Morgan, S&P 500 y del ndice Nareit respectivamente. Los contrastes se realizan aplicando directamente el ajuste de las cpulas mediante pruebas de bondad de ajuste tradicionales, tales como
83

Para ms detalle, vase Cherubini et al. (2004).

68

1.10 Cpulas nancieras Kolmogorov-Smirnov y Anderson-Darling, consiguiendo buenos resultados. Presentan evidencias a favor de la t-cpula debido a que pone nfasis en las colas y en el centro de la distribucin. La t-cpula converge a la cpula Gaussiana cuando el nmero de grados de libertad tiende a innito. Por ltimo, Kole et al.(2007) hace una utilizacin de cpulas en gestin de riesgos, resaltando la importancia de escoger la cpula idnea para no incurrir en errores. Se concluye que las correlaciones son tiles para caracterizar la dependencia en el centro de la distribucin y que incorporar el parmetro de grados de libertad de la t-cpula es muy til para capturar la dependencia fuerte en las colas. Los contrastes de Kolmogorov-Smirnov y Anderson-Darling son algunos de los contrastes ms tradicionales de bondad de ajuste existentes, y estn basados en una comparacin directa de la dependencia supuesta por la cpula y la observada en la base de datos a estudiar.

a) Contraste de Kolmogorov-Smirnov

El contraste de Kolmogorov-Smirnov es aplicable a variables continuas, es no paramtrico y consiste en comparar entre s las funciones de distribucin muestrales y tericas (dos distribuciones de probabilidad) y prueba que no hay diferencias signicativas entre ambas distribuciones. Los datos han de estar ordenados.

H0 : Fn (xt ) = F0 (xt ) H1 : Fn (xt ) 6= F0 (xt ) donde F0 (xt ) es la distribucin que se supone sigue la muestra aleatoria (distribucin terica), Fn (xt ) es la funcin de distribucin emprica y n representa el total de las observaciones. En este contraste interesa la desviacin mxima entre la funcin de distribucin terica y emprica para todo el rango de valores de x. Por lo tanto, se calcula la mayor desviacin existente entre las dos funciones de 69

Aspectos metodolgicos de la medida del riesgo


KS distribucin y se denota por Dn y el estadstico para la cola derecha e izquierda

viene dado respectivamente por:


+

KS Dn KS Dn

= max (Fn (xt )


t

F0 (xt )) Fn (xt ))

= max (F0 (xt )


t

Por lo tanto, el estadstico de Kolmogorov y Smirnov ser el mximo de los dos, es decir84 : n o KS KS + KS Dn = max Dn ; Dn

(1.83)

b) Contraste de Anderson-Darling

El contraste de Anderson-Darling determina si los datos observados proceden de una distribucin especca F0 (xt ). El estadstico A determina si los datos ordenados fX1 < X2 < ::::::: < Xn g vienen de una distribucin con funcin de distribucin F (xt ). Se debe destacar que es imprescindible que los datos estn ordenados.

H0 : Fn (xt ) = F0 (xt ) H1 : Fn (xt ) 6= F0 (xt ) El estadstico viene dado por: jFn (xt ) F0 (xt ) j AD Dn = max p t F0 (xt ) (1 F0 (xt )) distribucin terica85 .
84 KS Los valores criticos del estadstico Dn estn tabulados y son de fcil acceso (Novales, 1997, o Casas, 1996). 85 AD Como en el caso anterior, los valores crticos del estadstico Dn estn tabulados.

(1.84)

donde Fn (xt ) es la funcin de distribucin emprica y F0 (xt ) es la funcin de

70

1.10 Cpulas nancieras El contraste de Anderson-Darling otorga mayor sensibilidad en los valores extremos de la distribucin (colas), mientras que el contraste de KolmogorovSmirnov tiene mayor sensibilidad con los valores que se encuentran en el centro de dicha distribucin. Estos contrastes se pueden aplicar a cada cpula y con ello saber cul es la que mejor ajuste presenta sobre los datos observados. Otra forma complementaria de contraste es mediante Backtesting, ya que como se describi anteriormente, sirve para hacer un anlisis retrospectivo. Como se ha venido mencionando, las cpulas son de gran utilidad porque permiten modelizar la dependencia relacionada entre variables, independientemente de sus distribuciones marginales. Esto tiene gran importancia porque signica que las cpulas pueden tratar la dependencia entre variables aleatorias sin las limitaciones que tiene la medida de dependencia ms familiar, el coeciente de correlacin lineal, siendo las cpulas vlidas para cualquier distribucin multivariante.

1.10.5.

Ventajas e Inconvenientes de las cpulas

En aplicaciones nancieras, las cpulas se utilizan a menudo para datos de grandes dimensiones, y no queda muy claro cual es el trade-o entre el tamao de la muestra y la dimensin, ya que el nmero de parmetros puede ser mayor que el tamao de la muestra. Existe una mayor variedad de cpulas, pero las descritas anteriormente son las principalmente utilizadas y las ms empleadas en cuanto a investigaciones empricas. Dentro de sus principales ventajas se encuentran que caracterizan todos los tipos de dependencia, ya que tienen exibilidad modelizando la dependencia, ya sean dependencias asimtricas, dependencias positivas y/o negativas, dependencia global o independencia, dependencia extrema, u otras86 . Establecen una relacin entre distribuciones marginales de los distintos instrumentos correlacionados y
86

La cpula tiene en cuenta todos los posibles casos de dependencia.

71

Aspectos metodolgicos de la medida del riesgo la funcin de distribucin conjunta multivariante, y son invariantes a transformaciones montonas crecientes. Adems, la funcin cpula permite modelizar la estructura de dependencia independientemente de las distribuciones marginales. Sin embargo, sus principales inconvenientes son que las distribuciones marginales y las cpulas de distribuciones multivariantes no estn necesariamente ligadas, las cpulas no contribuyen a un mejor entendimiento de los extremos multivariantes y adems existen serias dudas de la capacidad de las cpulas para modelizar la dependencia a travs del tiempo. Durante toda la descripcin de conceptos y revisin realizada hasta ahora, se ha podido observar que la literatura ha avanzado mucho en el campo de la medicin y gestin de riesgos. En cuanto a las cpulas, cada da estan ms presentes en investigaciones actuales, ya que sus defensores arman que es la manera ms acertada, fcil de aplicar y que da mejores resultados en cuanto a la descripcin de la dependencia. Un punto clave de esta investigacin es estimar el riesgo de mercado de un pas emergente a travs de la metodologa VaR mediante las cpulas nancieras, as que por ello es necesario tener alguna nocin general de la forma de estimacin que permita cumplir con los objetivos.

1.11.

Estimacin del VaR mediante cpulas

Las cpulas pueden ser aplicadas en cualquier problema de riesgo bivariante o multivariante, pero en este apartado se usarn para estimar el VaR, que se utiliza especialmente cuando un instrumento nanciero incluye factores de riesgo no-normales. Es decir, como las cpulas determinan la estructura de dependencia de un instrumento nanciero sin partir de supuestos distribucionales, se pueden obtener resultados ms realistas y as evitar una estimacin del valor en riesgo inapropiada e incorrecta. 72

1.11 Estimacin del VaR mediante cpulas Para tratar la dependencia de variables de riesgo esta metodologa es able, sobre todo en el caso de que la correlacin sea insegura o su aplicacin no sea posible87 ; el procedimiento puede aplicarse a la teora de valor extremo y en muchos otros problemas nancieros, es decir, permite modelizar rendimientos con distribuciones de forma ms real, ya que se busca algo mas adecuado para no sobrevalorar o infravalorar el VaR de un instrumento nanciero. En el caso bidimensional el procedimiento es el siguiente. Supngase que se cuenta con una cartera con posiciones en dos activos, cuyos benecios (prdidas) aleatorios son X e Y . Se quiere estimar el VaR de la cartera usando alguna familia de cpulas; el benecio (prdida) de la cartera es X + Y . Si X + Y < V aR se incurrir en un mal resultado y la prdida exceder al VaR, Z) %. Entonces:

lo que ocurrira con un nivel de conanza de 100 (1

(1

Z) = P (X + Y <

V aR) ) Z = 1

P (X + Y <

V aR)

(1.85)

lo que muestra el nivel de conanza dado el VaR y que dicho nivel de conanza depende de la probabilidad de que la suma de X e Y sea menor que V aR.

Por lo que ahora el problema es deducir la segunda probabilidad que es la que corresponde a la distribucin multivariante, es decir, la cpula que determina

P [(X < x) ; (Y < y)]

(1.86)

la probabilidad en trminos de los valores de la distribucin marginal para X e Y . Se puede mostrar que88 : Z
1

P (X + Y <

V aR) =

@ C r; F2 V aR @r

F1 1 (r)

dr

(1.87)

donde C es la funcin cpula, F1 y F2 son las funciones de distribucin marginales


87 88

Las correlaciones no son seguras cuando la relacin entre variables no es lineal. Para mayor informacin, vase Dowd y Fackler (2004).

73

Aspectos metodolgicos de la medida del riesgo de X e Y respectivamente. Se sugiere el siguiente procedimiento para obtener un adecuado nivel de conanza con cualquier VaR determinado89 : a) Elegir una funcin cpula. b) Estimar el valor de la cpula (utilizando algn software: R, Mathematica, Matlab, entre otros.). c) Aproximar el miembro derecho de la ecuacin 1.87. d) Despus de obtener el nivel de conanza del VaR, se aplica a la ecuacin 1.85. El anterior es un procedimiento alternativo, ya que en la prctica se puede estimar el VaR a partir un nivel de conanza determinado o viceversa. Esta investigacin pretende analizar la capacidad de medicin y gestin de riesgos que tienen las metodologas descritas anteriormente y, a su vez, caracterizar mediante cpulas la dependencia que pueda presentar la base de datos elegida, con el objetivo de comparar las herramientas descritas. Como se ha podido observar, la literatura dedicada a estos temas es extensa y realmente enriquecedora, adems los resultados que se puedan obtener de diferentes investigaciones dependen principalmente de los datos que se han utilizado y de los pases de estudio. En esta investigacin, se pretende utilizar las herramientas de medicin de riesgos que se han venido describiendo para un pas emergente, como es el caso especco de Mxico, de manera que se aplicarn las metodologas al ndice de precios de la bolsa de valores de Mxico, adems de formar una cartera con una seleccin de empresas que cotizan en dicho ndice con el n de estudiar la dependencia entre las empresas emisoras seleccionadas. En la literatura no se han encontrado muchos artculos que utilicen medidas de tipo VaR, CVaR o la teora de valor extremo a travs de cpulas para el caso especco de Mxico. Entre los trabajos publicados, se puede citar a Ozun y
89 Un ejemplo numrico de la forma de obtener el VaR a travs de cpulas, se encuentra en el apartado de anexos al nal del captulo.

74

1.11 Estimacin del VaR mediante cpulas Cifter (2007) que emplean cpulas con variacin temporal para estimar el valor en riesgo de una cartera formada por ndices de Amrica Latina, Alonso y Arcos (2005) estiman el VaR con diferentes mtodos para siete pases de Latinoamrica, utilizando las medias mviles ponderadas exponencialmente y variaciones de los modelos GARCH. Canela y Pedreira (2005) estiman el grado y la estructura de dependencia para los ndices de varios pases de Latinoamrica, entre ellos Mxico. Sin embargo, no parece haber ningn trabajo publicado donde se seleccione una cartera del ndice de precios y cotizaciones de la bolsa mexicana de valores con criterios similares a esta investigacin, o en su defecto una investigacin que se dedique nica y exclusivamente a analizar el comportamiento del ndice de la bolsa mexicana con respecto a un ndice americano y otro europeo. A diferencia de los trabajos citados, esta investigacin propone una forma alternativa de ajustar los rendimientos nancieros a distintas distribuciones, empleando cpulas que permitan valorar el riesgo de forma ms precisa y con ello analizar el impacto nanciero que est teniendo la actual crisis en Mxico. El periodo objeto de estudio, evoluciona desde enero de 2002 a diciembre de 2008, ste contiene diversas caractersticas importantes y muy destacables, como por ejemplo que el periodo gubernamental de 2000-2006 estuvo basado en los aspectos nancieros de la poltica de migracin, lo cual hizo que el mercado mexicano dependiera en gran medida del mercado estadounidense, adems en 2002 el mercado de acciones mostr rendimientos negativos y una disminucin del volumen de negociacin. En 2003-2006 se implement la estrategia denominada "Mercado Global de la Bolsa Mexicana de Valores90 ", lo que llev a registrar rendimientos muy signicativos porque se haban ido superando los
Esta estrategia es un mecanismo diseado para cotizar, en el mbito de la Bolsa Mexicana de Valores, bajo el esquema regulatorio y operativo del Sistema Internacional de Cotizaciones (SIC), valores que no fueron objeto de oferta pblica en Mxico, que no se encuentran inscritos en la Seccin de Valores del Registro Nacional de Valores, y que se encuentran cotizados en mercados de valores extranjeros que han sido reconocidos por parte de la Comisin Nacional Bancaria y de Valores (CNBV) (Mercados Extranjeros Reconocidos) o cuyos emisores hayan recibido el reconocimiento correspondiente por parte de la citada Comisin (Emisores Extranjeros Reconocidos).
90

75

Aspectos metodolgicos de la medida del riesgo mximos histricos. En 2007 hubo un incremento de la volatilidad haciendo que los rendimientos fueran sensiblemente inferiores respecto a los aos anteriores, de modo que tambin la bolsa mexicana se mostr en lnea con el comportamiento del NYSE91 , y con estos acontecimientos aument la especulacin econmica y burstil, a ello hay que aadir que en Estados Unidos se deterior la calidad crediticia del mercado hipotecario teniendo efecto directo e inmediato en el mercado mexicano. Respecto al 2008 se puede decir que estuvo lleno de acontecimientos, dentro de los principales se destaca que el euro y el dlar alcanzaron niveles mximos frente al peso, lo que produjo una cada signicativa del salario mnimo, a su vez aument la incertidumbre nanciera internacional y se increment la necesidad de liquidez, por lo que Banxico92 tom la decisin subastar dlares para obtener liquidez y estabilizar el peso. A pesar de las medidas tomadas, ha existido fuga de capitales lo que ha desencadenado cadas continuas en la bolsa mexicana. Es posible preguntarse qu diferencia hay entre la metodologa que se utilizar en esta investigacin para medir el riesgo y una alternativa como puede ser el caso de Riskmetrics o el VaR tradicional. La diferencia se encuentra en la utilizacin de diferentes cpulas nancieras que permitan estimar y valorar el riesgo de forma ms adecuada, ya que se tomarn en cuenta comportamientos asimtricos y dependencia no lineal. Adems no slo se basar la investigacin en el supuesto de rendimientos normalmente distribuidos, sino que se asumen otro tipo de distribuciones que permitan comparar resultados tanto de la medida de riesgo como de la dependencia que pueda existir entre los rendimientos elegidos. De esta forma se observa la funcionalidad de la metodologa cuando no se est dentro de un contexto normal. Por otro lado, Mxico ha sido elegido para aplicarle las metodologas expuestas por varias razones, principalmente porque es un pas que, al igual que Brasil,
91 92

Bolsa de Nueva York que por sus siglas en ingls es New York Stock Exchange. Banco Central de Mxico.

76

1.11 Estimacin del VaR mediante cpulas ha destacado dentro de los pases considerados emergentes y est cobrando fuerza dentro del panorama internacional. Adems las caractersticas nancieras de Mxico son muy interesantes, debido a las asimetras que presenta por su naturaleza y la dependencia que tiene con el mercado estadounidense. Cabe sealar que las metodologas generales de VaR y de modelizacin a travs de cpulas se han aplicado a diferentes pases desarrollados teniendo resultados razonables en cuanto a cobertura, sin embargo en los pases emergentes no se ha profundizado demasiado. As que con esta nueva aproximacin se tomar ms en cuenta la dependencia como fuente de riesgos, consiguiendo mediciones ms acertadas y anticipadas para lograr una gestin ms activa y precisa de los riesgos y con ello ampliar la cobertura que permita a Mxico tener menor inestabilidad. Entonces, por los acontecimientos que ocasionan alzas y bajas prolongadas en Mxico, se ha considerado conveniente la realizacin de la presente investigacin, porque es muy importante conocer cmo se comporta la metodologa de cpulas en un pas con estas caractersticas nancieras. Adems que hoy por hoy, existe una mayor interdependencia entre pases desarrollados y emergentes. Por ltimo, es importante dar a conocer que el programa informtico que se ha utilizado para realizar todas las estimaciones, tablas de resultados y grcos es Matlab 7.6.0, que es un programa tcnico y cientco internacionalmente reconocido y adems es una excelente herramienta de alto nivel para desarrollar aplicaciones tcnicas.

77

Aspectos metodolgicos de la medida del riesgo

1.12.

Anexos

Para ejemplicar el procedimiento para obtener al VaR a travs de cpulas, se han simulado rendimientos de dos activos nancieros, pero ste puede ser aplicado a cualquier serie de rendimientos reales. Una vez que se tiene la base de datos objeto de estudio, se supone que los rendimientos siguen una distribucin especca, en este caso se ha elegido la distribucin normal, esto es N ( ; ). A partir de aqu se obtienen las distribuciones marginales univariantes necesarias para calcular el prametro correspondiente a la cpula seleccionada. La cpula Gaussiana bivariante es la utilizada en este ejemplo, sin embargo, se pudo haber utilizado cualquier otra. La cpula Gaussiana bivariante viene determinada por la siguiente expresin: Z
1 1

C (u; v) =

(u) Z

1 2

(v)

f (r1; r2 ) dr1 dr2


1

(1.88)

donde f representa la funcin de densidad normal bivariante con coeciente de correlacin ; Por lo tanto: Z1
0

denota la funcin de distribucin normal.

P (X + Y <

V aR) =

@ C r; @r

V aR

1 1

(r)

dr

(1.89)

Ya que se tienen las marginales univariantes y el valor de la cpula, se simulan variables que tengan como distribucin conjunta la cpula previamente estimada. Mediante la simulacin de Monte Carlo, se simulan rendimientos a travs de las distribuciones marginales anteriores y la inversa de la funcin de distribucin que inicialmente se supuso siguen los rendmientos. Despus se ponderan los rendimientos, en este caso y por ser un ejemplo bivariante, la ponderacin especca es de 50 % para cada uno de los rendimientos. Por ltimo, se obtiene el percentil de los rendimientos ponderados con un nivel 78

1.12 Anexos de conanza determinado, en este caso se ha utilizado el 95 %, 97;5 % y 99 %. Los VaR obtenidos para los tres niveles de conanza se muestran en la tabla siguiente. Tabla 1.1. Valoracin con distintos niveles de conanza
VaR
95% -0.1837 97.5% -0.2344 99% -0.2802

De esta forma se han obtenido tres valoracines de las mximas prdidas posibles que pueden alcanzar los dos activos elegidos con tres niveles de conanza diferentes.

79

Captulo 2 Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

81

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

2.1.

Introduccin

Para observar y analizar el comportamiento que muestra el valor en riesgo y el valor en riesgo condicional a travs de cpulas como medida de dependencia entre variables, se ha llevado a cabo la implementacin de dichas metodologas a Mxico como representante de un pas emergente de Amrica Latina. Se ha elegido Mxico debido a la inestabilidad que existe hoy en da en los mercados nancieros y por la importancia que los pases en vas de desarrollo han alcanzado en el mbito global, adems las economas emergentes muestran comportamientos anormales debido a su naturaleza y, por ello, se requieren aproximaciones exibles y precisas que sean capaces de capturar estos comportamientos asimtricos. As pues, este captulo tiene como principal objetivo cuanticar el impacto de la crisis actual en el sistema nanciero mexicano a travs de las prdidas inesperadas realizadas en la cartera. Para ello se utiliza un periodo temporal que data desde 2002 a 2008 y este, a su vez, se divide en dos subperiodos para diferenciar el inicio de los problemas nancieros actuales, y as poder valorar los porcentajes de prdida correspondientes a cada periodo. Con esta separacin de periodos se realiza la valoracin del riesgo mediante el VaR a travs de cpulas elpticas para cada subperiodo, haciendo las respectivas comparaciones de valoracin con la muestra completa. La cartera objeto de estudio esta formada por los cinco activos ms negociados del mercado nanciero mexicano, especcamente del ndice de Precios y Cotizaciones (IPC) de la Bolsa Mexicana de Valores (BMV). El resto del captulo se desarrolla como se muestra a continuacin. En el apartado siguiente se describen y analizan los activos que conforman la cartera, tanto para el periodo completo como para los subperiodos. En el apartado tres se realiza la descripcin de la metodologa utilizada para la realizacin de la estimaciones, en el apartado cuatro se valora el riesgo con la metodologa tradicional para la cartera equiponderada y autoponderada. En el apartado quinto, se realiza 82

2.2 Descripcin y anlisis de los datos la valoracin del riesgo utilizando cpulas elpticas para evaluar el funcionamiento de los modelos empleados y analizar el impacto de la crisis en el sistema nanciero mexicano, En el apartado sexto se utiliza el modelo GARCH (1,1) para darle dinamismo a las varianza en la estimacin. Las conclusiones a las que se ha llegado se plasman en el sptimo apartado.

2.2.

Descripcin y anlisis de los datos

Para realizar esta investigacin, se ha seleccionado y denido una cartera formada por cinco activos nancieros, en la cual se medir el riesgo de mercado a travs de las metodologas expuestas en el captulo anterior. Se han elegido cinco empresas emisoras que cotizan en el mercado de valores mexicano. Especcamente, se trata de los cinco ttulos ms negociados y que tienen mayor ponderacin dentro del ndice de precios y cotizaciones de la Bolsa Mexicana de Valores. As que la cartera est formada por las siguientes empresas: Amrica Mvil (Amx), Wal-Mart de Mxico (Walmex), Cementos Mexicanos (Cemex), Carso Global Telecom (Telecom) y Grupo Televisa (Televisa). Se debe destacar que en este captulo, aunque se ha formado la cartera eligiendo las empresas de mayor volumen de negociacin, se ha decidido que las estimaciones se realicen tanto para la cartera equiponderada como autoponderada1 . La moneda de referencia a utilizar es el peso mexicano2 , ya que es la moneda de cotizacin de las empresas. Por ltimo, la unidad de tiempo que se asocia a la estimacin ser un da, es decir, se tienen datos diarios excluyendo nes de semana y festivos. Las cinco series que conforman la cartera contienen informacin de los precios diarios de cierre de cada activo, por lo que la muestra total inicia el 2 de enero
Cuando la cartera se equipondera se da un 20 % de peso especco a cada activo. En el caso autoponderado las ponderaciones son similares a las que tiene cada activo en el mercado mexicano. 2 El peso mexicano respecto al euro con fecha a 16 de febrero de 2009, es de 18.47 pesos a la compra y 18.79 pesos a la venta, segn el Banco Nacional de Mxico (BANAMEX).
1

83

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas de 2002 y naliza el 31 de diciembre de 2008, as que cada serie tiene un total de 1767 observaciones3 . Tambin se ha dividido la muestra total en dos subperiodos, con el objetivo de valorar el riesgo antes y durante la crisis nanciera actual, para as cuanticar su impacto. El primer subperiodo va desde el 2 de enero de 2002 hasta el 29 de diciembre de 2006, mientras que el segundo subperiodo empieza el 2 de enero de 2007 y termina el 31 de diciembre de 2008. Por tanto, el total de observaciones para cada serie correspondientes a cada subperiodo son 1264 y 503 respectivamente. As pues, a lo largo de este apartado se realiza un anlisis descriptivo de la cartera en cuestin, tanto para la muestra total como para los subperiodos. Cabe sealar que los grcos y tablas que se exponen en este captulo son de elaboracin propia a partir de las cotizaciones ociales. El siguiente grco muestra el comportamiento de los precios diarios de cierre de los activos.

Grco 2.1: Precios diarios de cierre de los valores de la cartera


70 60 70 60

50

50

PRECIOS DIARIOS

40

PRECIOS DIARIOS
0 200 400 600 800 1000 1200 1400 1600 1800

40

30

30

20

20

10

10

0 0 200 400 600 800 1000 1200 1400

2002-2008

2002-2006

70 60

50

PRECIOS DIARIOS

AMX
40

WALMEX CEMEX TELECOM TELEVISA

30

20

10

0 0 100 200 300 400 500 600

2007-2008

Los datos perdidos se han imputado mediante la media de los datos temporales adyacentes.

84

2.2 Descripcin y anlisis de los datos En el grco 2.1, se puede observar que en el ltimo periodo temporal la tendencia ha sido completamente a la baja, mientras que en el periodo correspondiente a 2002-2006, se advierte que la tendencia de los precios era alcista. Por tanto, realizar la diferenciacin de periodos posiblemente arroje resultados distintos que permitan valorar el riego de forma ms precisa. A partir de las series de precios diarios de cierre, se obtienen los rendimientos logartmicos para facilitar el manejo y porque es interesante observar cmo han variado los rendimientos de cada ttulo. Adems, en los rendimientos las prdidas y ganancias se relativizan al periodo anterior de la cartera o activo nanciero, siendo stos el objetivo de anlisis. Los rendimientos logartmicos se denen de la forma usual: rt = ln Rt = ln Pt Pt 1 (2.1)

donde Pt representa el precio de cierre para el periodo t. La siguiente es la representacin grca de los rendimientos. Grco 2.2: Rendimientos de los valores de la cartera

0.2

0.2

0.2

RENDIMIENTOS CEMEX
0 500 1000 1500 2000

RENDIMIENTOS AMX

0.1

RENDIMIENTOS WALMEX

0.1

0.1

-0.1

-0.1

-0.1

-0.2 0 500 1000 1500 2000

-0.2

-0.2 0 500 1000 1500 2000

2002-2008

2002-2008

2002-2008

0.2 0.15

0.2

RENDIMIENTOS TELECOM

RENDIMIENTOS TELEVISA
0 500 1000 1500 2000

0.1 0.05 0 -0.05 -0.1 -0.15 -0.2

0.1

-0.1

-0.2 0 500 1000 1500 2000

2002-2008

2002-2008

85

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas En el grco 2.2, se observa que Cemex presenta mayor dispersin o volatilidad. Cabe sealar que en las ltimas observaciones la volatilidad de las cinco series se ve signicativamente incrementada, lo que se debe a que, como era de esperar, representan a la actual crisis nanciera. A continuacin, se presenta el resumen descriptivo de los rendimientos para la muestra total y los subperiodos, adems, mediante el estadstico Jarque-Bera se contrasta la normalidad de los mismos. El estadstico Jarque-Bera se expresa de la siguiente forma: 0
2

JB =

[ donde n es el total de observaciones, asim4 representa la asimetra estimada de d la serie y la estimacin del exceso de curtosis esta representado por curt 3 .

nB [ @ asim 6

d curt

1 C A

(2.2)

As pues, el resumen descriptivo se recoge en la tabla 2.1.

Como se observa en la tabla 2.1, en el periodo temporal 2002-2008, los rendimientos medios de los activos son pequeos pero positivos en todos los casos, el ttulo que muestra mayor volatilidad es Cemex, mientras que Walmex es el ttulo menos voltil de la cartera. Al observar la asimetra, se constata que las cinco empresas muestran una distribucin claramente asimtrica, y en este caso, todas presentan sesgo positivo hacia la derecha, siendo Televisa la que tiene mayor grado de asimetra dentro de la cartera. En cuanto a la curtosis, los cinco activos poseen una distribucin leptocrtica, ya que presentan colas ms anchas con respecto a la distribucin normal, siendo esto relativamente habitual en los rendimientos nancieros, debido a que son ms suceptibles de tener eventos extremos en las colas de la distribucin. Sin
4

[ Como es habitual, el estimador de la asimetra es asim =


1 T
4

1 T
3

t=1

d es curt =

t=1

T P

(rt

r) .

T P

(rt

r) y el de la curtosis

86

2.2 Descripcin y anlisis de los datos embargo, Cemex muestra una curtosis muy elevada en comparacin con las dems empresas, lo cul evidencia que es la que tiene las colas ms pesadas dentro de la cartera y por lo tanto puede tener ms valores extremos que el resto, lo que puede ser a causa de la actual crisis, ya que el sector de la construccin ha sido uno de los sectores que, desde un inicio, se ha visto afectado con ms dureza. Tabla 2.1. Estadstica descriptiva de los rendimientos
AMX MEDIA MEDIANA MXIMO MNIMO VOLATILIDAD DIARIA ASIMETRA CURTOSIS JARQUE-BERA P-VALOR MEDIA MEDIANA MXIMO MNIMO VOLATILIDAD DIARIA ASIMETRA CURTOSIS JARQUE-BERA P-VALOR MEDIA MEDIANA MXIMO MNIMO VOLATILIDAD DIARIA ASIMETRA CURTOSIS JARQUE-BERA P-VALOR
0.0011 0.0012 0.1261 -0.1374 0.0217 0.1014 7.2117 1308.259 0.0010 0.0017 0.0014 0.1139 -0.0820 0.0196 0.1466 5.3027 283.574 0.0010 -0.0003 0.0009 0.1261 -0.1374 0.0264 0.1231 7.6378 451.175 0.0010

WALMEX
0.0006 0.0005 0.1319 -0.1149 0.0186 0.1025 7.0216 1193.167 0.0010 0.0011 0.0006 0.0827 -0.0738 0.0162 0.2366 4.9786 217.805 0.0010 -0.0005 -0.0003 0.1319 -0.1149 0.0236 0.0579 6.7896 300.669 0.0010

CEMEX
0.0001 0.0000 0.2381 -0.2101 0.0247 0.1286 20.0218 21325.015 0.0010 0.0009 0.0007 0.0898 -0.0746 0.0167 0.1913 4.6817 156.538 0.0010 -0.0021 -0.0019 0.2381 -0.2101 0.0379 0.2253 12.2697 1801.575 0.0010

TELECOM TELEVISA
0.0008 0.0006 0.1758 -0.0993 0.0205 0.2253 8.0839 1916.766 0.0010 0.0009 0.0007 0.0647 -0.0677 0.0177 -0.0884 3.9924 53.467 0.0010 0.0007 0.0003 0.1758 -0.0993 0.0263 0.4533 8.4975 649.339 0.0010 0.0004 0.0003 0.1502 -0.0814 0.0193 0.3154 6.6410 1004.775 0.0010 0.0009 0.0007 0.0725 -0.0703 0.0178 0.0658 4.6086 137.081 0.0010 -0.0008 -0.0009 0.1502 -0.0814 0.0226 0.6697 8.0470 570.321 0.0010

PERIODO TEMPORAL 2002-2008

PERIODO TEMPORAL 2002-2006

PERIODO TEMPORAL 2007-2008

En el subperiodo 2002-2006, los rendimientos medios son ligeramente ms elevados en comparacin con la muestra completa. La volatilidad es un poco menor, siendo Amx el activo ms voltil y Walmex el que tiene menor variabilidad. Respecto a la asimetra, los activos tienen sesgo positivo a la derecha, excepto Telecom que presenta sesgo negativo a la izquierda. En cuanto a la curtosis, de manera general, todas las empresas tienen colas anchas, pero son ms prximas a las de la distribucin normal respecto al periodo completo. 87

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas Por ltimo, el subperiodo correspondiente a 2007-2008 presenta rendimientos medios muy pequeos y negativos, excepto en Telecom que son positivos, en este caso se re un aumento signicativo de la volatilidad respeto a los dos periodos eja anteriores. En este subperiodo, la asimetra aumenta considerablemente en todos los casos, mostrando sesgo positivo a la derecha. En cuanto a la curtosis, tal y como se esperaba, re la existencia de colas anchas, alejndose en exceso de eja la distribucin normal. Por lo tanto, este subperiodo es el que se muestra ms inestable debido a los problemas nancieros actuales. Cuando se lleva a cabo el contraste de Jarque-Bera para el periodo completo y los dos subperiodos, se rechaza la hiptesis nula de normalidad, es decir, los rendimientos de la cartera no estn distribuidos normalmente, lo que era previsible despus de observar el grco de rendimientos y analizar la curtosis de cada una de las series para los tres periodos. A continuacin se realiza un anlisis grco de los rendimientos de los activos individualmente, para corroborar, de forma ms visual, las colas pesadas que presentan dichos rendimientos. Adems, es interesante analizar su comportamiento porque no todas las series corresponden a los mismos sectores de produccin y se comportan de manera diferente ante eventos inesperados.

Grco 2.3: QQ-Plots AMX


2002-2008
0.15 0.15

2002-2006
0.15

2007-2008

0.1

0.1

0.1

0.05

0.05

0.05

CUANTILES AMX

CUANTILES AMX

CUANTILES AMX
-2 0 2 4

-0.05

-0.05

-0.05

-0.1

-0.1

-0.1

-0.15

-0.15

-0.15

-0.2 -4

-2

-0.2 -4

-0.2 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

88

2.2 Descripcin y anlisis de los datos Como se observa en el grco 2.3, la distribucin de los rendimientos de Amx muestra colas anchas sobre todo en el periodo completo y en el correspondiente a 2007-2008. Por lo tanto, es posible ver grcamente que esta Amx no se ajusta a una distribucin normal, ni en los subperiodos ni en la muestra total. Grco 2.4: QQ-Plots WALMEX
2002-2008
0.15

2002-2006
0.15

2007-2008

0.1 0.1 0.05

0.1

0.05

CUANTILES WALMEX

CUANTILES WALMEX

CUANTILES WALMEX
-2 0 2 4

0.05

-0.05

-0.05

-0.1

-0.1

-0.15

-0.05

-0.15

-0.2 -4

-2

-4

-0.2 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

En el grco 2.4 se corrobora la presencia de colas pesadas en la distribucin de los rendimientos de Walmex. Por lo que es posible decir que esta serie no se distribuye normalmente. Sin embargo, el subperiodo 2002-2006 muestra menor nmero de observaciones en las colas de la distribucin respecto a los otros dos periodos. Grco 2.5: QQ-Plots CEMEX
2002-2008
0.25 0.1

2002-2006
0.25

2007-2008

0.2

0.08

0.2

0.15 0.06

0.15

0.1 0.04

0.1

CUANTILES CEMEX

CUANTILES CEMEX

0.02

CUANTILES CEMEX
-2 0 2 4

0.05

0.05

-0.05

-0.05

-0.02

-0.1

-0.1

-0.04 -0.15 -0.15

-0.2

-0.06

-0.2

-0.25 -4

-2

-0.08 -4

-0.25 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

89

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas Respecto a Cemex, se pueden observar colas muy anchas, lo cual no es de extraar, sobre todo despus de conocer el valor de la curtosis, principalmente en el periodo completo y en el periodo 2007-2008. Como se observa en el grco 2.5, se comprueba que Cemex no se puede ajustar a una distribucin normal y que efectivamente es la serie que presenta las colas ms pesadas dentro de la cartera. Grco 2.6: QQ-Plots TELECOM
2002-2008
0.25 0.08

2002-2006
0.25

2007-2008

0.2

0.06

0.2

0.04 0.15 0.15

CUANTILES TELECOM

CUANTILES TELECOM

0.1

CUANTILES TELECOM
-2 0 2 4

0.02

0.1

0.05

0.05

-0.02

0 -0.04

-0.05

-0.06

-0.05

-0.1 -4

-2

-0.08 -4

-0.1 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

En cuanto a Telecom, se observa la existencia de colas anchas y por lo tanto no es posible ajustar esta serie de rendimientos a una distribucin normal. Sin embargo, en el periodo de 2002-2006 es la que muestra las colas menos pesadas, quiz por que presenta un nmero reducido de valores extremos. Grco 2.7: QQ-Plots TELEVISA
2002-2008
0.25 0.08

2002-2006
0.25

2007-2008

0.2

0.06

0.2

0.04 0.15 0.15

CUANTILES TELEVISA

CUANTILES TELEVISA

0.1

CUANTILES TELEVISA
-2 0 2 4

0.02

0.1

0.05

0.05

-0.02

0 -0.04

-0.05

-0.06

-0.05

-0.1 -4

-2

-0.08 -4

-0.1 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

90

2.2 Descripcin y anlisis de los datos Por ltimo, y como se observa en el grco 2.7, Televisa, al igual que en los dems casos, no se puede ajustar a una distribucin normal, debido a que presenta colas anchas. Sin embargo, las colas tienen menor nmero de extremos y por lo tanto, stas son menos pesadas que en el resto de los ttulos. Despus de haber analizado los respectivos QQ-Plots, es necesario conocer la correlacin lineal entre los cinco activos de la cartera, debido a que muy probablemente existe entre ellos correlacin imperfecta. Por ello, se ha construido la matiz de correlaciones, y as poder conocer e incluir el efecto de la correlacin en todo el proceso de estimacin, ya que la dependencia puede hacer que los riesgos de la cartera en su conjunto se vean incrementados, lo que llevara a subestimar los riesgos en el proceso de toma de decisiones para la cobertura de riesgos, especialmente en situaciones de crisis. La matriz de correlaciones viene denida en la forma habitual: 2 1
21;t

6 6 6 6 =6 6 6 4

12;t

::: ::: .. .

1n;t 2n;t

. . .
n1;t

1 . . .
n2;t

3 7 7 7 7 7 7 7 5 (2.3)

. . . 1

En este caso, se ha obtenido la matriz de correlaciones con las series de rendimientos histricos de cada uno de los activos miembros de la cartera. En la tabla 2.2 se observa, de forma general, que los ttulos que conforman la cartera se encuentran correlacionados entre s, y por ello, la correlacin debe ser tomada en cuenta cuando se realiza una valoracin del riesgo. Tanto en el periodo completo como en los subperiodos los activos de la cartera estn muy correlacionados, lo que puede hacer que ante cualquier suceso positivo o negativo estos tengan un comportamiento similar, siendo esto muy arriesgado principalmente en poca de crisis, porque esta relacin puede hacer que el riesgo total de la cartera se incremente. 91

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas Tabla 2.2. Matriz de correlaciones
AMX AMX WALMEX CEMEX TELECOM TELEVISA AMX WALMEX CEMEX TELECOM TELEVISA AMX WALMEX CEMEX TELECOM TELEVISA
1 0.51386 0.49297 0.53807 0.58303 1 0.50290 0.51597 0.54450 0.55659 1 0.52709 0.50211 0.53218 0.62058

WALMEX
0.51386 1 0.37993 0.44117 0.50873 0.50290 1 0.45208 0.48667 0.48752 0.52709 1 0.33923 0.38840 0.53884

CEMEX
0.49297 0.37993 1 0.45018 0.51966 0.51597 0.45208 1 0.43361 0.54169 0.50211 0.33923 1 0.48120 0.53911

TELECOM TELEVISA
0.53807 0.44117 0.45018 1 0.49159 0.54450 0.48667 0.43361 1 0.49738 0.53218 0.38840 0.48120 1 0.48824 0.58303 0.50873 0.51966 0.49159 1 0.55659 0.48752 0.54169 0.49738 1 0.62058 0.53884 0.53911 0.48824 1

PERIODO TEMPORAL 2002-2008

PERIODO TEMPORAL 2002-2006

PERIODO TEMPORAL 2007-2008

2.3.

Descripcin de la metodologa

Las metodologas que se describen en este apartado se aplican a una cartera equiponderada y autponderada formada por los cinco activos ms negociados del mercado mexicano, los cuales son Amrica Mvil (Amx), Wal-Mart de Mxico (Walmex), Cementos Mexicanos (Cemex), Carso Global Telecom (Telecom) y Grupo Televisa (Televisa). A partir de ahora, slo se har mencin de cada activo por su nombre abreviado, es decir, el que se encuentra entre parntesis. La metodologa se describe para el periodo completo, ya que sta se aplicar de forma anloga para los dos subperiodos. En el presente captulo, primeramente, se llevan a cabo las valoraciones de los riesgos a travs de la metodologa tradicional, es decir, mediante simulacin histrica se valoran los riesgos de la cartera, tanto de manera equiponderada como autoponderada. Tambin se supone que los rendimientos se ajustan a una distribucin especca y determinada, es decir, se asume que las distribuciones marginales son normales o uniformes para modelizar el comportamiento de los rendimientos de la cartera. Estas distribuciones sern contrastadas con distribu92

2.3 Descripcin de la metodologa ciones marginales empricas, porque son las que re ejan de forma ms exacta la distribucin dentro de muestra. Sin embargo, por este motivo son demasiado rgidas para funcionar fuera de ella. Por tanto, lo que se busca es una distribucin que se comporte similar a la emprica en la muestra, pero que sea ms exible fuera de la muestra. El ajuste de los rendimientos a una distribucin uniforme se utiliza para poder asignar una misma probabilidad de ocurrencia a todos los eventos, es decir, todos los eventos son tratados de la misma forma. El ajuste a una distribucin normal5 se utiliza porque asigna ms peso en el centro de la distribucin, dejando fuera casos extremos. Es muy comn encontrar en la literatura investigaciones en las que se ajustan los rendimientos a travs de una distribucin t-Student, principalmente por el peso que se da al centro de la distribucin sin dejar de lado los casos extremos. Sin embargo, no ha sido posible ajustar las series de rendimientos nancieros que se utilizan en esta investigacin a esa distribucin. Se ha tratado de llevar a cabo el ajuste con aproximaciones realizadas por el mtodo de mxima verosimilitud y de cuasi mxima verosimilitud, obteniendo como resultado un mal ajuste o, en su defecto, grados de libertad muy elevados, lo cual se acercara mucho a la distribucin normal. An as, los resultados obtenidos se contrastaron mediante un test chi cuadrado, comprobando que los datos no se ajustaban de forma adecuada a esa distribucin quiz por la propia naturaleza de los datos, as que no se ha incluido dicho ajuste. Tras haber supuesto que los rendimientos de la cartera han sido ajustados a una distribucin especca, se estima el modelo de valoracin de riesgos a travs de cpulas elpticas, ya que, como se ha venido diciendo a lo largo de la investigacin, tomar en cuenta la dependencia a la hora de medir el riesgo es de vital importancia y puede ayudar a identicar mejor los riesgos, adems las cpulas elpticas son ampliamente utilizadas en la prctica. Al hacer las valoraciones de los riesgos
5 Aunque en el apartado anterior se ha contrastado, mediante el test de Jarque-Bera, que los rendimientos no son normales, la metodologa ser orientativa y til ms adelante.

93

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas con la metodologa de cpulas y de manera tradicional, se pretende comprobar si, para este caso, las valoraciones a travs de cpulas logran capturar mejor la exposicin al riesgo o en su defecto, saber si la utilizacin de las cpulas benecia la valoracin del riesgo respecto a las metodologas tradicionales. Para obtener la valoracin del riesgo ms precisa, se contrastan los resultados con los obtenidos de forma emprica y con los respectivos backtesting, corroborando as que se est elegiendo la forma de estimacin acertada, es decir, la estimacin que muestre menores diferencias con los resultados empricos y con los backtesting. Tambin se ha tomado como criterio de decisin el error cuadrtico medio mnimo de las estimaciones. Es necesario saber que el nivel de conanza asociado a los clculos se ha establecido en 99 %, aunque tambin se considerarn el 97;5 % y el 95 %. A continuacin se describe, a manera de resumen, el procedimiento que se ha seguido para llevar a cabo la medicin del riesgo mediante cpulas elpticas. 1. Se ajustan los rendimientos a una distribucin determinada: normal, uniforme o emprica. 2. Se obtienen las distribuciones marginales univariantes a partir de los rendimientos previamente ajustados. 3. Se obtienen los parmetros de la cpula correspondiente. 4. Se simulan distribuciones marginales a partir de las marginales univariantes anteriores y de los parmetros de las cpulas elegidas, es decir, variables que tengan como distribucin conjunta la cpula estimada anteriormente. 5. A travs de la simulacin de Montecarlo, se simulan rendimientos mediante las distribuciones marginales anteriores y la funcin inversa de la distribucin a la que se han ajustado inicialmente los rendimientos. 6. Se ponderan los rendimientos simulados, de forma equiponderada y autoponderada. 7. Se estiman las valoraciones del riesgo con un nivel de conanza de 99 %, 97;5 % y 95 %. 94

2.4 Valoracin tradicional del riesgo 8. Se contrastan los resultados con los obtenidos de forma emprica, los respectivos backtesting y con los errores cuadrticos medios mnimos. 9. Se elige la valoracin ms adecuada teniendo en cuenta los resultados obtenidos en el punto anterior. Cuando se lleva a cabo la aplicacin de las cpulas elpticas, se hace en su forma multivariante, es decir, se obtendr la cpula de los cinco activos que conforman la cartera. Ya que en el captulo dedicado a los conceptos se han denido los diferentes tipos de cpulas, aqu solo se mencionarn las cpulas elpticas en su forma general. Las cpulas elpticas multivariantes tienen la siguiente forma:

C (u1 ; u2 ; :::; up ) = F F1 1 (u1 ) ; F2 1 (u2 ) ; :::; Fp 1 (up )

(2.4)

donde F es la funcin de distribucin multivariante. Al haber ajustado los rendimientos a una distribucin normal se supuso que la varianza de los rendimientos era constante a travs del tiempo y con esto se puede incurrir en errores de estimacin, por lo que se aplicar un modelo de tipo GARCH para que las varianzas sean cambiantes a travs del tiempo. Todo esto para contrastar estos resultados con los previamente estimados y analizar cual ha sido la mejor valoracin del riesgo que se ha obtenido para esta seleccin de datos de este mercado.

2.4.

Valoracin tradicional del riesgo

En este apartado, la valoracin de los riesgos se realiza con la metodologa VaR mediante el mtodo de simulacin histrica. Esta valoracin se aplica a la cartera equiponderada y autoponderada, con el n de observar y comparar ambas valoraciones. Las valoraciones se realizan tanto para el periodo completo como para los dos subperiodos. A continuacin, se presentan los grcos correspondien95

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas tes a las valoraciones tradicionales, VaR, de forma equiponderada y para los tres periodos. Grco 2.8: Cartera equiponderada: Backtesting al 99 %
2002-2008
0.12

0.1

RENDIMIENTOS VaR TRADICIONAL

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0

200

400

600

800

1000

1200

1400

1600

Grco 2.9: Cartera equiponderada: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS
0.06

VaR TRADICIONAL

0.04

0.02

-0.02

-0.04

-0.06 0

200

400

600

800

1000

1200

En los grcos 2.8, 2.9 y 2.10 se puede observar que las valoraciones VaR equiponderadas, tanto en el periodo completo como en los subperiodos, son constantes en determinados momentos. Las ocasiones en que se ha excedido el umbral 96

2.4 Valoracin tradicional del riesgo

Grco 2.10: Cartera equiponderada: Backtesting al 99 %


2007-2008
0.12

0.1

RENDIMIENTOS VaR TRADICIONAL

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0

50

100

150

200

250

300

VaR son 16, 9 y 4 para cada periodo respectivamente. Se advierte que en la mayora de los casos, las valoraciones VaR pueden estar sobrestimando el riesgo en el que se pueda estar incurriendo. A continuacin se presentan los grcos del caso autoponderado. Grco 2.11: Cartera autoponderada: Backtesting al 99 %
2002-2008
0.15

RENDIMIENTOS VaR TRADICIONAL


0.1

0.05

-0.05

-0.1 0

200

400

600

800

1000

1200

1400

1600

En cuanto a las valoraciones obtenidas a travs de la simulacin histrica y con la cartera autoponderada, se puede advertir en los grcos 2.11, 2.12 y 2.13, 97

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

Grco 2.12: Cartera autoponderada: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS
0.06

VaR TRADICIONAL

0.04

0.02

-0.02

-0.04

-0.06 0

200

400

600

800

1000

1200

que al igual que en el caso anterior, el VaR diario se muestra constante en determinados instantes de tiempo. Las ocasiones en que el VaR ha sido superado en el periodo 2002-2008 son 20, mientras que en los subperiodos son 14 y 4 respectivamente. Tras conocer las excepciones, se puede llegar a pensar que la metrodologa tradicional est sobrevalorando los riesgos de la cartera autoponderada.

Grco 2.13: Cartera autoponderada: Backtesting al 99 %


2007-2008
0.15

RENDIMIENTOS VaR TRADICIONAL


0.1

0.05

-0.05

-0.1 0

50

100

150

200

250

300

98

2.4 Valoracin tradicional del riesgo Para cuanticar las prdidas inesperadas se ha dividido la muestra en dos partes, la primera parte corresponde a las observaciones de una ao y se utilizan para calcular los VaR diarios correspondientes a la segunda parte de la muestra. Se han considerado como prdidas inesperadas aquellos rendimientos reales inferiores al VaR. Las prdidas inesperadas se han denido como la diferencia entre el rendimiento real y el VaR correspondiente y la acumulacin de prdidas se obtuvo de la siguiente forma
n Y i=1

P a = 100

(1

Pi )

(2.5)

donde P a son las prdidas acumuladas, Pi son las prdidas inesperadas individuales y n son el nmero de ocasiones en que se ha superado el umbral VaR. La cuanticacin de las prdidas, tanto para la cartera equiponderada como para la autoponderada, se realizaron con tres niveles de conanza diferentes, para as comprobar como varan los resultados en funcin del nivel y del periodo temporal. Tabla 2.3. Acumulacin de prdidas inesperadas
Prdida 99% 2002-2008 VaR Equiponderado VaR Autoponderado 19.34% 19.73% 21 (1.38%) 25 (1.65%) 39.48% 41.21% 51 (3.36%) 54 (3.56%) 61.08% 62.42% 92 (6.06%) 92 (6.06%) Prdida 97.5% Prdida 95% Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

2002-2006 VaR Equiponderado VaR Autoponderado 8.46% 8.62% 12 (1.18%) 14( 1.38%) 17.49% 19.33% 24 (2.37%) 26 (2.56%) 31.95% 33.47% 49 (4.83%) 53 (5.23%)

2007-2008 VaR Equiponderado VaR Autoponderado 7.99% 8.96% 6 (2.38%) 7 (2.78%) 18.79% 18.78% 13 (5.16%) 13 (5.16%) 32.26% 31.98% 25 (9.92%) 20 (7.94%)

Como se puede observar en la tabla 2.3, las mayores prdidas se concentran en el periodo temporal 2002-2008, adems es el periodo donde el umbral de prdida esperada, VaR, ha sido superado ms veces por los rendimientos reales, esto puede deberse a que es el periodo que tiene ms observaciones. Sin embargo, el periodo 99

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas ms corto, 2007-2008, no es el que muestra menores prdidas inesperadas, con lo que se puede decir que no slo la longitud de la muestra afecta, sino que tambin los eventos extremos que estan incluidos en este subperiodo. En cuanto a la cartera autoponderada, se puede observar que tiene ms excedentes respecto a la forma equiponderada, sin embargo, las prdidas inesperadas se pueden considerar, de manera general, como similares en ambos casos. Por ltimo, a medida que se es menos estricto con el nivel de conanza, las prdidas inesperadas y los excedentes aumentan.

2.5.

Valoracin del riesgo a travs de cpulas elpticas

Para realizar las estimaciones del VaR mediante cpulas multivariantes, se han ajustado los rendimientos del periodo completo y de los subperiodos a las distribuciones normal y uniforme, y as poder elegir la distribucin que mejor se adecua a los rendimientos. Adems de seleccionar la cpula elptica6 que capta acertadamente la dependencia existente entre los activos y, entonces, valorar el riesgo de toda la cartera. La valoracin de los riesgos ms adecuada se obtuvo comparando los resultados con los obtenidos mediante la distribucin emprica y con los backtesting correspondientes a cada caso, adems se contabilizaron las veces en que la metodologa ha fallado y se obtuvieron los errores cuadrticos medios eligiendo el mnimo error. Los grcos 2.14, 2.15 y 2.16 corresponden a los backtesting que valoran de forma ms precisa los riesgos de los tres periodos de manera equiponderada, tambin se incluye la valoracin mediante simulacin histrica para poder comparar
6 Se utilizan cpula elpticas multivariantes porque las cpulas arquimedianas multivariantes an se estan investigando, y son necesarias herramientas matemticas ms complejas como la Transformada de Laplace.

100

2.5 Valoracin del riesgo a travs de cpulas elpticas

Grco 2.14: Cartera equiponderada: Backtesting al 99 %


2002-2008
0.25

RENDIMIENTOS VaR TRADICIONAL


0.2

VaR CON CPULA GAUSSIANA

0.15

0.1

0.05

-0.05

-0.1 0

200

400

600

800

1000

1200

1400

1600

Grco 2.15: Cartera equiponderada: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS VaR TRADICIONAL


0.06

VaR CON CPULA GAUSSIANA

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0 200 400 600 800 1000 1200

ambos resultados. Las valoraciones se han obtenido ajustando los rendimientos a la distribucin normal, ya que la distribucin uniforme sobrevalora en exceso los riesgos. En los backtesting multivariantes se observa que en el periodo 2002-2008 las veces que se ha superado el VaR son 49. Respecto a los subperiodos, las excepciones son 28 y 12 respectivamente. Se advierte que la valoracin con cpulas se ajusta de mejor manera a los rendimientos reales, ya que no sobrevalora el riesgo tanto como la valoracin tradicional.

101

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

Grco 2.16: Cartera equiponderada: Backtesting al 99 %


2007-2008
0.25

RENDIMIENTOS VaR TRADICIONAL VaR CON CPULA GAUSSIANA


0.2

0.15

0.1

0.05

-0.05

-0.1 0 50 100 150 200 250 300

Los siguientes grcos muestra los backtesting que valoran de forma ms precisa los riesgos de los tres periodos estimados de forma autoponderada, tambin se incluye la valoracin mediante simulacin histrica para poder comparar ambos resultados. Grco 2.17: Cartera autoponderada: Backtesting al 99 %
2002-2008
0.25

RENDIMIENTOS VaR TRADICIONAL VaR CON CPULA GAUSSIANA


0.2

0.15

0.1

0.05

-0.05

-0.1 0

200

400

600

800

1000

1200

1400

1600

En los backtesting 2.17, 2.18 y 2.19 , se observa que en el periodo 2002-2008 las ocasiones que se ha superado el VaR son 39, respecto a los subperiodos, las excepciones son 19 y 11 respectivamente. El ajuste de los rendimientos se llevo a 102

2.5 Valoracin del riesgo a travs de cpulas elpticas

Grco 2.18: Cartera autoponderada: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS VaR TRADICIONAL


0.06

VaR CON CPULA GAUSSIANA

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0 200 400 600 800 1000 1200

Grco 2.19: Cartera autoponderada: Backtesting al 99 %


2007-2008
0.25

RENDIMIENTOS VaR TRADICIONAL VaR CON CPULA GAUSSIANA


0.2

0.15

0.1

0.05

-0.05

-0.1 0 50 100 150 200 250 300

cabo con la distribucin normal, ya que es la que menor distancia tiene con las valoraciones empricas. Las veces que se ha excedido el VaR son menores que las de la cartera equiponderada. Se observa, al igual que antes, que las valoraciones, tanto tradicional como a travs de cpulas, son parecidas; quiz por las similitudes del valor de la cpula Gaussiana con el coeciente de correlacin lineal, aunque la valoracin con la cpula Gaussiana brinda mejores resultados porque se ajusta ms adecuadamente a los rendimientos

103

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas A continuacin se muestran los errores cuadrticos medios de la cartera equiponderada y autoponderada con un nivel de conanza de 99 %. stos se obtuvieron a partir de los rendimientos simulados para las dos cpula elpticas utilizadas: Gaussiana y t-Student y suponiendo que los rendimientos se distribuyen de manera normal.

Tabla 2.4. Errores cuadrticos medios


VaR Equiponderado 2002-2008 0.000398 0.000408 2002-2006 0.000385 0.000391 2007-2008 0.000938 0.000994 VaR Autoponderado 0.000430 0.000452 0.000433 0.000440 0.001008 0.001121

C. Gaussiana C. t-Student C. Gaussiana C. t-Student C. Gaussiana C. t-Student

Se puede observar en la tabla 2.4, que los errores cuadrticos medios con la cpula Gaussiana son menores en todos los casos, lo que indica que sta es la cpula elptica que hace que las valoraciones se acerquen de manera favorable a los valores verdaderos de la cartera, tanto de forma equiponderada como autoponderada. Cuando se realizan aproximaciones mediante el ajuste normal con la cpula t-Student arrojan resultados cercanos a los obtenidos empricamente, sin embargo, se debe hacer hincapi en que cuando se realizaron los backtesting oportunos, la cpula t-Student no fue tan adecuada y los errores cuadrticos medios son mayores en comparacin con la cpula Gaussiana. Tras haber analizado los backtesting, los resultados empricos y los errores cuadrtico medios, es posible decir, que las valoracines ms adecuadas se obtuvieron ajustando los rendimientos a la distribucin normal y utilizando la cpula Gaussiana. Por lo tanto, las prdidas inesperadas correspondientes a las valoraciones equiponderadas, se realizaron para tres niveles de conanza diferentes para comparar la variacin de las prdidas en funcin del nivel, stas se obtu104

2.5 Valoracin del riesgo a travs de cpulas elpticas vieron de forma anloga al apartado anterior. As pues, las prdidas inesperadas del caso equiponderado se muestran en la tabla que se presenta a continuacin. Tabla 2.5. Cartera equiponderada: acumulacin de prdidas inesperadas
Prdida Prdida Prdida Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

99%
28.32% 14.20% 15.37% 43 (2.83%) 27 (2.66%) 15 (5.95%)

97.5%
2002-2008 44.73% 20.89% 20.90% 73 (4.81%) 40 (3.94%) 18 (7.14%) 61.75% 33.35% 32.73%

95%
98 (6.46%) 52 (5.13%) 24 (9.52%)

2002-2006 2007-2008

Segn los resultados de la tabla 2.5, se observa que el periodo total es el que presenta mayores prdidas, coincidiendo con aquel que tiene ms excedentes. Sin embargo, en este caso, el periodo de menor nmero de excedentes, 2007-2008, no es aquel de menores prdidas, ya que aunque tienen menor frecuencia de prdida, stas son de mayor cuanta, probablemente debidas a la crisis actual. Cabe sealar que conforme se va siendo menos estricto con el nivel de conanza, las prdidas inesperadas y las ocasiones en que se excede el VaR aumentan considerablemente. Las prdidas inesperadas correspondientes a las valoraciones de la cartera autoponderada, tambin se realizaron para tres niveles de conanza diferentes, para as comparar la variacin de las prdidas en funcin del nivel. Las prdidas inesperadas del caso autoponderado se muestran en la tabla que se presenta a continuacin. Tabla 2.6. Cartera autoponderada: acumulacin de prdidas inesperadas
Prdida Prdida Prdida Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

99%
29.56% 12.46% 16.58% 41 (2.70%) 22 (2.17%) 10 (3.97%)

97.5%
2002-2008 47.39% 23.57% 22.72% 67 (4.42%) 38 (3.75%) 16 (6.34%) 62.43% 35.16% 29.99%

95%
95 (6.26%) 58 (5.71%) 20 (7.93)

2002-2006 2007-2008

105

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas Tal y como se observa en la tabla 2.6, el periodo total es el que presenta mayor nmero de excedentes en los tres niveles de conanza. De manera general, los excedentes de la cartera son muy similares a los de la cartera equiponderada, sin embargo, en este caso la cartera registra mayores prdidas inesperadas, esto puede deberse a la ponderacin utilizada, lo que puede hacer que estas valoraciones sean ms cercanas a la realidad. El periodo 2007-2008 es el que presenta menor nmero de excedentes, pero no es el que menores prdidas inesperadas registra, ya que aunque tienen menor frecuencia de prdida, estas son de mayor cuanta, siendo esto ocasionado por los problemas nanciaros actuales. Del mismo modo que en el caso equiponderado, cuando se disminuye el nivel de conanza, las prdidas experimentan un incremento signicativo. Es posible advertir que cuando se utiliza la metodologa tradicional, se estn sobrestimando demasiado las mximas prdidas en que se puede incurrir en los tres periodos, y esto conlleva a que se asigne mayor capital del necesario para cubrirlas. Por lo que las valoraciones a travs de cpulas se pueden considerar ms cercanas a la realidad. Por ltimo, se observa que efectivamente ha existido una mejora al autoponderar la cartera, sin embargo, la ganancia no es ampliamente signicativa, por lo que se puede decir que su precisin es muy similar al caso equiponderado.

2.6.

Extensiones

Con el objetivo de obtener alguna mejora en las estimaciones realizadas hasta ahora, se ofrece una alternativa de estimacin.

2.6.1.

Incorporacin de varianzas dinmicas en el modelo

Hasta ahora, se ha supuesto que los rendimientos de la cartera siguen una distribucin normal, donde la varianza es constante a travs del tiempo. Con esto, 106

2.6 Extensiones los resultados se pueden alejar de la realidad, ya que la varianza se toma como una aproximacin a la volatilidad de los rendimientos y esta nunca es constante. As que para obtener una estimacin ms acertada se ha aplicado un modelo que permita incluir varianzas dinmicas. Este es el caso del GARCH (1; 1), el cual es un modelo de suavizado exponencial de la varianza y converge a un proceso de difusin en tiempo continuo7 , as que se ha aplicado este modelo a las valoraciones elegidas de la cartera, tanto de forma equiponderada como de manera autoponderada. Grco 2.20: VaR equiponderado con GARCH: Backtesting al 99 %
2002-2008
0.15

RENDIMIENTOS VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL


0.1

0.05

-0.05

-0.1 0

200

400

600

800

1000

1200

1400

1600

Los grcos 2.20, 2.21 y 2.22 corresponden a los backtesting de la cartera equiponderada una vez incluido el modelo GARCH, tambin se incluye la valoracin mediante simulacin histrica para poder comparar ambos resultados. En los backtesting se observa que en el periodo 2002-2008 las ocasiones que se ha superado el VaR son 39. Respecto a los subperiodos, las excepciones son 14 y 15 respectivamente.
7

Para mayor detalle, vase Nelson (1999) y Bollerslev (1986).

107

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

Grco 2.21: VaR equiponderado con GARCH: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS
0.06

VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL

0.04

0.02

-0.02

-0.04

-0.06

-0.08

-0.1 0

200

400

600

800

1000

1200

Se advierte que cuando se valoran los riesgos utilizando el modelo GARCH, las ocasiones en que se supera el umbral de prdida, VaR, son menores respecto a las valoraciones excentas de este modelo, excepto en el ltimo subperiodo, donde las excepciones aumentan.

Grco 2.22: VaR equiponderado con GARCH: Backtesting al 99 %


2007-2008
0.15

RENDIMIENTOS VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL


0.1

0.05

-0.05

-0.1

-0.15

-0.2 0

50

100

150

200

250

300

108

2.6 Extensiones

Grco 2.23: VaR autoponderado con GARCH: Backtesting al 99 %


2002-2008
0.15

RENDIMIENTOS VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL


0.1

0.05

-0.05

-0.1 0

200

400

600

800

1000

1200

1400

1600

Grco 2.24: VaR autoponderado con GARCH: Backtesting al 99 %


2002-2006
0.08

RENDIMIENTOS
0.06

VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0

200

400

600

800

1000

1200

Los grcos 2.23, 2.24 y 2.25 son los de la cartera autoponderada una vez incorporado el modelo GARCH, tambin se incluye la valoracin mediante simulacin histrica para poder comparar ambos resultados. Se observa que las ocasiones que se ha superado el VaR son 44, 15 y 12 en cada periodo respectivamente.

109

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas

Grco 2.25: VaR autoponderado con GARCH: Backtesting al 99 %


2007-2008
0.15

RENDIMIENTOS VaR CON CPULA GAUSSIANA Y GARCH VaR TRADICIONAL


0.1

0.05

-0.05

-0.1 0

50

100

150

200

250

300

Tambin se puede observar que cuando se valoran los riesgos de esta forma, las ocasiones en que se supera el umbral de prdida, VaR, son ligeramente mayores respecto a las valoraciones excentas del modelo GARCH. Despus de haber incorporado los efectos GARCH a la estimacin, se ha conseguido disminuir la distancia que hay con el ajuste que aproxima los datos reales, por lo que esta nueva aproximacin sugiere que la medida de riesgo es ms realista cuando se incorporan varianzas dinmicas para todo el periodo temporal. Sin embargo, la metodologa inicialmente propuesta brinda resultados bastante certeros y la ganancia con la utilizacin de modelos GARCH no ha sido sucientemente signicativa.

2.7.

Conclusiones

En este captulo, primeramente se han utilizado cpulas elpticas para valorar el riesgo de una cartera formada por acciones que cotizan en la Bolsa Mexicana de Valores (BMV). La metodologa de valoracin utilizada es el VaR, ya que puede implementarse casi a cualquier instrumento de gestin de riesgos. En cuanto al horizonte temporal, se utiliza el periodo completo que va desde 2002 110

2.7 Conclusiones a 2008, adems de dos subperiodos, 2002-2006 y 2007-2008 respectivamente, con el objetivo de valorar las repercusiones que la crisis nanciera est dejando en el mercado mexicano. Las cpulas aplicadas pertenecen a la familia elptica, en concreto son la cpula Gaussiana y la cpula t-Student, stas han sido elegidas porque tiene una gran versatilidad y son ampliamente utilizadas en la prctica. Se ha supuesto que los rendimientos utilizados siguen dos tipos de distribuciones: normal o uniforme, contrastando los resultados obtenidos con la distribucin emprica y con los backtesting correspondientes a cada caso, adems de cuanticar las ocasiones en que la metodologa falla y obtener los errores cuadrticos medios, para as poder elegir las valoraciones ms precisas en cada caso. En la evidencia emprica mostrada en este captulo, se observa que cuando las marginales se distribuyen de forma normal se obtienen resultados ms adecuados que con la distribucin uniforme, es decir, la distribucin normal se aproximan mejor a los riesgos reales tanto en el periodo completo como en los subperiodos. Respecto al ajuste uniforme, aunque en la literatura se muestre este tipo de ajuste con buenos resultados, para el caso especco de Mxico, tanto en el periodo total como en los subperiodos elegidos y con esta aplicacin concreta, la uniformidad de rendimientos no conduce a una valoracin adecuada, ya que sobrestima en exceso el riesgo y su utilizacin sera una postura demasiado conservadora en cuanto al riesgo. Lo anterior puede deberse a las peculiaridades de Mxico, o mejor dicho a su propia naturaleza, adems que el periodo de estudio, fundamentalmente en las observaciones correspondientes al inicio de la crisis actual (2007-2008), est caracterizado por la inestabilidad, la creciente volatilidad y la asimetra inherente a los pases en vas de desarrollo. En cuanto a las cpulas, cuando se realizaron las estimaciones a travs de cpulas elpticas multivariantes, tanto equiponderadas como autoponderadas, se 111

Valoracin del riesgo en una cartera de valores mexicanos, mediante cpulas obtuvieron resultados razonables, principalmente con la cpula Gaussiana. Sin embargo, las valoraciones no se encuentran muy alejadas de las estimadas de manera tradicional mediante simulacin histrica, lo cual puede deberse a que la cpula Gaussiana tiene gran similitud con el coeciente de correlacin lineal, lo que las coloca en un escenario normal. De cualquier manera, es posible decir que con la implementacin de las cpulas en las estimaciones se obtienen benecios cuando se pretende valorar el riesgo mediante metodologas de tipo VaR. Por lo tanto, la mxima prdida que se puede tener con determinada certeza ser ms adecuada cuando se incluye la medicin del grado de dependencia entre activos. Respecto al impacto nanciero que la actual crisis mundial est teniendo sobre el mercado mexicano, se puede decir que en los ltimos dos aos del horizonte temporal elegido, 2007-2008, se han aumentado el nmero de eventos extremos en todos los activos seleccionados, adems, la volatilidad diaria sufri un incremento porcentual signicativamente alto y los rendimientos medios cada vez han sido ms pequeos. Por otro lado, los porcentajes de prdida inesperada se han incrementado considerablemente, haciendo que el valor de la cartera se disminuya signicativamente. En el periodo 2002-2008, las prdidas porcentuales son mayores que las correspondientes a los dos subperiodos, posiblemente porque la longitud de la muestra y las ocasiones en que se supera al umbral VaR pueden estar afectando considerablemente los resultados, adems de sufrir una in uencia negativa de los eventos extremos del segundo subperiodo, por lo tanto, el modelo con el horizonte temporal ms largo es menos exible tanto en la cartera equiponderada como autoponderada. Tambin se ha podido observar que los porcentajes de prdidas inesperadas son signicativamente altos, esto quiere decir que las prdidas reales han superado, en una cuanta muy elevada, las prdidas que se esperaban tras la valoracin 112

2.7 Conclusiones de tipo VaR. Se destaca que a medida que se es menos estricto con el nivel de conanza, las perdidas inesperadas sufren un importante incremento. Por ltimo, se observa que las prdidas inesperadas obtenidas de manera tradicional son menores con respecto a las valoraciones a travs de la metodologa de cpulas nancieras, muy probablemente porque las valoraciones tradicionales estn sobrestimando las prdidas.

113

Captulo 3 Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

115

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

3.1.

Introduccin

Con el objetivo de valorar el riesgo del ndice principal de la bolsa mexicana de valores, Mexbol, frente al Dow Jones como ndice representativo del mercado americano y frente al Ibex-35 como ndice seleccionado del mercado europeo por su in uencia en el mercado mexicano, se aplicarn metodologas de valoracin de los riesgos mediante cpulas nancieras como herramienta de medicin de la dependencia entre los ndices, porque se considera que estos pueden tener una relacin signicativa y muy relevante. En efecto, la inestabilidad que existe hoy en da en los mercados desarrollados afecta directamente al comportamiento de los mercados emergentes, debido a la dependencia econmica y nanciera que estos presentan. Adems, en el caso especco del mercado nanciero mexicano, se observa un comportamiento asimtrico y dependiente, en gran medida, de los acontecimientos que se dan tanto en Estados Unidos como en Espaa. Tambin se considera muy importante controlar y gestionar de la mejor manera posible los casos extraos o extremos que se presentan en las series de rendimientos nancieros. Los valores extremos provienen de eventos raros y estos muestran como la informacin inesperada o sucesos anomalos pueden causar una subida o bajada de los rendimientos, ocasionando una mayor variabilidad que pueda considerarse como impulso o en su defecto que esa misma informacin conduzca a un cambio de nivel de toda la serie de rendimientos. Los casos extremos, son en gran medida los responsables de los grandes movimientos y del incremento de la volatilidad y la incertidumbre en los mercados, as que deben tomarse en consideracin cuando se pretende hacer una valoracin de riesgos. Cuando una serie de rendimientos nancieros muestra comportamientos inusuales es de gran inters, ya que, en la mayora de los casos, estos eventos son lo que ocasionan las prdidas y/o ganancias ms signicativas, amenazando la 116

3.1 Introduccin estabilidad del mercado nanciero donde se cotiza y a su vez, puede tener una fuerte repercucin en el sistema nanciero global. Por lo tanto, se ha decidido destinar este captulo a medir el riesgo y analizar el funcionamiento de estas metodologas aplicadas al Mexbol y observar su comportamiento frente a los dos ndices seleccionados de forma separada, principalmente para tratar de cuanticar el impacto que est teniendo la crisis actual en los mercados elegidos, donde su efecto se medir a travs de las prdidas inesperadas realizadas. Para ello, se utilizan las series temporales de los tres ndices, las cuales inician en 2002 y terminan en 2008. A su vez, stas se dividen en dos subperiodos, con el n de estimar, con especial nfasis, dos periodos econmicamente diferentes, resaltando el periodo en que di inicio la actual crisis. Y as, analizar el impacto y las repercusiones que los problemas nancieros han traido consigo, principalmente en el merdado nanciero mexicano. As pues, a lo largo de este captulo se observan y analizan los efectos resultantes de la valoracin de los riesgos mediante cpulas nancieras para cada uno de los subperiodos elegidos, realizando un anlisis comparativo con las valoraciones obtenidas para el periodo temporal completo. Con los ndices seleccionados se han supuesto dos situaciones independientes, donde cada una representa la relacin del Mexbol frente a uno de los otros dos ndices objeto de estudio. Adicionalmente, se har una comparativa de las valoraciones, en cada uno de los casos, en los diferentes periodos temporales y estos, a su vez, se contrastan con resultados obtenidos de forma emprica. El resto del captulo est estructurado como se expone a continuacin. En el apartado siguiente se presenta la descripcin y anlisis de los datos utilizados; en el tercer apartado se llevar a cabo la descripcin de la metodologa empleada para realizar las estimaciones; en el cuarto apartado se valora el riesgo del Mexbol mediante simulacin histrica; en el quinto apartado se valora el riesgo de la relacin Mexbol e Ibex-35; en el sexto apartado se expone la valoracin de los 117

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles riesgos de la relacin Mexbol y Dow Jones; el sptimo apartado se destina a extensiones, con el n ofrecer una alternativa a la metodologa propuesta; y en el ltimo apartado se exponen las conclusiones a las que se ha llegado.

3.2.

Descripcin y anlisis de los datos

En este apartado se quieren observar y analizar tres ndices burstiles. Especcamente, se trata del principal ndice selectivo de precios y cotizaciones de la Bolsa Mexicana de Valores, Mexbol, frente a dos ndices selectivos muy representativos: uno es el ndice burstil espaol, Ibex-351 , y el otro es el ndice industrial estadounidense, Dow Jones2 . Se destaca que para este captulo, la eleccin de los ndices se hizo con el objetivo de comparar el Mexbol con un ndice europeo y con uno americano, as que se escogieron los que se consideraron ms representativos y principales en sus respectivos pases de origen. Respecto a las ponderaciones, a los ndices se les otorgar 50 % de ponderacin, ya que se realiza el anlisis comparativo del Mexbol con los dos ndices de forma independiente, es decir, se lleva a cabo la medicin del riesgo de forma bivariante, ya que se suponen dos casos formados por el Mexbol y uno de los otros dos ndices. La unidad de tiempo asociada a las estimaciones ser de un da, es decir, se han utilizado datos diarios excluyendo nes de semana y das festivos. Las series temporales de los tres ndices burstiles contienen informacin de los valores diarios de cierre; el periodo temporal completo va desde el 2 de enero de 2002 hasta el 31 de diciembre de 2008, por lo que cada serie cuenta con un total de 1806 observaciones. El primer subperiodo elegido inicia el da 2 de enero
El ndice Ibex-35 es el principal ndice de referencia de la bolsa espaola elaborado por Bolsas y Mercados Espaoles (BME). Est formado por las 35 empresas que cotizan en el Sistema Interconexin Burstil Electrnico (SIBE) en las cuatro Bolsas Espaolas (Madrid, Barcelona, Bilbao y Valencia). 2 El Dow Jones Industrial Average, re el comportamiento del precio de acciones de las eja 30 compaas industriales ms importantes y reconocidas de Estados Unidos.
1

118

3.2 Descripcin y anlisis de los datos de 2002 y naliza el 29 de diciembre de 2006, mientras que el segundo periodo va desde el 2 de enero de 2007 hasta el 31 de diciembre de 2008, teniendo un total de 1290 y 516 observaciones en cada subperiodo respectivamente. En la muestra se encontraron observaciones perdidas, las cuales pueden deberse a que entre pases los das de asueto y las estas nacionales no corresponden al mismo da, adems de que, en el caso del mercado europeo, el cambio horario puede afectar. Entonces, para homogeneizar la muestra total y no perder informacin, se han alineado las series obteniendo la media de los datos temporales adyacentes y con ello continuar con la tendencia de la muestra. Por ltimo es importante sealar que todos los grcos y tablas correspondientes a este captulo son de elaboracin propia a partir de las cotizaciones ociales. A continuacin se muestra la representacin grca de los valores diarios de cierre de los tres ndices burstiles. Grco 3.1: Valores diarios de cierre de los ndices
x 10 3.5 3
VALORES DE CIERRE
4

x 10 3.5 3
VALORES DE CIERRE

2.5 2 1.5 1 0.5 0

2.5 2 1.5 1 0.5

200

400

600

800

1000

1200

1400

1600

1800

2000

200

400

600

800

1000

1200

1400

2002-2008
x 10 3.5 3
VALORES DE CIERRE
4

2002-2006

2.5 2 1.5 1 0.5 0 100 200 300 400 500 600

MEXBOL DOW JONES IBEX-35

2007-2008

119

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles Como se observa en el grco 3.1, existe una clara tendencia al alza en el periodo 2002-2006, mientras que en el periodo 2007-2008, se ve re ejada la tendencia a la baja de los tres ndices. Las subidas y las cadas prolongadas, se pueden advertir de manera ms intuitiva y clara en el periodo completo, 2002-2008. A partir de las series temporales de los valores diarios de cierre de cada ndice, se obtienen los rendimientos logartmicos, con el objetivo de suavizar las series y centrarlas en media, observar la variabilidad de los rendimientos de cada uno de los ndices y, adems, porque en las series de rendimientos las prdidas y ganancias se relativizan al periodo anterior del ndice burstil, siendo estos rendimientos el objeto de anlisis de este captulo. Los rendimientos logartmicos se han obtenido de la forma habitual y equivalentemente al captulo anterior, y la siguiente es su representacin grca.

Grco 3.2: Rendimientos de los ndices burstiles

0.15

0.15

RENDIMIENTOS MEXBOL

0.1

RENDIMIENTOS DOW JONES

0.1

0.05

0.05

-0.05

-0.05

-0.1 0 200 400 600 800 1000 1200 1400 1600 1800 2000

-0.1 0 200 400 600 800 1000 1200 1400 1600 1800 2000

2002-2008
0.15

2002-2008

0.1
RENDIMIENTOS IBEX-35

0.05

-0.05

-0.1 0 200 400 600 800 1000 1200 1400 1600 1800 2000

2002-2008

120

3.2 Descripcin y anlisis de los datos Como se puede observar en el grco 3.2, tanto el Mexbol como el Dow Jones y el Ibex-35, presentan variabilidad a lo largo de toda la muestra. Sin embargo, en las ltimas observaciones se advierte un aumento signicativo de la volatilidad en los tres casos, lo cual era de esperarse, ya que estos ltimos rendimientos se han visto fuertemente afectados por la inestabilidad que trajo consigo la crisis, la cual inici en 2007 y contina en la actualidad. Para realizar una descripcin ms exhaustiva de los rendimientos, se presenta, en formato tabla, el resumen descriptivo de los rendimientos de cada ndice, tanto para el periodo completo como para los subperiodos. Mediante el estadstico de Jarque-Bera, se contrasta si los rendimientos de los ndices burstiles en los tres periodos cumplen la hiptesis nula de normalidad. Tabla 3.1. Estadstica descriptiva de los rendimientos
PERIODO TEMPORAL 2002-2008 MEXBOL DOW JONES MEDIA 0.0007 -0.0001 MEDIANA 0.0012 0.0003 MXIMO 0.1044 0.1051 MNIMO -0.0727 -0.0820 VOLATILIDAD 0.0138 0.0126 ASIMETRA 0.1631 0.1478 CURTOSIS 9.0993 13.8537 2805.88 8866.40 JARQUE-BERA P-VALOR 0.0010 0.0010 PERIODO TEMPORAL 2002-2006 MEXBOL DOW JONES MEDIA 0.0011 0.0002 MEDIANA 0.0014 0.0003 MXIMO 0.0651 0.0615 MNIMO -0.0544 -0.0475 VOLATILIDAD 0.0115 0.0097 ASIMETRA -0.0534 0.3762 CURTOSIS 5.4670 6.9801 327.49 881.20 JARQUE-BERA P-VALOR 0.0010 0.0010 PERIODO TEMPORAL 2007-2008 MEXBOL DOW JONES MEDIA -0.0003 -0.0007 MEDIANA 0.0006 0.0004 MXIMO 0.1044 0.1051 MNIMO -0.0727 -0.0820 VOLATILIDAD 0.0184 0.0179 ASIMETRA 0.3794 0.1013 CURTOSIS 8.1699 10.4621 585.90 1195.74 JARQUE-BERA P-VALOR 0.0010 0.0010 IBEX-35 0.0001 0.0008 0.1012 -0.0959 0.0142 -0.0184 10.5128 4244.97 0.0010 IBEX 0.0004 0.0009 0.0569 -0.0520 0.0117 0.0206 6.1178 522.18 0.0010 IBEX -0.0008 0.0000 0.1012 -0.0959 0.0190 0.0491 9.2993 851.69 0.0010

Segn los resultados de la tabla 3.1, los ndices muestran unos rendimientos medios muy pequeos en los tres periodos, y slo en el periodo 2002-2006 el rendimiento medio de los tres ndices es positivo. 121

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles Los ndices presentan, en los tres periodos, una volatilidad signicativamente alta, sin embargo, en el periodo 2007-2008 se advierte un aumento considerable, muy probablemente porque es el periodo en el que la variabilidad de las observaciones se ha visto incrementada. Respecto a la asimetra, los ndices muestran sesgo positivo a la derecha, con excepcin del Ibex-35, que en el periodo completo presenta sesgo negativo a la izquierda, al igual que el Mexbol en el primer subperiodo, 2002-2006. En cuanto a la curtosis, como es de esperarse cuando se utilizan rendimientos nancieros, los ndices poseen una distribucin leptocrtica, es decir, presentan colas ms pesadas respecto a la distribucin normal, ya que en la tabla 3.1 se observa que los coecientes de curtosis son mayores que tres. El Dow Jones muestra una curtosis ms elevada en los tres periodos en comparacin con los otros dos ndices, lo cual evidencia que tiene colas ms pesadas y por lo tanto puede tener ms valores extremos que el resto, esto puede deberse a que es en Estados Unidos donde se ha detonado la actual crisis nanciera e hipotecaria. Tras las realizacin del contraste de Jarque-Bera, en los tres ndices y en los tres periodos se rechaza la hiptesis nula de normalidad, es decir, los rendimientos de los ndices no estn normalmente distribuidos en ninguno de los periodos. A continuacin se muestra un anlisis grco de los rendimientos de cada uno de los ndices burstiles individualmente, para que sea posible corroborar la existencia de colas pesadas en cada uno de los periodos que se estn analizando.

3.2.1.

Mexbol

En los siguientes grcos se muestran los QQ-Plots y los histogramas del ndice burstil mexicano, Mexbol, ajustados a las distribuciones normal y de valor extremo, ya que la primera se enfoca en el centro, y la segunda en las colas de la distribucin, fundamentalmente en la izquierda.

122

3.2 Descripcin y anlisis de los datos

Grco 3.3: QQ-Plots Mexbol


2002-2008
0.12 0.12

2002-2006
0.12

2007-2008

0.1

0.1

0.1

0.08

0.08

0.08

0.06

0.06

0.06

CUANTILES MEXBOL

CUANTILES MEXBOL

0.04

0.04
CUANTILES MEXBOL

0.04

0.02

0.02

0.02

-0.02

-0.02

-0.02

-0.04

-0.04

-0.04

-0.06

-0.06

-0.06

-0.08 -4

-2

-0.08 -4

-2

-0.08 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

Es posible observar en el grco 3.3 que el ndice Mexbol presenta colas ms anchas respecto a la distribucin normal, sobre todo en el periodo 2007-2008, y por lo tanto, esta serie de rendimientos no se ajusta a dicha distribucin. Grco 3.4: Periodo completo, 2002-2008
Rendimientos Mexbol
40

Ajuste normal Ajuste extremo

35

30

25

20

15

10

0 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

En los grcos 3.4, 3.5 y 3.6 se puede observar que los rendimientos del ndice Mexbol, se ajustan de manera ms adecuada a la distribucin normal. Sin embargo, en la cola izquierda se advierte que sta infravalora las prdidas en las que se puede incurrir, ya que en este caso, la cola izquierda representa las prdidas. Por lo tanto, la distribucin de valor extremo recoge mejor esos eventos inusuales, y aunque sobrevalora las posibles prdidas, esta opcin se puede considerar como ms adecuada sobre todo en el segundo subperiodo, 2007-2008. 123

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.5: Primer subperiodo, 2002-2006


45

Rendimientos Mexbol Ajuste normal


40

Ajuste extremo

35

30

25

20

15

10

0 -0.04 -0.02 0 0.02 0.04 0.06

Grco 3.6: Segundo Subperiodo, 2007-2008


35

Rendimientos Mexbol Ajuste normal Ajuste extremo


30

25

20

15

10

0 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

3.2.2.

Dow Jones

En los siguientes grcos se muestran los QQ-Plots y los histogramas del ndice burstil estadounidense, Dow Jones, ajustados a las distribuciones normal y de valor extremo, ya que la primera se enfoca en el centro, y la segunda en las colas de la distribucin, fundamentalmente en la izquierda.

124

3.2 Descripcin y anlisis de los datos

Grco 3.7: QQ-Plots Dow Jones


2002-2008
0.15 0.15

2002-2006
0.15

2007-2008

0.1

0.1

0.1

CUANTILES DOW JONES

CUANTILES DOW JONES

0.05

0.05

CUANTILES DOW JONES


-2 0 2 4

0.05

-0.05

-0.05

-0.05

-0.1 -4

-2

-0.1 -4

-0.1 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

En el ndice Dow Jones se observa que tambin presenta colas anchas, y por lo tanto, esta serie tampoco se ajusta a una distribucin normal, adems se conrma que puede estar en presencia de ms valores extremos respecto a los otros ndices, sobre todo en el periodo completo, 2002-2008, y en el ltimo subperiodo, 20072008. Grco 3.8: Periodo completo, 2002-2008
Rendimientos Dow Jones Ajuste normal Ajuste extremo
50

40

30

20

10

0 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

Respecto al ndice Dow Jones, la distribucin normal ajusta los rendimientos de la serie de manera ms opurtuna que la otra distribucin. Se puede observar en los grcos 3.8, 3.9 y 3.10, que las colas de la distribucin se adaptan bien a las dos distribuciones, aunque la distribucin de valor extremo sobrevalora la cola izquierda mientras que la normal la infravalora. Por lo tanto, la distribucin de valor extremo aproxima de mejor manera las posibles prdidas re ejadas en la cola izquierda, aunque de forma sobrevalorada. 125

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.9: Primer subperiodo, 2002-2006


60

Rendimientos Dow Jones Ajuste normal Ajuste extremo

50

40

30

20

10

0 -0.04 -0.03 -0.02 -0.01 0 0.01 0.02 0.03 0.04 0.05 0.06

Grco 3.10: Segundo subperiodo, 2007-2008


50

Rendimientos Dow Jones Ajuste normal Ajuste extremo

45

40

35

30

25

20

15

10

0 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

3.2.3.

Ibex-35

En los siguientes grcos se muestran los QQ-Plots y los histogramas del ndice burstil espaol, Ibex-35, ajustados a las distribuciones normal y de valor extremo, ya que, al igual que con los ndices anteriores, la primera se enfoca en el centro, y la segunda en las colas de la distribucin, fundamentalmente en la izquierda.

126

3.2 Descripcin y anlisis de los datos

Grco 3.11: QQ-Plots Ibex-35


2002-2008
0.15 0.15

2002-2006
0.15

2007-2008

0.1

0.1

0.1

CUANTILES IBEX-35

CUANTILES IBEX-35

CUANTILES IBEX-35
-2 0 2 4

0.05

0.05

0.05

-0.05

-0.05

-0.05

-0.1 -4

-2

-0.1 -4

-0.1 -4

-2

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

CUANTILES NORMAL ESTNDAR

Por ltimo, el Ibex-35 muestra colas anchas, tal y como se observa en el grco 3.11, as que no se ajusta a una distribucin normal, especailmente en el periodo completo y en el subperiodo 2007-2008. Grco 3.12: Periodo completo, 2002-2008
50 Rendimientos Ibex-35 Ajuste normal 45 Ajuste extremo

40

35

30

25

20

15

10

0 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

Por ltimo, se observa, como en los dos ndices anteriores, que la serie de rendimientos correspondientes al Ibex-35 se adecua mejor a la distribucin normal. Sin embargo, y al igual que con los rendimientos del Mexbol, esta distribucin infravalora las posibles prdidas registradas en la cola izquierda, por lo que una buena opcin es la distribucin de valor extremo ya que incluye estas prdidas aunque de forma sobrevalorada. 127

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.13: Primer subperiodo, 2002-2006


60

Rendimientos Ibex-35 Ajuste normal Ajuste extremo

50

40

30

20

10

0 -0.05 -0.04 -0.03 -0.02 -0.01 0 0.01 0.02 0.03 0.04 0.05

Grco 3.14: Segundo subperiodo, 2007-2008


Rendimientos Ibex-35
35

Ajuste normal Ajuste extremo

30

25

20

15

10

0 -0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

Despus de haber analizado los QQ-plots y los histogramas de manera individual, es necesario conocer la correlacin lineal entre los ndices, debido a que es muy probable que exista correlacin imperfecta entre ellos. Por lo que se ha construido la matiz de correlaciones y, del mismo modo que en el captulo anterior, se pretende plasmar el efecto de correlacin histrica en el proceso de estimacin. El clculo de la matriz de correlacines es similar al mostrado anteriormente, y sta se muestra a continuacin.

128

3.2 Descripcin y anlisis de los datos Tabla 3.2. Matriz de correlaciones de los ndices
PERIODO TEMPORAL 2002-2008 MEXBOL MEXBOL DOW JONES IBEX 1 0.59909 0.49505 MEXBOL MEXBOL DOW JONES IBEX 1 0.53563 0.41952 MEXBOL MEXBOL DOW JONES IBEX 1 0.65497 0.56602 DOW JONES 0.59909 1 0.44878 DOW JONES 0.53563 1 0.44703 DOW JONES 0.65497 1 0.45131 IBEX 0.56602 0.45131 1 IBEX 0.41952 0.44703 1 IBEX 0.49505 0.44878 1

PERIODO TEMPORAL 2002-2006

PERIODO TEMPORAL 2007-2008

Al analizar las matrices de correlaciones, se advierte que el Mexbol y el Dow Jones estan ms correlacionados que el Mexbol y el Ibex-35, principalmente en el periodo 2007-2008 donde tienen una relacin del 65;50 %. Esto puede deberse a la enorme dependencia econmica, laboral y nanciera que el mercado mexicano mantiene con el mercado estadounidense y eso puede traer consigo que, en pocas de inestabilidad, fuertes uctuaciones o crisis, ambos mercados se comporten de forma similar. Como se puede observar en la tabla 3.2, los tres ndices se encuentran altamente correlacionados de manera imperfecta, sobre todo en el periodo de inicio de la actual crisis nanciera, as que la dependencia debe tomarse en consideracin cuando se van a realizar las estimaciones, ya que sta juega un papel fundamental en cuanto a la valoracin de los riesgos nancieros, debido a que acontecimientos positivos y/o negativos en el mercado espaol o en el estadounidense afectan directamente al comportamiento del mercado mexicano. Por otro lado, se ha considerado indispensable e intuitivo mostrar grcos de tipo Rolling Window para observar la evolucin de las correlaciones diarias de los tres ndices a lo largo del tiempo.

129

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.15: Rolling Window de las correlaciones diarias


2002-2008
0.75

MEXBOL Y DOW JONES


0.7

MEXBOL E IBEX-35

0.65

0.6

CORRELACIONES DIARIAS

0.55

0.5

0.45

0.4

0.35

200

400

600

800

1000

1200

1400

1600

OBSERVACIONES

Se observa que con el tiempo, el ndice Mexbol aumenta su relacin con ambos ndices, tal y como se esperaba, el Mexbol y el Dow Jones tienen mayor correlacin a lo largo de toda la muestra. Sin embargo, se observa que la dependencia que muestra el Mexbol respecto a los dos ndices sufre un incremento en las ltimas observaciones y adems, es posible decir que a travs del tiempo mantienen un grado de correlacin signicativamente alto. Por lo tanto, en el momento de la estimacin es muy relevante tomar en cuenta la estructura de dependencia de forma adecuada para no subestimar los riesgos en que se puede incurrir.

3.3.

Descripcin de la metodologa

Es necesario conocer que las metodologas que se describen en este apartado se aplicarn a dos situaciones equiponderadas y formadas por dos ndices burstiles. El primer caso de estudio esta formado por el ndice Mexbol y el Ibex-35, mientras que el segundo caso lo conforman el Mexbol y el Dow Jones, por lo que la aplicacin de las metodologas se llevar a cabo de forma bivariante. En cuanto al periodo temporal, se realizan las estimaciones para el periodo completo, 2002-2008, y para los dos subperiodos seleccionados, 2002-2006 y 20072008. Con esta divisin de la muestra se pretende cuanticar el impacto nanciero 130

3.3 Descripcin de la metodologa de la crisis para cada una de las carteras, a travs de sus prdidas inesperadas realizadas. En primer lugar, se valora el riesgo del ndice Mexbol con la metodologa tradicional, es decir, se valora el riesgo del principal ndice del mercado nanciero mexicano mediante simulacin histrica. En el presente captulo se parte del supuesto de que las distribuciones marginales son normales, uniformes o de valor extremo para modelizar el comportamiento de los rendimientos de los ndices, este supuesto se contrasta con distribuciones marginales empricas, ya que es muy probable que los ndices burstiles no se ajusten de forma exacta a cualquier distribucin especca. Adems, se elaboran los backtesting pertinentes, se obtienen los errores cuadrticos medios y se contabilizan las ocasiones en que la metodologa falla, con el n de tener varios criterios para la seleccin de las valoraciones de los riesgos ms adecuadas. El ajuste de los rendimientos a la distribucin uniforme se utiliza porque sta asigna una misma probabilidad de ocurrencia a todas las observaciones, por lo que todos los eventos son tratados de la misma forma. El ajuste a la distribucin normal3 se emplea porque asigna ms peso en el centro de la distribucin, dejando fuera casos extremos. El ajuste a la distribucin de valor extremo se utiliza porque al contrario que la normal, otroga mayor peso a los eventos situados en las colas de la distribucin, especialmente a la izquierda. Es habitual encontrar investigaciones en las que ajustan los rendimientos a travs de la distribucin t-Student, ya que es una distribucin que se destaca por dar peso a los eventos que ocurren en el centro sin dejar fuera los eventos que suceden en las colas de la distribucin. Sin embargo, las series de datos que se utilizan en este captulo no se ajustan de forma adecuada a esa distribucin. An cuando se intent aproximarla por diferentes mtodos, tales como mxima
Aunque en la descripcin de los datos se ha contrastado que los rendimientos no son normales, se utiliza porque este ajuste ser necesario en las extensiones.
3

131

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles verosimilitud, cuasi mxima verosimilitud y, mediante el contraste chi cuadrado, se obutvo un ajuste incorrecto o en su defecto grados de libertad muy elevados, lo cual se aproximara a una distribucin normal, as que por estas razones, el ajuste t-Student no se incluy en esta investigacin. Esto puede ser ocasionado por los valores extremos que presentan las series, las irregularidades o asimetras propias de los pases objeto de anlisis. Despus de suponer que los rendimientos de los ndices se ajustan a una distribucin especca, se estima el modelo de valoracin de riesgos a travs de cpulas, primero se lleva a cabo la aplicacin para la relacin Mexbol e Ibex-35 aplicando cpulas elpticas y arquimedianas, ya que, como se ha venido diciendo a lo largo de la investigacin, tomar en cuenta la dependencia a la hora de medir el riesgo es de vital importancia y puede ayudar a identicar mejor los riesgos en los que se puede incurrir, traducindose en una mejor cobertura. Del mismo modo se aplicar la metodologa a la relacin Mexbol y Dow Jones. Tambin se valorar el riesgo omitiendo el uso de las cpulas, para comprobar si, en estos casos, la valoracin a travs de la metodologa de cpulas logra capturar mejor la exposicin al riesgo, adems de saber si sta forma de estimacin realmente arroja benecios considerables respecto a las metodologas tradicionales. Para obtener la valoracin en riesgo ms precisa, se contrastan los resultados con los obtenidos de forma emprica, con los respectivos backtesting y eligiendo el error cuadrtico medio mnimo, corroborando as que se est elegiendo la forma de estimacin que mejor valora los riesgos. El nivel de conanza asociado a los clculos se ha establecido en 99 %, aunque tambin se han considerado el 97;5 % y el 95 %. A continuacin se resume el procedimiento empleado. 1. Se ajustan los rendimientos de los ndices a las distribuciones determinadas: normal, uniforme, valor extremo y emprica. 2. Se obtienen las distribuciones marginales univariantes a partir de los rendimientos previamente ajustados. 132

3.3 Descripcin de la metodologa 3. Se obtienen los parmetros necesarios para cada cpula, principalmente para las arquimedianas, ya que dichos parmetros miden el grado de dependencia. 4. Se realizan la simulaciones de las distribuciones marginales a partir de las marginales univariantes anteriores y de los parmetros de las cpulas elegidas, es decir, se simulan variables que tengan como distribucin conjunta la cpula estimada anteriormente. 5. Mediante la simulacin de Montecarlo, se simulan rendimientos a travs de las distribuciones marginales anteriormente simuladas y la inversa de la funcin de distribucin que se supuso que siguen los rendimientos. 6. Se ponderan los rendimientos simulados, se asume que cada caso objeto de estudio ser equiponderado, siendo la ponderacin para cada ndice de 50 %. 7. Se estiman las valoraciones del riesgo con un nivel de conanza de 99 %, 97;5 % y 95 %. 8. Se contrastan los resultados con los obtenidos de forma emprica, los respectivos backtesting y con los errores cuadrticos medios mnimos. 9. Se elige la valoracin ms adecuada teniendo en cuenta los resultados obtenidos en el punto 8. La aplicacin de las cpulas tanto elpticas como arquimedianas, se har en su forma bivariante, ya que cada caso slo esta compuesto de dos ndices. Cabe sealar que en el captulo destinado a conceptos, se han denido los diferentes tipos de cpulas en su forma multivariante, por lo que se ha considerado importante observar su forma bivariante, ya que es la que se utiliza en este captulo. La cpula Gaussiana viene determinada por la siguiente expresin: Z
1 1

C (u; v) =

(u) Z

1 2

(v)

f (r1; r2 ) dr1 dr2


1

(3.1)

donde f representa la funcin de densidad normal bivariante con coeciente de correlacin ; denota la funcin de distribucin normal. 133

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles La t-cpula bivariante toma la siguiente forma: Z
t
1 (u) 1

C (u; v) =

1 (v) 2

f (r1; r2 ) dr1 dr2


1

(3.2)

siendo t la funcin de distribucin t-Student y

son los grados de libertad.

Respecto a las cpulas arquimedianas, se han elegido la cpula Gumbel, Frank y Clayton para realizar las valoraciones de los riesgos. As pues se exponen sus respectivas formas bivariantes,

Cpula Gumbel h i1=

C (u; v; ) = exp

( log u) + ( log v)

(3.3)

Cpula Frank 1 " e


u

C (u; v; ) =

ln 1 +

1 (e

1)

(3.4)

Cpula Clayton
1=

C (u; v; ) = u

+v

(3.5)

Cuando se realiz el ajuste de los rendimientos a una distribucin normal se consideraron varianzas homocedsticas, y con esto se puede incurrir en errores de estimacin y especicacin del modelo, por el hecho de que los rendimientos nancieros, generalmente, tienen varianzas heterocedsticas. Por ello, en el apartado de extrensiones, se llevar acabo la aplicacin de un modelo tipo GARCH a las valoraciones ms precisas obtenidas hasta el momento, con el n de contrastar ambos resultados y as observar cual es la aproximacin que valora el riesgo en ambos casos de forma ms adecuada. 134

3.4 Valoracin tradicional del Mexbol

3.4.

Valoracin tradicional del Mexbol

En este apartado, la valoracin de los riesgos se realiza con la metodologa VaR mediante el mtodo de simulacin histrica. Esta valoracin se aplica al ndice burstil Mexbol, ya que ste es el principal motivo de anlisis. Las valoraciones se realizan tanto para el periodo completo como para los dos subperiodos. A continuacin, se presentan los grcos correspondientes a las valoraciones tradicionales para tres niveles de conanza, para observar como varan las prdidas esperadas en funcin del nivel. Grco 3.16: Backtesting de las valoraciones del Mexbol
2002-2008
0.12

RENDIMIENTOS
0.1

VaR TRADICIONAL AL 99% VaR TRADICIONAL AL 97.5% VaR TRADICIONAL AL 95%

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0

200

400

600

800

1000

1200

1400

1600

Grco 3.17: Backtesting de las valoraciones del Mexbol


2002-2006
0.08

RENDIMIENTOS VaR TRADICIONAL AL 99%


0.06

VaR TRADICIONAL AL 97.5% VaR TRADICIONAL AL 95%

0.04

0.02

-0.02

-0.04

-0.06 0

200

400

600

800

1000

1200

135

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.18: Backtesting de las valoraciones del Mexbol


2007-2008
0.12

RENDIMIENTOS
0.1

VaR TRADICIONAL AL 99% VaR TRADICIONAL AL 97.5% VaR TRADICIONAL AL 95%

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08 0

50

100

150

200

250

300

En los grcos 3.16, 3.17 y 3.18 se puede observar que las valoraciones del Mexbol, tanto en el periodo completo como en los subperiodos, son constantes en determinados momentos. Las ocasiones en que se ha excedido el umbral VaR con un nivel de conanza de 99 %, son 29, 16 y 7 para cada periodo respectivamente. Se advierte que a medida que se es menos restrictivo con el nivel de conanza, las ocasiones en que se superan las prdidas esperadas, VaR, aumentan considerablemente. Para cuanticar las prdidas inesperadas, se ha dividido la muestra en dos partes, la primera parte se utiliza para calcular los VaR diarios correspondientes a la segunda parte de la muestra. Se han considerado como prdidas inesperadas aquellos rendimientos reales inferiores a umbral VaR. Las prdidas inesperadas se han denido como la diferencia entre el rendimiento real y el VaR correspondiente y la acumulacin de prdidas se obtuvo de la siguiente forma
n Y i=1

P a = 100

(1

Pi )

(3.6)

donde P a son las prdidas acumuladas, Pi son las prdidas inesperadas individuales y n son el nmero de ocasiones en que se ha superado el umbral VaR. La cuanticacin de las prdidas inesperadas del ndice Mexbol, se realizaron con 136

3.5 Relacin Mexbol e Ibex-35 tres niveles de conanza diferentes, para as comprobar como varan los resultados en funcin del nivel y del periodo temporal. Tabla 3.3 Mexbol: acumulacin de prdidas inesperadas
Prdida 99% 20.06% 9.03% 8.63% 29 (1.86%) 16 (1.54%) 7 (2.63%) Prdida 97.5% 2002-2008 39.12% 19.10% 16.74% 57 (3.66%) 30 (2.88%) 13 (4.89%) 60.17% 33.08% 28.65% 96 (6.17%) 56 (5.38%) 21 (7.89%) 2002-2006 2007-2008 Prdida 95% Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

Como se puede observar en la tabla 3.3, las mayores prdidas del Mexbol se concentran en el periodo temporal 2002-2008, adems es el periodo donde el umbral de prdida esperada, VaR, ha sido superado ms veces por los rendimientos reales del Mexbol, esto puede deberse a que es el periodo que tiene ms observaciones y por lo tanto puede ser menos exible. Sin embargo, el periodo ms corto, 2007-2008, muestra un nivel alto de prdidas inesperadas, ya que aunque es el periodo ms corto, los excedentes generan ms prdida proporcionalmente. Con lo que se puede decir que no slo la longitud de la muestra afecta, sino que tambin los eventos extremos que estan incluidos en el segundo subperiodo. Por ltimo, a medida que se disminuye el nivel de conanza, las prdidas inesperadas y los excedentes aumentan considerablemente, sobre todo con un nivel de conanza de 95 %.

3.5.

Relacin Mexbol e Ibex-35

Para realizar las valoraciones de los riesgos mediante cpulas, se ajustaron los rendimientos del periodo completo y de los dos subperiodos a las distribuciones elegidas, para as llevar a cabo el proceso de seleccin, tanto de la distribucin ms acertada, como de la cpula ms precisa. 137

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles Para elegir la valoracin de los riesgos ms adecuada, se han comparado todos los resultados obtenidos con las valoraciones de forma emprica, con los respectivos backtesting y con el error cuadrtico medio mnimo, para as poder contar con varios criterios que ayuden a efectuar la seleccin de la mejor manera. A continuacin se exponen los backtesting que corresponden a las valoraciones a travs de simulacin histrica, a las valoraciones normales con la cpula Clayton, por ser la que se enfoca especialmente en la cola izquierda y a las valoraciones extremas con la cpula Frank, que es la que arroja, en este caso, un error cuadrtico medio menor. Grco 3.19: Relacin Mexbol e Ibex-35: Backtesting al 99 %
2002-2008
0.15

RENDIMIENTOS RELACIN MEXBOL E IBEX-35


0.1

VaR NORMAL CON CPULA CLAYTON VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.05

-0.05

-0.1

-0.15

-0.2 0

200

400

600

800

1000

1200

1400

1600

En el grco 3.19 se observa que las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 34, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 8 y con el VaR tradicional 16. Cabe destacar que de manera general, el ajuste normal ajusta adecuadamente los rendimientos, sin embargo, al nal de la muestra la distribucin de valor extremo se adecua mejor a los fuertes movimientos, ocasionados en gran medida por la crisis actual.

138

3.5 Relacin Mexbol e Ibex-35

Grco 3.20: Relacin Mexbol e Ibex-35: Backtesting al 99 %


2002-2006
0.06

RENDIMIENTOS RELACIN MEXBOL E IBEX-35 VaR NORMAL CON CPULA CLAYTON


0.04

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.02

-0.02

-0.04

-0.06

-0.08 0

200

400

600

800

1000

1200

En el grco 3.20 se observan las valoraciones para el periodo 2002-2006. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 18, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 5 y con el VaR tradicional 9. Grco 3.21: Relacin Mexbol e Ibex-35: Backtesting al 99 %
2007-2008
0.15

RENDIMIENTOS RELACIN MEXBOL E IBEX-35 VaR NORMAL CON CPULA CLAYTON


0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.05

-0.05

-0.1

-0.15

-0.2 0 50 100 150 200 250 300

En el grco 3.21 se observan las valoraciones para el periodo 2007-2008. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 9, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 3 y con el VaR tradicional 5. 139

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles En este caso, existe benecio cuando la muestra se divide en dos periodos correspondientes a ciclos econmicos diferentes, ya que las excepciones en las que el modelo falla son menores en ambos subperiodos respecto a la muestra completa. Esto puede deberse a que en el periodo completo se estn asumiendo mayores riesgos porque tiene mayor nmero de observaciones, con lo que este periodo puede ser menos exible. La tabla 3.4 muestra los errores cuadrticos medios de la relacin Mexbol e Ibex-35 con un nivel de conanza de 99 %. stos se obtuvieron a partir de los rendimientos simulados para las cpula nancieras utilizadas y suponiendo que los rendimientos se distribuyen tanto de manera normal como extrema.

Tabla 3.4. Errores cuadrticos medios Mexbol-Ibex-35


Error Cuadrtico Medio Cpula Gaussiana t-Student Frank Gumbel Clayton Gaussiana t-Student Frank Gumbel Clayton Gaussiana t-Student Frank Gumbel Clayton Ajuste Normal 2002-2008 0.000275 0.000287 0.000283 0.000287 0.000282 2002-2006 0.000276 0.000267 0.000272 0.000276 0.000272 2007-2008 0.000751 0.000711 0.000722 0.000725 0.000684 0.001282 0.001375 0.001239 0.001301 0.001268 0.000420 0.000457 0.000402 0.000431 0.000444 0.000519 0.000603 0.000503 0.000507 0.000559 Ajuste Extremo

Se puede observar en la tabla 3.4 que los errores cuadrticos medios en el caso normal y con la cpula arquimediana Clayton son menores en todos los casos, lo que indica que sta es la cpula que hace que las valoraciones se acerquen de manera favorable a los valores verdaderos de los rendimientos. En el caso extremo, los errores cuadrticos mnimos se han obtenido utilizando la cpula Frank en los tres periodos temporales. 140

3.5 Relacin Mexbol e Ibex-35 Tras haber analizado los backtesting, los resultados empricos y los errores cuadrtico medios, es posible decir que las valoracines ms adecuadas se obtuvieron ajustando los rendimientos a la distribucin normal y de valor extremo, utilizando las cpulas Clayton y Frank respectivamente. Por lo tanto, las prdidas inesperadas correspondientes a las valoraciones ms adecuadas de la relacin Mexbol e Ibex-35, se realizaron para tres niveles de conanza diferentes para comparar la variacin de las prdidas en funcin del nivel, stas se obtuvieron anlogamente al apartado anterior. As pues, las prdidas inesperadas correspondientes a este caso se muestran en la tabla que se presenta a continuacin.

Tabla 3.5. Acumulacin de las prdidas inesperadas4


Prdida Prdida Prdida Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

99%

97.5%
PRDIDAS INESPERADAS NORMALES 2002-2008

95%

26.99% 10.70% 16.27%

32 (2.06%) 20 (1.92%) 12 (4.51%)

38.37% 17.03% 22.06%

53 (3.41%) 27 (2.50%) 15 (5.64%)

52.79% 24.80% 29.70%

92 (5.91%) 48 (4.62%) 23 (8.65%)

2002-2006 2007-2008 PRDIDAS INESPERADAS EXTREMAS 2002-2008 7.37% 3.97% 3.99% 11 (0.71%) 5 (0.48%) 2 (0.75%) 13.15% 5.86% 5.24% 17 (1.09%) 9 (0.87%) 4 (1.50%) 26.50% 12.31% 10.29% 38 (2.44%) 23 (2.21%) 8 (3.01%) 2002-2006 2007-2008

Tal y como se observa en la tabla 3.5, el periodo total, 2002-2008, es el que soporta las mayores prdidas, adems es donde el umbral de prdida supera ms veces a los rendimientos reales tanto de forma normal como extrema. Se advierte que el subperiodo ms corto, 2007-2008, es el que menores excedentes tiene, pero no es el que tiene menores prdidas, ya que aunque tiene menor frecuencia de prdida, stas son de mayor cuanta, muy probablemente por la crisis nanciera
Las prdidas inesperadas de la relacin Mexbol e Ibex-35 correspondientes al resto de valoraciones realizadas, tanto normales como extremas, se encuentran en el apartado de anexos.
4

141

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles actual. Adems, a medida que se es menos estricto con el nivel de conanza para las valoraciones, las prdidas se incrementan excesivamente. Cabe sealar que existe una diferencia considerablemente alta entre las valoraciones ajustando los rendimientos a la distribucin normal y la distribucin de valor extremo, esto se debe a que la primera da prioridad al centro de la distribucin, mientras que la segunda se enfoca fundamentalmente en la cola izquierda. Para concluir este apartado, se puede decir que el ndice Mexbol tiene un fuerte vnculo con el Ibex-35, incluso ms de lo que se poda esperar. As que el Mexbol tambin se encuentra muy in uenciado por lo que acontece en el mercado nanciero espaol, siendo desfavorable en poca de crisis, ya que quiz por la relacin existente, no se puedan anticipar los eventos negativos con toda certeza. Por ltimo, se debe hacer hincapi en que las valoraciones a travs de cpulas nancieras se muestran superiores respecto a las valoraciones tradicionales, ya que se adecuan mejor a los rendimientos reales de la relacin Mexbol e Ibex-35

3.6.

Relacin Mexbol y Dow Jones

Para realizar las valoraciones de los riesgos mediante cpulas, se utiliz la misma metodologa que en la relacin Mexbol e Ibex-35. As que para elegir la valoracin de los riesgos ms adecuada, se han comparado todos los resultados obtenidos con las estimaciones a travs de la distribucin emprica, con los backtesting correspondientes a este caso y obteniendo el error cuadrtico mnimo; para as poder contar con varios criterios que ayuden a efectuar la seleccin de la mejor manera. As que del mismo modo que antes, a continuacin se exponen los backtesting que corresponden a las valoraciones a travs de simulacin histrica, a las valoraciones normales con cpula Clayton y a las valoraciones extremas con la cpula Frank. 142

3.6 Relacin Mexbol y Dow Jones

Grco 3.22: Relacin Mexbol y Dow Jones: Backtesting al 99 %


2002-2008
0.15

RENDIMIENTOS RELACIN MEXBOL Y DOW JONES VaR NORMAL CON CPULA CLAYTON
0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.05

-0.05

-0.1

-0.15

-0.2 0

200

400

600

800

1000

1200

1400

1600

En el grco 3.22 se observa que las ocasiones que se ha excedido el VaR ajustado a la distribucin normal son 43, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 4 y con el VaR tradicional 20. De manera general y al igual que en el caso anterior, el ajuste normal ajusta adecuadamente los rendimientos, sin embargo, al nal de la muestra la distribucin de valor extremo se adecua mejor a los fuertes movimientos, aunque sobrevalora. Las ocasiones en que se supera el VaR son mayores respecto al caso anterior, excepto en la valoracin extrema, que en este caso disminuyen.

Grco 3.23: Relacin Mexbol y Dow Jones: Backtesting al 99 %


2002-2006
0.06

RENDIMIENTOS RELACIN MEXBOL Y DOW JONES VaR NORMAL CON CPULA CLAYTON
0.04

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.02

-0.02

-0.04

-0.06

-0.08 0 200 400 600 800 1000 1200

143

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles En el grco 3.23 se observan las valoraciones para el periodo 2002-2006. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 13, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 3 y con el VaR tradicional 10. En este las excepciones son menores que en la relacin anterior, excepto en la forma tradicional. Grco 3.24: Relacin Mexbol y Dow Jones: Backtesting al 99 %
2007-2008
0.15

RENDIMIENTOS RELACIN MEXBOL Y DOW JONES VaR NORMAL CON CPULA CLAYTON
0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK

0.05

-0.05

-0.1

-0.15

-0.2 0

50

100

150

200

250

300

En el grco 3.24 se observan las valoraciones para el periodo 2007-2008. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 11, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 1 y con el VaR tradicional 8. Es importante sealar que en este caso, la distribucin de valor extremo sobrevalora en exceso el riesgo. Esto re el benecio de dividir la muestra en dos periodos econmicamente eja diferentes, ya que las excepciones en las que el modelo falla son menores en los subperiodos respecto a la muestra completa. Esto puede deberse a que el periodo completo incluye todas las observaciones y esto hace que no se reaccione rpidamente ante eventos inusuales. La tabla 3.6 muestra los errores cuadrticos medios de la relacin Mexbol y Dow Jones con un nivel de conanza de 99 %. stos se obtuvieron a partir de los 144

3.6 Relacin Mexbol y Dow Jones rendimientos simulados para las cpula nancieras utilizadas y suponiendo que los rendimientos se distribuyen tanto normalmente como de forma extrema.

Tabla 3.6. Errores cuadrticos medios Mexbol-Dow Jones


Error Cuadrtico Medio Cpula Gaussiana t-Student Frank Gumbel Clayton Gaussiana t-Student Frank Gumbel Clayton Gaussiana t-Student Frank Gumbel Clayton Ajuste Normal 2002-2008 0.000270 0.000284 0.000272 0.000274 0.000282 2002-2006 0.000252 0.000255 0.000263 0.000258 0.000258 2007-2008 0.000736 0.000777 0.000726 0.000739 0.000738 0.001361 0.001503 0.001269 0.001321 0.001404 0.000446 0.000447 0.000413 0.000416 0.000422 0.000544 0.000583 0.000540 0.000536 0.000561 Ajuste Extremo

Se pueden observar en la tabla 3.6, todos los errores cuadrticos medios obtenidos tanto del caso normal como del extremo para los tres periodos temporales. En la relacin Mexbol y Dow Jones no existe una nica cpula que arroje el mnimo error cuadrtico para todos los periodos. Tras haber analizado los backtesting, los resultados empricos y los errores cuadrtico medios, es posible decir que las valoracines ms adecuadas se obtuvieron ajustando los rendimientos a la distribucin normal y de valor extremo, utilizando las cpulas Clayton y Frank respectivamente. Se eligieron estas cpulas para comparar los resultados respecto al caso anterior y tambin por sus caractersticas, ya que la Clayton tiene la buena propiedad de enfocarse en la cola izquierda, mientras que la Frank toma ms en cuenta el centro. Por lo tanto, las prdidas inesperadas correspondientes a las valoraciones ms adecuadas de la relacin Mexbol y Dow Jones, se realizaron para tres niveles de conanza diferentes, y as comparar la variacin de las prdidas en funcin del nivel. Las prdidas inesperadas de este caso se exponen en la tabla 3.7. 145

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles Tabla 3.7. Acumulacin de las prdidas inesperadas5
Prdida Prdida Prdida Inesperada Excedentes Inesperada Excedentes Inesperada Excedentes

99%

97.5%
PRDIDAS INESPERADAS NORMALES 2002-2008

95%

26.21% 5.14% 12.45%

38 (2.44%) 10 (0.96%) 11 (4.14%)

37.45% 9.43% 22.39%

60 (3.86%) 23 (2.21%) 17 (6.39%)

51.36% 18.98% 30.16%

94 (6.04%) 49 (4.71%) 25 (9.40%)

2002-2006 2007-2008 PRDIDAS INESPERADAS EXTREMAS 2002-2008 1.79% 0.57% 2.16% 7 (0.45%) 4 (0.38%) 1 (0.38%) 10.42% 4.32% 4.69% 21 (1.35%) 10 (0.96%) 4 (1.50%) 24.68% 7.84% 8.88% 40 (2.57%) 20 (1.92%) 10 (3.76%) 2002-2006 2007-2008

En la tabla 3.7 es posible observar que el periodo total es el que presenta mayores prdidas, coincidiendo con aquel que tiene ms excedentes. Se advierte que el periodo 2007-2008, es el que menores excedentes tiene y aunque sea el periodo que menos observaciones incluye, no es el que muestra menores prdidas inesperadas, por lo que se puede decir que los acontecimientos extremos propios de la crisis nanciera estn afectando directamente a este subperiodo. Tambin se observa que generalmente los excedentes son mayores respecto a la relacin Mexbol e Ibex-35, pero las prdidas inesperadas son menores y de menor cuanta. Se puede destacar, tal y como se esperaba, que cuando se es menos estricto con el nivel de conanza las prdidas inesperadas aumentan considerablemente. A manera de conclusin, se puede decir que el ndice Mexbol tiene un importante vnculo con el Dow Jones, lo que hace que las posibilidades de prdidas se incrementen, principalmente porque la estrecha dependencia entre los ndices siempre genera mayores riesgos, ya sean de mercado, de crdito, de liquidez, legales u operacionales, y an ms cuando estos se combinan. Adems eventos
Las prdidas inesperadas de la relacin Mexbol y Dow Jones correspondientes al resto de valoraciones realizadas, tanto para la distribucin normal como de valor extremo, se encuentran en el apartado de anexos.
5

146

3.7 Extensiones positivos o negativos en el Dow Jones afectan de manera directa al comportamiento del Mexbol, aumentando as la incertidumbre y la variabilidad de los rendimientos.

3.7.

Extensiones

A lo largo de este captulo se han ajustado los rendimientos de cada una de las carteras a la distribucin normal, sin embargo, en este apartado se ajustaron los rendimientos a la distribucin normal pero utilizando varianzas dinmicas que se obtienen con la aplicacin de modelos tipo GARCH. Esta alternativa se debe a que las varianzas de ambos casos de estudio sirven de indicadores de volatilidad y, en la prctica, stas son cambiantes a travs del tiempo. As que el modelo de volatilidad condicional que ha sido elegido es el GARCH (1; 1), ya que suaviza la varianza de forma exponencial e incorpora un retardo autorregresivo y un componente de media mvil a la estimacin. Este tipo de modelo generaliza el comportamiento de la volatilidad al tomarla como variable dependiente, adems, los resultados de su estimacin son comparables a los obtenidos con modelos ms complejos. Aunque ya se haba contrastado que los rendimientos no seguan una distribucin normal, era necesario realizar este ajuste para despus cotejar los resultados de esta nueva aproximacin. En el grco 3.25 se plasma grcamente la evoluacin de la volatilidad en las series de rendimientos de los ndices y en los tres periodos objeto de estudio. Se observa que efectivamente existen agrupamientos de volatilidad, tanto en el periodo completo como en los subperiodos, sobre todo en el subperiodo 2007-2008 para ambos casos, donde la volatilidad es considerablemente alta. En el periodo 2002-2006, la volatilidad es relativamente ms baja, adems, se puede advertir que a lo largo del tiempo la volatilidad vara constantemente. 147

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.25: Evolucin de la volatilidad


MEXBOL DOW JONES MEXBOL

2002-2008
0.06

IBEX-35

2002-2008

0.06

Volatilidad

Volatilidad

0.04

0.04

0.02

0.02

0 0 200 400 600 800 1000 1200 1400 1600 1800 2000

0 0 200 400 600 800 1000 1200 1400 1600 1800 2000

Observaciones

Observaciones

2002-2006
0.06 0.06

2002-2006

Volatilidad

Volatilidad

0.04

0.04

0.02

0.02

0 0 200 400 600 800 1000 1200 1400

0 0 200 400 600 800 1000 1200 1400

Observaciones 2006-2008
0.06 0.06

Observaciones

2006-2008

Volatilidad

Volatilidad

0.04

0.04

0.02

0.02

0 0 100 200 300 400 500 600

0 0 100 200 300 400 500 600

Observaciones

Observaciones

Esto conrma que es posible llevar a cabo la aplicacin de modelos GARCH en las estimaciones, tanto para la relacin Mexbol e Ibex-35 como para la relacin Mexbol y Dow Jones.

3.7.1.

Relacin Mexbol e Ibex-35

El modelo GARCH (1; 1) se aplica slo a las valoraciones seleccionadas de este caso, es decir, el modelo se utiliza para obtener el VaR con distribucin normal y de valor extremo mediante las cpula Clayton y Frank respectivamente. En el grco 3.26 se observa que las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 27, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 8 y con el VaR tradicional 16. Se debe sealar que con esta aproximacin, las ocasiones que se excede el VaR con la distribucin normal son menores respecto a las valoraciones excentas del modelo GARCH. 148

3.7 Extensiones

Grco 3.26: Relacin Mexbol e Ibex-35: Backtesting al 99 %


2002-2008
0.15

RENDIMIENTOS RELACIN MEXBOL E IBEX-35 VaR NORMAL CON CPULA CLAYTON Y GARCH
0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK Y GARCH

0.05

-0.05

-0.1

-0.15

-0.2 0

200

400

600

800

1000

1200

1400

1600

Grco 3.27: Relacin Mexbol e Ibex-35: Backtesting al 99 %


2002-2006
0.06

RENDIMIENTOS RELACIN MEXBOL E IBEX-35


0.04

VaR NORMAL CON CPULA CLAYTON Y GARCH VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK Y GARCH

0.02

-0.02

-0.04

-0.06

-0.08

-0.1 0

200

400

600

800

1000

1200

En el grco 3.27 se observan las valoraciones para el periodo 2002-2006. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 14, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 4 y con el VaR tradicional 9. En este periodo las excepciones normales y extremas disminuyen un poco. En el grco 3.28 se observan las valoraciones para el periodo 2007-2008. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 10, mientras que con el VaR ajustado a la distribucin de valor extremo las 149

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.28: Relacin Mexbol e Ibex-35: Backtesting al 99 %


2007-2008
0.15

RENDIMIENTOS RELACIN MEXBOL E IBEX-35 VaR NORMAL CON CPULA CLAYTON Y GARCH
0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK Y GARCH

0.05

-0.05

-0.1

-0.15

-0.2 0

50

100

150

200

250

300

excepciones son 2 y con el VaR tradicional 5. En este periodo las valoraciones son muy similares a las obtenidas sin la utilizacin del modelo GARCH. Con la incorporacin de los efectos GARCH a las estimaciones se ha conseguido disminuir la distancia que hay con el ajuste que aproxima los datos reales, por lo que esta aproximacin sugiere que la medida de riesgo es ms real cuando se incorporan varianzas dinmicas para todo el periodo temporal. Sin embargo, los benecios obtenidos no son tantos como se esperaba, ya que de manera normal slo mejora las valoraciones en el periodo completo, y de forma extrema los resultados son prcticamente los mismos.

3.7.2.

Relacin Mexbol y Dow Jones

El modelo GARCH (1; 1) se aplica slo a las valoraciones seleccionadas de este caso, es decir, el modelo se utiliza para obtener el VaR con distribucin normal y de valor extremo a travs de las cpula Clayton y Frank respectivamente. En el grco 3.29 se observa que las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 30, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 3 y con el VaR tradicional 150

3.7 Extensiones

Grco 3.29: Raleacin Mexbol y Dow Jones: Backtesting al 99 %


2002-2008
0.15

RENDIMIENTOS RELACIN MEXBOL Y DOW JONES VaR NORMAL CON CPULA CLAYTON Y GARCH
0.1

VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK Y GARCH

0.05

-0.05

-0.1

-0.15

-0.2 0

200

400

600

800

1000

1200

1400

1600

20. Se debe destacar que con esta aproximacin, las ocasiones que se excede el VaR con la distribucin normal son menores respecto a las valoraciones son el uso del modelo GARCH. Grco 3.30: Relacin Mexbol y Dow Jones: Backtesting al 99 %
2002-2006
0.06

RENDIMIENTOS RELACIN MEXBOL Y DOW JONES VaR NORMAL CON CPULA CLAYTON Y GARCH
0.04

VaR TRADICIONAL VaR EXTREMOS CON CPULA FRANK Y GARCH

0.02

-0.02

-0.04

-0.06

-0.08 0

200

400

600

800

1000

1200

En el grco 3.30 se observan las valoraciones para el periodo 2002-2006. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 11, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 3 y con el VaR tradicional 10.

151

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

Grco 3.31: Relacin Mexbol y Dow Jones: Backtesting al 99 %


2007-2008
0.15

RENDIMIENTOS RELACIN MEXBO Y DOW JONES


0.1

VaR NORMAL CON CPULA CLAYTON Y GARCH VaR TRADICIONAL VaR EXTREMO CON CPULA FRANK Y GARCH

0.05

-0.05

-0.1

-0.15

-0.2 0

50

100

150

200

250

300

En el grco 3.31 se observan las valoraciones para el periodo 2007-2008. Las ocasiones que se ha excedido el umbral VaR ajustado a la distribucin normal son 11, mientras que con el VaR ajustado a la distribucin de valor extremo las excepciones son 2 y con el VaR tradicional 8. Despus de haber incorporado los efectos GARCH a las estimaciones, se ha conseguido disminuir la distancia que hay con el ajuste que aproxima los datos reales, por lo que esta nueva aproximacin sugiere que la medida de riesgo es ms realista cuando se incorporan varianzas dinmicas para todo el periodo temporal y los dos subperiodos. Sin embargo, las ventajas de esta estimacin, no son tantas como se esperaba, es decir, los benecios obtenidos son signicativamente ms bajos de los esperados.

3.8.

Conclusiones

En este captulo han sido empledas las cpulas nancieras como herramientas para la medicin del grado de dependencia entre las variables, y con esto valorar el riesgo de dos situaciones, donde cada una esta formada por dos ndices burstiles. La primera relacin la conforman los ndices Mexbol y Dow Jones, 152

3.8 Conclusiones del mismo modo, la segunda relacin esta compuesta por el Mexbol y el Ibex-35. La metodologa de valoracin utilizada son el VaR ya que puede ser aplicada a diferentes ejercicios de gestin de riesgos, adems de ser una medida de fcil interpretacin, ya que arroja un slo nmero. Las valoraciones se realizaron para el periodo 2002-2008 y para dos subperiodos, 2002-2006 y 2007-2008 respectivamente. Esta divisin de la muestra total, se debe a que se consider prioritario cuanticar el impacto que la crisis nanciera actual est teniendo en los ndices seleccionados, adems de que es interesante observar como era la valoracin del riesgo antes de que iniciaran los problemas nancieros vigentes. Las cpulas utilizadas son las siguientes: Gaussiana, t-Student, Frank, Gumbel y Clayton, ya que son las ms representativas de las familas a las que pertenecen; las dos primeras pertenecen a la familia elptica y las ltimas a la familia arquimediana. Para esta ltima famila, es indispensable el parmetro , porque representa el nivel o grado de dependencia, ste se obtuvo a partir de la de Kendall porque

de esta forma no ha sido necesario asumir normalidad de rendimientos previamente. Se ha supuesto que los rendimientos de cada caso siguen tres distribuciones: normal, uniforme o de valor extremo, siendo contrastadas con distribuciones empricas y con los backtesting respectivos a cada caso y a cada periodo objeto de estudio, adems, se contabilizaron las ocasiones en las que el VaR fue superado y se calcularon los errores cuadrticos medios, eligiendo el mnimo; estas forma de contrastar los resultados se hicieron con la nalidad de elegir los resultados con la mayor abilidad posible. En lo que respecta a la evidencia emprica de este captulo, se observa que cuando se lleva a cabo la estimacin del VaR mediante distribuciones marginales normales y extremas se obtienen valoraciones ms precisas que con marginales uniformes, estas ltimas se alejan demasiado de las valoraciones realizadas de for153

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles ma emprica y los errores cuadrticos medio son mayores, adems los respectivos backtesting muestran que con la distribucin uniforme las valoraciones son excesivamente conservadoras, incluso ms que con la distribucin de valor extremo. Las valoraciones seleccionadas como adecuadas para ambas relaciones, se obtuvieron a travs de cpulas arquimedianas Clayton y Frank, quiz porque stas se encargan de la dependencia no lineal, adems, toman en cuenta las asimetras de los rendimientos. La cpula Clayton da prioridad a la dependencia que sucede en la cola izquierda, mientras que la Frank se enfoca en en centro de la distribucin. Se puede corroborar con la evidencia emprica aqu presentada, que cuando se valora el riesgo a travs de las cpulas, se obtienen benecios signicativos, que pueden conducir a una estimacin adecuada. As que una buena especicacin del modelo incluyendo la dependencia entre activos y teniendo en cuenta los valores extremos, puede llevar a obtener resultados ptimos, realistas y satisfactorios, permitiendo elaborar una buena estrategia de cobertura. En cuanto al impacto nanciero que la actual crisis est teniendo sobre el ndice principal de la Bolsa Mexicana de Valores, se puede decir que en los ltimos dos aos del horizonte temporal elegido, 2007-2008, se han aumentado el nmero de eventos extremos, adems, la volatilidad ha sufrido un incremento porcentual signicativamente alto y los rendimientos medios cada vez han sido ms pequeos. El periodo 2007-2008 muestra un nivel alto de prdidas inesperadas, ya que aunque es el periodo ms corto, los excedentes generan ms prdidas proporcionalmente. Respecto al ndice burstil mexicano frente a los dos ndices seleccionados, se puede advertir que el Mexbol depende en gran medida de lo que sucede en Estados Unidos y en el mercado europeo, fundamentalmente, en Espaa. As que segn los resultados de las dos relaciones utilizadas, cuando dieron inicio los problemas nancieros en 2007 la volatilidad y la incertidumbre se incrementaron, teniendo como consecuencia que los rendimientos disminuyeran hasta volverse negativos. 154

3.8 Conclusiones Por otro lado, los porcentajes de las prdidas inesperadas se han incrementado en los tres pases. En el periodo 2002-2008, las prdidas inesperadas de las dos relaciones son mayores que en los subperiodos, muy probablemente porque la longitud de la muestra puede hacer que la valoracin sea menos exible, adems los eventos extremos que tiene inyectan una in uencia negativa, porque son correspondientes a la crisis actual. Adems, en el periodo completo, en ambos casos, es donde se excede el VaR con mayor frecuencia. Tambin se ha podido observar que los porcentajes de prdidas inesperadas son signicativamente altos, esto quiere decir que las prdidas reales han superado en una cuanta muy elevada, las prdidas que se esperaban tras la valoracin de tipo VaR. Cabe sealar que dividir la muestra a beneciado la valoracin, ya que las prdidas en cada subperiodo son considerablemente ms bajas respecto al periodo completo. Con los resultados obtenidos se puede advertir, de manera general, que en las valoraciones realizadas, las prdidas inesperadas en la relacin Mexbol e Ibex-35 son mayores que en la relacin Mexbol y Dow Jones. Lo que puede deberse a que el mercado mexicano depende cada vez ms de los acontecimientos del mercado espaol. Se observa que cuando se valora el riesgo de manera tradicional los benecios son menores con respecto a las valoraciones a travs de la metodologa de cpulas nancieras, muy probablemente porque las valoraciones tradicionales estn sobrestimando las prdidas y las cpulas tratan de acercarse a los movimientos de los rendimientos reales. Por ltimo, cuando se realizan las valoraciones mediante distribuciones marginales normales y extremas se obtienen buenos resultados, pero las normales infravaloran el riesgo en el que se puede incurrir y las extremas lo sobrevaloran. An as, los resultados de este captulo pueden llevar a pensar que las dos distribuciones utilizadas para valorar los riesgos pueden ser complementarias, y que quiz no deben utilizarse de forma separada, ya que entre ambas distribuciones las predicciones seran ms idoneas, convenientes y precisas. 155

Valoracin del riesgo a travs de cpulas, para estimar el riesgo del IPC/Mexbol en comparacin con otros ndices burstiles

3.9.

Anexos

Tabla 3.8. Relacin Mexbol e Ibex-35: acumulacin de prdidas inesperadas


Ajuste Normal Prdidas Inesperadas Cpula Gaussiana t-Student Frank Gumbel Clayton Cpula Gaussiana t-Student Frank Gumbel Clayton Cpula Gaussiana t-Student Frank Gumbel Clayton 33.68% 36.44% 36.25% 26.99% 12.60% 14.64% 15.40% 10.70% 17.95% 20.17% 20.54% 16.27% Exced. 44 (2.83%) 47 (3.02%) 51 (3.28%) 32 (2.06%) 22 (2.12%) 29 (2.79%) 26 (2.50%) 20 (1.92%) 13 (4.89%) 13 (4.89%) 12 (4.51%) 12 (4.51%) Ajuste Extremo Prdidas Inesperadas 6.76% 7.37% 7.24% 3.29% 1.91% 3.97% 2.94% 1.45% 1.65% 3.99% 2.48% 0.65% Exced. 8 (0.51%) 11 (0.71%) 10 (0.64%) 4 (0.26%) 6 (0.58%) 5 (0.48%) 6 (0.58%) 2 (0.19%) 1 (0.38%) 2 (0.75%) 1 (0.38%) 1 (0.38%) 2002-2008

2002-2006

2002-2007

Tabla 3.9. Relacin Mexbol y Dow Jones: acumulacin de prdidas inesperadas


Ajuste Normal Prdidas Inesperadas Cpulas Gaussiana t-Student Frank Gumbel Clayton Cpulas Gaussiana t-Student Frank Gumbel Clayton Cpulas Gaussiana t-Student Frank Gumbel Clayton 29.27% 37.78% 32.57% 26.21% 8.57% 9.10% 9.13% 5.14% 16.41% 20.05% 18.08% 12.45% 53 (3.41%) 53 (3.41%) 38 (2.44%) 20 (1.92%) 24 (2.31%) 24 (2.31%) 10 (0.96%) 2002-2007 18 (6.77%) 19 (7.14%) 18 (6.77%) 11 (4.14%) 0.86% 2.16% 1.22% 1 (0.38%) 1 (0.38%) 1 (0.38%) 0 Exced. 47 (3.02%) Ajuste Extremo Prdidas Inesperadas 0.91% 1.79% 4.55% 1.89% 0.61% 0.57% 1.14% Exced. 4 (0.25%) 7 (0.45%) 10 (0.64%) 2 (0.13%) 2 (0.19%) 4 (0.38%) 3 (0.29%) 0 2002-2008

2002-2006

156

Captulo 4 Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo

157

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo

4.1.

Introduccin

En el segundo captulo se supuso que los rendimientos de una cartera con acciones de la Bolsa Mexicana de Valores sigue dos distribuciones elegidas: normal o uniforme. Tras ajustar los rendimientos a las distribuciones supuestas, se obtiene las valoraciones a travs de la metodologa de cpulas tanto equiponderando la cartera como autoponderndola. De la misma manera, en el captulo anterior se supuso que los rendimientos de los ndices burstiles principales, Mexbol, Dow Jones e Ibex-35, siguen tres distribuciones elegidas: normal, uniforme o de valor extremo. Despus de ajustar los rendimientos a las distribuciones, se obtiene las valoraciones a travs de la metodologa de cpulas. En los resultados de los captulos previamente expuestos, ha sido posible observar que, aunque los ajustes han arrojado buenas aproximaciones con respecto a las obtenidas de forma emprica, con sus respectivos backtesting y obteniendo los errores cuadrticos medios, stas no son del todo precisas, ya que ninguna de las distribuciones utilizadas encaja correcta y adecuadamente al conjunto de datos utilizados en los dos captulos anteriores. Dicho de otra forma, los rendimientos diarios tanto de los tres ndices burstiles como de la cartera de inversin, no se distribuyen de la misma manera a lo largo del tiempo, debido a los periodos de auge y crisis propios de los ciclos econmicos y nancieros. Una posible alternativa es combinar las distribuciones que mejores resultados han brindado en los captulos anteriores, es decir, partir del supuesto de que los rendimientos en los periodos de baja volatilidad se distribuyen normalmente, y en los de alta volatilidad se asume la distribucin de valor extremo. El periodo temporal, al igual que antes, data de 2002 a 2008 y a su vez la muestra total se divide en dos subperiodos para analizar el impacto de la crisis. El primer subperiodo inicia en 2002 y termina en 2006 y el segundo subperiodo va de 2007 a 2008 y as se tiene delimitados los periodos de inters para esta investigacin. 158

4.2 Descripcin de la metodologa

4.2.

Descripcin de la metodologa

Primeramente, es importante decir que la descripcin y anlisis de los datos que se utilizan en este captulo es anloga a los captulos 2 y 3, ya que las bases de datos son las mismas que las utilizadas anteriormente. La metodologa se describe para el periodo completo, porque los subperiodos se estiman de manera similar. Se dene el horizonte temporal [t; T ], la muestra a utilizar se divide en funcin de los periodos de volatilidad o de los valores extremos presentes a lo largo de toda la serie de rendimientos. Para dividir la serie completa en subseries normales o extremas, se han establecido dos umbrales, denidos de la siguiente manera:

2 ; +2 )

(4.1)

donde

es la media y

la desviacin estndar de los rendimientos. Se debe

mencionar que slo se han considerado como periodos extremos aquellos en los que se agrupa un nmero considerable de rendimientos extremos, dejando a un lado valores atpcos puntuales. Supngase que se tiene una cartera formada por dos series temporales1 X e Y , donde la descripcin de la metodologa se desarrollar minuciosamente para X, ya que el procedimiento para Y es anlogo. Se fracciona la serie X en n subseries, X1 ; X2 ; :::::Xn , con el n de tener agrupados los periodos considerados como normales y como extremos. Se denotar como XiN s N ( i ;
i)

(4.2)

a las subseries que se encuentran en relativa estabilidad, con lo cual se supone que siguen un distribucin normal.

La metodologa se describe de forma bivariante, pero puede aplicarse de forma multivarian-

te.

159

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo Las subseries que agrupan momentos con mayor volatilidad asumen una distribucin de valor extremo, tal que

Xiev s ev ( i ;

i)

(4.3)

As pues, tras dividir la muestra en subseries ajustadas a distribuciones normales y extremas, se obtienen las distribuciones marginales univariantes respectivas para cada subserie de rendimientos previamente ajustadas. Las distribuciones marginales se consiguen a travs de la funcin de distribucin acumulada, calculndose de forma independiente para cada subserie, ya que cada divisin esta siendo tratada segn al grupo al que pertenecen: normal o extremo. Se crea un vector U , el cual incluye las distribuciones marginales univariantes cronolgicamente ordenadas para respetar la secuencia temporal,

UX = UX1N ; UX2ev ; :::::; UXiN ; UXjev ; ::: ;

8i; j 2 f1; :::; ng; i 6= j

(4.4)

En este caso se asume que el primer subperiodo X1 , sigue una distribucin normal, es decir, X1N , seguido de la segunda subserie X2 que se supone con distribucin de valor extremo X2ev . Cabe mencionar que en este punto se tienen los vectores UX y UY obtenidos de forma similar, por lo que es posible que se obtengan los parmetros2 cada cpula. A partir de las distribuciones marginales univariantes, UX y UY , se simulan distribuciones marginales conjuntas para el vector UX;Y; , es decir, se obtienen variables que tengan como distribucin conjunta la cpula estimada, que re ejan el grado de dependencia necesario para

C (UX;Y ) = C (UX ; UY )
2

(4.5)
de Kendall.

El parmetro

para las cpulas arquimedianas se a estimado a travs de la

160

4.2 Descripcin de la metodologa Las cpulas utilizadas son: Gaussiana, t-Student, Frank, Gumbel y Clayton, las dos primeras de la familia elptica y las ltimas pertenecientes a la familia arquimediana. Mediante la simulacin de Monte Carlo, se obtienen rendimientos simulados a travs de las distribuciones marginales conjuntas y la inversa de la funcin de distribucin acumulada. Para simular los rendimientos, se tiene en cuenta la proporcin de los valores normales y extremos que tiene la muestra. De forma que, a la hora de simular, se utiliza la misma proporcin en cada uno de los dos casos. Por lo tanto, es importante sealar que las simulaciones se realizan de forma independiente entre rendimientos normales y extremos. Los parmetros a utilizar en las simulaciones son las medias de los parmetros individuales, es decir, supngase que se tiene n1 subseries normalmente distribuidas, se denotar mediante
N

la media a utilizar,
XiN

+ ::: + n1

X(i+n1 )N

(4.6)

y la desviacin tpica

N,

XiN

+ ::: + n1

X(i+n1 )N

(4.7)

Por lo tanto, los rendimientos se simulan mediante una distribucin normal de la siguiente forma: RX1 s N (
N; N)

(4.8)

En cuanto a los parmetros utilizados para la simulacin extrema, se han utilizado aquellos parmetros que mostraron mayor variabilidad. Por lo que los rendimientos que asumen una distribucin de valor extremo se simulan de la siguiente manera: RX2 s ev (
ev ; ev )

(4.9) 161

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo As pues, se crea un vector RSX que incluya las simulaciones normales y extremas anteriormente expuestas,

RSX = [RX1 ; RX2 ]

(4.10)

cabe mencionar, que para la variable Y los rendimientos se simularon de forma similar. Por lo tanto el vector general de rendimientos simulados es:

RS = [RSX ; RSY ]

(4.11)

A partir de aqu se ponderan los rendimientos simulados, en este caso X e Y se equiponderan, es decir, cada variable tiene 50 % de peso especco. Por ltimo se estima el VaR y CVaR con un nivel del conanza de 99 %, el primero corresponde al percentil de la distribucin de los rendimientos simulados y el segundo es el promedio de los rendimientos que exceden el nivel del VaR. Esta metodologa se ha aplicado tanto al periodo completo como a los subperiodos elegidos, porque as se puede observar el comportamiento de esta metodologa en situaciones econmicamente diferentes. Es preciso decir que las tablas correspondientes a este captulo se han realizado a partir de las cotizaciones ociales.

4.3.

Relacin Mexbol e Ibex-35

Las valoraciones de los riesgos con esta nueva aproximacin correspondientes a la relacin Mexbol e Ibex-35, han sido contrastadas con las obtenidas de forma emprica3 . Las metodologas utilizadas son el VaR y el CVaR y se han estimado a travs de las cinco cpulas y para los tres periodos temporales. Las valoraciones se recogen en la tabla 4.1.
Esta nueva aproximacin tiene como deciencia que hasta el momento no se pueden realizar los anlisis retrospectivos backtesting, as que solo se han contrastado los resultados con los obtenidos de forma emprica.
3

162

4.3 Relacin Mexbol e Ibex-35 Tabla 4.1. Valoraciones de los riesgos


VaR Y CVaR 2002-2008 Mexbol-Ibex-35
Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton Nuevo Ajuste VaR CVaR 99% 99% -5.75% -7.34% -5.60% -7.40% -5.67% -6.80% -5.68% -7.16% -6.19% -8.97%

VaR Y CVaR 2002-2006 Mexbol-Ibex-35


Nuevo Ajuste VaR CVaR 99% 99% -4.93% -6.06% -5.19% -7.26% -4.34% -5.66% -4.63% -6.18% -5.37% -8.18%

Ajuste Emprico VaR CVaR 99% 99% -1.19% -5.37% -2.70% -6.37% -1.10% -2.53% -0.09% -4.08% -6.10% -10.43%

Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton

VaR Y CVaR 2007-2008 Mexbol-Ibex-35


Nuevo Ajuste VaR CVaR 99% 99% -5.83% -9.77% -6.17% -10.41% -6.31% -9.36% -6.22% -9.84% -7.41% -12.33%

Ajuste Emprico VaR CVaR 99% 99% -1.28% -4.77% -2.92% -7.34% -0.90% -2.97% -0.79% -4.83% -5.31% -9.74%

Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton

Ajuste Emprico VaR CVaR 99% 99% -4.23% -8.83% -6.07% -11.00% -2.47% -6.49% -2.29% -6.55% -7.28% -7.28%

Las valoraciones VaR ms adecuadas se han obtenido con la cpula Clayton en los tres periodos, ya que es con la que la valoracin de los riesgos se encuentra ms cercana a la estimacin emprica. Esto se debe a que la cpula Clayton se centra en la dependencia de los eventos extremos registrados en la cola izquierda de la distribucin. En cuanto a las valoraciones CVaR, la cpula que mejor aproxima los rendmientos reales es la t-Student, quiz porque da sufciente peso a los eventos en el centro de la distribucin, sin dejar de tomar en cuenta los extremos. Se debe sealar que con esta nueva forma de aproximacin los resultados se muestran cercanos a los empricos. Este puede deberse al efecto de combinar distribuciones en la estimacin, ya que cuando se supone que los rendimientos se distribuyen a travs de valor extremo, los resultados sobrestiman excesivamente el riesgo. Por el contrario, cuando se supone normalidad de rendimientos, las valoraciones se ven infravaloradas. Por lo que esta nueva forma de estimar los rendimientos puede acercarse un poco ms a la realidad de la relacin Mexbol e Ibex-35. 163

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo Para nalizar este apartado, es importante decir que para este caso, todos los resultados obtenidos se han aproximado de forma favorable a los empricos, haciendo que la nueva forma de valoracin del riesgo propuesta sea acertada y precisa, pudiendo ser una buena alternativa tanto para valorar el riesgo como para realizar la cobertura.

4.4.

Relacin Mexbol y Dow Jones

Las valoraciones de los riesgos con esta nueva aproximacin correspondientes a la relacin Mexbol y Dow Jones, han sido contrastadas con las obtenidas de forma emprica. Las metodologas utilizadas son el VaR y el CVaR y, al igual que en el apartado anterior, se han estimado a travs de las cinco cpulas y para los tres periodos temporales. Las valoraciones se recogen en la tabla 4.2.

Tabla 4.2. Valoraciones de los riesgos


VaR Y CVaR 2002-2008 Mexbol-Dow Jones
Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton Nuevo Ajuste VaR CVaR 99% 99% -6.11% -8.48% -6.19% -8.38% -5.91% -8.08% -6.04% -7.99% -6.50% -8.93%

VaR Y CVaR 2002-2006 Mexbol-Dow Jones


Nuevo Ajuste VaR CVaR 99% 99% -5.04% -7.04% -4.83% -6.67% -4.57% -5.81% -4.51% -5.77% -5.08% -7.69%

Ajuste Emprico VaR CVaR 99% 99% -2.67% -7.35% -4.09% -8.24% -1.84% -4.36% -2.18% -5.79% -5.54% -9.68%

Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton

VaR Y CVaR 2007-2008 Mexbol-Dow Jones


Nuevo Ajuste VaR CVaR 99% 99% -7.25% -10.37% -7.69% -11.63% -6.98% -10.45% -7.52% -10.59% -8.34% -13.10%

Ajuste Emprico VaR CVaR 99% 99% -4.12% -8.12% -3.27% -6.97% -0.94% -4.09% -1.39% -6.13% -7.15% -11.67%

Nivel de Confianza Cpula Gaussiana Cpula t-Student Cpula Frank Cpula Gumbel Cpula Clayton

Ajuste Emprico VaR CVaR 99% 99% -6.26% -10.18% -5.24% -10.44% -2.58% -5.98% -4.20% -9.02% -8.48% -13.16%

164

4.5 Cartera equiponderada En el periodo total, la valoracin VaR es ms adecua con la cpula Clayton, ya que es la que se encuentra ms cercana a la valoracin de forma emprica, mientras que la valoracin CVaR es ms precisa con la cpula t-Student. En el primer subperiodo, 2002-2006, el VaR es ms adecuado con las cpulas Gaussiana y Clayton, y el CVaR prximo a los datos reales se obtiene con la cpula t-Student. En el segundo subperiodo, 2007-2008, tambin las cpulas Gaussiana y Clayton ajustan el VaR y, del mismo modo, el CVaR es ms adecuado con la cpula Clayton quiz por el hecho de que otorga mayor nfasis a la dependencia de los eventos extremos ubicados en la cola izquierda de la distribucin. En la tabla 4.2 se observa que el periodo 2007-2008 es el que registra las mayores prdidas, muy probablemente ocasionadas por los eventos extremos propios de la crisis actual. Cabe destacar que con esta nueva forma de aproximacin existe una acercamiento favorable a los resultados empricos. Esto puede ser el efecto de combinar distribuciones en la estimacin, ya que cuando se supone que toda la muestra es extrema los resultados sobrestiman en exceso el riesgo. Por el contrario, cuando se supone normalidad de rendimientos, las valoraciones se ven infravaloradas. Por lo que esta nueva forma de estimar los rendimientos puede acercarse un poco ms a la realidad. Por lo tanto, esta nueva aproximacin ha beneciado signicativamente la valoracin de los riesgos, aproximndose bastante a lo que sucede con los rendimientos reales del la relacin Mexbol y Dow Jones.

4.5.

Cartera equiponderada

Las valoraciones de los riesgos correspondientes a la cartera de inversin en su forma equiponderada, han sido contrastadas con las obtenidas de forma emprica. Las metodologas utilizadas son el VaR y el CVaR y, al igual que en los apartados anteriores, se han estimado a travs de las cpulas elpticas y para los tres periodos temporales. Las valoraciones se muestran en la tabla 4.3. 165

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo Tabla 4.3. Valoraciones de los riesgos
VaR Y CVaR 2002-2008 Cartera Equiponderada
Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -3.95% -4.09% CVaR 99% -4.67% -5.96% Ajuste Emprico VaR 99% -2.03% -0.56% CVaR 99% -2.66% -5.53%

VaR Y CVaR 2002-2006 Cartera Equiponderada


Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -3.38% -3.59% CVaR 99% -3.97% -4.09% Ajuste Emprico VaR 99% -0.49% -0.97% CVaR 99% -3.78% -3.85%

VaR Y CVaR 2007-2008 Cartera Equiponderada


Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -5.68% -5.95% CVaR 99% -6.63% -7.40% Ajuste Emprico VaR 99% -0.49% -1.38% CVaR 99% -4.76% -8.79%

En el periodo total, la valoracin VaR es ms adecua con la cpula Gaussiana, ya que es la que se encuentra ms cercana a la valoracin de forma emprica, mientras que la valoracin CVaR es ms precisa con la cpula t-Student. En el primer subperiodo, 2002-2006, el VaR es ms adecuado con la cpula Gaussiana, y el CVaR prximo a los datos reales se obtiene con la cpula t-Student. En el segundo subperiodo, 2007-2008, tanto el VaR como el CVaR, estn valorados de mejor forma con la cpula t-Student, quiz por el hecho de que se enfoca en el centro de la distribucin, sin descuidar los eventos extremos de las colas. En la tabla 4.3 se observa que el periodo 2007-2008 es el que registra las mayores prdidas, esto puede deberse en gran medida a la volatilidad de este subperiodo, la que correspondiente a la crisis actual. Cabe destacar que con esta nueva forma de aproximacin existe una acercamiento adecuado a los resultados empricos, pero tiene menores benecios respecto a las valoraciones de los ndices. Esto puede ser el efecto de combinar distribuciones en la estimacin y de utilizar nicamente cpula de la familia elptica. De cualquier forma, esta nueva forma de estimar los rendimientos puede acercarse un poco ms a la realidad. Por lo que, esta nueva aproximacin ha beneciado la 166

4.6 Cartera autoponderada valoracin de los riesgos, aproximndose a los movimientos de los rendimientos reales de la cartera equiponderada.

4.6.

Cartera autoponderada

Las valoraciones de los riesgos correspondientes a la cartera inversin en su forma autoponderada, han sido contrastadas con las obtenidas de forma emprica. Las metodologas utilizadas son el VaR y el CVaR y, al igual que en los apartados anteriores, se han estimado a travs de las cinco cpulas y para los tres periodos temporales. Las valoraciones se exponen en la tabla 4.4. Tabla 4.4. Valoraciones de los riesgos
VaR Y CVaR 2002-2008 Cartera Autoponderada
Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -4.45% -4.69% CVaR 99% -5.09% -5.37% Ajuste Emprico VaR 99% -0.93% -0.75% CVaR 99% -3.80% -5.98%

VaR Y CVaR 2002-2006 Cartera Autoponderada


Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -3.71% -3.95% CVaR 99% -4.13% -4.74% Ajuste Emprico VaR 99% -2.09% -1.09% CVaR 99% -2.40% -4.27%

VaR Y CVaR 2007-2008 Cartera Autoponderada


Nuevo Ajuste VaR Nivel de Confianza Cpula Gaussiana Cpula t-Student 99% -6.24% -6.90% CVaR 99% -6.77% -7.36% Ajuste Emprico VaR 99% -0.71% -3.29% CVaR 99% -4.83% -9.22%

Del mismo modo que con la cartera equiponderada, en el periodo total, la valoracin VaR es ms adecua con la cpula Gaussiana, ya que es la que se encuentra ms cercana a la valoracin de forma emprica, mientras que la valoracin CVaR es ms precisa con la cpula t-Student. En el primer subperiodo, 2002-2006, el VaR es ms adecuado con la cpula Gaussiana, y el CVaR prximo a los datos reales se obtiene con la cpula t-Student. En el segundo subperiodo, 2007-2008, 167

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo tanto el VaR como el CVaR, estn valorados de forma ms precisa con la cpula t-Student, lo que se debe a que sta se enfoca en el centro de la distribucin, sin descuidar los eventos extremos de las colas. En la tabla 4.4 se observa que el periodo 2007-2008 es el que soporta las mayores prdidas, esto era de esperarse, porque este es el periodo que representa los problemas nancieros vigentes. En trminos generales, las valoraciones para la cartera equiponderada y autoponderada, pueden considerarse como muy similares. Cabe destacar que con esta nueva forma de aproximacin existe una acercamiento adecuado a los resultados empricos pero, al igual que con la cartera equiponderada, tiene menores benecios respecto a las valoraciones de los ndices. De cualquier manera, esta nueva forma de estimar los rendimientos puede acercarse un poco ms a la realidad. As que esta nueva aproximacin ha beneciado la valoracin de los riesgos, aproximndose a los movimientos de los rendimientos reales de la cartera autoponderada.

4.7.

Conclusiones

En esta metodologa propuesta se ha empleado la teora de cpulas para valorar la prdida mxima que pueden sufrir dos situaciones, cada una de ellas compuesta por dos ndices burstiles. La primera situacin la integran el Mexbol y el Ibex-35, mientras que la segunda situacin la conforman el Mexbol y el Dow Jones, esta seleccin es por el inters de sta investigacin en conocer los movimientos del mercado mexicano burstil frente a lo ndices selectivos y representativos del mercado estadounidense y espaol independientemente. Del mismo modo, la metodologa propuesta se aplica a una cartera de inversin formada por los cinco activos ms negociados de la Bolsa Mexicana de Valores. Las valoraciones de los riesgos para la cartera se llevan a cabo de manera equiponderada y autoponderada, con el n de observar como cambian las valoracin en funcin de 168

4.7 Conclusiones la ponderacin otorgada a cada activo. La valoracin al riesgo se realiz aplicando las metodologas de valor en riesgo y valor en riesgo condicional, debido a que su estimacin se puede aplicar en diversas investigaciones de gestin de riesgos y su interpretacin es relativamente sencilla pero no trivial. Adems se valor el riesgo para el periodo completo y para los dos subperiodos, con el n de cuanticar el impacto que esta teniendo la crisis actual. Las cpulas que se han utilizado en las valoraciones de los ndices burstiles son la Gaussiana y t-Student, Clayton, Gumbel y Frank. Las tres ltimas cpulas pertenecen a la familia arquimediana, tambin se les denomina como de valor extremo y/o paramtricas, porque para estimarlas es imprescindible obtener los parmetros que miden el grado de dependencia que hay entre las variables. Los parmetros se estimaron a travs de la de Kendall porque no asume antici-

padamente que los rendimientos se distribuyan especcamente de alguna forma. En el caso de la cartera, las cpulas que se han empleado son la Gaussiana y la t-Student multivariantes, ya que las cpulas arquimedianas multivariantes an se estan investigando, y son necesarias herramientas matemticas ms complejas como la Transformada de Laplace para su estimacin. Tanto para los ndices como para la cartera, se ha supuesto que los rendimientos siguen dos distribuciones combinadas, una normal y otra de valor extremo, siendo comparadas con la distribucin emprica, debido a que sta es la que brinda una visin ms real del comportamiento de los mercados y de las acciones. En lo que respecta a la evidencia emprica obtenida para los ndices, se observa que cuando se estiman el VaR y el CVaR a travs de distribuciones marginales combinadas se obtienen excelentes resultados, especialmente cuando se aplica la cpula Clayton, esto puede deberse a que es la que prioriza la cola izquierda de la distribucin. Hay que sealar que el objetivo de esta nueva forma de estimacin es el de predecir, principalmente, el centro y la cola izquierda de la distribucin, porque es ah donde, en este caso, se muestra el comportamiento de los 169

Valoracin del riesgo mediante cpulas, utilizando mixturas normales y de valor extremo rendimientos y se re ejan las prdidas. En cuanto a la evidencia emprica obtenida para la cartera, se observa que para el VaR se tienen mejores resultados con la cpula Gaussiana, excepto en el periodo 2007-2008. Con el CVaR la cpula que permite valoraciones ms adecuadas es la t-Student, ya que se enfoca en el centro de la distribucin, sin dejar de lado los eventos extremos de las colas. Respecto a las prdidas, se ha podido observar que son mayores respecto a las obtenidas en captulos previos, esto puede deberse al efecto de combinar distribuciones en una misma aproximacin. Segn al evidencia emprica, esta aproximacin mejora de manera signicativa las predicciones, ya que, de forma general, los rendimientos nancieros no siguen una nica distribucin, es decir, las series de rendimientos no se comportan de forma normal o extrema, sino que el comportamiento es cambiante a travs del tiempo. Cabe sealar, que la dependencia observada en la relacin Mexbol e Ibex-35 es menor que en relacin Mexbol y Dow Jones, una vez ms es por la dependencia temporal que Mxico tiene con Estados Unidos en diversos sectores econmicos y nancieros. Sin embargo, las prdidas no siempre son mayores en la relacin Mexbol y Dow Jones, lo que puede llevar a pensar que el mercado mexicano muestra bastante relacin con el mercado espaol, incluso ms de la que se esperaba. Las prdidas registradas en la cartera son muy similares en el caso equiponderado y autoponderado, sin embargo, autoponderar la cartera ofrece la posibilidad de replicar el ndice Mexbol, ya que los activos utilizados son los de mayor ponderacin. Por ltimo, se insiste en que esta nueva aproximacin se considera adecuada, acertada y brinda benecios en cuanto a la prediccin respecto a las metodologas tradicionales o a las metodologas que asumen una nica distribucin para toda una serie temporal de rendimientos, y conduce a la posibilidad de mejorar la cobertura de los riesgos a los que continuamente se est expuesto. 170

Conclusiones generales y lneas abiertas de investigacin


Como se ha venido diciendo a lo largo de toda la investigacin, valorar los riesgos de manera adecuada y oportuna es primordial, ya que de esas valoraciones depende, en gran medida, la estabilidad de los mercados nancieros, as que se consider importante dejar claras las deniciones ms relevantes. Por lo tanto, el primer captulo se ha destinado a denir los conceptos necesarios que permitan conocer los elementos fundamentales para llevar a cabo la valoracin de los riesgos. En el segundo captulo, se observa que cuando las marginales se distribuyen de forma normal se obtienen aproximaciones ms precisas que con la distribucin uniforme, tanto en el periodo completo como en los subperiodos, ya que el ajuste uniforme sobrevalora en exceso los riesgos, colocando a un posible inversor en una posicin extremadamente conservadora. La cpulas elegida para las estimaciones es la Gaussiana, ya que es una cpula verstil y ampliamente utilizada en el prctica. Para escoger tanto la distribucin como la cpula adecuada, los resultados se contrastaron con los obtenidos de forma emprica, con los respectivos backtesting y con los mnimos errores cuadrticos medios. Se ha podido constatar, que cuando se implementa la metodologa de cpulas en las estimaciones se obtienen benecios a la hora de valorar el riesgo, sin embargo, no presenta grandes diferencias con respecto a las valoraciones realizadas por el mtodo tradicional de simulacin histrica. 171

Conclusiones generales y lneas abiertas de investigacin Respecto al impacto nanciero, se puede advertir que en el periodo 20072008, se han aumentado el nmero de eventos extremos en todos los activos seleccionados, ocasionando el incremento de la volatilidad y la disminucin de los rendimientos medios. En el periodo 2002-2008, las prdidas inesperadas porcentuales son mayores que las de los subperiodos, posiblemente porque al ser el horizonte temporal ms largo se muestre menos exible, adems de sufrir una in uencia negativa de los eventos extremos del segundo subperiodo. Por otro lado, las prdidas inesperadas en el subperiodo 2007-2008 son mucho mayores que en el otro subperiodo, ya que es all donde se re el efecto de la crisis nanciera aceja tual. Se observa que las prdidas inesperadas son mayores cuando las valoraciones se obtienen a travs de cpulas con respecto a la metodologa tradicional. Como consecuencia de este captulo, se sugieren algunas lneas abiertas de investigacin, entre las que destacan la integracin del riesgo de mercado y de crdito y la utilizacin de componentes principales. La primera lnea se plantea por el hecho de que hoy en da los riesgos nancieros reales, en la mayora de los casos, no son especcamente de un slo tipo, sino que pueden estar combinados. Tal es el caso del riesgo de mercado y de crdito, por lo que las estimaciones de valoracin del riesgo de mercado podran incluir un factor de crdito, como puede ser el caso de las CDO (Collaterized Debt Obligation), y con esto mostrar un s panorama diferente de valoracin. La segunda lnea surge porque los componentes principales pueden ser una buena alternativa para simular los rendimientos de la cartera. Ya que esta tcnica es til en cuanto a resumir la informacin, o en otras palabra, ayuda a reducir la dimensin (nmero de variables) en la valoracin de los riesgos. Lo que puede llevar a obtener aproximaciones razonables a travs de una sntesis de las variables, pero perdiendo la menor informacin posible. En el tercer captulo, se observa que cuando los rendimientos se ajustan a la distribucin normal o a la de valor extremo, se obtienen valoraciones ms precisas respecto a la distribucin uniforme, ya que esta ltima sobrevalora los resultados 172

incluso ms que la de valor extremo. Para escoger tanto la distribucin como la cpula adecuada, los resultados se contrastaron con los obtenidos de forma emprica, con los respectivos backtesting y con los mnimos errores cuadrticos medios. Las cpulas elegidas como ms adecuadas fueron de la famila arquimediana: Clayton y Frank, quiz porque tratan con la dependencia no lineal y toman en cuenta la asimetra de los rendimientos, corroborando que con su utilizacin se obtienen benecios signicativos a la hora de llevar a cabo la valoracin de los riesgos respecto a la metodologa tradicional. Despus de ajustar los rendimientos y obtener los valores correspondientes a cada cpula, se obtuvieron las valoracin del riesgo de cada relacin: Mexbol-Ibex-35 y Mexbol-Dow Jones. Respecto al impacto nanciero, se puede observar que con el ajuste normal las prdidas inesperadas son muy altas, lo que indica que la normalidad de rendimientos puede estar infravalorando el riesgo, adems de que el periodo 2002-2008 es el que sufre mayores prdidas inesperadas, principalmente porque la longitud de la muestra da menos exibilidad a las valoraciones. Por el contrario, con el ajuste de valor extremo, las prdidas inesperadas son muy pocas, quiz porque se ha supuesto que todas las observaciones son extremas, lo que ha llevado a sobrevalorar las prdidas inesperadas. Con el ajuste de valor extremo, tambin las prdidas inesperadas son mayores en el periodo 2002-2008 respecto a los subperiodos, aunque se pierde mucho menos que asumiendo normalidad. Con los resultados obtenidos se puede advertir, de manera general, que en las valoraciones realizadas, las prdidas inesperadas en la relacin Mexbol e Ibex35 son mayores que en la relacin Mexbol y Dow Jones. Lo que puede deberse a que el mercado mexicano depende cada vez ms de los acontecimientos del mercado espaol. Es importante remarcar que las series de rendimientos no se distribuyen ni de manera extrema ni de manera normal continuamente, por lo que sera necesario encontrar un equilibrio con ambas distribuciones, para as tratar de manera especca cada nueva observacin. 173

Conclusiones generales y lneas abiertas de investigacin Como consecuencia del tercer captulo, se sugieren algunas lneas abiertas de investigacin, entre las que se pueden destacar la medicin del contagio nanciero, la utilizacin de modelos de correlacin dinmicas condicionales e incorporar variables macroeconmicas a las valoraciones. La primera lnea se plantea por la necesidad de saber si en periodos de crisis nancieras, existe realmente el contagio nanciero entre pases, fundamentalmente entre los emergentes, adems de poder comprobar en caso de haber contagio, si es de carcter dbil o fuerte. La segunda lnea de investigacin surge de la pregunta de qu ocurre con las valoraciones cuando se tienen en cuenta las variaciones de la correlacin en el tiempo. Este anlisis se podra llevar a cabo utilizando los modelos de Correlaciones Dinmicas Condicionales (DCC). Pudiendo hacer un anlisis comparativo entre la utilizacin de correlaciones lineales, cpulas nancieras y modelos DCC. Con el objetivo de valorar los riesgos con tres instrumentos de dependencia diferentes. La tercera lnea aparece porque sera interesante incluir variables macroeconmicas a las estimaciones, tales como las expectativas, la variabilidad de los tipos de inters y la evolucin de la in acin y/o del IPC. En el cuarto y ltimo captulo, se propone ajustar los rendimientos combinando la distribucin normal y de valor extremo, con la nalidad de tratar especcamente las observaciones, es decir, en periodos de alta volatilidad se supone que los rendimientos se distribuyen de manera extrema y el resto de observaciones asumen normalidad. Respecto a las mximas prdidas posibles, se ha podido observar que stas son mayores que las obtenidas en los captulos previos, pero esta aproximacin se acerca favorablemente a los resultados obtenidos de forma emprica, ya que, de forma general, los rendimientos nancieros no siguen una nica distribucin, es decir, las series de rendimientos no se comportan de forma normal o extrema, sino que el comportamiento es cambiante a travs del tiempo. La principal desventaja de esta aproximacin es que no se pueden realizar anlisis retrospectivos, backtesting, as que solo se han contrastado los resultados 174

con lo obtenidos de forma emprica. Sin embargo, se insiste en que esta nueva aproximacin se considera adecuada, acertada y brinda benecios en cuanto a la prediccin respecto a las metodologas tradicionales o a las metodologas que asumen una nica distribucin para toda una serie temporal de rendimientos, conduciendo a la posibilidad de mejorar la cobertura de los riesgos a los que continuamente se est expuesto. De este captulo se sugieren dos lneas abiertas de investigacin. La primera es encontrar una forma de que los umbrales de decisin se puedan obtener automticamente, es decir, que los umbrales puedan obtenerse endgenamente del modelo de valoracin. La segunda lnea surge de la pregunta de si es posible realizar anlisis restrospectivos backtesting, en caso armativo, de que manera incluirlos en el modelo de forma eciente.

175

Bibliografa
[1] Aas, K. (2004); Assets: A Modelling Survey the of Dependence Four Structure of Fien

nancial

Copulas.

Disponible

http://www.nr.no/les/samba/b/SAMBA2204b.pdf. [2] Acerbi, C., y Tasche, D. (2001); Expected Shortfall: A Natural Coherent Alternative to Value at Risk. Economic Notes 31, 379-388. [3] Acerbi, C., Nordio, C. y Sirtori, C. (2008); Expected Short-

fall as a Tool for Financial Risk Management. Disponible en http://www.gloriamundi.org/ShowTracking.asp?ResourceID=453055940. [4] Alexander, C. (2008); Market Risk Analysis: Practical Financial Econometrics, Vol II. John Wiley & Sons. [5] Alexander, C. (2008); Market Risk Analysis: Value at Risk Models, Vol IV. John Wiley & Sons. [6] Alonso, J. y Arcos, M. (2005); Valor en Riesgo: Evaluacin del Desempeo de Diferentes Metodologas para 7 Pases Latinoamericanos. Fondo de Investigaciones de la Universidad Icesi. Cali, Colombia. [7] Aragons, J. y Blanco, C. (2000); Valor en Riesgo: Aplicacin a la gestin empresarial. Ediciones Pirmide. [8] Arregui, G. (2004); Los Modelos Implcitos de Valoracin de Opciones. Cuadernos de Gestin Vol. 4. N.o 2, 77-93 177

BIBLIOGRAFA [9] Artzner, P., Delbaen, F., Eber, J. y Heath, D. (1999); Coherent Measures of Risk. Mathematical Finance, 9(3), 203-228. [10] Bali, T. G. (2007); A Generalized Extreme Value Approach to Financial Risk Measurement. Journal of Banking and Finance 39, 1614-1649. [11] Balkema, A. A. y de Haan, L. (1974); Residual Life Time at Great Age. Annals of Probability 2, 792-804. [12] Berkowitz, J. y O Brien, J. (2002); How Accurate are the Value at Risk Models at Commercial Banks. Journal of Finance 57, 1093-1112. [13] Black, F. G. y Scholes, M. (1973); The Pricing of Options and Corporate Liabilities. Journal of Political Economy 81, 635-654. [14] Blum, P., Dias, A. y Embrechts, P. (2002); The ART of Dependence Modelling: the Latest Advances in Correlation Analysis. Swiss Federal Institute of Technology, Switzerland. [15] Blyth, S. (1996); Out of Line. Risk, 9(10), 82-84. [16] Bollerslev, T. (1986); Generalised Autorregressive Conditional Heteroscedasticity, Journal of Econometrics 31, 307-327. [17] Bouy, E., Durrleman, V., ikeghbali, A., Riboulet, G. y Roncalli, T. (2002); Copulas for Finance - A Reading Guide and Some Applications. Disponible en SSRN:http://ssrn.com/paper=1032533. [18] Borrell, M., Murillo, C., Prez, J. y Torra, S. (1997); Estadstica nanciera: Aplicacin a la Formacin y Gestin de Carteras de Renta Variable. Editorial Ramn Areces. [19] Brooks C. (2002); Introductory Econometrics for Finance. Cambridge University Press. 178

BIBLIOGRAFA [20] Bundi, D. (2004); Copulas in Finance. African Institute for Mathematical Sciences. Cadiz Financial Strategists. [21] Canela, M. y Pedreira, E. (2005); Modelling Dependence in Latin American Markets Using Copula Functions. Working Paper, disponible en http://wwwtest.aup.edu/lacea2005/system/step2_php/papers/pedreira_eped.pdf. [22] Casas, J.M. (1996); Tablas y Frmulas Estadsticas. Editorial Centro de Estudios Ramn Areces. [23] Cassidy, C. y Gizycki, M. (1997); Measuring Traded Market Risk: Value at Risk and Backtesting Technique. Research Discussion Paper 9708, Reserve Bank of Australia. [24] Cech, C. (2006); Copula-Based Top-Down Approches in Financial Risk Aggregation. Working Paper Series 32, University of Applied Sciences of Vienna. [25] Cherubini, U., Luciano, E. y Vecchiato, W. (2004); Copula Methods in Finance. Wiley Finance. [26] Christoersen, P., Diebold, F. X., y Schuermann, T. (1998); Horizon Problems and Extreme Events in Financial Risk Management. Economic Policy Review, Federal Reserve Bank of New York, 109-118. [27] Christoersen, P., Hahn, J. y Inoue, A. (2001); Testing and Comparing Value at Risk Measures. Scientic Series, CIRANO Working Papers. [28] Christoersen, P. y Pelletier, D. (2004); Backtesting Value at Risk: A Duration Based Approach. Journal of Empirical Finance 2, 84-108. [29] David, H. A. (1980) Order statistics. 2a edicin, John Wiley. [30] De Lara Haro, A. (2004); Medicin y Control de Riesgos Financieros. Tercera edicin, editorial Limusa. 179

BIBLIOGRAFA [31] Dorey, M. y Joubert, P. (2005); Modelling Copulas: an Overview. Presentado para The Staple Inn Actuarial Society. [32] Dowd, K. y Fackler, P.(2004); Estimating VaR with Copulas. Financial Engineering News 39, 9-21. [33] Du e, D. y Pan, J. (1997); An Overview of Value at Risk. Journal of Derivatives 4, 7-49. [34] Du e, D. y Singleton, K. (2003); Credit Risk: Pricing, Measurement, and Management. Princeton Series in Finance. [35] Embrechts, P. (2008). Copulas: A Personal View. Journal of Risk Insurance, de prxima aparicin. [36] Embrechts, P., McNeil, A. y Straumann D. (1999); Correlation: Pitfalls and Alternatives. Risk 5, 69-71. [37] Embrechts, P., Kluppelberg y Mikosch, T. (1997); Modelling Extremal Events for Insurance and Finance. Springer, Berlin. [38] Embrechts, P., McNeil, A. y Straumann, D. (2002); Correlation and Dependence in Risk Management: Properties and Pitfalls. Risk Management: Value at Risk and Beyond (Edited by M. Dempster). Cambridge University Press 176-223. [39] Embrechts, P., Lindskog, F. y McNeil, A. (2003); Modelling Dependence with Copulas and Applications to Risk Management. Handbook of Heavy Tailed Distributions in Finance (Edited by S. T. Rachev), Elsevier 329-384. [40] Embrechts, P., McNeil, A., y Frey, R. (2005); Quantitative Risk Management: Concepts, Tecniques and Tools. Princeton University Press. 180

BIBLIOGRAFA [41] Embrechts P., Furrer H. y Kaufmann R. (2009); Dierent Kinds of Risk. Handbook of Financial Time Series, Eds. Andersen, Davis, Kreiss and Mikosch 729-751. [42] Engle, R. F. (1982); Autorregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom In ation. Econometrica 50, 987-1008. [43] Engle, R. F. y T Bollerslev (1986); Modelling the Persistente of Condicional Variances, Econometric Reviews 5, 57-61. [44] Etheridge, A. (2002); A Course in Financial Calculus. Cambridge University Press. [45] Fang, K. T., Kotz, S. y Ng, K. W. (1987); Symetric Multivariate and Related Distributions, London: Chapman & Hall. [46] Fisher, R. y Tippet, L. (1928); Limiting Forms of Frequency Distribution of the Largest or Smallest Member of a Sample. Proceedings of the Cambridge Philosophical Society 24, 180-190. [47] Frey, R. y McNeil, A. (2003); Dependent Defaults in Models of Portfolio Credit Risk. J. Risk 6/1, 59-92. [48] Garcia, J. y Martnez, J. (2005); Enfoques Diferentes para Medir el Valor en Riesgo (VaR) y su Comparacin. Aplicaciones. Working Paper, XIII Jornadas de ASEPUMA. [49] Garman, M. y Klass, M. (1980); On the Estimation of Security Volatilities from Historical Data. Journal of Bussines 5, 367-378. [50] Genest, C. y MacKay, J. (1986); The Joy of Copulas: Bivariate Distributions with Uniform Marginals. The American Statistician 40, 280-283. 181

BIBLIOGRAFA [51] Gilli M., Kllezi E. (2006); An Application of Extreme Value Theory for Measuring Financial Risk. Computational Economics 27, 207-228. [52] Global Derivatives Study Group (1993); Derivatives: Practices and Principles. Washington, D.C. [53] Gnedenko, B. V. (1943); Sur la Distribution Limite du Terme Maximum d Srie Alatorie, Quarterly Journal of Mathematics, Oxford 2nd series, une 38, 45-71. [54] Goorbergh, R. Genest, C. y Werker, M. (2005); Bivariate Option Pricing Using Dynamic Copula Models. Insurance, Math. Econ 37, 101-114. [55] Green, W. (2003); Econometric Analysis. 5a edicin, Prentice Hall [56] Gujarati, D. (2001); Econometra. 3a edicin, McGraw Hill. [57] Hamerle, A. y Rosch, D. (2005); Misspecied Copulas in Credit Risk Models. How Good is Gaussian? J. Risk 8, 35-47. [58] Hotta, L.K.; Lucas, E.C. y Palaro, H.P. (2006). .E s timation of VaR using copulas and extreme value theory". Cass Business School Research Paper. City University London. Disponible en http://papers.ssrn.com. [59] Hull, J. C. (2006); Options, Futures and Other Derivatives. 6a edicin, Prentice Hall. [60] Hull, J. C. (2007); Risk Management and Financial Institutions. Prentice Hall. [61] Hull, J. y White, A. (1987); The Pricing of Options on Assets with Stochastic Volatilities, Journal of Finance 42, 281-300. [62] Hull, J. y White, A. (1990); Pricing Interest Rate Derivatives, The Review of Financial Studies 3, 573-592. 182

BIBLIOGRAFA [63] Jenkinson, A. F. (1955); The Frequency Distribution of the Annual Maximum (or Minimum) of Meteorological elements, Quarterly Journal of the Royal Meteorological Society, 81, 158-171. [64] Joe, H. (1997); Multivariate Models and Dependence Concepts. Chapman and Hall. [65] Jorion, P. (1996); Valor en Riesgo: El Nuevo Paradigma para el Control de Riesgos con Derivados. Universidad de California, Irvine. McGraw-Hill. [66] Jorion, P. (1997); Valor en Riesgo. Universidad de California, Irvine. McGraw-Hill. [67] Jorion, P. (2003); Financial Risk Manager Handbook. 2a edicin, Wiley Finance. [68] Kibzun, A. y Kuznetsov, E. (2006): Analysis of Criteria VaR and CVaR, Journal of Banking and Finance 30, 779-796. [69] Kisacik, A. (2006); High Volatility, Heavy Tails and Extreme Values in Value at Risk Estimation. Middle East Technical University. Disponible en www3.iam.metu.edu.tr/iam/images/a/a6/Aysekisacikterm.pdf [70] Kole, E., Koedijk, K. y Verbeek, M. (2005); Testing Copulas to Model Financial Dependence. Artculo disponible en http://symposium.fbv.unikarlsruhe.de/10th/papers/Kole_Koedijk_Verbeek %20%20Testing %20copulas %20to %20model %20nancial %20dependence.pdf [71] Kole, E., Koedijk, K. y Verbeek, M. (2007); Selecting Copulas for Risk Management. Journal of Banking and Finance 31, 2405-2423. [72] Kupiec, P. (1995); Techniques for Verifying the Accuracy of Risk Management Models. Journal of Derivatives 3, 73-84. 183

BIBLIOGRAFA [73] Longin, F. y Solnik, B. (2001); Extreme Correlation of International Equity Markets. Journal of Finance 56, 649-676. [74] Lopez, J. A. (1999); Regulatory Evaluation of Value at Risk Models. Journal of Risk 1, 37-64. [75] Manistre, J. (2003); Risk Dependency Research: A Progress Report". Paper presented at Enterprise Risk Management Symposium, Washington DC. [76] Markowitz, H. (1952); Portfolio Selection. Journal of Finance, 7(1), 77-91. [77] Melo, L. y Becerra, O. (2005); Medidas de Riesgo, Caracterstica y Tcnicas de Medicin: una Aplicacin del VaR y el ES a la Tasa Interbancaria de Colombia. Banco de la Republica, Gerencia Tcnica. [78] Merton, R. C. (1973); Theory of option pricing. Bell Journal of Economics and Management Science 4, 141-183. [79] J.P. Morgan & Co., Inc., Arthur Andersen & Co. SC, and Financial Engineering Limited, The J.P. Morgan/Arthur Andersen Guide to Corporate Exposure Management, RISK (agosto 1994). [80] J. P. Morgan (1995); RiskMetrics Technical Document. Morgan Guaranty Trust. [81] J. P. Morgan (1996). RiskMetrics-Technical Document. Diciembre. Company, Market Risk Research. Tercera Edition. [82] Nassaj, F. y Strelen J. Ch. (2006); Generating simulation input with approximate copulas. Modelling and Simulation 2006, Proceedings of the European Simulation and Modelling Conference, Toulouse. ed. A. Nketsa, M. Paludetto, and C. Bertelle, 88-93. Ghent: Eurosis-ETI. [83] Nelsen, R. B. (1999); An Introduction to Copulas. Springer, New York. 184

BIBLIOGRAFA [84] Nelson, D.B. (1990); ARCH Models as Diusion Approximations, University of Chicago, Chicago, IL, Journal of Econometrics 45, 7-38. [85] Novales, A. (1993); Econometra. 2a edicin, McGraw Hill. [86] Novales, A. (1997); Estadstica y Econometra. McGraw Hill. [87] O ce of the Comptroller of the Currency, (1993). Banking Circular BC-277: Risk Management of Financial Derivatives. Washington, D.C.: Comptroller of the Currency. [88] Ozun, Alper y Cifter, Atilla, 2007. Portfolio Value-at-Risk with TimeVarying Copula: Evidence from the Americas, MPRA Paper 2711, University Library of Munich, Germany. [89] Parra, H. y Hotta, L. (2006); Using Conditional Copula to Estimate Value at Risk. Journal of Data Science 4, 93-115. [90] Patton, A. (2002); Skewness, Asymmetric Dependence, and Portfolios. Working paper, University of California, San Diego. [91] Pea, I. (2002); La Gestin de Riesgos Financieros de Mercado y de Crdito. Prentice Hall. [92] Pickands, J. I. (1975); Statistical Inference Using Extreme Value Order Statistics. Annals of Statististics 3, 119-131. [93] Rockafellar, R.T., Uryasev, S. (1999); Optimization of Conditional Value at Risk. Research Report 99-4 Center for Applied Optimization, University of Florida. [94] Rockafellar, R.T., Uryasev, S. (2001); Conditional Value at Risk for General Loss Distributions. Journal of Banking and Finance 26, 1443-1471. 185

BIBLIOGRAFA [95] Rodriguez J. (2007); Measuring Financial Contagion: A Copula Approach. Journal of Empirical Finance 14, 401-423. [96] Saunders, A. y Allen, L. (2002); Credit Risk Measurement: New Approaches to Value at Risk and Other Paradigms. 2a edicin, John Wiley & Sons [97] Shaw, J. (1997); Beyond VaR and Stress Testing, in VaR, Understanding and Applying Value at Risk. Risk Publications 211-224. [98] Simons, K. (1996); VaR-New Approaches to Risk Management. New England Economic Review, 3-13. [99] Sklar, A. (1959); Fonctions de Rpartition n Dimensions et Leures Marges, Publications de L Institut de Statistique de L Universit de Paris 8, 229-231. [100] Sullivan, J., Brooks, R. y Stoumbos, Z. (2003); Assessing the Accuracy of Value at Risk. Working Paper Rutgers University. [101] Tang, A. y Valdez, E. (2009); Economic Capital and the Aggregation of Risks Using Copulas. Clasicacin JEL G22, Working Paper, disponible en http://ssrn.com/abstract=1347675. [102] Torrero, A. (2008); La Crisis Financiera Internacional. Documento de trabajo 08/2008, Instituto Universitario de Anlisis Econmico y Social. Universidad de Alcal. [103] Torres, G. y Olarte, A. (2007); Valor en Riesgo desde un Enfoque de Cpulas. Universidad de Colombia. [104] Tsay, R.S. (2005); Analysis of Financial Time Series. 2a edicin. Wiley Interscience. [105] Vaz de Melo, B. y Martins de Souza, R. (2004); Measuring Financial Risks with Copulas. International Review of Financial Analysis 13, 27-45. 186

BIBLIOGRAFA [106] Wilmott, P. (1998); Derivatives: The Theory and Practice of Financial Engineering, John Wiley & Sons. [107] Wilmott, P. (2006); Quantitative Finance. 2a edicin, John Wiley & Sons.

187