Métodos Altern Evaluac Riesgo

Academia.
Revista Latinoamericana de Administracin

Universidad de los Andes
esalgado@uniandes.edu.co
ISSN (Versin impresa): 1012-8255
COLOMBIA

2005
Christian A. Johnson
MTODOS ALTERNATIVOS DE EVALUACIN DEL RIESGO PARA PORTAFOLIOS
DE INVERSIN
Academia. Revista Latinoamericana de Administracin, segundo semestre, nmero 035
Universidad de los Andes
Bogot, Colombia
pp. 33-65

Red de Revistas Cientficas de Amrica Latina y el Caribe, Espaa y Portugal
Universidad Autnoma del Estado de Mxico
http://redalyc.uaemex.mx

REVISTA LATINOAMERICANA DE ADMINISTRACIN, 35, CLADEA, BOGOT: 2005 33
RESUMEN
El objetivo de este estudio es presentar, de manera clara, mtodos alternativos de
evaluacin de riesgo para portafolios con mltiples activos. Conceptos como
anlisis de retorno total, frontera eficiente, valor del riesgo (Value at Risk, VaR),
teora de valores extremos (EVT), tracking error y simulaciones de Monte Carlo
se aplican a portafolios ficticios.
Palabras clave: valor en riesgo, optimizacin, portafolio, riesgo.
ABSTRACT
This paper develops alternative methodologies to evaluate multiple assets
portfolio risks. Total return analysis, efficient frontier, value at risk (VaR), extre-
me value theory (EVT), tracking error (TE), and Monte Carlo simulations are
topics which are applied to a variety of fixed and variable return portfolios.
Key words: value at risk, optimization, portfolio, risk.
Mtodos alternativos de
evaluacin del riesgo para
portafolios de inversin
*
Alternative methods to
evaluate investment
portfolio risks
Christian A. Johnson
Profesor Investigador
Escuela de Negocios,
Universidad Adolfo Ibez,
Santiago, Chile
chjohnson@uai.cl
www.econometria.cl
*

Se agradecen los comentarios de dos rbitros de la Revista, los cuales ayudaron a un mejoramien-
to sustantivo del presente estudio.
34 REVISTA LATINOAMERICANA DE ADMINISTRACIN, 35, CLADEA, BOGOT: 2005
MTODOS ALTERNATIVOS DE EVALUACIN DEL RIESGO PARA PORTAFOLIOS DE INVERSIN
INTRODUCCIN
De los ltimos treinta y seis premios Nobel entregados en el rea de las ciencias econmicas,
slo dos de stos se otorgaron a economistas que focalizaron su investigacin en el rea finan-
ciera. La investigacin de Harry Markowitz, Merton Miller y William Sharpe, relacionada con
su trabajo pionero en el campo de la economa financiera, es premiada en 1990; mientras que
en 1997, Robert Merton y Myron Scholes son premiados por los novedosos mtodos de deter-
minacin del valor de derivados
1
.
El alto nivel de desarrollo cuantitativo que se est aplicando al rea de las finanzas
presenta cierta correlacin con estos premios. Antiguamente, en el rea de las matemticas
financieras, bastaba con manipular eficientemente la relacin de valor presente para dominar
relativamente el rea. Actualmente, los desafos son otros: duracin, convexidad, deltas, gammas,
value at risk, tracking error, razn de informacin, teora de valores extremos, mtodos de
simulacin de Monte Carlo, etc., son algunos elementos que se deben manejar al momento de
disear un portafolio.
El propsito de este estudio es presentar, de manera didctica y con ejercicios de aplica-
cin programados en Excel y en GAUSS, conceptos que se estn utilizando en la eleccin de
portafolios de inversin, de suerte que puedan ser aplicados, por administradores de portafolios
de renta fija y renta variable, como son las administradoras de fondos de inversin (AFP).
Adicionalmente, se pueden dimensionar claramente comparadores de manera de evaluar el
desempeo de las posiciones de diversos agentes inversores, desde un punto de vista del con-
trol financiero, como mecanismos de supervisin bancaria, por ejemplo.
Estas metodologas tienen la ventaja de entregar un marco de referencia que permita
formalizar la discusin del tema del riesgo en portafolios de inversin, de manera que pueda
ampliarse el horizonte de evaluacin de desempeo de una cartera considerando criterios de
riesgo, adicionalmente a consideraciones de retorno.
I. ANLISIS DE RETORNO TOTAL
Existen diversas alternativas para el clculo del retorno esperado de cierto activo, las cuales
deben considerar una proyeccin del precio del instrumento para el horizonte de inversin
deseado. Una proyeccin tradicional ha sido el considerar que el retorno promedio histrico es
un buen estimador del retorno esperado, con lo cual podramos decir que:
1
Para detalles vase http://nobelprize.org/economics/laureates/index.html
CHRISTIAN A. JOHNSON
Considerando el fenmeno de reversin a la media
2
que existe en los retornos, parece
ser una buena aproximacin; sin embargo, es poco realista al ser un resultado estadstico que
no incorpora el hecho de que el horizonte de inversin no es T, sino, generalmente, slo una
fraccin de T. Puede ser el caso de que el retorno observado de un activo sea del 2%, y que el
imponer un retorno histrico del 8% sea muy exagerado. El punto es que el retorno histrico
promedio, tal como se present en la expresin anterior, no toma en consideracin la trayecto-
ria que ha seguido el proceso en los ltimos perodos.
Una segunda metodologa que s considera la trayectoria que han seguido los retornos,
es la estimacin de modelos de series de tiempo del tipo ARIMA(p,d,q) o modelos
autorregresivos integrados de medias mviles con orden p, d, y q. Economtricamente se des-
criben por:
donde: p indica el nmero de rezagos a considerar en la parte autorregresiva del proce-
so; q indica el nmero de rezagos de la parte media mvil del proceso, y d indica el nmero de
veces que una variable debe ser diferenciada para que sea estacionaria ( indica diferencia)
3
.
Este mecanismo, si bien es ms complejo que usar la media histrica de los retornos, es ms
preciso, pero requiere del manejo de software economtrico especializado
4
.
Una de las herramientas ms simples en el diseo de un portafolio de inversin es el
anlisis de retorno total. Dado que los parmetros que se van a considerar en la eleccin de una
cartera ptima se refieren a valores esperados de retornos y riesgos para distintos activos alter-
nativos, el anlisis de retorno total responde a la pregunta de cul ser este retorno esperado,
sin considerar explcitamente la dimensin riesgo, para un horizonte de tiempo predefinido (de
1 da o 1 ao, por ejemplo).
Sea p
t
el precio de un activo en el perodo t, mientras el flujo de rentabilidad asociado a
este activo (ya sea dividendos/precio o cupones) y el monto asociado a la rentabilidad de este
flujo se definen f
t
y i
t
f
t
, respectivamente. Estos parmetros permiten definir cul ser el retor-
no total de invertir en este activo:
2
Reversin a la media indica que la serie de retornos presenta un proceso que se desva transitoria-
mente de un retorno promedio de largo plazo, el cual servir de atractor de los retornos de corto plazo, y
por ende, definir la dinmica de los precios del activo analizado.
3
El nmero de rezagos se puede determinar por medio de la metodologa de Box y Jenkins de los
aos setenta, o utilizando criterios de informacin bayesiana (BIC) o de Akaike (AIC), entre otros. El
requerimiento de estacionariedad se debe al Teorema de Representacin de Wold, que establece que todo
proceso estacionario se puede representar por un modelo de series de tiempo del tipo AR(p), MA(q), o
ARIMA(p,d,q).
4
Para una revisin de estos modelos de series de tiempo, vense Hamilton (1994) y Campbell et al.
(1997).
De los tres componentes que explican el retorno de un activo, la variacin de precio es
el que posee una mayor ponderacin, mientras que la menor ponderacin corresponde al ele-
mento de retorno asociado a la reinversin de los flujos, resultado que se potencia para hori-
zontes de inversin relativamente breves.
Para cierta clase de activos, como los activos de renta fija, existe una internalizacin
explcita de los flujos en el precio de transaccin de los instrumentos, puesto que stos incor-
poran proporcionalmente el cupn acumulado a la fecha de transaccin. Sin embargo, para
activos de renta variable la situacin es diferente. Es el precio de mercado el que internaliza
implcitamente el dividendo futuro descontado, dividendo que a su vez es esperado, lo cual le
da la categora de renta variable al instrumento en cuestin.
Apliquemos este concepto a una cartera de renta fija. Consideremos activos alternati-
vos cuya madurez remanente va de 1 a 10 aos. En este caso se debe proyectar los precios de
cada categora de instrumentos e incorporar los retornos incrementales asociados a los cupo-
nes y la reinversin de stos. Para efectos de identificacin del tramo de la curva a invertir,
solamente es relevante el efecto cambio de precio; sin embargo, si lo que se desea es ir un paso
ms all y considerar los retornos esperados como insumo en un anlisis de optimizacin ms
completo, es necesario considerar todos los componentes del retorno total, para as permitir
una comparacin insesgada de retornos de distintas economas.
La proyeccin de los precios para los distintos activos de renta fija puede deducirse de
la comparacin de la curva de rendimiento esperada con la curva de rendimiento actual, debi-
do a la relacin existente entre cambio en rendimientos y variacin de precios, dada por la
siguiente expresin:
Es as como el cambio en los retornos (y) ponderado por la duracin modificada (D*)
5
,
permite proyectar el efecto precio para los instrumentos disponibles en el espectro de la curva
de rendimiento.
Para fines de exposicin, se asumir que la duracin es, aproximadamente, tres cuartos
de la madurez remanente, y que el flujo (cupn) y los retornos de la reinversin de este flujo se
5
La duracin modificada deflacta a D por el rendimiento bruto (1 + y):

aproximan al rendimiento actual del instrumento. Con esta simplificacin, el ndice de retorno
total se puede expresar como:
Consideremos diez activos alternativos cuya curva de rendimiento est representada en
el cuadro 1 en las filas Rendimiento t y Rendimiento t + 1. Obedeciendo a la simplifica-
cin de que la duracin de los distintos activos de renta fija corresponden al 75% de la madurez
de cada instrumento, el efecto precio del cambio de rendimiento de 50 puntos base propuesto
sera de 3,75% para el papel de diez aos, y de solamente 1,13% para el papel de tres aos.
Considerando los cupones y su reinversin el retorno total de cada instrumento se presenta en
la fila Retorno esperado, y correspondera a cerca de 2% para el papel de diez aos y de 4%
para el papel de tres aos, aproximadamente. La comparacin de curvas de rendimiento y
retornos esperados se presenta en la figura 1.
Cuadro 1
Madurez 1 2 3 4 5 6 7 8 9 10
Curva t 5 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9
Curva t + 1 5,5 5,6 5,7 5,8 5,9 6 6,1 6,2 6,3 6,4
Duracin (aos) 0,75 1,50 2,25 3,00 3,75 4,50 5,25 6,00 6,75 7,50
Retorno esperado 4,63 4,35 4,08 3,80 3,53 3,25 2,98 2,70 2,43 2,15
Efecto precio -0,38 -0,75 -1,13 -1,50 -1,88 -2,25 -2,63 -3,00 -3,38 -3,75
Figura 1
Estructura de rendimiento.
Para fines expositivos, la frmula aparece en la celda de Retorno esperado, en el
cuadro 2.
Cuadro 2
En la figura 1 se puede visualizar el efecto sobre el retorno de activos alternativos de un
incremento de 50 puntos base (0,5%) en la estructura de tasas de inters. Si se considera el
parmetro de retorno como nico ndice decisivo para realizar una inversin, ste indicara
que se debieran invertir en activos de corta madurez, pues son los que reportan mayores retor-
nos. La decisin en este ejercicio de acortar la duracin del portafolio se potencia si se introdu-
cen penalizaciones por concepto de riesgo, pues no es difcil demostrar que aquellos activos
con mayor duracin tienen mayor volatilidad en sus precios:
Una vez definido el vector de retornos esperados al incluir los supuestos deseados en el
movimiento de la estructura de tasas de inters, de acuerdo con la evolucin prevista de los
fundamentos, debemos especificar la estructura de riesgo del portafolio para generar un espa-
cio de inversiones disponibles. Este concepto conocido como la frontera eficiente, se revisa en
la siguiente seccin.
II. DETERMINACIN DE UNA FRONTERA EFICIENTE
Una frontera eficiente define los portafolios factibles (canastas de inversin) que cumplen con
el requisito de maximizar retorno para todo nivel de riesgo. En trminos matriciales, el proble-
ma se reduce a:
Esta especificacin indica que la frontera eficiente incluye aquellas ponderaciones
i
de los distintos activos i que cumplan con las condiciones de maximizacin de retornos para
cada nivel de riesgo preestablecido, o alternativamente minimizacin de riesgo (ms all del
punto de mnima varianza) para retornos predefinidos, obedeciendo a que los ponderadores
deben sumar 100% y no pueden en forma individual estar fuera del rango del 0% al 100%
como porcentaje de inversin.
Al resolver el problema de maximizacin propuesto, se estn escogiendo los puntos
que corresponden a la envolvente superior de los alternativos posicionamientos que cumplen
con las restricciones del problema. Cada punto de la figura 2 representa una alternativa de
inversin en una cartera ficticia, que se forma con ponderadores escogidos aleatoriamente,
pero que cumplen con la condicin de que los activos que forman esos portafolios tienen
participaciones entre 0 y 100% y que suman entre todos el 100% de la riqueza de un inversor,
definiendo la frontera eficiente como la envolvente superior de la nube de puntos que definen
estos portafolios ficticios.
Figura 2
Plano de retorno-riesgo portafolio ficticio.
Segn el anlisis previo, queda claramente establecido que la relacin que existe entre
retornos esperados y riesgo (desviacin estndar) para los distintos portafolios eficientes es
directa. Si se desea incrementar los retornos de un portafolio, se debe considerar el incremento
subyacente en el riesgo del portafolio propuesto. La evidencia muestra que para niveles bajos
de riesgo es posible incrementar retornos sin una adicin significativa de volatilidad; sin em-
bargo, esta relacin es cada vez menos vlida, de manera que llega un momento en que la
unidad de retorno adicional genera incrementos en la volatilidad muy por encima de los nive-
les observados a niveles de retornos bajos. Esta relacin se conoce como Coeficiente de Sharpe,
y define la razn retorno/riesgo de portafolios alternativos a lo largo de la frontera eficiente, la
cual presenta, empricamente, una relacin normalmente decreciente a lo largo de la frontera
eficiente a medida que se exige mayor nivel de retorno a un portafolio.
Tal como se ha discutido en prrafos anteriores, el diseo de una frontera eficiente
requiere de dos insumos determinantes. Primero, el vector de retornos esperados, que proviene
del anlisis de retorno total para todos los activos elegibles de una cartera potencial, y segundo,
de la matriz de riesgo, conocida como la matriz de varianzas y covarianzas de los retornos, la cual
tiene diversas alternativas de generacin (vanse Jorion, 1997; Best, 1998 y Dowd, 1998).
La visin tradicional es asumir que la matriz de varianzas y covarianzas esperada se
puede obtener de los datos histricos directamente. Esta metodologa, si bien es usual, asume
que las caractersticas de riesgo histricas persistirn en un futuro, lo cual no necesariamente
corresponde, y adems, no permite distinguir dos valores estadsticamente similares (como
podran ser 0,96 frente a 0,91), con las consecuentes soluciones esquinas que surgen de esta
diferencia numrica pero no estadsticamente significativa.
Esta ambigedad numrica impulsa la adopcin de mtodos correctivos para la matriz
de riesgo. Algebraicamente, la matriz de varianzas y covarianzas puede descomponerse en tres
matrices:
La primera y ltima matriz () corresponden a una diagonal de desviaciones estndar;
mientras que la matriz C, que se ubica entre stas ltimas, es la matriz simtrica de correlaciones.
La proyeccin de la matriz de riesgos puede surgir del anlisis y proyeccin de cada
matriz que la compone. Respecto a la matriz diagonal de desviaciones estndar, una alternati-
va consiste en la estimacin economtrica de modelos generalizados autorregresivos de
heteroscedasticidad condicionada, GARCH(p,q), los cuales permitiran proyectar cada des-
viacin estndar con determinado margen de error
6
.
Un proceso GARCH(p,q) se puede representar analticamente por (vase seccin VI):
6
Para un anlisis en detalle, revsese la seccin VI, modelos GARCH.
o para el caso especfico de un GARCH(1,1) como
7
:
Una segunda alternativa considera obtener las volatilidades directamente de valoracio-
nes de mercado por medio de la utilizacin de opciones sobre los instrumentos que forman el
portafolio potencial. La volatilidad implcita de cada opcin asociada a cada instrumento ser-
vira de proxy para definir el vector de desviaciones estndar. Esta ltima posibilidad ha que-
dado ms bien como propuesta, puesto que si bien es factible encontrar este vector de
volatilidades, en la prctica existen mltiples instrumentos alternativos que hacen difcil su
eleccin, lo cual implica incertidumbre en la unicidad de la solucin.
La matriz de correlaciones C no tiene contraparte de mercado al no existir algn instru-
mento del cual se pueda deducir al menos en forma implcita su valor. Existen bsicamente
tres alternativas para obtener esta matriz: la ms simple corresponde a considerar directamente
las correlaciones histricas de los retornos de los activos bajo anlisis. Una segunda alternati-
va consiste en proyectar economtricamente estas correlaciones mediante modelos GARCH,
de manera similar como se efectu en el caso de las volatilidades (Jorion, 1997). Finalmente,
se puede discretizar la matriz de correlaciones con un grid tan fino como se desee para garan-
tizar las equivalencias estadsticas entre los distintos valores de correlaciones. Este mecanis-
mo consiste en asignar a un punto del grid-unidimensional los valores especficos de las corre-
laciones, de manera que, por ejemplo, valores como 0,87 sean aproximados a 0,9 y valores de
0,84 sean aproximados a 0,8. Esta metodologa permite evitar estados absorbentes, es decir,
portafolios con soluciones esquinas muy marcadas, lo cual puede ir en contra de un objetivo de
liquidez no explcito en el algoritmo de optimizacin de portafolio.
Esta metodologa depurada del modelo de optimizacin, permite incrementar la con-
fianza en los resultados finalmente propuestos por un mecanismo de este tipo.
La prxima seccin utiliza esta metodologa para determinar lo que se conoce como
portafolio comparador.
III. EJERCICIO DE OPTIMIZACIN PARA UNA CARTERA FICTICIA
En esta seccin se realiza un ejercicio introductorio de optimizacin respecto a un portafolio
de tres activos cuyos retornos esperados, volatilidad y correlaciones, provienen directamente
de los retornos histricos
8
. La evolucin semanal de los precios de estos activos se presenta en
la figura 3.
7
Vase en la seccin IV.A, Value at Risk, la representacin simplificada del GARCH utilizada por
el banco J. P. Morgan.
8
Respecto a la discretizacin de correlaciones y modelos GARCH para la proyeccin de volatilidades,
se realizar un ejercicio en las siguientes secciones.
Figura 3
Precios de activos alternativos.
Los retornos entre t y t + 1 (semanales en nuestro caso) para cada activo i = 1,..., n, se
obtienen a partir de aplicar la aproximacin logartmica:
Con las herramientas de Excel, se determinan el valor promedio de los retornos, y la
matriz de varianzas y covarianzas correspondientes. Tal como se visualiza en el cuadro 3, una
vez calculada la matriz de varianzas y covarianzas, y los retornos esperados, se procede a
generar un vector de ponderadores que sumen 100% y que definan los montos a invertir de
cada activo. En el citado cuadro, estos ponderadores se ubican en las celdas E255:E257, y la
frmula MMULT(E246:G246,E255:E257) de la celda E253 determina el retorno del portafo-
lio propuesto. El riesgo definido como la raz cuadrada de la varianza del portafolio y presente
en la celda E252, se calcula por medio de la frmula
9
:
RAZ(MMULT(TRANSPONER(E255:E257),MMULT(E248:G250,E255:E257)))
que no es nada ms que la representacin en Excel de la multiplicacin

arriba
discutida.
9
La funcin TRANSPONER se activa al presionar simultneamente las teclas Ctrl+Shift+Enter.
Cuadro 3
Todas las restricciones del problema de optimizacin se incorporan a la herramienta
Solver de Excel. Para definir el punto de partida de la frontera se procede a definir como celda
objetivo a E252, cuyo valor debe ser minimizado
10
. Posteriormente, se definen las celdas que
se van a cambiar como E255:E257, correspondientes a los ponderadores de cada activo del
portafolio. Finalmente, se agregan las restricciones que consisten en que los ponderadores sumen
1 (E254 = 1), y que sus valores deben fluctuar entre 0 y 1 (E255:E257 <= 1) y (E255:E257 >= 0).
Una vez incorporadas todas las condiciones del problema, se procede a su optimizacin. Para
determinar los otros puntos del portafolio, se incorpora una restriccin adicional que corresponde
a los diferentes niveles de riesgo exigidos al portafolio, de manera que el algoritmo encuentre los
ponderadores que maximice el retorno. En el cuadro 3 se presenta la incorporacin de la res-
triccin de que el riesgo debe ser 4,6 (E252 = 4,6), y se resuelve el algoritmo maximizando la
celda objetivo para el retorno E253. Repitiendo este ejercicio para diferentes niveles de retor-
no, permite generar la frontera eficiente que se presenta en la figura 4.
En la figura 4 se puede evidenciar la pendiente positiva de la relacin retorno-riesgo a
lo largo de la frontera eficiente, y la convergencia asinttica a niveles de retorno mximos de
0,5 que corresponde al rendimiento del activo 1.
Si se realiza un ejercicio de optimizacin con restricciones, como el que no se deba
permitir que un portafolio posea ms de 50% en un activo, la nueva frontera eficiente estimada
estar por debajo de la generada sin restricciones, evidenciando que toda restriccin activa nos
conduce a un subespacio de menor retorno o mayor riesgo (vase figura 5). Sin embargo, esta
prdida en la asignacin de los recursos financieros es vlida en un ambiente de administra-
10
Ntese que no se hace una maximizacin de los retornos sino una minimizacin del riesgo global
para definir el portafolio de mnima varianza, desde donde justamente partir la frontera eficiente.
cin de portafolios cuando existe un comparador o cuando se realizan ejercicios de What if
Scenario. Restricciones adicionales al proceso de optimizacin pueden ser el resultado de
algn proceso de optimizacin o determinacin de rangos de variacin de parmetros que
obedezcan a otros criterios, independientes de los financieros. La siguiente seccin explora
conceptualmente los riesgos de alejarse en demasa de los puntos centrales de comparadores
explcitos o directamente intuitivos.
Figura 4
Frontera eficiente.
Figura 5
Frontera eficiente.
IV. VALUE AT RISK, TRACKING ERROR Y RAZN DE INFORMACIN
Esta seccin revisa conceptos de valoracin del riesgo, o volatilidades, ya sea midiendo el
riesgo en trminos absolutos, como es en el caso del value at risk (VaR), o en trminos relati-
vos a un portafolio comparador, como es el caso del tracking error (TE).
A. Value at risk
El concepto de value at risk, o valoracin del riesgo, proviene de la necesidad de cuantificar
con determinado grado de significancia o incertidumbre el monto o porcentaje de prdida que
un portafolio enfrentar en un perodo predefinido de tiempo (Jorion, 1997; Best, 1998 y Dowd,
1998). Su medicin tiene fundamentos estadsticos y el estndar de la industria es calcular el
VaR con un nivel de significacin de 5%. Esto significa que solamente el 5% de las veces, o 1
de 20 veces (es decir, una vez al mes con datos diarios, o una vez cada cinco meses con datos
semanales), el retorno del portafolio caer ms de lo que seala el VaR.
Si se considera una serie de retornos histricos de un portafolio que posee un nmero n
de activos, es factible visualizar la distribucin de densidad de aquellos retornos mediante el
anlisis del histograma. Es comn encontrar fluctuaciones de retornos alrededor de un valor
medio que no necesariamente es cero (este concepto en estadstica se denomina proceso con
reversin a la media) y cuya distribucin se aproxima a una normal. Leves asimetras (skewness)
son, a veces, percibidas en los retornos, pero desde un punto de vista prctico, es suficiente
asumir simetra en la distribucin. Una vez generada la distribucin, debe calcularse aquel
punto del dominio de la funcin de densidad que deja un 5% del rea en su rango inferior. Este
punto en el dominio de la distribucin se denomina value at risk y se presenta en la figura 6.
Figura 6
Value at risk.
En la medida que deseamos un 5% como rea de prdida, se debe multiplicar la desviacin
estndar de la serie de retornos por 1,645. Es decir, si el retorno esperado para un portafolio es de 4%
y la desviacin estndar es de 2%, entonces el VaR (con un nivel de significancia de 5%) indicar
que este portafolio podra sufrir una prdida superior a 1,645 * 2 = 3,29% en sus retornos esperados,
pasando de 4% a 0,71% o menos, solamente el 5% de las veces (1 de 20 veces).
Existen diversas alternativas para generar la matriz de varianzas y covarianzas con la
cual se cuantifica el VaR. Ms all de los procesos GARCH discutidos, existen metodologas
de simulacin de retornos que permiten hacer un clculo estimativo del VaR.
1. Mtodo delta-normal
El mtodo ms simple de clculo del VaR es el mtodo delta-normal. ste consiste en asumir
que los retornos tienen una distribucin normal e idnticamente distribuida, de manera que si
los retornos esperados para un portafolio de n activos se definen como:
entonces, la varianza de este portafolio se representa por:
donde tal como se revis en la seccin de determinacin de la frontera eficiente (vase
seccin II), es un vector columna de ponderadores no negativos que suman uno, y define
la matriz de varianzas y covarianzas para los retornos de los n activos.
El algoritmo para calcular el VaR, partira definiendo la matriz de varianzas y covarianzas
con la base histrica de retornos (se puede incluir alguna valoracin de desviaciones estndar
por medio de las volatilidades implcitas de opciones). Una vez que se tiene la ponderacin de
los instrumentos, se procede a calcular el VaR para el portafolio especificado, considerando un
nivel de significacin establecido de, por ejemplo, un 5%, lo que implica un ajuste de la
volatilidad de 1,645. El VaR del portafolio en porcentaje ser
11
:
El clculo del VaR va en relacin con la frecuencia de la base de datos, lo que hace
necesario el ajuste por el parmetro

t. Si la frecuencia de la base de datos de retornos es diaria
y se desea calcular el VaR para cinco das en adelante (una semana), entonces se debe multipli-
car por . El cuadro 4 resume las correcciones que se deben realizar dependiendo del hori-
zonte de anlisis para una base de retornos diaria (W es el monto del portafolio en $):
11
Si se desea el VaR en unidades monetarias, se debe multiplicar por la riqueza en (pesos) $ de W.
Cuadro 4
Estadstico Un da Semana Mes Ao
Retorno
Varianza
Desviacin estndar
VaR ( = 1,645)
Se puede generalizar el clculo de las VaR para perodos diferentes t
1
, t
2
como:
de manera que podemos ajustar el VaR para diferentes perodos por:
con lo cual se llega finalmente a:
Es decir, que si, por ejemplo, el VaR para un da es de $ 20.000, entonces, para una
semana y un mes ser de $ 44.721 y $ 89.443, respectivamente. Esta metodologa de
reconversiones se puede utilizar para todos los mtodos propuestos en estas secciones.
2. Mtodo de simulacin histrica
Una segunda alternativa consiste en aplicar el vector de ponderadores de inversin vigentes a
una serie representativa de retornos histricos, para generar una secuencia de valores de porta-
folio que pueden ser representados estadsticamente por un histograma. A partir de esta se-
cuencia de valoracin histrica que define una cierta distribucin de probabilidades, se proce-
de a calcular el VaR.
La secuencia de retornos se obtiene de multiplicar los ponderadores actuales, represen-
tados por el vector columna con los retornos histricos en cada instante :
Si cada uno de estos retornos se utiliza para determinar el valor del portafolio durante el
siguiente perodo, de manera que si se consideran 90 das hacia atrs, entonces se tendrn 90
valoraciones de portafolio. Sacando la desviacin estndar de las distintas valoraciones del
portafolio
H
, se puede calcular el VaR mediante la frmula estndar , para
un nivel de significancia de 5% ( = 1,645).
La metodologa de Simulacin Histrica es equivalente analticamente al mtodo Del-
ta-Normal, revisado en el numeral 1, a menos que la matriz de varianzas y covarianzas sea
alimentada de informacin proveniente de opciones, donde en cuyo caso se reemplazara la
volatilidad histrica por la volatilidad implcita en las opciones.
3. Mtodo de stress-testing o mtodo de situaciones extremas
Es comn asumir que los retornos son procesos estocsticos estacionarios que obedecen a una
cierta distribucin normal. Sin embargo, la existencia frecuente de outliers debilita tal supues-
to. El mtodo de Stress-Testing incrementa la ponderacin de los eventos extremos negativos
en la secuencia de valoracin del portafolio. Por medio de la recreacin de escenarios adversos
histricos, o la simple creacin de eventos negativos, este mtodo cuantifica los cambios pro-
bables en los valores del portafolio.
La figura 7 permite visualizar la funcin de distribucin para una secuencia de retornos
tpica (ndice de Precios Selectivo de Acciones de Chile, IPSA). Los outliers, el alto grado de
asimetra (skewness) y el ancho de las colas (leptokurtosis) es una caracterstica ampliamente
difundida en la literatura
12
. La distribucin emprica muestra un grado de leptokurtosis mayor
al presente en la distribucin normal. Esto implica que si se calcula un VaR considerando la
distribucin normal, se estara subestimando la prdida potencial del portafolio, puesto que el
rea bajo las colas es superior al implcito en la distribucin normal.
En la prctica, el anlisis de Stress-Testing se puede realizar de diversas formas. Una
alternativa puede ser la eleccin de una secuencia de retornos para un perodo especfico del
tiempo que represente, segn el administrador de portafolio, un escenario futuro probable. Es
decir, que si se disponen de retornos mensuales desde 1990 en adelante, se consideren, por
ejemplo, solamente los perodos en que hubo guerra en el Medio Oriente, o los perodos de crisis
econmicas (efectos tequila y crisis asitica, entre otros), o los perodos de grandes fluctuaciones
del valor del yen, o perodos de fuertes correcciones de precios de acciones (crisis burstiles),
etc. En este contexto, claramente el valor del VaR calculado segn las metodologas anteriormen-
te mencionadas, subestima las eventuales prdidas del portafolio vigente.
Una segunda opcin, es simular eventos adversos que no necesariamente hayan estado
presentes en la serie histrica. Este mecanismo se alimenta del anlisis simultneo de un grid
multidimensional de diferentes eventos, cada uno de los cuales es ponderado por un vector de
probabilidades, dando origen as a un vector de valoraciones de portafolios que permitirn el
clculo del VaR. En la prctica, su implementacin se ve limitada a la valoracin de eventos
12
Revsese ms adelante la teora de valores extremos (EVT).
discretos, dejando gran parte de los shocks potenciales fuera del anlisis. Este anlisis de esce-
narios es incapaz de cubrir todas las posibilidades que pueden hacer disminuir el valor de un
portafolio.
Adicionalmente, el mtodo de Stress-Testing puede implementarse por medio de la
Teora de Valores Extremos (EVT), que consiste en el estudio de las colas de las distribuciones
de probabilidad
13
. La no-normalidad de los retornos se ilustra en las figuras siguientes. En el
campo emprico, cada vez es ms comn encontrar aplicaciones a las finanzas que asumen que
los retornos se representan por una distribucin como la t de student. La ventaja de esta distri-
bucin es que presenta colas con mayor masa de probabilidad que la distribucin normal, lo
cual permite representar mejor a la distribucin emprica de los retornos.
La relevancia de los outliers queda de manifiesto en la figura 8, donde se presentan los
retornos semanales de una accin del mercado burstil chileno (Laboratorios Chile). El primer
grfico de la figura muestra los retornos observados para todo el perodo, mientras que los
grficos adyacentes presentan los retornos filtrados para distintos mrgenes. En la medida que
se exige un margen de retorno mayor, el nmero de eventos comienza a disminuir evidencian-
do la presencia de outliers. Si el margen sube de 2,5% a 5% y a 7%, se puede observar que es
fuerte la presencia de outliers como porcentaje de la muestra (242 obs): 50,8%, 23,6%, y
Figura 7
Histograma para una serie de retornos tpica.
13
Vanse Danielsson y De Vries (1997).
12,8%, respectivamente. El cuadro 5 presenta un anlisis comparativo con el caso de una
distribucin normal que permite visualizar la no-normalidad de los retornos. En una distribu-
cin normal, el 33,3% de las observaciones caen fuera de una desviacin estndar, mientras
que el 5% cae fuera del rango de 1,96 desviaciones estndar. Para la distribucin de retornos
emprica, estas figuras son 27% y 6%, respectivamente, lo cual ilustra la eventual no-normali-
dad de los retornos
14
.
Figura 8
14
El test de normalidad de Jarque-Bera para este activo es de 37,4 (p-value de 0), lo cual hace
rechazar la hiptesis nula de normalidad de los retornos. El coeficiente de Skewness es de 0,27 y el coefi-
ciente de Kurtosis alcanza a 4,85. ste ltimo estadstico ayuda al rechazo de la nula de normalidad.
Cuadro 5
Margen Distribucin normal Distribucin actual
Una desviacin estndar 33,3% 26,8%
1,96 desviacin estndar 5% 5,8%
4. Teora de valores extremos (EVT)
Esta teora estudia, mediante mtodos no paramtricos, las colas de una distribucin que no
necesariamente requiere ser conocida
15
. El parmetro que resume las caractersticas (grosor)
de la cola de una distribucin, es el Tail Index (ndice de Cola), y existen diversos estimadores
para este estadstico (vanse Hols y De Vries, 1991). Hill (1975) propone que el Tail Index se
defina por:
donde son los estadsticos de orden y M es el ndice
de umbral, segn el cual los

se utilizan en la estimacin del Tail Index. No existe una
forma analtica que resuelva el problema de cmo escoger M ptimamente; sin embargo, exis-
te una alternativa que sigue un procedimiento heurstico, y que consiste en computar un con-
junto de

para diferentes ndices de umbral, proponiendo escoger M de la regin sobre la
cual el parmetro

presenta relativa estabilidad.
La figura 9 presenta el estimador de Hill (

) aplicado a una serie de retornos accionarios
(ndice Selectivo de Precio de Acciones de Chile, IPSA). Lamentablemente, en la prctica no
es fcil determinar el umbral M, pues la funcin que representa al coeficiente de Hill no es
monotnica y presenta mltiples regiones de mesetas.
Figura 9
Estimador de Hill: Tail Index.
15
Para una descripcin detallada, revsense Hols y De Vries (1991), y Danielsson y De Vries (1997).
En el ejemplo
16
se escogi un M=20, lo cual entreg un coeficiente de Hill igual a
17
. Los estadsticos de orden fueron la media y la varianza, de manera que efectuando
un clculo de estadsticos secuenciales para los primeros dos momentos (media y varianza) se
procede a determinar la estabilidad de la distribucin emprica analizada.
La media y la varianza secuencial se utilizan para explorar la estacionariedad dbil de
la distribucin
18
. Las dos primeras ilustraciones de la figura 10 representan los estadsticos
secuenciales para los primeros momentos de la distribucin del IPSA. Se puede apreciar la
estacionariedad de la distribucin en lo que respecta a la media, que converge a un valor
cercado a 0,18%, y de la varianza, que converge a 2,3% aproximadamente (i.e., una volatilidad
de 1,5%). La media fue el estadstico utilizado para el clculo de las probabilidades de los
valores extremos de la distribucin.
Figura 10
16
Este procedimiento se program en GAUSS y su cdigo se puede solicitar al autor.
17
Hols y De Vries (1991) encuentran m = 25 y , para retornos del dlar canadiense,
evidenciando colas anchas.
18
Estacionariedad dbil de una variable aleatoria requiere que la media y la varianza sea estacionaria,
y que la funcin de autocorrelacin sea dependiente del horizonte de correlacin pero no del momento t del
anlisis. Estacionariedad fuerte es un supuesto mucho ms estricto y asume estabilidad de la funcin de
distribucin completa, y no slo de los primeros dos momentos, como en el caso de la estacionariedad dbil.
Utilizando la informacin de retornos del IPSA se ajust una distribucin normal y una
t-Student. Tal como es de esperar, la distribucin t-student tiene colas ms anchas que la fun-
cin de densidad normal (leptokurtosis), caracterstica tradicional de retornos en mercados
financieros, lo cual permite un clculo menos sesgado del VaR, en comparacin al mtodo
tradicional de clculo de multiplicar por 1.645 la desviacin estndar de los retornos, segn el
estadstico de la funcin de distribucin de densidad normal. Al utilizar una distribucin t-
student, el factor de ajuste debiera ser superior a 1,645, si es que el objetivo sigue siendo el de
dejar el 5% del rea a la izquierda de la distribucin.
En los grficos inferiores de la figura 10, se presenta la estimacin de la funcin de
densidad normal y t-student para la serie del IPSA y la estimacin utilizando la EVT para la
cola superior de la distribucin. Es posible visualizar la diferencia y subestimacin existente
en los modelos estadsticos en lo que se refiere a la potencial prdida de valor de un activo
financiero. La funcin de distribucin normal pondera casi cero los eventos de que el retorno
de un activo sea superior (o inferior) al 4%, mientras que la aproximacin de la t-student
mejora respecto a esta estimacin, ponderando en un mayor porcentaje estos eventos. El clcu-
lo efectuado por la metodologa de valores extremos (EVT) es el que mejor captura la forma de
la cola de la distribucin y reporta un incremento en las probabilidades de ocurrencia de outliers.
5. Mtodo de simulaciones de Monte Carlo
Una metodologa ms sofisticada y computador intensivo, es la de simulaciones de Monte
Carlo. sta consiste en la generacin de mltiples realizaciones para los retornos de un activo
(o activos) con un horizonte predefinido; por ejemplo, una semana o un mes. Estas realizacio-
nes deben ser generadas a partir de una funcin de distribucin de probabilidades que repre-
sente al proceso estocstico simulado; es decir, los retornos simulados para una accin espec-
fica deben ser generados de una distribucin normal con media 4% y desviacin estndar 2%.
Una vez simuladas las diversas trayectorias (usualmente este nmero es grande, i.e.,
5.000 o 10.000 realizaciones), se obtienen los valores del retorno para el horizonte de inver-
sin o anlisis preestablecido (cinco das o un mes). Con estos 5.000 o 10.000 valores se
procede a calcular la desviacin estndar del retorno del activo, para generar su VaR.
El procedimiento es bastante directo si el portafolio consiste en un activo. Sin embargo,
si la cartera de inversiones est compuesta por n activos, entonces se debe simular una secuen-
cia de 10.000 realizaciones para cada uno de esos n activos. Si los instrumentos no estn
correlacionados entre s, el ejercicio sera simplemente repetir n veces (una vez por instrumen-
to), el mismo procedimiento que se sigui para el portafolio de un activo. Sin embargo, si las
correlaciones entre los instrumentos no son nulas, la simulacin de los retornos debe conside-
rar tal covarianza, lo cual complica el procedimiento de generacin de procesos estocsticos.
Esta extensin metodolgica se revisar en una seccin posterior.
La generacin de procesos estocsticos mediante simulaciones de Monte Carlo es un
avance necesario en la medida que se tienen portafolios con instrumentos asimtricos; por
ejemplo, opciones. Si la cartera contiene solamente instrumentos lineales, los resultados del
proceso de simulacin de Monte Carlo sern equivalentes al resultado del anlisis de simula-
cin histrica, o a la metodologa de Delta-Normal, si no consideramos la volatilidad implcita
en las opciones. La ventaja de esta metodologa emerge de su flexibilidad para evaluar el
riesgo de portafolios cuyos retornos son necesariamente asimtricos, como suele suceder en
portafolios que contienen opciones sobre instrumentos o monedas.
B. Tracking error y razn de informacin
Frente a la existencia de un portafolio comparador es relevante la incorporacin de otro con-
cepto de riesgo similar al VaR, pero que guarda relacin con el riesgo de distanciarse o aproxi-
marse al portafolio benchmark. Este concepto se conoce como tracking error (TE) y se define
como el riesgo incremental de alejarse del portafolio comparador
19
.
Cuantitativamente este concepto de medicin del riesgo se define como:
donde sus componentes se definen como:
: vector de ponderadores del portafolio de inversin.
Bench
: vector de ponderadores del portafolio benchmark (comparador).
d
: matriz de varianzas y covarianzas de los retornos de los activos del portafolio.
La expresin visual de este concepto se deriva de generar un portafolio benchmark a
partir de criterios de optimacin en el plano retorno-riesgo (vase figura 11).
Es posible derivar lmites de sobre y subexposicin de portafolios respecto al compara-
dor, definiendo que el tracking error no supere una cantidad de puntos base predefinida (por
ejemplo, 100 pb). Es as como ambientes de alta fluctuacin de precios implica un incremento
de la volatilidad y con esto del tracking error, lo cual, desde el punto de vista de la inversin,
sealara la necesidad de aproximarse al portafolio comparador, para compensar el incremento
de las varianzas propio de la volatilidad del mercado.
Figura 11
19
Para una comprensin de la generacin de un portafolio comparador, revsese la seccin III.
Desde el punto de vista del diseo estratgico del portafolio con relacin al comparador,
existen diversos criterios alternativos de posicionamiento. Se puede inicialmente asumir que el
administrador de portafolio desea obtener 100 puntos bases sobre el portafolio comparador, pero
con un tracking error de no ms de 150 puntos base, o alternativamente se puede exigir que se
invierta en un portafolio que alcance un tracking error objetivo de 200 puntos base.
Un concepto que combina las dimensiones de retornos y riesgos sobre el comparador,
es la razn de informacin, la cual se define como:
Esta ecuacin describe el retorno incremental que se obtiene al posicionarse en un
portafolio diferente al comparador, por unidad de riesgo de desviacin del comparador. Por
ejemplo, al conseguir 75 puntos base de retorno incremental, con un tracking error de 100
puntos base, nos indica una razn de informacin de 0,75, o del 75% por cada unidad de
riesgo marginal.
Este concepto permite definir el posicionamiento ptimo de nuestra cartera, al conside-
rar la relacin que existe entre los riesgos inherentes de desviarse del portafolio comparador y
evaluarlos vis a vis los retornos incrementales esperados.
V. ANLISIS MATRICIAL DEL VALUE AT RISK
En esta seccin se desarrolla con mayor rigurosidad analtica el concepto del value at risk,
estructura que servir para efectuar simulaciones de carteras ficticias en secciones posteriores.
Se sabe que el retorno de un portafolio de dos activos se representa por la combinacin
lineal o promedio ponderado de los retornos particulares de cada activo:
donde la suma de los ponderadores es igual a 1. De aqu se desprende que la varianza de
este portafolio se denota por:
Si las varianzas se definen por y si la frmula de covarianza se aplica a la ecuacin
anterior, se llega a la expresin:
A partir de esta expresin se puede introducir la definicin de Value at Risk
, donde representan al factor de significancia (usualmente 1,645) y el
monto total de la inversin medido en unidades monetarias ($, USD, etc.), respectivamente
20
:
Al trabajar esta expresin, introduciendo el monto a invertir y el factor de significancia
dentro de la raz, se obtiene:
Esta representacin del VaR para dos activos puede generalizarse para n activos al
utilizar formato matricial, tal como se represent en la seccin II:
lo cual se puede representar resumidamente como:
con

como la matriz cuadrada de varianzas y covarianzas de orden n, y como un
vector fila de n ponderadores. Luego de aplicar la definicin , se llega a:
donde

representa a un vector de 1 x n de las VaR individuales para cada activo del
portafolio.
S se supone que para el caso de tres activos el vector de desviacin estndar y la matriz
de correlaciones se representan respectivamente por:
20
Por simplificacin se ha supuesto que t = 1.
entonces invertir un tercio en cada activo, para un portafolio total de $ 10.000, nos
entrega un vector de las VaR correspondientes a cada activo de:
de manera que el VaR para el portafolio ser de:
que es exactamente equivalente al que resulta de aplicar la ecuacin
:
Es interesante notar que el VaR del portafolio es inferior a la suma de los VaR indivi-
duales de cada activo, debido a los beneficios de la diversificacin.
VI. MODELOS GARCH PARA PROYECTAR VOLATILIDADES:
TEORA Y PRCTICA
Existen formas a partir de modelos economtricos para proyectar las volatilidades de un acti-
vo. Los modelos ampliamente difundidos corresponden a los desarrollados por Bollerslev (1986),
denominados modelos generalizados autorregresivos de heteroscedasticidad condicionada
(GARCH), que fueron la generalizacin a los modelos autorregresivos de heteroscedasticidad
condicionada (ARCH) desarrollados por Engle (1982).
Los modelos GARCH(p,d) se pueden representar por:
donde p indica el nmero de coeficientes GARCH y q el nmero de coeficientes ARCH.
El mtodo de estimacin utilizado para este tipo de modelos es el mtodo de mxima verosi-
militud, el cual consiste en encontrar los parmetros que permitan maximizar la funcin de
densidad conjunta de la data, para maximizar la probabilidad de que la funcin de densidad
considerada replique las observaciones. Diversos son los paquetes economtricos que hoy en
da permiten efectuar esta estimacin.
En la prctica, la exigencia de requerir de la estimacin de los coeficientes del modelo
GARCH se ve resuelto por la aproximacin implementada y popularizada por el informe
FourFifteen (4:15) del RiskMetrics-JPMorgan. Esta institucin, despus de experimentar con
diversos modelos, consider que minimizara la prdida de realidad en la estimacin del riesgo
de un activo si ponderaba por al rezago de la desviacin estndar y (1 - ) al rezago del
cuadrado de los retornos del activo. Es decir:
donde = 0,94 si son datos de retornos diarios, y = 0,97 si son datos mensuales
21
.
Para visualizar el concepto, consideremos un activo como el peso chileno. Esta moneda
se presenta en unidades de pesos por dlar americano ($/USD). Estimamos un GARCH(1,1)
para los retornos diarios del peso chileno, entregando en Eviews el resultado del cuadro 6.
Cuadro 6
21
Ntese la falta de constante.
De esta estimacin queda claro que el proceso que gobierna a la varianza ser:
de manera que estamos en condiciones de generar los intervalos de VaR generados a
partir del GARCH estimado para el proceso del peso chileno. La figura 12 representa tal inter-
valo, mientras que el cuadro 7 presenta la forma de inclusin y simulacin de las volatilidades
a partir del modelo estimado economtricamente.
Figura 12
Intervalo VaR-GARCH(1,1): peso chileno.
Cuadro 7
La cota superior del intervalo se genera de multiplicar la desviacin estndar gene-
rada por el GARCH(1,1) por 1,645; mientras que la cota inferior se genera de multiplicar
esta misma desviacin estndar por 1,645, garantizando que si el modelo est bien esti-
mado, la trayectoria de los retornos diarios del peso (rt) estara un 90% de las veces entre
dichos intervalos.
Ms all del inters del clculo preciso del VaR para un activo, est la interpretacin
para fines de eleccin de carteras y fijacin de lmites de riesgo. Por ejemplo, podra conside-
rarse como un activo de alto riesgo aquel que presente un VaR superior al 1% con lo cual si el
VaR proyectado supera dicho monto, se debe percutar una adecuacin del portafolio de mane-
ra que se pueda compensar tal exposicin, o, simplemente, se deba optar por salir de estas
posiciones riesgosas.
VII. SIMULACIONES DE MONTE CARLO PARA EL CLCULO DEL
VALUE AT RISK
En esta seccin se profundiza en la metodologa de clculo del VaR a partir de simulaciones
Monte Carlo. En este contexto se estima el VaR para un portafolio con un activo, y se extiende
la metodologa para el caso portafolios con n activos (Jorion, 1997; Best, 1998 y Dowd, 1998).
La idea consiste en generar secuencias futuras de precios de activos, que preserven las
caractersticas histricas de correlacin y volatilidad (lo cual se garantiza al utilizar una des-
composicin de Choleski); para comparar, para un horizonte predefinido, los retornos conse-
guidos para cada activo y as mismo para el portafolio. Al efectuar esta operacin, muchas
veces (10.000, por ejemplo) es posible generar un vector de 10.000 retornos de portafolio, lo
cual nos permite obtener un nmero equivalente de medidas de riesgo VaR. Es sta la distribu-
cin que nos interesa, de manera que se estudian los primeros momentos como la media y la
desviacin estndar de la distribucin de los VaR simulados, lo cual nos permite obtener una
mejor visin del riesgo del portafolio escogido. A continuacin se desarrolla esta metodologa
considerando un activo, tres activos cuyos retornos son absolutamente independientes, y, fi-
nalmente, el caso de tres activos cuyos retornos presentan correlaciones histricas que nos
interesa preservar en las simulaciones futuras de precios.
A. Caso de un activo
El precio de un activo en tiempo continuo puede representarse por:
donde representa al parmetro de volatilidad conocido y . Discreti-
zando para el caso en que t se refiere a un minuto o un da (t = 1), podemos representar la
versin discreta de la ecuacin anterior como:
Recursivamente hacia atrs es posible deducir que:
de manera que para generar un vector de J precios para un activo (y, por ende, retornos)
para un horizonte T, se debe generar J secuencias de largo T para
s
. Grficamente, este proce-
dimiento se presenta como:
A partir de este histograma, es posible generar un vector de riquezas alternativas con un
horizonte T, para poder calcular el VaR de este portafolio.
B. Portafolio con n activos: descomposicin de Choleski
Se considera ahora la situacin de un portafolio que posee n activos, pero que ninguno presen-
ta correlacin de retornos entre ellos. Esta caricatura de la realidad no es ms que una exten-
sin lineal de lo que se present anteriormente. El diagrama de simulacin corresponde a:
donde las variables para cada activo heredan las caractersticas del modelo que se pre-
sent en la seccin anterior. La generacin de mltiples trayectorias de precios para cada
activo sigue el mismo procedimiento ya presentado, puesto que no se ha incorporado ningn
supuesto de correlacin entre activos.
En la prctica, es necesario considerar las correlaciones que existen entre activos. Su-
pongamos que el portafolio consiste de n activos correlacionados, cuyo perfil de precios puede
reflejarse en el siguiente diagrama:
Tal como se demostrar, la matriz cuadrada no corresponde a la matriz de varianzas
y covarianzas, de manera que se debe utilizar alguna metodologa de descomposicin de ma-
trices para generarla. El procedimiento consiste en utilizar la matriz de varianzas y covarianzas
y la descomposicin de Choleski para generar la matriz .
Se sabe que P =
, de manera que al multiplicar por la transpuesta se obtiene:

El componente izquierdo de la ecuacin corresponde a la matriz de varianzas y
covarianzas de los retornos, y asumiendo que los
it
se distribuyen iid normal con media 0 y
varianza 1, i.e., , entonces:
siendo la ltima expresin la descomposicin de Choleski para la matriz de varianzas y
covarianzas de los retornos. Una vez encontrada la matriz descompuesta

se procede a simu-
lar J secuencias de largo {t + 1,T} de precios (retornos) para el vector de n activos del portafo-
lio. Este vector simulado de retornos servir de base para el clculo del VaR generado a partir
de J simulaciones de Monte Carlo (J = 10.000) para todo el vector de retornos.
Si consideramos una cartera de tres activos, con un horizonte de 10 perodos con 10.000
simulaciones para cada activo, los resultados del VaR se presentan en el siguiente histograma,
y adems como una forma de destacar la correlacin simulada entre los activos, se presenta
una realizacin particular de precios de activos durante estos 10 perodos.
Figura 13-b
Monte Carlo
(Mtodo descomposicin de Choleski).
Figura 13-a
Retorno de precios de acciones simulados.
La figura 13-a representa una parti-
cular secuencia de retornos para los tres ac-
tivos, simulados utilizando la descomposi-
cin de Choleski. Lo interesante de esta
simulacin es que las correlaciones de las
series simuladas preservan asintticamente
las cualidades de la matriz de varianzas y
covarianzas de la base original de datos.
Las tres secuencias son simuladas
10.000 veces para 10 perodos, de donde se
obtienen entonces un vector de 10.000 filas
con precios para cada uno de los activos bajo
escenarios alternativos. A partir de estos tres
vectores, se procede a calcular el VaR. Se
generan 10.000 VaR, los cuales se pueden
representar por un histograma (vase figura
13-b), reflejando que para este ejemplo el
VaR tiene un valor medio esperado de aproxi-
madamente 2,6%
22
.
CONCLUSIN
Las dimensiones consideradas en la eleccin
de un portafolio de inversin descansan tra-
dicionalmente y en su mayora en conceptos
asociados al retorno y al grado de liquidez
de los instrumentos alternativos. La dimen-
sin de riesgo suele ser considerada de forma
tangencial en la medida de que no se dispone
de una metodologa de aplicacin simple en
el momento de medir estos riesgos.
El presente estudio tiene como objetivo profundizar en esta dimensin y familiarizar al
lector con metodologas alternativas de medicin del riesgo financiero. Aqu se presentan dife-
rentes enfoques para cuantificar el riesgo en un portafolio de inversin, que van desde concep-
tos simples como duracin, hasta mtodos ms sofisticados como son los de simulacin de
Monte Carlo para la generacin de Value at Risk (VaR).
Cada uno de los diversos mtodos presentados tiene ventajas y desventajas. En la medi-
da que el portafolio analizado no contenga activos no lineales como opciones, se recomienda
22
El cdigo GAUSS, que fundamenta y genera este anlisis, est disponible directamente del autor.
usar mtodos simples como el Delta-Normal o Simulacin Histrica, los cuales generan una
matriz de riesgos con base en informacin de opciones (volatilidad implcita) o con base en
retornos histricos. Sin embargo, si el portafolio dispone de activos no lineales, es recomenda-
ble utilizar el mtodo de Simulacin de Monte Carlo, el cual, por lo dems, tiene la desventaja
de ser intensivo en recursos computacionales.
La aplicacin de estos mtodos va ms all del anlisis de un portafolio en particular.
La utilizacin de criterios de VaR para el control del riesgo de instituciones bancarias es cada
vez ms discutida, y de hecho, el Comit de Basilea recomienda su uso para la determinacin
del capital requerido por los bancos para respaldar sus operaciones de trading
23
. Jackson et al.
(1998) realizan una exploracin de cmo modificar las normas de requerimientos de capital
para los bancos, de manera que se puedan minimizar los riesgos de quiebra en el mbito de
cada banco o de una crisis bancaria generalizada.
Christian Andrew Johnson Medina es Ph. D. y MA en Economa de Duke University, EE.
UU., y Master of Arts in Economics de Georgetown University, EE. UU.-Chile. Tiene el
grado de ingeniero comercial en Administracin de Empresas e ingeniero comercial en
Economa, y licenciado en Economa y Administracin de Empresas. Ha publicado art-
culos en revistas como Applied Economics, Emerging Market Review, Trimestre Econ-
mico, Cuadernos de Economa y Revista de Anlisis Econmico, entre otras. Sus reas de
inters son econometra aplicada a las finanzas, macroeconoma y administracin de riesgo.
Actualmente forma parte del cuerpo de profesores de la Escuela de Negocios de la Uni-
versidad Adolfo Ibez, y anteriormente se desempe como jefe de la Mesa de Dinero
Internacional del Banco Central de Chile y como economista senior de la Divisin Estu-
dios de la misma institucin.
23
Desde 1995, Basilea la incorpora en su frmula del margen de solvencia para los bancos, en lo
que llama la enmienda del acuerdo de Capitales del 88 o Basilea 1.5. Agradezco a un rbitro annimo de
esta Revista la mencin de este punto.
Referencias
Best, P. (1998). Implementing value at risk. John Wiley & Sons.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroscedasticity. Journal of
Econometrics, 31 (307-327).
Campbell, J. Y.; Lo, A. W. & MacKinlay A. C. (1997). The Econometrics of Financial Markets. Princeton
University Press.
Danielsson, J. & De Vries, C. G. (1997). Value at risk and extreme returns. Mimeo, Tinbergen Institute
Rotterdam.
Dowd, K. (1998). Beyond value at risk: The new science of risk management. John Wiley & Sons.
Engle, R. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of the
United Kingdom inflations. Econometrica, 50 (987-1008).
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
Hill, B M. (1975). A simple general approach to inference about the tail of a distribution. Annals of
Statistics, 35 (1163-1173).
Hols, M. & De Vries, C. G. (1991). The limiting distribution of extremal exchange rate returns. Journal
of Applied Econometrics, vol. 6 (287-302).
Jackson, P.; Maude, D. & Perraudin, W. (1998). Bank capital and value at risk. Bank of England.
Working paper.
Jorion, P. (1997). Value at risk: the new benchmark for controlling market risk. McGraw-Hill.
J. P. Morgan (1996). RiskMetrics-Technical Document. Diciembre.
Mausser, H. & Rosen, D. (1999). Beyond VaR: Triangular risk decomposition, Algo Research Quarterly,
2(1), march (31-43).
Rao, C. R. (1973). Linear statistical inference and its applications. 2
nd
ed., John Wiley & Sons.

Métodos Altern Evaluac Riesgo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Métodos Altern Evaluac Riesgo

Cargado por

Copyright:

Formatos disponibles

Academia.

Revista Latinoamericana de Administracin

, de manera que al multiplicar por la transpuesta se obtiene:

También podría gustarte