Está en la página 1de 27

FACULTAD DE INGENIERIA ECONOMICA, ESTADISTICA Y CIENCIAS SOCIALES

UNI

SOLUCIONARIO:

EXAMEN FINAL
K
SECCION

Curso:
Analisis de Series de Tiempo
Profesor:
Caparo Coronado Rafael Jimmy

Indice
1. Demostraciones GARCH:Para calentar

1.1. Demostraci
on 1: ARCH() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Demostraci
on 2: Varianza no condicional . . . . . . . . . . . . . . . . . . . . . . .

2. SS y Filtro de Kalman

2.1. Transformar la siguiente experesion en su version State Space (SS) . . . . . . . .

2.2. Ganancia de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. C
alculo estoc
astico aplicado a las finanzas: Tasa de inter
es
3.1.

Procesos de Ornstein- Uhlenbeck . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Black Derman Toy Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

3.3. Proceso de Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

3.3.1. El proceso de difusi


on . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

3.3.2. El primer momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

3.3.3. El segundo momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

3.4. Proceso de Hull-White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

4. Un modelo simple para Opciones Europeas: Black and Scholes model.

17

4.1. Soluci
on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

4.1.1. delta: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

4.1.2. rho: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

4.1.3. vega: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

4.1.4. gamma: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

4.1.5. theta: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

5. Corto plazo vs Largo Plazo

20

5.1. Que relaci


on hay entre los coeficientes de estos MCEs y los de la especificacion
original? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

5.2. Que signo pueden tener los coeficientes de ajuste de corto plazo para que estas
series cointegren? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

5.3. Cu
al es el papel de par agarantizar el ajuste de largo plazo? Explique como
esto garantiza que los errores se corrijan . . . . . . . . . . . . . . . . . . . . . . .
6. Definiciones

21
22

6.1.

CDO, CDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

6.2.

Titulizaci
on

22

6.3.

Probabilidad de default (incumplimiento) y Loss Given Default

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . .

23

6.4. Correlaci
on entre incumplimiento . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

6.5. Requerimiento del Capital economico . . . . . . . . . . . . . . . . . . . . . . . . .

23

6.6.

Simulaciones de Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

6.7.

CreditMetrics Credit Risk

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

6.8.

Credit Value Adjustment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

6.9. Modelo Cyrce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

6.10. IRB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

6.11. Credit scoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

6.12. Basilea RM y RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

6.13. Funci
on de distribuci
on de perdidas y de incumplimientos . . . . . . . . . . . . .

26

6.14. Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

1.

Demostraciones GARCH:Para calentar

1.1.

Demostraci
on 1: ARCH()

El modelo GARCH(1,1) para un proceso t se define como t = t at donde at v N (0, 1), t


y at son independientes. Adem
as t |t1 v N (0, t2 ) .
Sea el modelo:
2
t2 = 0 + 1 2t1 + 1 t1
, 0 > 0, 1 , 1 0

Demostrar que el modelo GARCH(1,1), equivale a un modelo ARCH de orden infinito:


t2 =

0
1
+
2
1 1 1 1 L t1

Soluci
on:
|1 | < 1 es una condici
on necesaria para la estacionalidad del modelo. Bajo esta condicion, el
modelo GARCH(1,1) equivale a un modelo ARCH de orden infinito.
Veamos la justificaci
on de que un proceso GARCH(1,1) puede aproximarse a un proceso ARCH(p)
si p es lo suficientemente grande.
Sea:
2
t2 = 0 + 1 2t1 + 1 t1
, 0 > 0, 1 , 1 0

Luego:
2
2
t1
= 0 + 1 2t2 + 1 t2

Por lo tanto:
2
t2 = 0 + 1 2t1 + 1 (0 + 1 2t2 + 1 t2
)
2
= 0 + 1 0 + 1 2t1 + 1 1 2t2 + 12 t2
2
= 0 + 1 0 + 12 0 + 1 2t1 + 1 1 2t2 + 12 2t3 + 13 t3
2
= 0 + 1 0 + 12 0 + 13 0 + 1 2t1 + 1 1 2t2 + +12 2t3 + 13 2t4 + 14 t4

.
.
.
= 0 (1 + 1 + 12 + 13 + ...) + 1 (2t1 + 1 2t2 + 12 2t3 + 13 2t4 + ...)
= 0 (1 + 1 + 12 + 13 + ...) + 1 (1 + 1 L + 12 L2 + 13 L3 + ...)2t1
=

1
0
+
2 , |1 | < 1
1 1 1 1 L t1

1.2.

Demostraci
on 2: Varianza no condicional

Si los t siguen un proceso GARCH(1,1), demostrar entonces que la varianza no condicional


de t esta dada por:
t2 = E(2t ) =

0
, |1 + 1 | < 1
1 (1 + 1 )

Soluci
on:
t2 = E(2t ) = E(h2t a2t ) = E(a2t (0 + 1 2t1 + 1 h2t1 )
= E(0 + 1 2t1 + 1 h2t1 ) = 0 + 1 E(2t1 ) + 1 E(h2t1 )
2
2
= 0 + 1 t1
+ 1 t1
2
= 0 + (1 + 1 )t1
2
Por lo tanto, utilizando la f
ormula de recurrencia t2 = 0 + (1 + 1 )t1
, y suponiendo que es

finita, se tiene que 02 es finita, se tiene que:


12 = 0 + (1 + 1 )02
22 = 0 + (1 + 1 )12
= 0 + (1 + 1 )[0 + (1 + 1 )02 ]
= 0 + (1 + 1 )0 + (1 + 1 )2 02
32 = 0 + (1 + 1 )22
= 0 + (1 + 1 )0 + (1 + 1 )2 02 + (1 + 1 )3 02
.
.
.
t2 = 0 [1 + (1 + 1 ) + (1 + 1 )2 + (1 + 1 )3 + ... + (1 + 1 )t1 ] + (1 + 1 )t 02
=
=

0 [1 (1 + 1 )t ]
+ (1 + 1 )t 02
1 (1 + 1 )

0
0 (1 + 1 )t

+ (1 + 1 )t 02
1 (1 + 1 ) 1 (1 + 1 )

Entonces, si t y se cumple que |1 + 1 | < 1 :




0
0 (1 + 1 )t
0
lm

+ (1 + 1 )t 02 =
x 1 (1 + 1 )
1 (1 + 1 )
1 (1 + 1 )

2.
2.1.

SS y Filtro de Kalman
Transformar la siguiente experesi
on en su versi
on State Space (SS)

yt = ct + t
ct = 1 ct1 + 2 ct2 + t
t = st + t
st = St
2
t N (0, ,s
)
t

2
2
2
,s
= ,0
(1 St ) + ,1
St
t

St = 0, 1
P rob(St = 1/St1 = 1) = q
P rob(St = 0/St1 = 0) = p
t = gt1 + t1 + t
gt = gt1 + wt
2
wt N (0, w
)

vt N (0, v,St
2
2
2
v,s
= v,0
(1 St ) + v,1
St
t

Soluci
on:
yt = Ht
5

(1)

t =
St + F t1 + Vt

(2)

E(Vt Vt0 ) = QSt

(3)

Donde:

1
ct

H =
0 , t = c

t1
0
gt
0

, St = St

vt

0 1 2 0
ut
,F =

0 1 0 0 , Vt = 0

0 0 0 1
wt

(4)

QSt

2.2.

2
,s
t

2
,s
t

0 0

2
0 w
0

Ganancia de Kalman
Un primer paso es la representaci
on de un sistema es su version State-Space (SS), con lo

cual procedemos a usar el algoritmo iterativo de Kalman, haciendo uso de la famosa ganancia
de Kalman (GK), a manera de ejercicio se le pide demostrar la GK considerando un MLG con
coeficientes constantes:

yt = t Xt + t
t = t1
Soluci
on:

Tt = I; dt = 0; wt = 0
Todas las ecuaciones pueden representarse matricialmente.
"

yt
t

"
=

Xt M
N

0
6

#"

t
t

"

t
yt

#
N
It1

E(t |It1 )
E(yt |It1 )

# "
,

V AR(t |It1 )

COV (t , yt |It1 )

COV (yt , t |It1 )

V AR(yt |It1 )

Tomando E
E(yt |It1 ) = E(Xt t |It1 ) + E(t |IT 1 )
Donde:
E(t |IT 1 ) = 0

E(t |It1 ) = E(Tt t1 |It1 ) + E(dt |IT 1 ) + E(Gt wt |IT 1 )


Donde:

E(Gt wt |IT 1 ) = 0

E(yt |It1 ) = Xt E(t |It1 )

E(t |It1 ) = Tt E(t1 |It1 ) + dt


Tomando VAR:

V AR(yt |It1 ) = Xt V AR(t |It1 )Xt0 + V AR(t )


Donde:

t = V AR(t |It1 )
V AR(t |It1 ) = Tt V AR(t1 |It1 )Tt0 + Gt V AR(wt |It1 )G0t
2
w
= V AR(t )

#
}

Tomando COV:

COV (yt t |It1 ) = E(yt t0 |It1 ) E(yt |It1 )E(t0 |It1 )


COV (yt t |It1 ) = E(yt t0 |It1 ) E(Xt t + t |It1 )E(t0 |It1 )
COV (yt t |It1 ) = E(yt t0 |It1 ) Xt E(t |It1 )E(t0 |It1 )
Como

yt = Xt t + t
yt t0 = Xt t t0 + t t0 E(yt t0 |It1 ) = Xt E(t t0 |It1 ) + E(t )
Donde
E(t ) = 0
Como
0
V AR(t |It1 ) = E(t t0 |It1 ) E(t1
|It1 )E(t1 |It1 )

0
E(yt t0 |It1 ) = Xt [V AR(t |It1 ) + E(t1
|It1 )E(t1 |It1 )]

0
0
COV (yt t |It1 ) = Xt [V AR(t |It1 ) + E(t1
|It1 )E(t1 |It1 )] Xt E(t1 |It1 )E(t1
|It1 )

COV (yt t |It1 ) = Xt V AR(t |It1 )


Analogamente:
COV (t yt |It1 ) = V AR(t |It1 )Xt0
La ganancia de Kalman se muestra de la siguiente manera:

COV (t yt |It1 )
V AR(t |It1 )Xt0
=
V AR(yt |It1 )
Xt V AR(t |It1 )Xt0 + V AR(t )

3.

C
alculo estoc
astico aplicado a las finanzas: Tasa de inter
es
Dentro del curso se utiliz
o la teora del calculo estocastico para simular procesos de difusi
on

de activos subyacentes, que simulan un comportamiento parecido a los procesos estocasticos


estudiados en la parte inicial del curso, de acuerdo a ello y usando el Lema de Ito y la isometra
de Ito se le pide encontrar:
a) Los procesos de difusi
on
b) El primer momento
c) El segundo momento
De las siguientes expresiones:

3.1.

Procesos de Ornstein- Uhlenbeck

Tambien conocido como modelo con revision a la media. EL modelo de Vasiseck es un ejemplo
de este proceso dado por:
drt = (rt u)dt + dw
Soluci
on:
a) Los procesos de difusi
on
Con el fin de obtener una soluci
on para rt , apliquemos el lema de Ito para una funci
on
G(rt , t)
G
1 2G
G
dt +
drt +
dt
t
rt
2 rt2


G
G 1 2 G
G
dG =
(rt u)
+
dt +
dw
2
t
rt 2 rt
rt
dG =

Para poder integrar con facilidad los terminos, buscamos que el coeficiente de dt sea cero. Para
ello G(rt , t) = et (rt u). As:
G
= et (rt u)
t

G
= et
rt

2G
=0
rt2

Reemplazando:



d et (rt u)
= et dw
Z t
t
e (rt u) (r0 u) =
es dw
0

rt = u + et (r0 u) + et

Z
0

es dw

b) C
alculo de la esperanza
E(rt ) = u + et (r0 u) + et E

Z

es dw

Entonces debemos calcular E

R

t s
0 e dw

f (s)dw '

I=

f (ti )(wi )

Donde (wi ) = wti+1 wti


Pero de la definici
on de movimiento browniano, (wi ) esta distribuido normalmente con
media 0 y varianza ti+1 ti . Luego:
!
X

E(I) ' E

f (ti )(wi )

f (ti )E ((wi )) = 0

Ya que E ((wi )) = 0 Luego:


E(rt ) = u + et (r0 u)
Luego si r0 = u E(rt ) = 0, adem
as si t E(rt ) = 0
b) C
alculo de la varianza

!
V ar(I) ' V ar

f (ti )(wi )

f 2 (ti )V ar ((wi )) =

f 2 (ti )(ti+1 ti )

Z t
Z t
f 2 (s)ds
V ar( f (s)dw) =
0

Debido a que (wi ) es independiente y tiene una distribucion con varianza ti+1 ti Reemplazando
en la expresi
on de rt tenemos:


Z t
Z t
t
s
2 2t
V ar(rt ) = V ar e
e dw = e
e2s ds
0

V ar(rt ) =

3.2.


2 
1 e2t
2

Black Derman Toy Model

Utilizado para la titulizaci


on de valores garantizados por activos y derivados de tasa de
interes, este modelo es similar a:
0

d ln (rt ) = (t +

t
)dt + t dWt
t

Soluci
on:
10

Si asumimos tasa de volatilidad constante (t = ), entonces el modelo sera:


d ln (rt ) = t dt + dWt
Ademas:
d ln (rt ) =

drt
rt

Por lo que el modelo quedara expresado como:


drt = t rt dt + dWt
a)
Este modelo es similar al anterior pero con u = 0
Igualmente aplicamos el lema de Ito para una funcion G(rt , t)


G
G 1 2 G
G
dG =
+ rt
+
dt +
dw
2
t
rt 2 rt
rt
Y asumimos G(rt , t) = et rt . As:
G
= et rt
t

2G
=0
rt2

G
= et
rt

Y reemplazando obtenemos:

rt = et r0 + et

es dw

b) C
alculo de la esperanza
t

Z

E(rt ) = e r0 + e E


dw

Utilizando el mismo procedimiento del ejercicio anterior, la esperanza puede ser expresada como:
E(rt ) = et r0
c) C
alculo de la varianza
Nuevamente utilizando los resultados del ejercicio 3.1 la varianza estara expresada por:
Z
V ar(

Z
f (s)dw) =

Reemplazando el rt hallado obtenemos:

11

f 2 (s)ds



Z t
Z t
e2s ds
es dw = 2 e2t
V ar(rt ) = V ar et
0

V ar(rt ) =

3.3.

2
2

1 e2t

Proceso de Ornstein-Uhlenbeck

Modelo para la tasa de interes instantanea

drt = a(b rt )dt + dWt


Hallar:
1. Hallar el proceso de difusi
on.
2. Hallar el primer momento.
3. Hallar el segundo momento.
Solucion:
3.3.1.

El proceso de difusi
on

La ecuaci
on puede ser reescrita como:
drt = a(rt b)dt + dWt ...(1)

Hacer un cambio de variable:


Xt = rt b...()
dXt = drt ...()

La ecuaci
on (1) se reemplaza con (*) y (**) y queda:
dXt = aXt dt + dWt
dXt + aXt dt = dWt ...(2)

12

Multiplicar a (2) por eat :


eat dXt + aeat Xt dt = eat dWt ...(3)
Ordenando los diferenciales en (3)
d(eat Xt ) = eat dWt ...(4)
Integrando de 0 a t en (4) tenemos:
t

d(eat Xt ) =

eas dWs

eat Xt |t0 =

eas dWs

eat Xt X0 =

eas dWs

donde X0 es dado,
at

Xt = e

at

X0 + e

eas dWs ...(5)

Reemplazando (*) en (5)


at

rt b = e

(r0 b) + e

at

eas dWs

Proceso de difusi
on:
rt = e

at

at

r0 + b(1 e

)+e

at

eas dWs

3.3.2.

El primer momento

Tomando el valor esperado al proceso de difusion quedara:


Z t
at
at
at
E(rt ) = E[e r0 + b(1 e ) + e
eas dWs ]
0
at

E(rt ) = E[e

at

r0 ] + E[b(1 e

)] + E[e

at

eas dWs ]

donde eat r0 y b(1 eat ) son constante, y E[eat

Rt
0

eas dWs ] es cero, entonces:

Primer Momento:
E(rt ) = eat r0 + b(1 eat )

13

3.3.3.

El segundo momento

El operador varianza:
V ar(rt ) = E[(rt E[rt ])(rt E[rt ])]
Tomando la varianza al proceso de difusion quedara:
Z t
Z t
2 2at
au
eav dWv ]
V ar(rt ) = e
E[ e dWu
0

Operando y ordenando:
2 2at

V ar(rt ) = e

Z t
Z t
au
eav dWv ]
E[ e dWu
0

2 e2at (e2amin(t,t) 1)
2a
2
2at
e
(e2at 1)
V ar(rt ) =
2a

V ar(rt ) =

Segundo Momento:
V ar(rt ) =

3.4.

2 (1 e2at )
2a

Proceso de Hull-White

Un modelo m
as generalizado dado por:
drt = (t rt )dt + dWt
Soluci
on:
a) Proceso de difusi
on
Aplicamos el Lema de Ito a F (xt , t)

dF
dF

F
F
1 2F 2
dt +
drt +
dt
t
rt
2 rt2


F
R 1 2 F 2
F
=
+ (t rt )
+
dt +
dWt
2
t
rt 2 rt
rt

Ahora hacemos F (xt , t) = et rt por lo que sus derivadas parciales seran:


F
= et rt
t

G
= et
rt

Reemplazando en la diferencial de F
14

2G
=0
rt2

d et rt

d et rt


et rt + et (t rt ) + 0 dt + et dWt

= t et dt + et dWt
Z T
Z T
T

t
t
et dWt
t e dt +
d e rt =
0
0
0
Z T
Z T
s
T
(0)
es dWs
s e rs ds +
e rT e
r0 =
0
0
Z T
Z T
T
s
e rT = r0 +
s e rs ds +
es dWs
0
0
Z T
Z
rT = r0 eT +
s e(T s) rs ds +
Z

e(T s) dWs

Cmabiando t por T
t

rt = r0 e

Z
+

(ts)

s e

Z
rs ds +

e(ts) dWs

b) C
alculo de la esperanza
Siguiendo las mismas propiedades que en la parte 1.
Z t

Z t
t
(ts)
(ts)
E(rt ) = r0 e
+
s e
rs ds + E
e
dWs
0

(-64)

Tenemos que
Z
I=

0t f (s)dw '

f (ti )(wi )

Donde (wi ) = wti+1 wti


Pero dWi ' (wi ) es un movimiento browniano, distribuido normalmente con media 0 y
varianza ti+1 ti . Entonces:
!
E(I) ' E

f (ti )(wi )

f (ti )E ((wi )) = 0

Entonces:
E(rt ) = r0 e

Z
+
0

15

s e(ts) rs ds

c) C
alculo de la varianza
Habiendo definido I utilizamos una propiedad de los procesos Wiener o movimientos brownianos:
!
V ar(I) ' V ar

f (ti )(wi )

f 2 (ti )V ar ((wi )) =

Entonces

Z
V ar(

f 2 (ti )(ti+1 ti )

f 2 (s)ds

f (s)dw) =
0

Ademas f (s) = e(ts) por lo que


Z t
Z t
V ar( e(ts) dw) =
e2(ts) ds
0

Aplicando

V ar(rt ) = V ar r0 et + V ar

Z


 Z t

s e(ts) rs ds + V ar
e(ts) dWs

Pero

Rt
0

s e(ts) rs ds es una integral de Riemman (determinstica) por tanto


 Z t
(ts)
e
dWs
V ar(rt ) = V ar
0
Z t

2
(ts)
V ar(rt ) = V ar
e
dWs
0
Z t
2
e2(ts) ds
V ar(rt ) =
0

V ar(ry ) =


2
1 et
2

16

4.

Un modelo simple para Opciones Europeas: Black and Scholes model.


Recuerde lo visto en los laboratorios del curso, y por ser este un examen escrito solo se le

pedira encontrar los valores de las griegas siguientes: Delta, rho, vega, gamma, theta, para el
modelo de BS:
c = SN (d1 ) Kexp(r )N (d2 )
d1 =

4.1.

ln(S/K) + (r + 0, 5 2 )

d2 = d1

Soluci
on:

En el modelo de Black and Scholes, el precio de una opcion call Europea de acciones que
pagan dividendos es:
c = SN (d1 ) Ker N (d2 )

(-70)

donde S es el precio de las acciones en su fecha de valoracion; K es el precio de ejercicio


(strike), r es el precio spot (constante), = T t es el tiempo de madurez, donde T es el
vencimiento y t es la fecha de valoraci
on.
d1 =

ln(S/K) + (r + 0, 5 2 )

d2 = d1

(-70)
(-70)

donde es la volatilidad de la acci


on.
Con el fin de demostrar el teorema de The Greeks, recogemos algunos calculos comunes en
las siguientes lneas:
Lemma 1. Se tiene que:
SN 0 (d1 ) Ker N 0 (d2 ) = 0
d1
d2
1

=
=
S
S
S

d1
d2

=
=
r
r

d2 d1

=
t
t
2
d1 d2

17

(-71)
(-71)
(-71)
(-71)
(-71)

Antes de proseguir con los c


alculos, debemos tener en cuenta que:
1
2
N 0 (x) = ex /2
2
Por lo que la ecuaci
on (4) se cumplir
a solamente si:
SN 0 (d1 ) = Ker N 0 (d2 )

S r
N 0 (d2 )
S
d2 d22
e
= 0
ln( ) + r = 1
K
N (d1 )
K
2

Notese que lo que se encuenta en la parte derecha de la u


ltima condicion es:

d21 d22 1
S
1
1
= (d1 + d2 )(d1 d2 ) = (2d1 ) = ln( ) + (r + 2 ) 2
2
2
K
2
2
S
=ln( ) + r
K
con lo que tendramos la certeza de que la ecuacion (4) se cumple estrictamente. Por lo que,
procederemos con el c
alculo de The Greeks:
4.1.1.

delta:

Para calcular la delta, tenemos:


c =

c
d1
d2
= N (d1 ) + SN 0 (d1 )
Ker N 0 (d2 )
S
S
S

Teniendo en cuenta (5), tendramos:


c = N (d1 ) +

i
d1 h
SN 0 (d1 ) Ker N 0 (d2 )
S

Seguidamente, por la ecuaci


on (4) nos queda:
c =
4.1.2.

c
= N (d1 )
S

(-71)

rho:

Para el rho, tenemos:


c =

d1
d2
c
= SN 0 (d1 )
+ Ker N (d2 ) Ker N 0 (d2 )
r
r
r

Simplificando por (6), tenemos:


c = Ker N (d2 ) +

i
d1 h
SN 0 (d1 ) Ker N 0 (d2 )
r

Finalmente, por la ecuaci


on (4) tenemos:
c =

c
= Ker N (d2 )
r
18

(-71)

4.1.3.

vega:

c =

c
d1
d2
= SN 0 (d1 )
Ker N 0 (d2 )

Por la ecuaci
on (8), tenemos:
c =

Ker N 0 (d2 ) +

i
d1 h
SN 0 (d1 ) Ker N 0 (d2 )

Lo cual, simplificando por (4) nos queda:


c =

Ker N 0 (d2 )

(-71)

c =

c
= SN 0 (d1 )

(-71)

O lo que es lo mismo:

4.1.4.

gamma:

Para calcular la gamma,utilizaremos las ecuaciones (9) y (5), tenemos:


c =

2c
c
d1
N 0 (d1 )
0

=
=
N
(d
)
=
1
S 2
S
S
S

(-71)

Lo cual, tambien puede ser escrito de la siguiente manera:


c =
4.1.5.

Ker N 0 (d2 )
S

Ker N 0 (d2 )

S2

(-71)

theta:

El theta es:
c =

c
d1
d2
= SN 0 (d1 )
rKer N (d2 ) Ker N 0 (d2 )
t
t
t

Por la ecuaci
on (7), tendramos:
c = rKer N (d2 ) +

i Ker N 0 (d )
d1 h
2

SN 0 (d1 ) Ker N 0 (d2 )


t
2

Lo que por la ecuaci


on (4) se reduce a:
c = rKer N (d2 )
O su equivalente:
c = rKer N (d2 )

SN 0 (d1 )

Ker N 0 (d2 )

Lo que finalmente, queda expresado como:


c =

h
c
N 0 (d2 ) i

= Ker rN (d2 ) +
t
2

19

(-71)

5.

Corto plazo vs Largo Plazo


Considere el siguiente sistema:
Xt = Zt + t ...(i)
t = t1 + vt ...(ii)

Reexpresarlo como dos Modelos de Correccion de Errores(MCEs) y responder las siguientes


preguntas.

5.1.

Qu
e relaci
on hay entre los coeficientes de estos MCEs y los de la especificaci
on original?

Soluci
on:
De (i) despejamos t
t = Xt Zt ...(iii)
Rezagamos un periodo
t1 = Xt1 Zt1 ...(iv)
Reemplazamos (iii) y (iv) en (ii)
Xt Zt = (Xt1 Zt1 ) + vt ...(1)
Obtenemos el modelo ADL(1,1)(Henry, Pagan y Sargan)
Xt = Xt1 Zt1+ + Zt + vt ...(1)
Luego expresamos (1) como un Modelo de Correccion de Errores (ECM), por lo que se
procedera a restar a ambos lados Xt1
Xt Xt1 = ( 1)Xt1 Zt1 + Zt + vt ...(1)
Sumamos y restamos Zt1+ al derecho de la ecuacion
Xt = ( 1)Xt1 Zt1 + Zt + vt + Zt1 Zt1 ...(1)
Agrupamos:
Xt = ( 1)Xt1 + Zt ( )Zt1 + vt
Xt = ( 1)(Xt1 Zt1 ) + Zt + vt
Reparametrizando, donde 1 = 1 ; = = 1
Xt = 1 (Xt1 Zt1 ) + Zt + vt ...(I)
De (I) despejamos 1 Zt
1 Zt = 1 (Xt1 Zt1 ) Xt + vt
20

Zt =

1
1 (Xt1

1
1 Zt1 )

Xt +

vt
1

Zt = 2 (Xt1 Zt1 ) + 2 Xt + wt
donde: VEC = Xt1 Zt1
Por lo tanto las respuestas al problema son:
1 = 1
= = 1
2 =
2 =

5.2.

Qu
e signo pueden tener los coeficientes de ajuste de corto plazo para
que estas series cointegren?

Soluci
on:
El coeficiente de ajuste de corto plazo esta representado por (coef icientedeZt1 en(1)),
este mide los efectos de corto plazo en un cambio de Zt1 .
Para qye haya cointegraci
on debe cumplirse que: 0 < < 1

5.3.

Cu
al es el papel de par agarantizar el ajuste de largo plazo? Explique
c
omo esto garantiza que los errores se corrijan

Soluci
on:
es el multiplicador de largo plazo, es decir el parametro que mide la respuesta de Xt a
largo plazo ante un cambio de Zt .
Notamos que al ser = el papel de para garantizar el ajuste a largo plazo es nulo.
La ecuaci
on (1) contiene el mecanismo de correccion de errores (V EC = Xt1 Zt1 ) que
captura las desviaciones de Xt con respecto a su valor de equilibrio en el periodo anterior.

21

6.

Definiciones

6.1.

CDO, CDS

Collateralized debt obligation (CDO)


Los CDO son un instrumento financiero que se ha popularizado su utilizacion durante estos
u
ltimos a
nos y que pertenece a la familia de los ABS (Asset Backed Securities), estos instrumentos estan garantizados por un grupo de activos (pool). Tenemos que entender a este instrumento
como una empresa en s, cuyos activos (denominados collateral) son prestamos u otros instrumentos de deuda (incluidas las hipotecas) y el pasivo esta formado por obligaciones frente a
terceros, estas obligaciones es la financiacion requerida para comprar dichos activos. El problema de los CDO recae en su compleja estructura, que es realmente difcil de comprender. Los
CDO son un instrumento que se estructura en tramos, cada uno de estos tramos tiene un rating
diferente. Los tramos se denominan en funcion del rating, el tramo comprendido entre un rating
de Aaa y A se le conoce como Senior, de B a Bbb es denominado Mezzanine y los demas tramos
son el Equity.
Los credit default swaps (CDS)
Definicion Los Credit Default Swaps, com
unmente conocidos como CDS son un instrumento
de proteccion contra el riesgo de credito. Dicho riesgo es aquel que hace referencia a la posibilidad
de no cumplir con los compromisos de pago contrados por deudas u otros productos financieros.
En la actualidad los derivados financieros mas utilizados son los que se utilizan para la protecci
on
de riesgos de interes, de tipo de cambio, renta variable, materias primas y por u
ltimo los de
credito. Hay que decir que a pesar de la gran repercusion que han tenido los CDS en la crisis
financiera de 2008, estos apenas representan un 7 % del mercado OTC (over the counter).

6.2.

Titulizaci
on

La Titulizaci
on tradicional o simplemente Titulizacion es el proceso por el cual una cartera de activos, relativamente homogenea y que cumple ciertos requisitos, se transforma en unos
ttulos o valores negociables en un mercado organizado. A estos ttulos se les denomina Bonos
de Titulizaci
on o Asset Backed Securities en terminologa anglosajona. Los activos titulizados
respaldan los ttulos emitidos y las obligaciones de pago de los Bonos de Titulizacion son satisfechas con los fondos generados por los activos titulizados. El proceso de transformacion se
realiza a traves de una figura legal llamada Vehculo Especial o SPV (Special Purpose Vehicle) expresamente creada para ello, que mantiene en balance los activos y emite los ttulos. En
una titulizaci
on, se produce una transferencia de activos de la entidad originadora al SPV, y al
mismo tiempo una transferencia de fondos por el importe de esos activos del SPV a la entidad
originadora. Transferencia de activos y transferencia de fondos son dos caractersticas presentes

22

en la Titulizaci
on tradicional. Sin embargo, en otro tipo de titulizaciones como la titulizaci
on
sintetica no est
a presente. Una de las caractersticas esenciales de una operacion de titulizaci
on
es que pueda ser considerada como True Sale. El objetivo de dise
nar una titulizacion como True
Sale es lograr que la transferencia o venta de activos realizada por parte del originador al SPV
no se vea afectada en caso de situaciones de quiebra de la entidad cedente de los mismos, y por
tanto los inversores de los bonos emitidos por el SPV no pierdan su derecho al colateral.

6.3.

Probabilidad de default (incumplimiento) y Loss Given Default

Probabilidad de incumplimiento (pd) La PD (probability of default) es una medida de calificacion crediticia que se otorga internamente a un cliente o a un contrato con el objetivo de
estimar su probabilidad de incumplimiento a un a
no vista. El proceso de obtencion de la PD se
realiza a traves de herramientas de scoring y de rating. LGD (Loss given default) Es la perdida
que se produce despues de que el Prestatario ha Incumplido. Se expresa como un porcentaje de
la Exposicion al Riesgo de Credito. Tambien se le conoce como severidad, as que podemos decir
que la severidad es otra metrica clave en el analisis cuantitativo del riesgo y se define como el
porcentaje sobre la exposici
on en riesgo que no se espera recuperar en caso de incumplimiento.

6.4.

Correlaci
on entre incumplimiento

Es la relaci
on que existe entre las exposiciones que entraron en default, la idea es que estas
exposiciones sean independientes, es decir que la correlacion sea baja porque la correlacion de
incumplimiento entre deudores aumenta la concentracion de riesgo y lo que se quiere es mitigar
el riesgo.

6.5.

Requerimiento del Capital econ


omico

Significa que los bancos deber


an contar con un proceso para evaluar la suficiencia de su
capital total en funci
on de su perfil de riesgo, se trata de tener un mnimo de capital que pueda
cubrir las exposiciones en default.

6.6.

Simulaciones de Montecarlo

Son tecnicas que permiten la valoracion de los proyectos de inversion considerando que una,
o varias, de las variables que se utilizan para la determinacion de los flujos netos de caja no
son variables ciertas; por tanto, permite introducir el riesgo en la valoracion de los proyectos
de inversion. Se basa en simular la realidad a traves del estudio de una muestra generada
aleatoriamente.

23

6.7.

CreditMetrics Credit Risk

Credit Risk
El modelo CREDITRISK+ es un modelo estadstico de riesgo de impago de creditos que no
hacen supuestos acerca de los casos de impago. Esta aproximacion es similar a aquella tomada
para la gesti
on del riesgo de mercado, donde no se modelan las causas de los movimientos
en los precios de mercado. Este modelo considera las tasas de impago como variables aleatorias
continuas e incorpora la volatilidad de las tasas de impago con el fin de capturar la incertidumbre
existente en el nivel de las tasa de impago. Usualmente, factores del contexto, como la situaci
on
general de la economa, pueden tener incidencia en la correlacion de los impagos, a pesar de
no existir una relaci
on causal entre ellas. As, los efectos de estos factores contextuales o back
round son incorporados en el modelo CREDITRISK+ a traves del uso de las volatilidades de
la tasa de impago y el an
alisis sectorial en vez de usar las correlaciones entre los impagos como
inputs explcitos dentro del modelo
Credit Metrics
Normalmente en la implementaci
on de cualquier modelo de riesgo de credito, se supone que
los creditos se pueden agrupar de manera que todos los creditos dentro de un grupo tienen
caractersticas comunes, y los par
ametros o elementos que determinan las perdidas potenciales
que pueden ocasionar los creditos del grupo son iguales para todos sus miembros. As en el
Credit Metrics los creditos se agrupan por su calificacion, con lo cual todos los creditos con la
misma calificaci
on tienen la misma probabilidad de migrar a los diferentes estados de calidad
(calificacion) y la misma probabilidad de incumplimiento.

6.8.

Credit Value Adjustment

Es la diferencia entre el valor de la cartera libre de riesgo y el valor verdadero de la cartera


que toma en cuenta la posibilidad de impago de una contraparte. En otras palabras, CVA es el
valor de mercado del riesgo de credito de contraparte.
As el CVA se expresa asi:
T

Z
CV A = EQ [L ] = (1 R)

EQ [
0

B0
E(t)| = t]dP D(0, t)
Bt

Donde:
T : es el vencimiento de la operaci
on mas larga de la cartera.
BT : es el valor futuro de una unidad de la moneda base invertido hoy en la tasa de interes
vigente para la madurez t.
R: es la fracci
on del valor de la cartera que puede ser recuperado en caso de de un defecto.
: es el momento del incumplimiento.
24

E(t) :es la exposici


on al tiempo t.
dP D(s, t): es la probabilidad neutral al riesgo de incumplimiento de la contraparte entre los
instantes t y s.

6.9.

Modelo Cyrce

Es un modelo de incumplimiento para riesgo de credito suponiendo que la distribucion de


perdidas del portafolio puede caracterizarse por dos parametros: Su media y su varianza Para
modelar este los supuestos principales son los siguientes:
- Las probabilidades de incumplimiento de los creditos y sus covarianzas estan dadas por
factores externos y no necesariamente tiene que estar relacionadas a alg
un sistema de calificaci
on
- El analisis de la cartera se hace con cualquier criterio de segmentacion de la misma, para
poder establecer correspondencia entre los limites individuales y obtener una medida de concentracion de riesgo que presenta cada uno del total y sus implicaciones al requerimiento de
capital.
- La distribuci
on de perdida se puede caracterizar totalmente por su media y su varianza.

6.10.

IRB

En el marco de Riesgo de Credito, el metodo IRB (Internal Rating Based) consiste en el


calculo del requerimiento mnimo de capital de un banco en base a un modelo interno de este. Su
procedimiento, as como los requisitos para acceder al calculo por este metodo se encuentran en la
normativa SBS. Las variables principales a considerar para el calculo de requerimiento de capital
son: La Probabilidad de Default, la Exposicion al momento del Default, la Perdida dada Default,
y la Madurez o duraci
on de la exposici
on. El metodo IRB se puede aplicar en dos enfoques, uno,
el enfoque IRB b
asico, permite que el banco calcule su Probabilidad de incumplimiento en base a
un modelo interno, mientras que las demas variables son proporcionadas por la SBS. El segundo,
el enfoque IRB avanzado, permite al Banco calcular todas variables relevantes con sus propios
modelos internas con el fin de obtener un mejor calculo del nivel de capital mnimo que la entidad
debe establecer.

6.11.

Credit scoring

Consiste en un modelo de calificaci


on de creditos, usado para una cartera de clientes minoristas. Consiste en evaluar a esos clientes y en base a la evaluacion arrojar un puntaje por cada uno
(score). Una vez calificado el cliente, se establecera un valor mnimo del score a partir del cual
el cliente podr
a calificar para el credito. Los modelos de credito scoring generalmente se realizan
mediante estimaciones Logit, Arboles de Decisiones, Redes Neuronales y Analisis Discriminante.

25

6.12.

Basilea RM y RC

La gestion de Riesgo de Credito (RC) as como el de mercado (RM) fue considerada en el


acuerdo de BASILEA desde un principio (BASILEA I) y mejorada en los posteriores acuerdos
(BASILEA II Y III). Lo de que nos dice BASILEA sobre el RM y RC se resume o agrupa en sus
tres pilares: uno donde se estable el requerimiento mnimo de capital tanto de riesgo de credito
como de riesgo de mercado, otro donde se establece la supervision y administracion de riesgos,
y el ultimo donde la disciplina de mercado.

6.13.

Funci
on de distribuci
on de p
erdidas y de incumplimientos

En finanzas el concepto de riesgo esta relacionado con la posibilidad de que ocurra un evento
que se traduzca en perdidas para los participantes en los mercados financieros. Las actividades
que pueden provocar perdidas no son exclusivas de las entidades financieras , es decir casi
cualquier otro tipo de empresa puede verse afectada por fallas en los sistemas informaticos,
desastres naturales, guerras, colapsos de economas extranjeras, etc provocando perdidas, sin
embargo, la naturaleza de los mercados financieros es asumir riesgos dado su objetivo; permitir
el flujo de activos financieros de ofertantes a demandantes, pues se presenta por supuesto una
promesa de pago que puede no concretarse. Por tanto en el contexto del riesgo de credito, la
funcion de distribuci
on de perdida y de incumplimiento es la probabilidad de perdida que podra
tener una entidad dado condiciones de incumplimientos por parte de agentes, es decir la falta de
pago en un determinado periodo de tiempo por parte del acreditado, generando as una perdida.
En el caso de la mayora de las IMFs, se considera que un credito ha cado en incumplimiento
(o castigo) si despues de 180 das no cumple con la obligacion de pagar.

6.14.

Pricing

El Pricing es una tecnica que permite asignar un precio o valor a un activo que se esta analizando a lo largo del tiempo adem
as este puede ser modificado seg
un lo que se observe en el
entorno o mercado con la finalidad de que su valor real se vea reflejado en el precio que se le
asigno. Para un mejor entendimiento del Precing analizaremos el siguiente modelo :El Capital Asset Pricing Model o CAPM (Modelo de Fijacion de precios de activos de capital) este
es un modelo frecuentemente utilizado en la economa financiera para determinar la tasa de
rentabilidad te
oricamente requerida para un cierto activo, si este es agregado a un portafolio
adecuadamente diversificado entonces a traves de estos datos se obtiene la rentabilidad y el riesgo de la cartera total, adem
as el modelo toma en cuanto la sensibilidad del activo al riesgo no
diversificable (conocido tambien como riesgo del mercado o riesgo sistemico, representado por
el smbolo de beta (), as como tambien el rentabilidad esperado del mercado y el rentabilidad
esperado de un activo teoreticamente libre de riesgo.

26

También podría gustarte