Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Acerca del
Riesgo II
2005
Diseo de Edicin:
Jesica Jimnez
Silvia Juncos
Editores:
Facultad de Ciencias Econmicas
Universidad de Buenos Aires
Centro de Investigacin en Mtodos Cuantitativos aplicados a
la Economa y la Gestin
I.S.B.N. 950-29-0905-4
II
AUTORES
III
IV
Directora:
Mara Teresa Casparri
Subdirector:
Javier Garca Fronti
Secretaria Tcnica:
Alicia Blanca Bernardello
1.
2.
Prlogo
La Teora de opciones reales aplicando matemtica
borrosa: valuacin de un proyecto de inversin en
tecnologa.................................
Ezequiel Mrquez, Roberto Bacchini, Javier Garca
Fronti.
1.1 Resumen.
1.2 Introduccin..
1.3 Valuacin de una opcin real probabilstica..
1.4 Valuacin de una opcin real., enfoque hbrido
1.5 Una aplicacin prctica.
1.6 Eventos extremos en la valuacin de inversiones.
1.7 Conclusiones.
1.8 Bibliografa.
Valuacin de opciones reales en un contexto de
incertidumbre y riesgos extremos: la opcin de
diferir un proyecto de inversin en tecnologa..
Ezequiel Mrquez, Roberto Bacchini, Javier Garca
Fronti.
2.1 Resumen.
2.2 Introduccin..
2.3 La Teora de Opciones Reales..
2.3.1 Opciones reales: un arreglo de
valor...
2.3.2 Las Opciones Reales en un proyecto de
inversin
2.3.3 Las Opciones Reales y las Opciones
Financieras..
2.3.4 Una metodologa para valuar las Opciones Reales.
2.4 El Modelo
2.4.1 El esquema binomial
VI
11
12
14
17
20
23
26
28
31
33
34
36
36
39
41
42
45
46
2.4.2
2.5
2.6
2.7
3.
4.
49
51
53
67
69
71
73
74
75
75
78
85
89
91
94
95
97
97
97
99
102
102
103
106
109
4.6
4.7
4.8
5.
6.
Ejemplo 2
Conclusiones.
Bibliografa.
113
120
121
123
125
126
126
129
131
143
146
149
151
154
156
163
164
165
167
6.2
6.3
6.4
6.5
6.6
6.7
172
175
175
176
177
178
179
180
180
181
183
187
194
197
198
200
202
203
203
205
205
206
206
7.
8.
207
208
208
208
210
212
215
217
218
221
226
227
229
224
235
235
Prlogo
El volumen que se presenta titulado Acerca del Riesgo II es
el resultado de algunos trabajos de investigacin en el marco de
los `proyectos UBACyT Evolucin de los Riesgos Financieros
Extremos en Mercados Emergentes con nfasis en Argentina
(UBACyT E012) y El Impacto de la Teora de los Riesgos Extremos
en el Anlisis de Proyectos de Inversin en Tecnologa. Caso
Argentina (UBACyT E015).
Los dos primeros captulos desarrollan aspectos de la teora
de opciones reales aplicada a la evaluacin de proyectos de
inversin en tecnologa en un contexto de incertidumbre.
En el tercero se enfoca el problema en un contexto de
incertidumbre analizando el impacto de eventos extremos.
Los siguientes captulos abordan la teora del Control
ptimo en un contexto incierto y la utilizacin de Fuzzy
Clustering para la administracin de riesgo crediticio.
En los ltimos captulos se estudia la aplicacin de la Teora
de Eventos Extremos para la evaluacin de riesgos y se describe la
Regulacin de mercado asegurador en Argentina.
Queremos en esta oportunidad agradecer profunda-mente a
los docentes, investigadores, y alumnos del Centro de Investigacin que con su entusiasmo y perseverancia contribuyeron a
la realizacin y publicacin de esta obra.
Mara Teresa Casparri
Alicia Bernardello
Javier Garca Fronti
Autores:
Ezequiel Agustn Mrquez
Daro Roberto Bacchini
Javier Garca Fronti
10
1.1 Resumen
(Benaroch y
en los
11
1.2
Introduccin
12
de
posibilidades,
de
esta
forma
captar
la
13
C0 = S0 e T N (d1 ) Xe T N (d 2 )
donde
2
S
ln 0 + r +
T
2
X
d1 =
,
T
d 2 = d1 T
y donde
C0
S0
14
variable
normal estandarizada
= precio de ejercicio
= desvo estndar
15
VOR = S0 e- d T N ( d1 ) - Xe- rT N ( d 2 )
donde
2
S
ln 0 + r +
T
2
X
d1 =
,
T
d 2 = d1 T
y donde
S0
16
capitalizacin continua
Las
opciones
financieras
pueden
usarse
libre
17
borrosos
(Carlsson
Fullr,
2000),
(Carlsson
Majlender, 2005).
Podemos estimar el valor actual de los flujos de fon-dos a
partir de una distribucin de posibilidad trapezoidal de la forma:
S0 = ( s1 , s2 , a , b )
donde [ s1 , s2 ] es el centro del nmero borroso S0 y es el intervalo
que contiene los valores ms posibles del valor actual de los flujos
de fondos,
( s2 +
X = ( x1 , x2 , , )
donde el intervalo
costo esperado,
[ x1 , x2 ]
( x1 + )
18
VORB = S0 e- d T N ( d1 ) - Xe- rT N ( d 2 ) ,
donde,
E ( S0 )
2
ln
+
r
T
E ( X )
2
d1 =
,
T
d 2 = d1 T
(s e
1
N ( d1 ) x2 e rT N ( d 2 ) , s2 e T N ( d1 ) x1e rT N ( d 2 ) ,
a e- d T N ( d1 ) + b ' e- rT N ( d 2 ) , b e- d T N ( d1 ) + a ' e- rT N ( d 2 ))
El valor de una opcin real en este contexto es un nmero
borroso, en el cual los valores ms posibles que puede tomar el
valor
de
la
opcin
se
encuentran
en
el
intervalo
19
- dT
N ( d1 ) + b ' e- rT N ( d2 )) mien-
( b e- d T N (d1 ) + a ' e- rT N (d 2 )) .
A su vez, se cree que los costos de la misma pueden ser representados por otro nmero borroso:
20
E ( S0 ) =
E ( X )=
( S0 ) =
( $900.000 $600.000 )
4
21
24
( S0 ) = $240.658,82
El valor que vamos a utilizar para la frmula de Black &
Scholes es el porcentaje del desvo estndar sobre el valor
esperado:
( S0 )
E ( S0 )
$240.658,82
= 0,3209 . Este valor se denomina
$750.000
( S0 )
22
23
considerando
otros
procesos
que
describan
el
un
nuevo
componente
de
aleatoriedad
al
24
VOR =
e (1+ m )T ( (1 + m ) T )
n=0
n!
FBS ( S0 , n , rn , T )
donde,
n2 = 2 +
n ln (1 + m )
n 2
y rn = r m +
T
T
una
distribucin log-normal
25
1.7 Conclusiones
Opciones Reales
26
incorporar
la
matemtica
borrosa,
las
variables
27
1.8 Bibliografa:
Real
Options
Pricing
Analysis
to
Evaluate
Information Technology Project Investments, Information System Research, Vol 10, No. 1 (March 1999), pp.
70-86.
Black, F. and M. Scholes (1973). The pricing of options
and corporate liabilities, Journal of Political Economy,
81, 637-659.
28
29
30
Autores
Ezequiel Agustn Marquez
Roberto Daro Bacchini
Javier Garca Fronti
32
2.1 Resumen
En los ltimos aos ha habido un gran desarrollo de la
teora de Opciones Reales y hoy es una herramienta fundamental
a la hora de evaluar un proyecto de inversin en tecnologa. Esta
teora basa su metodologa en la Teora de Valuacin de Opciones,
adaptando sus dos principales modelos (el binomial y el de BlackScholes) para la valuacin de Opciones Reales.
En este trabajo discutimos la incorporacin de incertidumbre en uno de dichos modelos, el modelo binomial, utilizando
variables aleatorias en lugar de los flujos de fondos ciertos
utilizados
en
el
modelo
original.
Asimismo,
incluimos
la
33
2.2 Introduccin
34
fundamentada
en
el
clculo
estocstico.
35
36
37
38
39
40
41
momento,
distintas
opciones
pueden
utilizarse
para
aprovechar un mismo riesgo, por lo tanto, existen diferentes configuraciones o estructuras de la inversin. Una vez definidas las
configuraciones posibles, el ltimo paso es definir cual de todas es
la que maximiza el valor de la inversin. Esto lo podemos hacer
calculando el VANA para cada una de las configuraciones. La que
agregue ms valor a la inversin es la configuracin ptima.
Para valuar las Opciones Reales, y en consecuencia las
configuraciones de inversin, podemos usar los mismos modelos
que se usan para la valuacin de opciones financieras. Los dos
modelos principales son el modelo binomial (Cox, Ross y
Rubinstein, 1979) y el modelo de Black-Scholes (Black y Scholes,
1973). El primero supone que el activo subyacente (S) sigue una
distribucin binomial, el cual puede tomar, despus de un perodo
42
1 + rf - d
u- d
V=
pVu + (1- p ) Vd
1 + rf
T
, y T es
n
43
pVu + (1- p ) Vd
V=
1 + rf
- rf T
V = VAN (d1 ) - e
I N (d 2 ),
donde
ln(
d1 =
VA
1
) + rf + 2 T
2
I
,
T
d 2 = d1 T ,
N ( ) es la funcin de distribucin acumulada para una variable
Normal estandarizada, T es la fecha de vencimiento de la opcin,
- rf T
44
2.4
El Modelo
45
VA =
t =1
FFt
(1 + i )
46
son dos
V A1u = uVA0
V A0
VA1d = dVA0
47
V0 representa el
V 1 u = m a x (V A1u I 1 ; 0 )
V0
V1 d = m ax(V A1d I 1 ; 0)
Esta opcin, y las opciones reales en general, tienen un
comportamiento muy similar a las opciones financieras, por lo que
su valuacin se realiza por medio de los mismos mtodos. En
particular, se puede observar que la opcin de diferir es anloga a
un Call Americano, donde
subyacente e
I el precio de ejercicio.
V0 =
donde p =
1 + rf - d
u- d
pV1u + (1 p )V1d
1 + rf
48
Z t : N FFt ; ( Zt )
X t = max ( Z t ; 0)
De esta manera, el Valor Actual del flujo de fondos futuros
es una suma de variables aleatorias Normales y, por lo tanto,
tambin ser una variable aleatoria:
n
VA aleatorio =
t =1
Xt
(1 + i )
y VA1d
son
V0 aleatorio =
donde V1u aleatorio y V1d aleatorio son los payoffs si el valor actual
aumenta,
Asumimos que los flujos futuros son no negativos. Este supuesto depender de la inversin y no
modifica el anlisis expuesto.
50
se
considerarn
solamente
shocks
negativos,
pero
St = max ( Lt ; 0) Et
donde Lt N lt ; ( L )
t
51
) representa la cantidad de
Wt = X t - St
donde X t es la variable definida en la Seccin 3.2.
Nuevamente, vamos a considerar que el flujo de fondos slo
toma valores positivos, por lo tanto definimos la siguiente
variable:
Yt = max (Wt ; 0)
Finalmente, podemos definir el Valor Actual del flujo de
fondos, al cual denominamos VA extremo , de la siguiente manera:
n
VA extremo =
t =1
Yt
(1 + i )
VA1d
por
VA0 extremo ,
variables
aleatorias,
VA1u extremo
las
que
denominaremos
52
V0 extremo =
donde V1u extremo y V1d extremo son los payoffs si el valor actual
aumenta,
Simulacin
En esta seccin, desarrollamos un modelo de simulacin
53
Figura 1
En este caso, obtuvimos un nico VAN, como resulta de la
metodologa tradicional.
Ahora, incorporemos aleatoriedad al
54
respectivamente.
Por
mtodos
de simulacin,
que podemos
desarrollar
Figura 2
Las simulaciones se realizaron con el programa Simulacin
4.0, un programa desarrollado en VBA (Visual Basic for
Applications) por un participante del Doctorado en Direccin de
55
56
Figura 3
En la Figura 3 tenemos un resumen de algunas de las
medidas de la distribucin del VAN. Entre las ms destacadas,
vemos que la media del VAN es $3.365,96 y su desvo estndar es
$1.975,91. Tambin nos muestra cules son los valores mximo y
mnimo que puede tomar el VAN. La mxima ganancia ser de
$9.982,76, mientras que la mxima prdida ser de $3.814,67.
Puede observarse adems que el promedio de los VAN simulados
es similar a su valor esperado.
57
l =
1
, y que las posibles prdidas por la ocurrencia del
12
Figura 4
58
E(t)
contienen
las
variables
aleatorias
1
. El programa no
12
Figura 5
59
1, 25VA0 en
0,8VA0 en caso
contrario.
De la Figura 1 sabemos que
60
caso
que
disminuya,
el
VAN
es
negativo
p=
1, 0033 - 0,8
= 0, 4519
1, 25 - 0,8
V0 =
= $4.712, 29
61
Figura 7
62
V0 . El mecanismo
La Figura 8 pre-
Figura 8
63
64
Figura 9
65
Figura 10
Vemos que en un contexto con eventos extremos, la
media y los valores mximo y mnimo que puede tomar la
opcin son menores que si no considersemos el evento
extremo. Sin embargo, la media y el valor mximo de la opcin son mayores que los mismos valores para el VAN, lo que
sugiere que la empresa debera tomar la opcin y esperar para
invertir.
66
2.6
Conclusiones
67
de
la
moneda),
en
especial
en
economas
68
BENAROCH,
Michel.
Technology
Investment
Option-Based
Management
of
IEEE
Transactions
on
Risk,
BREALEY,
Financiacin
R.
A.;
MYERS,
Empresarial.
S.
C.
Madrid:
Fundamentos
McGraw-Hill,
de
Inc.,
69
70
INCERTIDUMBRE E IMPACTO DE
EVENTOS EXTREMOS.5
Autores:
71
72
3.1 Resumen
73
3.2 Introduccin
El costo inicial del proyecto incluye tanto la adquisicin de la tecnologa como la capacitacin del personal
para su utilizacin ptima. Es importante recalcar esto ltimo ya que en la prctica suele suceder que se adquiere
nueva tecnologa y, al no estar el personal capacitado de
manera adecuada, los ingresos previstos en el futuro no son
los esperados debido a una subutilizacin de la tecnologa
adquirida.
74
Sea
VA =
k =1
FFk
(1 + ik )
(1)
75
VAN = VA - CI
(2)
Cabe destacar que pueden presentarse costos posteriores al momento inicial, por ejemplo debido a un proceso
de capacitacin del personal. En tal caso la variable CI ser
el valor actual de todos los costos que se generen debido a la
inversin.
h
CI =
k =0
Siendo
y
Ck
(1 + ik )
(3)
76
continuacin
se
ejemplifica
la
metodologa
Figura 1
77
E ( X k ) = FFk
(4)
( X ) = Var ( X k )
k
(5)
78
X k N FFk ; ( X k )
(6)
Yk = Max ( 0; X k ) (7)
Luego, el Valor Actual del flujo de fondos futuros
tambin ser una variable aleatoria dada por:
VArnd =
k =1
Yk
(1 + ik )
(8)
79
(9)
X k N (1000; 200 )
y el flujo es Yk , de acuerdo a la frmula (7).
80
Figura 2
Como es lgico, el
81
P (VAN
rnd
< 0) =
J
s =1
(10)
siendo
82
(11)
Figura 3
83
Figura 4
84
Yk .
Ykext = I k .Yk
donde
(12)
y la variable
85
1 si N k = 0
Ik =
0 si N k > 0
siendo las
(13)
idnticamente
distribuidas
con
media
es
decir
p = P ( N k = 0) .
Bajo este supuesto, el Valor Actual de los fondos futuros est dado por:
VAext =
k =1
Ykext
(1 + ik )
(14)
(15)
86
variables
Ykext ( k = 1, 2,..., m. ).
calcula un
87
Figura 5
VAN
clsico y que la
88
89
Histograma de
Figura 6
Histograma de
90
Figura 7
3.4 Conclusin.
proyectos,
puede
resultar
una
alternativa
91
Asimismo, sera interesante la inclusin de aleatoriedad en la tasa de inters utilizada para actualizar los
fondos, o bien considerar una estructura temporal de la
misma, levantando el supuesto realizado en este trabajo segn el cual la tasa es constante para todos los vencimientos.
Si se considera la situacin financiera, econmica, poltica y social de los pases emergentes, y en especial de Argentina, resulta recomendable contemplar situaciones de
eventos extremos que afecten directamente un proyecto de
92
inversin, con lo cual la metodologa desarrollada en el presente trabajo brinda una alternativa atractiva respecto de la
metodologa tradicional de clculo del VAN.
93
Bibliografa
FINKENSTDT,
Brbel;
ROOSEN,
Holger
(2004).
94
Autores:
Mara Teresa Casparri
Federico Agustn Alcalde Bessia
95
96
En 1827 el botnico R. Brown observ el comportamiento aleatorio de los granos de polen en una suspensin
de agua; a este fenmeno lo denomin movimiento browniano. En 1905, A. Einstein desarroll sus propiedades matemticas estableciendo el carcter gaussiano de las variables
implementadas y constituy la prueba de la teora molecular. Sin embargo, una formulacin matemtica rigurosa
del mismo fue dada por Norbert Wiener en 1927 y este es el
nombre que adquiri este proceso estocstico: proceso de
Wiener o movimiento browniano.
Los procesos brownianos renen tres procesos en
uno: un proceso gaussiano, un proceso de Markov continuo y un proceso de incrementos independientes. Se puede definir de la siguiente manera:
4.1.2 Definicin
97
1.
B ( 0) = 0
5.
El
98
2.
4.1.3 Propiedades
Si
cambio en
po
B = t t
Donde
Cov ( t , s ) = 0 t s .
99
n=
T
t
Entonces,
B = B ( s + t ) B ( s ) = i t N ( 0, T )
i =1
B depende de
dB = t dt
Siendo
E ( t ) = 0
(t ) = 1 ,
E ( dB ) = 0 y 2 ( dB ) = E ( dB ) = dt
2
En forma convencional:
1
B
= t . ( t ) 2
t
100
tenemos
que:
( dB ) = dt .
t 0 ,
lim
t 0
+
1
B
= lim t . ( t ) 2 +
t t 0+
E ( dB1 , dB2 ) = r 12 dt
Donde
browniano
como
un
proceso
estocstico
101
proceso
habitual
para
representar
las
perturbaciones
Se expresan en la forma:
dx = dt + dB
Donde:
: es el parmetro de velocidad.
: es el parmetro de desvo estndar instantneo
por unidad de tiempo.
dt
y varianza:
2 dt .
4.3 Procesos de It
dx = ( x, t ) dt + b ( x, t ) dB
102
Esto
es
una
generalizacin
de
los
Movimientos
Brownianos. Siendo:
E ( dB ) = 0
E ( dx ) = a ( x, t ) dt
( dx ) = b ( x, t ) dt
Donde
4.3.1 Lema de It
F ( x, t ) diferenciable en x y t .
103
F ( x, t ) :
F =
F
F
2 F
1 2 F
1 2 F
2
2
x + t +
x
+
t
+
t ) + ...
(
)
2
2(
x
t
2 ( x)
xt
2 ( t )
X = ( t , x ) t + b ( t , x ) {
t
B
( x )
= 2 ( x, t )( t ) + 2 ( x, t ) b ( x, t ) t B + b 2 ( x, t )( B )
2
Si recordamos las relaciones antes expuestas, podemos reescribir esta ecuacin como:
( x )
= 2 ( x, t )( t ) + 2 ( x, t ) b ( x, t )( t ) 2 + b 2 ( x, t ) t
2
t 0
Lo cual implica que todos los trminos de orden superior se anulan y podemos escribir:
104
dF =
F
F
1 2F
2
dx +
dt +
dx )
2 (
x
t
2 ( x )
( dx )2 = b 2 ( x, t ) dt
Reemplazando en la frmula y desarrollando, nos queda:
F
F 1 2
2F
F
dF =
+ ( x, t )
+ b ( x, t )
dt + b ( x, t )
dB
2
x 2
x
( x )
t
Entonces, F sigue un proceso de It con tendencia
igual a:
F
F 1 2
2F
+ ( x, t )
+ b ( x, t )
2
t
x 2
( x )
Y con varianza:
2
F 2
b ( x, t )
x
105
Max E f ( t , x, u ) dt + ( x (T ) , T )
0
Donde
matemtica.
Sujeto a:
dx = g ( t , x, u ) dt + ( t , x, u ) dB
Que es una ecuacin diferencial estocstica que
reemplaza a la ecuacin de movimiento
x& = g (t , x, u ) del
x ( 0) = x0
x (t0 ) = x0 .
106
t0 en el estado
J ( t , x ) = Maxu E f ( t , x, u ) t + J ( t + t , x + x )
14243 1442443
a
b
(t , x ) , resulta:
J ( t + t , x + x ) = J ( t , x ) + J t ( t , x ) t + J x ( t , x ) x +
1
2
J xx ( t , x )( x )
2
Siendo:
x = g (t , x, u )t + ( t , x, u ) B
Entonces,
( x )
= g 2 (t , x, u ) ( t ) + 2 ( t , x, u )( B ) + 2 g ( t , x, u ) ( t , x, u ) t B
2
Haciendo,
( t )
= 0, ( B ) = t , t B = 0
2
107
( x )
= 2 ( t , x, u ) t
1
J xx ( t , x ) 2 ( t , x, u ) t ]
2
( B )
= t y que E [ B ] = 0 ,
0 = Maxu f ( t , x, u ) + J t ( t , x ) + J x ( t , x ) g ( t , x, u ) + J xx ( t , x ) 2 ( t , x, u )
2
108
Con lo cual, obtenemos la ecuacin estocstica conocida como ecuacin de Hamilton-Jacobi-Bellman (HJB):
J t ( t , x ) = Maxu f ( t , x, u ) + J x ( t , x ) g ( t , x, u ) + J xx ( t , x ) 2 ( t , x, u )
2
J (T , x (T ) ) = x (T ) , T
4.5
Ejemplo 1
Min E e t ( ax 2 + bu 2 ) dt
0
dx = u.dt + .dB
s.a
(1.1)
( t , x, u ) = . x
(1.3)
109
J t = Minu f ( t , x, u ) + J x ( t , x ) g ( t , x, u ) + 2 J xx ( t , x )
2
y la condicin de contorno:
J T , x (T ) = T , x ( T )
(1.5)
de donde
J t = Minu e t ( ax 2 + bu 2 ) + uJ x + 2 x 2 J xx (1.6)
2
14444442444444
3
= 2bue t + J x
u
(1.7)
110
Jx
J x et
=0 u=
=
u
2be t
2b
(1.8)
Jt = e
2 J x2 e 2 t J x2 et 1 2 2
+ x J xx
ax +
4b 2b
2
J x2 et 1 2 2
= e ax
+ x J xx
4b
2
t
Multiplicando por
(1.9)
(1.10)
et :
J t et = ax 2
J x2 e 2 t 1 2 2
+ x J xx et
4b
2
(1.11)
Entonces:
J x2 e 2 t 1 2 2
x J xx et J t et = ax 2
4b
2
(1.12)
Queda de esta forma planteada una ecuacin en derivadas parciales estocstica. Ensayaremos como solucin la
funcin:
111
J ( t , x ) = Ax 2 e t
(1.13)
Resultando ser:
J ( t , x )
= 2 Axe t
x
2 J (t, x )
( x )
J ( t , x )
t
(1.14)
= 2 Ae t
(1.15)
= Ax 2 et
(1.16)
ax 2
4 A2 x 2 e2 t e 2 t 1 2 2
+ x 2 Ae t et Ax 2 et et = 0
4b
2
ax 2 A2
x2
+ 2 x 2 A Ax 2 = 0
b
112
(1.18)
Con lo cual,
A2 + b ( 2 ) A ba = 0
(1.19)
b ( 2 ) b 2 ( 2 ) + 4ab
2
A=
(1.20)
De esta forma queda determinada en (1.20) la constante A de (1.13). La funcin de control ptimo
u , a partir
u= -
Ax
b
(1.21)
4.6 Ejemplo 2
113
t C b
Max E e
dt
b
0
(1.22)
s. a dW = s (1 w ) W + awW C dt + wW dB
W ( 0 ) = W0
(1.23)
Siendo = tasa instantnea
de descuento ( cte )
w.
W : Ingreso total.
C : Consumo.
114
u (C ) =
Cb
b
dW = s (1 w ) W + awW C dt + wW dz
que nos indica el cambio en el ingreso. La porcin deterministica est compuesta por una rentabilidad sobre los
fondos en el activo seguro ms la rentabilidad esperada
sobre los fondos en el activo riesgoso menos el consumo:
dW =
s{
1 w ) W + a{
w
W
C dt + wW dz
(1
{
{
Re ntabilidad
23
Re ntabilidad Pr oporcin
consumo
oporcin
del activo Pr
del activo
sobreel
sobre activo
seguro
riesgoso
activo riesgoso
seguro
J ( t , W ) = e tV (W )
(1.24)
115
Con
J ( t , W )
W
= e tV ' (W )
2 J ( t ,W )
( W )
J ( t , W )
t
(1.25)
= e tV '' (W )
(1.26)
= e tV (W )
(1.27)
Cb
1
etV (W ) = Max( c, w) et
+ e tV ' (W ) s (1 w) W + awW C + 2e tV '' (W ) w2W 2
b
2
(1.28)
et :
Cb
1
V (W ) = Max( c , w ) + V ' (W ) s (1 w )W + awW C + 2V '' (W ) w2W 2
2
b
(1.29)
116
C b 1
=b
V ' (W ) = 0 C = V ' (W ) b 1
C
b
w=
( s a )V ' (W )
2WV '' (W )
C y w (que son
V (W ) =
(1 b ) V ' (W )
b
b
b 1
+ sWV ' (W )
(s a)
(1.32)
117
V ' (W )
2
2 V '' (W )
2
V (W ) = AW b
donde
(1.33)
V ' (W ) = bAW b- 1
(1.34)
V '' (W ) = b (b - 1) AW b- 2
(1.35)
Reemplazando en (1.32),
AW =
b
(1 b ) bAW b 1 b 1
b
( s a ) bAW b1
2
2 b ( b 1) AW b 2
2
+ sbAW
118
b 1
s a) b
(
sb 2
2 (1 b )
Ab =
(1 b )
(1.37)
C = W ( Ab ) b 1
w=
w:
(a s)
(1 b ) 2
w , depende
la
rentabilidad
esperada
del
activo
riesgoso
119
4.7 Conclusiones
b. En condiciones iniciales.
120
4.8 Bibliografa
DIWEKAR,
U.,
Batch
Distillation:
Simulation,
121
HULL,
Johen
C.,
Options,
Futures,
&
Other
SARGENT,
Thomas
J.,
Dynamic
Macroeconomic
to
Management
122
Science
and
Autores:
Mara Teresa Casparri
Federico Agustn Alcalde Bessia
Julio Fabris
123
124
5.1 Resumen
Cada entidad bancaria tiene sus propios parmetros
de evaluacin de los clientes y aplica sus propias reglas para
hacerlo. Esto forma parte de su poltica de administracin
de riesgos. El anlisis del comportamiento de la cuenta
corriente de cada cliente es de suma importancia en este
caso, ya que describe la conducta del cliente en relacin a
sus deudas y ayuda a evaluar los riesgos que el banco
asume. A su vez, este anlisis permite la descripcin de la
evolucin de los riesgos mediante el hallazgo de un patrn
de conducta de cada cliente. Una vez descripta esta evolucin, la entidad podr definir su poltica crediticia de corto
plazo en cuenta corriente, pudiendo hacer un seguimiento
generalizado de las cuentas que entran en zonas que el
banco evaluara como indeseables.
En el presente trabajo, se desarrolla, mediante un
modelo simple con datos generados en forma aleatoria, una
aplicacin a un problema sencillo. Se presenta, fundamentalmente, el mtodo de Fuzzy Clustering, utilizando los
programas SPSS y R para desarrollar los clculos. Adems,
se hace un anlisis discriminante cannico para la asignacin de nuevos individuos a los grupos definidos y la reasignacin en caso de cambio de las caractersticas. Por ltimo,
se presenta la conclusin.
125
126
127
ndice de la entidad.
128
Supondremos, adems, que los clientes no estn atentos a las variaciones de las tasas en el tiempo (por ser estas
constantes, por ejemplo) lo cual nos autorizar a hacer una
comparacin esttica de los niveles de endeudamiento absoluto de cada uno. Tampoco nos interesar la frecuencia de
los movimientos porque aceptaremos que a la entidad slo le
interesa la cancelacin de las deudas. Esto justifica hacer
un anlisis transversal, es decir no se intentar hacer un
anlisis en el tiempo de cada cuenta, sino que se estudiar
el estado de todas las cuentas en un momento dado
sabiendo que este es representativo de la dinmica.
Por otra parte, se han elegido algunas variables que
son discretas y otras que son continuas. Las discretas son
las que contemplan los das y el ndice de la entidad. Los
das asumen valores de 0 a 120 y el ndice de 0 a 100, las
consideraremos continuas a los efectos de nuestro trabajo
con la finalidad de simplificar su tratamiento pero las redondearemos para la exposicin sin perder el poder descriptivo
del resultado.
5.2.2 Anlisis previo y desarrollo
El comportamiento de cada cuenta individual ser
descripto por comparacin. El nuevo problema que se
presenta es la gran cantidad de datos, en nuestro ejemplo
son 1404 individuos. Para ello, aplicaremos el mtodo de
129
130
100
75
50
25
0,00
25000,00
50000,00
75000,00
100000,00
(1)
131
75
25
50
0,00
25000,00
50000,00
75000,00
100000,00
(2)
750,00
500,00
250,00
0,00
0,00
25000,00
50000,00
75000,00
100000,00
(3)
132
10,00
Aos Pertenencia
7,50
5,00
2,50
0,00
0,00
25000,00
50000,00
75000,00
100000,00
(4)
ndice de la entidad
100
75
50
25
0
0,00
25000,00
50000,00
75000,00
100000,00
(5)
133
Pueden
reconocerse
tres
grupos
asociados
la
750,00
500,00
250,00
0,00
25
50
75
100
(1)
134
75
50
25
25
50
75
100
(2)
Aos Pertenencia
10,00
7,50
5,00
2,50
0,00
25
50
75
100
(3)
135
ndice de la entidad
100
75
50
25
0
0
25
50
75
100
(4)
3 conjunto de grficos: Monto actual de deuda contra
las dems variables.
75
50
25
0,00
250,00
500,00
750,00
(1)
136
ndice de la entidad
100
75
50
25
0
0,00
250,00
500,00
750,00
(2)
Aos Pertenencia
10,00
7,50
5,00
2,50
0,00
0,00
250,00
500,00
750,00
(3)
137
Aos Pertenencia
7,50
5,00
2,50
0,00
25
50
75
(1)
ndice de la entidad
100
75
50
25
0
0,00
2,50
5,00
7,50
(2)
138
10,00
ndice de la entidad
100
75
50
25
0
0
25
50
75
(3)
Por ejemplo, en el grfico 2 del 4 conjunto, los Das
de retraso de la deuda actual parecen no formar grupos con
ndice de la entidad como es de esperarse dada la hiptesis
sobre el significado del ndice. Vemos adems que, cuando
las variables pueden ser relacionadas en teora, las observaciones verifican esa suposicin.
En todos los grficos pueden verse al menos dos zonas
de alta densidad de puntos y luego una nube alrededor de
ellas hacia el extremo derecho. Por lo anterior, en principio,
seleccionaremos 3 grupos.
En cuanto al anlisis formal, veremos qu sucede con
los ndices si se seleccionan 2, 4 o 5 grupos. Para este
139
Coeficiente
de Particin
0,891152 *
0,209313 *
0,059358
-5,37232E+11
0,866102
0,257038
0,042818 *
-7,68962E+11
0,82407
0,3443192
0,102443
-8,11228E+11*
0,790254
0,409584
Coeficiente
de Entropa
ndice de
Xie-Beni
12,372499
ndice de
FukuyamaSugeno
2,0114E+12
Se ha indicado en el cuadro con un asterisco la cantidad de grupos seleccionados por cada ndice. Vemos que
los ndices se contradicen. En el caso del Xie-Beni se favorece la eleccin de 3 grupos. Para el Fukuyama-Sugeno se
considera mejor la eleccin de 4 grupos. Mientras que en el
caso del coeficiente de particin, se favorece la eleccin de 2
grupos y, por construccin, el coeficiente de entropa coincide. Se verifica en este caso que los ndices no nos ayudan
a seleccionar la cantidad de grupos. Tomar en cuenta sus
resultados al momento de tomar una decisin depender de
140
Clientes
Das
Das de
promedio Monto
Monto
retraso
ndice
de retraso actual
Aos
total de
de la
de la
antes de
Pertenencia
de
deudas
entidad
deuda
pago de deuda
actual
deuda
cliente1098 63733,82
42
129,70
141
38
9,32
85
CENTRO 1
83
CENTRO 2
48424,887
33
263,51
25
6,7
79
CENTRO 3
8516,76
16
128,17
14
3,03
65
CENTRO 1
79
CENTRO 2
48373,14
32
263,31
25
6,7
79
CENTRO 3
8176,48
15
124,93
14
2,99
64
CENTRO 1
83
CENTRO 2
48284,25
32
262,19
25
6,7
79
CENTRO 3
7621,46
15
119,17
13
2,93
64
46531,22
32
260,66
26
6,59
78
CENTRO 3
5785,20
13
101,03
12
2,70
62
CENTRO 1
76
CENTRO 2
44949,09
30
248,67
25
6,51
76
CENTRO 3
5347,63
13
88,40
12
2,53
62
0,0019568
0,9980431
0,0000000
1,5
0,3084410
0,6875407
0,0040182
0,373997
0,581888
0,044115
0,447275
0,357784
0,194940
12
0,494371
0,278785
0,226843
142
CENTRO 1
83003,35
47
333,92
27
8,75
83
CENTRO 2
48284,25
32
262,19
25
6,7
79
CENTRO 3
7621,46
15
119,17
13
2,93
64
143
Cada cliente recibe su coeficiente de pertenencia a cada grupo. Podemos ver algunos de ellos:
Cuadro 5: Pertenencias a cada grupo de los clientes 368 a 375
Cliente
Grupo 1
Grupo 2
Grupo 3
cliente368
0,053048
0,806397
0,140556
cliente369
0,001800
0,006663
0,991537
cliente370
0,565217
0,394981
0,039802
cliente371
0,002112
0,006717
0,991171
cliente372
0,984560
0,012995
0,002444
cliente373
0,931038
0,053872
0,015090
cliente374
0,056616
0,923984
0,019400
cliente375
0,033846
0,906259
0,059895
144
Grupo 1
Alto nivel de uso de la cuenta corriente Alto Endeudamiento. Altos montos de endeudamiento. El
perodo de saldo de la situacin deudora es de 47
das en promedio, haciendo gastos cercanos a los
$300 pesos. Estos clientes llevan mucho tiempo trabajando con la entidad.
Grupo 2
Nivel medio de uso de la cuenta corriente Endeudamiento Medio. Tienen niveles de endeudamiento
acorde a lo esperado por el tiempo que llevan con la
entidad y, tambin, menores. El perodo de repago,
en promedio, es de 32 das.
Grupo 3
Nivel
bajo
de
uso
de
la
cuenta
corriente
145
clientes
que
presentaban
pertenencias
demasiado
Entonces,
se
han
eliminado
los
datos
cuyas
146
Utilizando
el
SPSS,
se
obtienen
dos
funciones
Eigenvalor
% de Varianza
Acumulativo
Correlacin
Cannica
13,298
99,5
99,5
0,964
0,065
0,5
100,0
0,246
donde,
x6 : ndice de la entidad.
En el grfico que se presenta a continuacin, se
1
2
3
Centroide del Grupo
Funcin 2
1
2
3
1
-1
-2
-3
-5
10
Funcin 1
148
D 4,5 cliente x G1
0,5 D < 4,5 cliente x G 2
D < 0,5 cliente x G3
Con esta regla de decisin, se han recalificado correctamente, o sea segn la clasificacin del Fuzzy Clustering,
74 de los 86 casos de borde anteriormente excluidos. Por lo
tanto, an en el caso de los individuos difciles de clasificar,
la funcin discriminante permiti hacerlo con una efectividad del 86%. Esta herramienta ms expeditiva permitir a
la entidad manejarse en forma sencilla espaciando la reclasificacin completa de la cartera de
clientes.
5.3 Conclusin.
La utilizacin del Fuzzy Clustering para el anlisis de
datos presenta informacin que no puede proporcionar el
Clustering tradicional. El desarrollo del mtodo ha progresado de tal manera que existe una amplia gama de
modificaciones al mtodo que lo hacen ms efectivo al
momento de la utilizacin. Adems, se han incorporado
medidas de validacin que ayudan al criterio del usuario.
149
150
5.4 Bibliografa
(2003),The economic and social structure of
clustering,
IEEE
Transactions
On
Pattern
On
Pattern
Analysis
and
Machine
151
fuzzifier,
University
Department
of
of
Computer
Applied
Science,
Sciences
Braunschweig/Wolfenbuttel, Alemania.
classification
in
life
insurance
data
Mendes,
152
Pedrycz,
W.
(2005),
Knowledge-based
clustering.
Second,
revised
edition,
Kluwer
153
Figura 1
154
0,97194173
0,99468365
0,99145526
0,03459092
0,04935013
0,02884443
0,40757656
0,26023142
0,028058268
0,005316347
0,008544737
0,965409081
0,950649867
0,971155567
0,592423439
0,739768581
155
comparar (pinsese en 3 variables por lo menos), nos presenta la necesidad de trabajar con matrices grandes (1000 x
3 = 3000 datos). A su vez, dado que la asignacin categrica
de un individuo a un grupo puede ocasionar la prdida de la
visin general del problema, sera mejor asignar, como se
quiso ejemplificar antes, un nivel de pertenencia a cada
grupo y, de esa forma, ver la posibilidad tanto de fusionar
grupos como de separarlos o de considerar cierto rango de
datos como pertenecientes a dos grupos simultneamente.
5.5.1 Fuzzy Clustering. Fuzzy C-Means Clustering
Como vimos en la introduccin, dado el conjunto de
datos a agrupar, y encontrados los patrones que agrupan
los datos, parece conveniente asignar grados de pertenencia
a ciertos datos cuando su distribucin no es perfectamente
divisible. Algunos de los datos con que contamos pueden ser
casos de borde de dos grupos al mismo tiempo como los que
vimos en nuestro ejemplo gracias a agrupar segn la tcnica
Fuzzy.
156
c N
s. a
u
i =1
ik
=1
(1)
(2)
donde Q es la funcin objetivo, c es el nmero de grupos que se quieren formar, N es el nmero de individuos con
los que se cuenta,
finiremos ms adelante,
cada dato,
res de pertenencia
f = uik .dik s. a
i =1 k =1
donde los
u
i =1
ik
=1
uij ,entre cero y uno, son ponderadores de cada distancia d ij . Pero por ser todas
157
g C 2 [0;1]
g (0) = 0 g (1) = 1
g '( x) > 0 x [0;1]
g ''( x) > 0 x [0;1]
La matriz de particin, que es la matriz en cuyas filas
representan a los individuos y en cuyas columnas se asignan los coeficientes de pertenencia para cada grupo, ya no
ser compuesta por unos y ceros segn la pertenencia o no
a un determinado grupo como en el clustering tradicional,
sino que se representa por una pertenencia parcial a cada
grupo. La matriz U que describe la pertenencia ser:
u11
u
12
u1N
u21
u22
u2 N
uc1
uc 2
ucN
158
...
u
i =1
ik
=1
Q = uikm .d ( xk , vi )
i =1 k =1
g (uik ) = uikm
J. C. Dunn (1974): "A Fuzzy Relative of the ISODATA Process and Its Use in Detecting
Compact Well-Separated Clusters", Journal of Cybernetics 3: 32-57
10
J. C. Bezdek (1981): "Pattern Recognition with Fuzzy Objective Function Algoritms",
Plenum Press, New York
159
uikm utilizan-
Vs = uism . xs vi
i =1
uism 1
i =1
Vs
= mursm 1. xs vr
urs
Despejando se llega a que:
160
= 0
Las
1
m 1
urs . =
m
xs vr
2
m 1
1
m 1 c
uis =
m i =1 x v
i =1
s
i
c
2
m 1
=1
m 1
=
m
1
c
i =1
1
xs vi
2
m 1
urs . =
xs vr m 1
i =1 xs vi
c
(3)
uik que
161
vi
u .( x
k =1
m
ik
vi ) = 0 vi =
u
k =1
N
m
ik
.xk
u
k =1
(4)
m
ik
162
refleja el nivel de
11
163
CP =
u
i =1 k =1
2
ik
(5)
1 c N
(6)
CP =
1
1
CE = log a (c) uij =
c
c
164
ndices
no
hacen
uso
del
total
de
IFS = uikm . xk vi
i =1 k =1
Donde
vi v
(7)
165
IFS = uikm . xk vi vi v
i =1 k =1
) = u . x v
c
i =1 k =1
m
ik
c
N
uikm . vi v
i =1 k =1
Si recordamos que:
c
Q = uikm .d ( xk , vi )2
i =1 k =1
Y tambin definimos:
N
u
k =1
m
ik
= Ni
tal que
N
i =1
=N
IFS = Q N i . vi v
i =1
166
IFS =
u
i =1 k =1
m
ik
. xk vi
n. min vi v j
(8)
167
168
Autores:
Dra. Mara Teresa Casparri
Federico Agustn Alcalde Bessia
12
169
170
6.1 Introduccin.
Histricamente, la teora en valores extremos se remonta a los comienzos de 1709 cuando Nicols Bernoulli
plante el problema de la distancia media mxima desde el
origen de n puntos distribuidos aleatoriamente en un lnea
recta de distancia fija t. Mientras que Frchet en 1927 identific una distribucin lmite posible para valores mximos,
Fisher y Tippett en 192813 demostraron que las distribuciones de valores extremos pueden ser slo de tres tipos.
Pero recin en 1943, Gnedenko, da los fundamentos rigurosos para esta teora y presenta las condiciones necesarias y
suficientes para la convergencia dbil.
Fisher, R.A. and Tippett, L.H.C., Limiting forms of the frequency distributions of the
largest or smallest member of a sample. Proc. Camb. Phil. Soc. 24, 1928, Pag. 180190.
14
Emil Julius Gumbel, matemtico alemn, pacifista y anti-nazi que desarroll las
distribuciones de EVT y las present en su trabajo de 1958.
171
Por su sigla en ingls: Extreme Value Theory. De aqu en adelante, se utilizar esa sigla.
172
173
174
6.3.1 Existencia.
Supongamos que
X 1 , X 2 ,..., X n son variables aleatorias idnticamente distribuidas (i.i.d.) con funcin de distribucin F y sea
lim P[ M n x] = lim F n ( x) = 0
n
variables
normales)
partir
de
dos
sucesiones
16
Gnedenko, B.V., Sur la distribution limite du terme maximum dune serie aleatoire.
Ann. Math. 44, 1943, pg. 423-453
175
lim P[
M n n
x] = lim F n ( n x + n ) = G ( x)
n
G ( x) = exp 1 +
x
x+ = 1 +
>0
Con
176
El
x > m+
dominio
de
las
distribuciones
para
x < 0 es
y
y
y para x > 0 es x < m +
. El lmite de 0
x
x
Fx0 ( x) = P[ X x0 + x / X > x0 ]
F ( x0 + x) F ( x0 )
,
1 F ( x0 )
( x > 0)
{c } y
x0
se define
17
18
177
x
1 1+
,
H ( x) =
x
1 exp
donde
si 0
si = 0
x0 .
La
interpretacin
de
las
variables
aleatorias
19
Pickands, J., Statistical inference using extreme order statistics. Ann. Statist. 3, 1975,
pg. 119-131
178
Prdidas operacionales.
Prdidas crediticias.
de
distribuciones
presentadas en el apndice,
179
de
valores
extremos
6.4.1 Existencia.
Se
supone
una
180
ticamente
distribuidos.
Para
cada
d {1,..., D} , sea
M nd = max { X id , 1 i n} .
Si
existen
dos
sucesiones
de
estandarizacin
mnd > 0, y nd , se tiene como en el caso univariado una distribucin G D-dimensional tal que
1 d D
181
y1
G ( x1 ; x2 ) = exp ( y1 + y2 ) . A
( y1 + y2 )
Para alguna funcin A definida en el intervalo [0;1] y
para
y1 , y2 de la forma:
1
x i
yi ( xi ) = 1 + i i
i +
Con
se desea
i = 1, 2
lim yi .
i 0
182
g es
1
1
1
1
x 1 1
x2 2 2
G ( x1 ; x2 ) = exp 1 + 1 1
+
1
+
1
2
Donde
es uno.
Si hacemos tender
1 0, 2 0 (el
183
resultado es el
1
1
x1 1
x2 2
G ( x1 ; x2 ) = exp e 1 + e 2
x1 y
x2 tienen dis-
tribucin de Gumbel:
x1 1
x1 1
1
1
G( x1 ; x2 ) = exp e
.exp e
= G( x1 ).G( x2 )
t1 y t2 es
1
1
G ( x1 ; x2 ) = exp (1 t1 ) y1 + (1 t2 ) y2 + ( t1 y1 ) + ( t2 y2 )
184
Donde
0 < 1 y 0 t1 , t2 1 . La independencia se
obtiene cuando
=1
t1 = 0 o t2 = 0 . La dependencia se
t1 = t2 = 1 y tiende a cero.
1
G ( x1 ; x2 ) = exp y1.N +
y1
ln
y2 y . N 1 +
2
2
g es
y2
ln
y1
2
es mayor a
tiende a cero y la
tiene a infinito.
(1 )
)}
{(
G ( x1 ; x2 ) = exp y1.q(
1 )
185
+ y2 . (1 q )
es
(1 ) . y1.(1 q) (1 ) . y2 .q
y 0 < a , b < 1 . Cuando
es igual a
=0
el modelo bilo-
igual a
cuando
est fijo y el
>0y
> 0 es
{(
G ( x1 ; x2 ) = exp y1. 1 B ( q; + 1, ) + y2 .B ( q; , + 1)
. y2
q=
. y2 + . y1
186
)}
Si
suponemos
un
vector
de
valores
lmite
P[ X x0 + x / X > x0 ] = Fx0 ( x) =
F ( x0 ; y0 ) - F ( x + x0 ; y + y0 )
,
1- F ( x0 ; y0 )
( x, y > 0)
{c } y
x0, y0
se define
x0 , y0 xF
20
Para una exposicin clara y concisa, vase: Tajvidi, Nader, Multivariate generalised
Pareto distributions, Octubre de 1996. Este trabajo tambin contiene las generalizaciones
de las distribuciones presentadas aqu y un detalle de la funcin de independencia A.
187
H ( x) =
- ln G ( x0 ) + ln G ( x0 + x)
- ln G ( x0 )
P[ X x0 + x / X > x0 ] = H ( x, y) =
1
1
1
1
x0 1 1
y0 2 2
+ 1 + 2
1 + 1
1
2
1
1
1
1
( x0 + x ) 1 1
( y0 + y ) 2 2
1 + 1
+ 1 + 2
1
2
1
1
1
1
x0 1 1
y0 2 2
+ 1 + 2
1 + 1
1
2
con x 0, y 0 .
188
h( x, y ) =
2 H ( x, y )
;
xy
F ( x) = H ( x, 0)
f ( x) =
dH ( x, 0)
dx
F ( y ) = H (0, y )
f ( y) =
dH (0, y )
dy
1
g = , x0 - m1 = - 1, y 1 = 2, x 1 = 0.1, y0 - m2 = 1, y 2 = 7, x 2 = - 0.01
2
21
189
(a)
(b)
(c)
(d)
Si hacemos tender
1 0, 2 0 (el
190
resultado es el
y + y0 2 1
x + x0 1 . 1
.
e 1 + e 2
P[ X x0 + x / X > x0 ] = H ( x, y ) = 1
y 1
x0 1 . 1
0 2 .
e 1 + e 2
h ( x, y ) =
( 1) .e
x + x0 1 1
.
1
.e
y + y0 2 1
.
2
1. 2 .
y + y0 2 1
x + x0 1 . 1
.
e 1 + e 2
y
x0 1 . 1
0 2 . 1
1
2
+e
y 1
x + x0 1 . 1
0 2 .
1
e
+ e 2
F ( x ) = H ( x, 0) = 1
y 1
x0 1 . 1
0 2 .
1
2
+e
191
f ( x) =
dH ( x, 0) e
=
dx
x + x0 1 1
.
1
y 1
x + x0 1 . 1
0 2 .
1
e
+ e 2
y 1
x0 1 . 1
0 2 .
1
e
+ e 2
y + y0 2 1
x0 1 . 1
.
1
e
+ e 2
F ( y ) = H (0, y ) = 1
y 1
x0 1 . 1
0 2 .
e 1 + e 2
f ( y) =
dH (0, y ) e
=
dx
y + y0 2 1
.
2
y + y0 2 1
x0 1 . 1
.
e 1 + e 2
y 1
x0 1 . 1
0 2 .
1
2
+e
2
5
= , x0 1 = 0.1, 1 = 4, y0 2 = 0.2, 2 = 4
192
(a)
(b)
(d)
(c)
193
lim
x , y
H ( x, y ) =
lim
y , x
H ( x, y ) = 1
h( x, y) dx dy = 0.515539
0 0
lim F ( x) = 0.232759
x
lim F ( y ) = 0.251702
y
194
22
195
Figura 3: Grficos de la
distribucin de los datos
disponibles de Z1, Z2 y Z3.
Al inicio del trabajo se debe hacer un anlisis descriptivo de los datos. En la figura 3 vemos la distribucin de los
precios que toman los activos Z1 y Z2 y la lnea punteada
marcada nos indica el valor lmite elegido para la modelizacin.
196
Z1
Z2
xi
-0.9622
-1.3651
yi
0.3688
0.4406
Analticamente ser:
-0, 9622.Z 1
H ( Z 1) = 1 1 +
0, 3688 +
1
-0 ,9622
-1, 3651.Z 2
; H ( Z 2) = 1 1 +
0, 4406 +
1
-1,3651
197
Z1
Z2
xi
(forma)
0.16493
0.08096
mi
(posicin)
0.35973
0.36202
(escala)
0.11446
0.12214
(dependencia)
0.30675
198
= 1
0.30675
1
1
1
1
0.30675
0.30675
0.08096
(0,6 + Z1) 0.35973 0.16493
(0,6
+
Z
2)
0.36202
+ 1 + 0.08096
1 + 0.16493
0.11446
0.12214
0.30675
1
1
1
1
0.30675
0.30675
0.08096
0,6
0.36202
0,6 0.35973 0.16493
+ 1 + 0.08096
1 + 0.16493
0.12214
0.11446
199
200
parmetro
Z1
Z3
xi
(forma)
0.1910
-0.2944
mi
(posicin)
0.4079
0.3571
yi
(escala)
0.1477
0.1692
(dependencia)
0.9992
El valor de
201
202
Z1
Z2
Z3
0,283147
0,220169
0,431981
0,248063
0,234221
0,371922
0,635388
0,672389
0,423189
0,671291
0,612891
0,192781
0,319486
0,341235
0,468292
0,318912
0,218311
0,457818
0,478785
0,457892
0,234879
0,284712
0,280053
0,467811
0,328192
0,372891
0,291781
10
0,347183
0,381938
0,327818
11
0.983195
0871272
0.102738
12
0.298172
0.283271
0.381627
13
0,401824
0,462721
0,481982
14
0,318482
0,327847
0,678129
15
0,349183
0,432191
0,652768
16
0,232138
0,274392
0,481782
17
0,429847
0,480407
0,418929
18
0,417839
0,424765
0,318792
19
0,908343
0,873711
0,172812
20
0,791724
0,922641
0,348191
21
0,357821
0,334894
0,452781
22
0,482171
0,451918
0,237812
203
Z1
Z2
Z3
23
0,469812
0,283489
0,247812
24
0,283712
0,271893
0,351781
25
0,424605
0,436909
0,321912
26
0,516974
0,501282
0,481281
27
0,347591
0,472811
0,491791
28
0,247122
0,283711
0,691029
29
0,253271
0,276837
0,632798
30
0,462146
0,438183
0,412768
31
0,494041
0,481982
0,401882
32
0,457912
0,467129
0,445781
33
0,868461
0,765808
0,217812
34
0,519305
0,501282
0,182389
35
0,587829
0,475911
0,178921
36
0,414873
0,492711
0,457829
37
0,218411
0,242593
0,562178
38
0,413781
0,398036
0,412879
39
0,625127
0,735309
0,327812
40
0.353898
0.234587
0.456921
41
0,457181
0,597319
0,218912
42
0,318384
0,334571
0,491828
43
0,319281
0,578231
0,481781
44
0,481727
0,476227
0,391879
45
0,471913
0,431822
0,401822
46
0,518283
0,520594
0,371289
47
0,314892
0,285222
0,651813
48
0,769822
0,647707
0,451281
49
0,491783
0,432818
0,582171
50
0,368321
0,299142
0,671292
204
Z1
0,447127
Z2
0,445923
Z3
0,407725
Desvo Estndar
Correlacin
1,551976
Corr(Z1;Z2) =
1,495826
1,009887
Corr(Z1;Z3) =
0,944801079
-0,60769
Standard Errors
scale
scale shape
shape
0.3688 -0.9622
2e-06 2e-06
Optimization Information
Convergence: successful
Function Evaluations: 110
Gradient Evaluations: 13
205
Threshold: 0.6
Number Above: 8
Estimates
scale
scale shape
shape
0.4406 -1.3651
Optimization Information
2e-06 2e-06
Convergence: successful
Function Evaluations: 109
Gradient Evaluations: 9
206
Deviance: -174.4932
0.35973 0.11446 0.16493
0.36202 0.12214 0.08096
0.30675
Dependence Structure
AIC: -160.4932
Standard Errors
loc1 scale1 shape1
loc2
scale2 shape2
dep
0.01810 0.01453 0.09435
0.01915 0.01488 0.09144
0.04779
Optimization Information
Convergence: successful
Function Evaluations: 58
Gradient Evaluations: 16
207
Dependence Structure
Dependence One: 0.001137544
Dependence Two: 0.001640925
Asymmetry: 0
Optimization Information
Convergence: successful
Function Evaluations: 116
Gradient Evaluations: 9
208
exp(P[ X x] = F ( x) =
1 x2
e )
2
, - < x<
2p
P[Q q ] = B ( q; , q) =
( + ).q 1.(1 q) 1
,
( ).( )
0 q 1, > 0, > 0
( x) = exp(e x ),
< x <
209
Tipo II (Frchet)
( x) =
exp x
si x 0
si x > 0, ( > 0)
si x < 0, ( > 0)
si x 0,
exp[( x) ]
( x ) =
1
210
G ( x1 ; x2 ) = e
1 1
y1 y2 + +
y1 y2
G ( x1 ; x2 ) = e
donde
>0
do el lmite de
cuando
y1 y2 +
t1 y1
1
+
t2 y 2
g tiende a infinito.
211
igual a
212
6.9 Bibliografa.
Bierlaire,
Michel,
y
otros
Characteristics of
Generalized Extreme Value Distributions, Institute of
Mathematics del Swiss Institute of Technology, Marzo
de 2003, Suiza.
213
214
Pareto
215
Autores:
Mara Teresa Casparri
Alicia Bernardello.
Mara Elizabeth Cristfoli
24
216
217
7.1 Introduccin
riesgo operativo
riesgo de liquidez
riesgo de crdito
riesgo de mercado
El riesgo de mercado es el que se deriva de las fluctuaciones de los
mucho
tiempo
se
supuso
normalidad
en
el
el
tratamiento
de
series
financieras,
218
generando
una
219
en (u ) =
( x u)
i =k
k = min(i / xi > u )
n k +1
muestrales
nos
quedarn
para
poder
estimar
los
220
Hn =
1
k
( ln( x ) ln( x
i =1
k +1
)) =
k = 1, 2,..., n 1
( k;( Hk )- 1 ) .
Obtendremos
un
grfico
que
comenzar
221
7.3
constantemente
se
encuentra
realizando
inversiones
222
,4
,2
-,0
-,2
-,4
-,6
-1,2
-1,0
-,8
-,6
-,4
-,2
,0
,2
,4
,6
el
otro
Valor observado
En
segundo
lugar,
realizaremos
test
grfico
Grfico de Hill
12
10
8
6
4
2
0
0
10
15
20
223
25
30
35
40
45
Subjetivamente, decidimos que el valor de k para determinar el umbral u es 15. Entonces el umbral ser -0,040540541.
Utilizaremos las rentabilidades menores a dicho valor para
estimar los parmetros de la Distribucin General de Pareto. La
funcin de esta distribucin es la siguiente:
.
y
1 1 +
F ( y) =
1 e
con 0
con = 0
= 0,132
= 0, 0172
Para poder realizar una comparacin de las estimaciones,
veamos el siguiente grfico, donde podemos visualizar las
estimaciones de las funciones con la distribucin Pareto y con la
Normal:
224
1,05
1
0,95
0,9
0,85
0
0,05
0,1
Emprica
0,15
0,2
Pareto
Normal
Y =
1 p ) 1
(
225
Para p =0.99:
Y=
0, 0172
0,132
(1 0,99 ) 1 = 0,109
0,132
Para p =0.999:
Y=
0, 0172
0,132
(1 0,999 ) 1 = 0,194
0,132
226
7.4 Referencias
- Brbel Finkenstdt and Holger Roozen, (2004), Extreme Values
in Finance, Telecommunications, and the Enviroment, Ed:
Chapman
&
Hall/CRC,
Boca,
Raton,
London,
New
York,
Washington DC
- Armagno D., Belliard M., Bernasconi J., Casparri M. T., Fajfar
P., Garca Fronti J., Muruzabal M., Rey S., Roo E., (2004),
Aspectos Financieros de la Crisis Argentina 2001, Ed: Omicron
System, Argentina.
- Mara Teresa Casparri y Colaboradores, (2003), Acerca del
Riesgo. Seleccin de algunos trabajos de Investigacin., Centro
de Investigacin en
227
Nuevas Regulaciones
para el
Mercado Asegurador25
Autores:
Mara Elizabeth Cristfoli
Mara Teresa Casparri
25
228
229
8.1 Introduccin
El sector asegurador enfrenta un constante proceso de
cambio
que
tiene
como
meta
plantar
promover
las
aparicin
de
conglomerados
financieros
la
230
de
anlisis
informacin
avanzados
para
el
anlisis
231
232
233
234
Como se
menciona en
el
anexo del
informe
235
tcnicos,
el
informe
de
la
Conferencia
de
autoridades
236
de supervisin prudencial.
Diferentes organismos representantes de compaas de
seguros (CES, FFSA, ACME) han destacado la necesidad de
contar con normas ms homogneas para evitar las distorsiones
de competencia. Plantean la cuestin de la armonizacin de las
normas entre el sector bancario y el asegurador cuando los
productos comercializados son similares.
237
que
una
correcta
estimacin
de
ellos,
238
de
el
capital
grupo
(SCR).
CEIOPS
Pero
mencionan
(Comittee
off
que
European
no
vida,
ya
distribucin
de
que
poseen
siniestros
diferentes
eventos
riesgos
(horizontes,
extremos-,
mtodos
actuariales, etc.).
Ampliando los planteos establecidos en octubre de 2005, en
marzo de 2005 fue publicado un informe y anexo presentado por
CEIOPS (MARKT 2505/05), donde se resumen los objetivos
establecidos en cada uno de los tres pilares, tomando como base
Basilea II y los informes mencionados en los prrafos anteriores,
239
nuevo
sistema
de
solvencia
contiene
dos
tipos
de
240
241