Universidad Nacional de Ingeniera

Escuela Profesional de Ingeniera Econ

omica

Analisis de series de tiempo

Aplicaciones al riego de mercado

Dirigido a:
Rafael Caparo

Realizado por:
Diaz Leon, Jose Eduardo
Martinez Ore, Khris Alexandra

Semestre Academico 2015-II

Lima - 7 de diciembre de 2015

Analisis de series de tiempo Aplicaciones al riego de mercado

Indice

1. Introducci
on 3

2. Marco Te
orico 4
2.1. Portafolio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1. Definici
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.2. Rentabilidad de portafolio . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3. Riesgo de portafolio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. VaR (Value at Risk) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3. Strees testing en VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4. Back testing en VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1. Test de Kupiec ( Test de proporcion de fallas) . . . . . . . . . . . . . . . . 8
2.4.2. Otras medidas del VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.3. Crticas al Valor en Riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5. Valor en Riesgo Condicional(CVaR) . . . . . . . . . . . . . . . . . . . . . . . . . 9

3. Aplicaci
on 10

4. Conclusiones 15

5. Referencias 15

2
Analisis de series de tiempo Aplicaciones al riego de mercado

1. Introducci
on
En la actualidad existe una gran variedad de activos financieros, y estos a su vez sujetos a una
inmensidad de volatilidades (riesgos). Por esta razon, existe la necesidad de adoptar metodos y
procedimientos para el control de riesgos. Hoy en da estos son una herramienta indispensable
en la administraci
on de riesgos. En el marco metodologico de la gestion del riesgo, se aprecia
que una de las necesidades m
as importantes en las instituciones financieras es la medicion de
las reservas de capital para cubrir los riesgos de solvencia y de contraparte de sus operaciones.
De esta manera, durante varios a
nos, se han realizado diversos estudios con el fin de obtener
medidas que gestionen los riesgos a los que se exponen las instituciones financieras, con el fin de
obtener indicadores cada vez m
as precisos.

Durante los u
ltimos a
nos se vienen desarrollando nuevos metodos de medida y de gestion del
riesgo de mercado. Un claro ejemplo es el de JP Morgan, que con su metodologa ?RiskMetrics?
(1994) propuso una revoluci
on en la gestion moderna de riesgos basado en el conocido Value at
Risk (VaR). Otro claro ejemplo es el Condicional Value at Risk (CVaR) que ha venido cobrando
importancia por ser una medida de riesgo coherente. En este sentido, la b
usqueda por optimizar
los portafolios minimizando el riesgo de mercado es una de las mas grandes preocupaciones en
la gestion de portafolios de renta variable.

En la actualidad, muchas entidades financieras basan su estimacion y gestion de riesgos en el

enfoque VaR este metodo es atractivo porque es facil de interpretar dado que puede expresarse
en unidades monetarias, y tiene la ventaja de poder incorporar los efectos de la diversificaci
on
de las carteras. Sin embargo, el VaR es criticado cuando las distribuciones de rendimientos de
las carteras no distribuyen normal, teniendo problemas de subaditividad por la existencia de
colas largas o falta de continuidad de las distribuciones. Aqu es donde surgen herramientas de
medicion alternativas, como el CVaR aportado por Uryasev y Rockafellar (2002) que demuestra
tener ventajas en la optimizaci
on de portafolios. En este sentido y dada las caractersticas de los
mercados financieros, pensamos que el CvaR se posiciona como un sistema mas robusto para la
gestion de riesgo de los portafolios de inversion en comparacion al enfoque VaR.

El objetivo de este trabajo se basa en analizar la metodologa de estimacion del valor en riesgo
que se ajusta m
as a la realidad del portafolio conformado por 6 activos. Para ello se analizara el
portafolio mediante el uso del Backtesting. Esta primera seccion describe el marco teorico para el
analisis referente a la teora del portafolios, VaR, stress testing, back testing, CVaR. La secci
on
dos describe la aplicaci
on emprica de acuerdo a la teora mostrada inicialmente. Finalmente se
dara a conocer las principales conclusiones que se han podido obtener del analisis emprico y
se brindaran algunas recomendaciones para la estimacion del riesgo de mercado en el mercado
financiero.

3
Analisis de series de tiempo Aplicaciones al riego de mercado

2. Marco Te
orico
2.1. Portafolio

2.1.1. Definici
on
1 Gran literatura sobre portafolio ha venido dada por los trabajo de Markowitz 2 . De acuerdo
con Markowitz, el proceso de selecci
on de un portafolio consta de dos etapas. La primera co-
mienza con la observaci
on y la experiencia, y termina con las expectativas del comportamiento
futuro de los valores. La segunda etapa comienza con las expectativas y finaliza con la selecci
on
del portafolio. El artculo de Markowitz se ocupa de estudiar la segunda parte del proceso de la
seleccion de un portafolio.
Markowitz centr
o su atenci
on en la pr
actica habitual de la diversificacion del portafolio y mostr
o
como un inversionista reduca la desviacion estandar de los rendimientos de un portafolio eligien-
do acciones que no se movieran exactamente igual. Pero Markowitz no se detuvo ah; continu
o
con el desarrollo de los principios b
asicos para la construccion de portafolios. Estos principios
son el fundamento de la mayor parte de lo que se ha escrito acerca de la relacion entre riesgo y
rendimiento.

2.1.2. Rentabilidad de portafolio

Si tenemos un conjunto de activos {Ai }N

i=1 con un precio Pt , t = 1, 2, . . . , y asumimos que el
activo no paga dividendos, entonces su tenencia por un perodo de tiempo, desde t-1 hasta t,
ofrece un retorno el cual puede ser calculado para cada activo ide 2 formas:
Una rentabilidad llamada aritmetica que trabaja con tiempo discreto:
Pt Pt1
Rt =
Pt1
y otra que trabaja con un tiempo continuo, llamada rentabilidad geometrica:
Pt
Rt = ln ( )
Pt1
Cuando formamos un portafolio con estos activos, la rentabilidad de este se calcula como la
suma ponderada con pesos wi de la rentabilidad de los activos que lo componen:

Rp = w1 R1 + w2 R2 + ... + wN RN
N
X
wi = 1
i=1
Esto equivale en terminos matriciales a:

R1
.
Rp = [w1 .
. = WR
... wN ]
RN
1
Informaci
on extrada de Optimizaci
on de Portafolio - Daz y Martinez (2015)
2
H. M. Markowitz,Portfolio Selection, Journal of Finance 7 (marzo de 1952), pp. 77-91.

4
Analisis de series de tiempo Aplicaciones al riego de mercado

2.1.3. Riesgo de portafolio

La idea es de seleccionar un portafolio que maximice nuestra riqueza teniendo en cuenta hasta
que medida seremos capaces de tolerar el riesgo, por ejemplo: si me gusta el riesgo lo conveniente
podra ser invertir en acciones, si no me gusta el riesgo lo conveniente podra ser invertir en
bonos3 . El riesgo de del portafolio se calcula en terminos matriciales como:

SD = W V W0

Donde:
SD : Desviaci
on est
andar
W : Vector de pesos wi
V : Matriz de varianzas y convarianzas de los Ri

2.2. VaR (Value at Risk)

Definici
on
El VaR es un metodo para cuantificar el riesgo, el cual utiliza tecnicas estadsticas estandar
que se usan de manera rutinaria en otros campos tecnicos. En terminos formales, el VAR mide
la peor perdida esperada en un intervalo de tiempo determinado, bajo condiciones normales
del mercado ante un nivel de confianza dado. El VAR proporciona a los usuarios una medida
resumida del riesgo de mercado. El proceso que conduce a obtener el VaR puede utilizarse para
decidir donde reducir el riesgo.4

Nivel de confianza: ( ) Para fines regulatorios, se suele utilizar niveles elevados de confianza
(99 %) pues el regulador desea mantener un sistema financiero adecuado, y para esto requiere
que la cantidad de fondos necesarios para cubrir el riesgo de mercado sea la que brinde menos
probabilidad de default5 .

Horizonte temporal: ( N ) Es el tiempo durante el cual queremos evaluar cual sera la maxima
perdida esperada de nuestra cartera dado un determinado nivel de confianza. Generalmente se
suele trabajar con un horizonte de 1 da para evitar error en las estimaciones.

Hay diferentes Value at Risk o VaR, metodos, tales como simulaciones de Monte Carlo(VaR SM)
y simulaciones hist
oricas (VaR HS) , estos pueden ser stress tested o backtested. La mayora de
los modelos VaR asumen altos niveles de volatilidad. Esto hace que el VaR este particularmente
mal adaptado, pero bien adaptado, para las pruebas de estres.
El VaR combina la exposici
on a una fuente de riesgo con la probabilidad de un movimiento
adverso en el mercado.
3
Es conveniente invertir en bonos cuando somos muy adversos al riesgo, pues este representa un pago seguro.
4
Explaining the Assumptions Used in the Measurement of Value at Risk - Michael K. Ong
5
Basilea II sugiere estimar el VaR con un nivel de confianza del 99 % para un horizonte de negociaci
on de 10
das u
tiles (dos semanas)

5
Analisis de series de tiempo Aplicaciones al riego de mercado

El VaR debera ser visto como un procedimiento necesario pero no suficiente para el control de
riesgos.

V aR % = + 1 ()

Donde:
1 : Funcion inversa acumulada de la Normal (estandar)
: nivel de significancia
: Desviacion est
andar
: media del portafolio (rentabilidad)

Figura 1: Funcion de distribucion normal

Importancia del VaR

Resulta u
til para la alta gerencia y para los reguladores pues brinda un indicador del riesgo
de las operaciones de mercado y de inversion que esta expresado en terminos monetarios,
lo cual facilita su comprensi
on.

Es una medida de riesgo universal, por ello puede sirve para todo tipo de activo.

Puede fijar lmites de exposici

on al riesgo de mercado en unidades monetarias.

Permite descubrir las posiciones que contribuyen mas al riesgo total.

2.3. Strees testing en VaR

6 Stress testing es una herramienta que sirve para cuantificar de manera proyectada el impacto
de un shock extremo, pero plausible. El stress testing puede aplicarse a una institucion financiera
o a un portafolio . Esto tiene su base en la Teora de Valores Extremos (EVT), esta, desempe
na
un rol similar al del Teorema Central del Lmite en la modelizacion de variables aleatorias.
6
Vease Pruebas de stress y back testing -Betancur y Cuervo (2011)

6
Analisis de series de tiempo Aplicaciones al riego de mercado

Gumbel


W eibull

1
P areto





F renchet

Debido a que las medidas del VAR basadas en los datos historicos recientes pueden fallar en
identificar las situaciones extremas que podran ocasionar perdidas importantes,es que se puede
utilizar el stress testing. Este metodo podemos calificarlo como simple o intuitivo. Una forma
de aplicarlo puede ser fijando un threshold y obsevar los puntos en los cuales nuestros retornos
superan cierto umbral, o tambien pueden elegirse tanto un umbral mnimo como uno maximo y
ver cuantas veces nuestros retornos superan esas bandas, que en el caso de la figura 1 son una
banda superior roja y una inferior gris.

Figura 2: Retornos historicos de un bono

Fuente: Portal Rankia.com

2.4. Back testing en VaR

7 El backtesting se desarrolla para evaluar y calibrar la medicion de riesgos por parte del modelo
que se esta usando, mediante la comparacion de los resultados reales de las posiciones de trading
y las medidas de riesgo generadas por los modelos, es decir, es u
til para validar la calidad
predictiva del modelo. Por ejemplo si tenemos la siguiente serie de rendimientos historicos donde
se ha predecido en VaR (lnea de color gris), aquellos puntos donde haya un hit dan cuenta que
previsionamos menos de lo que debimos previsionar, es de decir R > V aR
7
Vease Pruebas de stress y back testing -Betancur y Cuervo (2011)

7
Analisis de series de tiempo Aplicaciones al riego de mercado

Figura 3: Retornos historicos de un bono

Fuente: Komercn banka, a.s.

2.4.1. Test de Kupiec ( Test de proporci

on de fallas)

La prueba de proporci
on de fallas de Kupiec, POF por sus siglas en ingles, eval
ua la hipotesis
nula que la probabilidad de falla sea igual a . Es decir, si se calcula el VaR con un nivel
de confianza del 99 %, entonces H0: 0.01. En terminos practicos, esta prueba estadstica mide
si el nivel de significancia propuesto por el VaR es consistente con la proporcion de fallas que
presenta el modelo.

2.4.2. Otras medidas del VaR

Simulaci orica (VaR HS)8

on Hist
De los metodos no parametricos, la simulacion historica es uno de los metodos mas facil de
implementar9 . La idea es usar s
olo los datos historicos del mercado en el calculo de VaR del
portafolio actual.

El primer paso de la simulaci

on hist
orica es identificar los instrumentos de la cartera y obtener
series temporales para estos instrumentos durante alg
un perodo historico definido. Uno entonces
utiliza los pesos en la cartera actual para simular retornos hipoteticos que se han dado cuenta
el supuesto de que la cartera actual se haba celebrado durante el perodo de observacion. El su-
puesto de este metodo es que la distribucion de los rendimientos historicos es un buen indicador
de los rendimientos que se enfrentan durante el proximo perodo10 .
La ventaja de la Simulaci
on Hist
orica es que no depende de ning
un supuesto sobre la distribu-
cion de los rendimientos de los activos, esto permite una mejor estimacion del VaR en presencia
de distribuciones de colas anchas.
La desventaja es que debido a que solo considera como posibles variaciones futuras a escenarios
ocurridos en el pasado, el modelo puede incorporar situaciones que no se ven en los rendimientos
historicos, es decir, no incorpora escenarios probables en el horizonte temporal evaluado.

8
Vease Enfoques diferentes para medir el valor en riesgo (VAR) y su comparaci
on
9
Wiener, 1999.
10
Dowd, 1998.

8
Analisis de series de tiempo Aplicaciones al riego de mercado

Simulaciones de Montecarlo (VaR SM)11 Se suele usar cuando se desea un VaR mas poten-
te, pero tambien m
as difcil de implementar que el historico. 12 El proceso de simulacion Monte
Carlo puede describirse en dos etapas. En primer lugar, se especifican los procesos estocasticos
para las variables financieras y las correlaciones, y volatilidades se calculan sobre la base de los
datos historicos de mercado. En segundo lugar, los precios de todas las variables financieras son
simuladas (miles de veces). Estas realizaciones precios se compilan a una distribucion conjunta
de los retornos, finalmente de esta se realizan las estimaciones de VaR13

2.4.3. Crticas al Valor en Riesgo

El VaR es una medida incoherente del riesgo. Para determinar la eficiencia de un buen indicador
de riesgo de mercado, existen 4 propiedades que debe cumplir para ser una coherente medida
del riesgo14 .Un indicado de riesgo debe cumplir:

1. Homogeneidad positiva:
(x) = (x). Si se incrementa el valor del portafolio en , el riesgo tambien debe
aumentar en .

2. Monotonicidad:
x y Implica (x) (y) . Si el portafolio xtiene sistematicamente menor retorno que
el portafolio y, su riesgo debe ser mayor.

3. Traslaci
on invariante:
(x + ) = (x) . A
nadir efectivo por un monto debe reducir su riesgo en .

4. Subaditividad:
(x + y) (x) + (y). La fusi
on de portafolios no debe incrementar el riesgo.

Si satisface todas las propiedades anteriores, entonces es considerada una medida de riesgo
coherente. Seg
un Artzner, el VaR no es una medida coherente de riesgo pues no es Subaditiva,
solo en el caso especial de contar con una distribucion normalizada de los retornos.
Sin embargo, encontr
o que la metodologa Valor en Riesgo Condicional(CVaR) medido como
la esperanza de las perdidas superiores al VaR satisface todas las propiedades deseables en el
sentido de Artzner.

2.5. Valor en Riesgo Condicional(CVaR)

El CVaR es una medida alternativa al VaR que cuantifica las perdidas que se puede encontrar
en las colas de las distribuciones. Se define como la perdida esperada para los casos en que
la perdida de valor de la cartera exceda el valor del VaR. Es decir, el valor de VaR no ser
a
nunca mayor al valor del CVaR, por ello, portafolios con bajo CVaR tendra un VaR a
un menor.
Graficamente:
11
Vease Enfoques diferentes para medir el valor en riesgo (VAR) y su comparaci
on
12
Dowd, 1998
13
Jorion, 2001
14
Estas 4 propiedades fueron propuestas por Artzner et al. (1999)

9
Analisis de series de tiempo Aplicaciones al riego de mercado

Figura 4: Valor en Riesgo Condicional

Matematicamente:
CV aR = E[Rt /Rt > V aR]

3. Aplicaci
on
En la aplicaci
on de este trabajo comparamos las metodologas del VaR y el CVaR y aplicamos
pruebas de Backtesting y Stresstesting anteriormente definidas.
Asimismo realizaremos el c
alculo de los VaR mediante simulacion historica y simulacion de Mon-
tecarlo.

Descripci
on del Portafolio

Se trata de un portafolio compuesto por 6 activos, de los cuales tenemos 2 americanos y 4

europeos que son de S&P500, NASDAQ, CAC 40, DAX, ATX y BEL-20.

Para efectos el an
alisis se trabaja con una significancia del 5 %, es decir que nuestros
calculos tienen un nivel de confianza del 95 %.

El horizonte temporal escogido es diario 15 . El periodo de analisis de este trabajo inicia el

3 de enero del a
no 2000 y finaliza 4 de diciembre del 2015.

Figura 5: Precios de los activos que conforma el portafolio en diciembre del 2015

Fuente: Elaboraci
on propia.
15
Como se suele trabajar la mayora de estimaci
on para evitar grandes errores.

10
Analisis de series de tiempo Aplicaciones al riego de mercado

La metodologa descrita anteriormente la aplicamos para nuestros 6 activos ya descritos. Cal-

culamos la rentabilidad geometrica de cada activo, esta ayuda a construir nuestro portafolio
equity16 .

Figura 6: Evoluci
on del rendimiento diario de nuestro portafolio

Fuente: Elaboraci
on propia.
En este grafico se puede observar como existe una tendencia a que los rendimientos sean cada
vez mas volatiles, por lo que se hace necesario tener un adecuado sistema de medicion de riesgos.
Calculamos los retornos promedio como la media de los retornos historicos de nuestros activos
en el periodo se
nalado y la matriz de varianzas y covarianzas. Calculado esto obtenemos el
rendimiento del portafolio y el riesgo del portafolio.

Figura 7: Histograma del rendimiento de nuestro portafolio

Fuente: Elaboraci
on propia.
16
Asumiremos ponderaciones iguales para todos los activos

11
Analisis de series de tiempo Aplicaciones al riego de mercado

El histograma muestra la distribuci

on de los retornos para el periodo de analisis as como sus
respectivas estadsticas. Como se puede apreciar, la distribucion de los retornos de nuestro por-
tafolio presentan picos m
as altos que los que corresponden a una distribucion normal. Esto se
evidencia en el coeficiente de curtosis el cual es significativamente mayor que el de una normal.
Ademas de presentar una mayor frecuencia en resultados extremos, es decir, presenta colas m
as
anchas que una distribuci
on normal.

C
alculo del VaR y CVaR
De la formula del VaR:

V aR % = + 1 () = 7,0439 105 + 0,01240244 1,644853627 = 0,020329754

Con lo que obtenemos un VaR de -0.020329754. Asumiendo que el monto que tengo para inver-
tir asciende a 100 millones de nuevos soles, obtendramos que nuestra perdida diaria maxima
que podramos soportar es de 2?032,975.35 nuevos soles con un 95 % de confianza. Es decir, si
suponemos un periodo de 100 das, podramos esperar que nuestra perdida sea menor al VAR
en los proximos 95 das de los 100 y que en 5 de ellos esta sea mayor al VAR. Sin embargo,
debido a que hay mayor volatilidad, y seg
un lo analizado el VaR no nos ofrece un estimaci
on
fiel al riesgo de mercado que puede enfrentar un portafolio, por ello, realizamos un analisis para
encontrar el CVaR pues esta es una medida que cumple con todos los supuestos adecuados para
ser un buen predictor del riesgo de mercado. El calculo nos arroja un CVaR de -0.030587271, es
decir, para poder hacer frente a la volatilidad debo coberturarme con 3?058,727.10 nuevos soles,
monto que como esperamos es mayor al indicado por el VaR.

De la metodologa Stress testing utilizando bandas de tipo min - max encontramos diversos
escenarios extremos como los mostrados por fechas en siguiente grafico:

Figura 8: Escenarios extremos

Fuente: Elaboraci
on propia.

12
Analisis de series de tiempo Aplicaciones al riego de mercado

Como se mencion
o anteriormente, la metodologa del Back-testing pretende evaluar el ajuste de
nuestro modelo, comparando las predicciones hechas por el VaR para el periodo determinado
con los datos empricos obtenidos, con el fin de comprobar su calidad. La metodologa del VaR
necesita ser contrastada de manera periodica para comprobar su grado de precision mediante el
analisis retrospectivo del Back-testing. En este caso utilizamos los primero 5 a
nos para nuestro
modelo de c
alculo del VaR, denotando al a
no financiero con 252 das (en 5 a
nos = 1260 das),
despues de calcular el VaR para los primeros 5 a
nos, predecimos el VaR diario para toda la
data restante, que seran nuestros datos de validacion (en total 2583), con esto vamos a poder
comparar los VaR diarios predichos con los retornos diarios, y poder ver cuan bueno o malo es
nuestro modelo.

Figura 9: tabla resumen de los resultados backtesting (VaR - CVaR)

Fuente: Elaboraci
on propia.

La forma para evaluar esto es a traves de observar cuantas veces los resultados empricos exce-
den al estimado de la medici
on del riesgo sobre el n
umero total de observaciones, en el cuadro
podemos observar que se estim
o para el VaR como maximo 129 (5 %) excepciones de un total de
2583 datos, pero empricamente se encontraron 134 excepciones, superior a las estimadas, por lo
tanto el modelo con VaR 5 % no es adecuado (ERROR). Sin embargo al realizar el back-testing
al CVaR con un nivel de significancia del 5 %, el n
umero de excepciones son 59 datos, mucho
menor a las estimadas como m
aximo, esto se interpreta como que de 100 casos estimado hay
dos excepciones, el error es mnimo, por eso el modelo CVaR 5 % es adecuado (OK).

Para calcular el VaR por el metodo de simulaciones historicas se siguieron los siguientes pasos:

Se ordenaron las realizaron las simulaciones con los datos historicos del mercado.

De acuerdo al nivel de significancia del 5 % realizamos el producto de este con el total

de datos T, el cual asciende a 3843.

EL producto dio como resultado 192.15, este resultado lo usamos para escoger el termino
k-esimo de la serie de VaRs, de esta manera, el VaR historico es -4.240 %.

13
Analisis de series de tiempo Aplicaciones al riego de mercado

Figura 10: Retorno simulado

Fuente: Elaboraci
on propia.

Para calcular el VaR por el metodo de simulaciones de Montecarlo se utilizaron las variaciones
pasadas para generar una forma de modelar los retornos. Con ello podemos generar un rango de
valores futuros a traves de la generaci
on de n
umeros aleatorios, luego se simulo el comportamien-
to de los factores de riesgo en el perodo proximo. Dados los valores actuales y una distribuci
on
de n
umeros aleatorios. Cada uno de estos valores tiene una probabilidad de ocurrencia asigna-
da basada en la distribuci
on aleatoria utilizada para realizar la simulacion. Los valores ser
an
jerarquizados de mayor a menor. Con el grado de confianza del 95 %, cuando la probabilidad
acumulada de la distribuci
on alcance el 5 %, ese valor indicara el VaR.

Figura 11: Simulacion de Montecarlo

Fuente: Elaboraci
on propia.

14
Analisis de series de tiempo Aplicaciones al riego de mercado

4. Conclusiones
Una causa principal de administrar los riesgos es la gran volatilidad de las variables financieras,
es por ello que los riesgos financieros deben ser vigilados, pues su descuido puede implicar
grandes perdidas. Con la administraci
on de los riesgos obtendremos cierta proteccion ante la
incertidumbre y estaremos preparados para poder asumir perdidas esperadas que podran ser
calculadas usando la metodologa del Valor en Riesgo. Sin embargo, en los pases desarrollados
los retornos tienen distribuciones que se asemejan mucho a una normal, mientras que en pases
como emergentes como Per
u, los activos tienen menor liquidez, por lo que sus colas presentan una
alta densidad. Es decir, en estos pases emergentes hay mayor volatilidad, y seg
un lo analizado
el VaR no nos ofrece un estimaci
on fiel al riesgo de mercado que puede enfrentar un portafolio,
de ah que cobre importancia el estudio del Stress testing aplicado al VaR y el CVaR al ser una
medida que cumple con todos los supuestos adecuados para ser un mejor predictor del riesgo de
mercado.

5. Referencias
Apuntes de clase: An
alisis de series de tiempo-profesor Rafael Caparo.

Enfoques diferentes para medir el valor en riesgo (VaR) y su comparacion -Julio Garca
Villalon .

Pruebas de stress y backtesting- Betancur y Cuervo (2011).

Backtesting value at risk models - Helsinki School of Economics.

Teora de Valores Extremos (EVT) y grandes crisis financieras Mercados emergentes vs.

desarrollados - Alvarez y Rossignolo.

Optimizaci
on de Portafolio - Daz y Martinez (2015)

15
Analisis de series de tiempo Aplicaciones al riego de mercado

Anexos

Figura 12: Retorno promedio

Fuente: Elaboraci
on propia.

Fuente: Elaboraci
on propia.

Figura 13: Riesgo y rendimiento de portafolio

Fuente: Elaboraci
on propia.

16