Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicación de Los Modelos GARCH A La Estimacion Del VaR de Acciones Colombianas PDF
Aplicación de Los Modelos GARCH A La Estimacion Del VaR de Acciones Colombianas PDF
* Artculo basado en el trabajo de grado obligatorio para optar al Ttulo de Especialista en Finanzas
Corporativas de la Escuela de Ingeniera de Antioquia. Director: Fredy Prez.
** Ingeniero Administrador y Especialista en Finanzas Corporativas, EIA. Analista de Contratacin,
Bancolombia. feospina@bancolombia.com.co
*** Ingeniero Industrial y Especialista en Finanzas Corporativas, EIA. Jefe de Seccin, Bancolombia.
davgiral@bancolombia.com.co
APLICACIN DE LOS MODELOS GARCH A LA ESTIMACION DEL VaR DE ACCIONES
COLOMBIANAS
Federico Ospina DAleman y David Alejandro Giraldo Snchez
Resumen
El aumento de la volatilidad de los mercados financieros durante las ltimas dcadas ha inducido
a investigadores, profesionales y reguladores a disear y desarrollar herramientas de gestin de
riesgos ms sofisticadas. El Valor en Riesgo (VaR) se ha convertido en el estndar de medida que
los analistas financieros utilizan para cuantificar el riesgo de mercado por la simplicidad del con-
cepto y facilidad de interpretacin. En este proyecto el VaR fue aplicado a la serie de rendimientos
de las acciones de mayor bursatilidad del mercado colombiano y fue calculado con el mtodo
paramtrico utilizando el enfoque RiskMetrics y los modelos economtricos GARCH. En el anlisis
del RiskMetrics se debe suponer que la volatilidad de la serie se interpreta por los modelos in-
tegrados IGARCH (1,1). Para el clculo del VaR con los modelos economtricos GARCH se aplica
la metodologa ARIMA para pronosticar los rendimientos de la serie, que generalmente tienen
una varianza no constante en el tiempo, es decir, presentan la existencia de heteroscedasticidad
y deben utilizarse los modelos autorregresivos generalizados de heterocedasticidad condicional
(GARCH), tales como PGARCH, TGARCH, EGARCH, u otros modelos como IGARCH, GARCH-M
para hallar la varianza condicional.
Abstract
The increased volatility in financial markets over recent decades has led researchers, experts,
and regulators to design and develop more sophisticated risk management tools. Value at Risk
(VaR) has become the standard measure that financial analysts use to measure market risk due
to its conceptual simplicity and easy interpretation. In this paper, Value at Risk (VaR) was applied
to the returns of the biggest marketability shares of the Colombian stock market and it was
calculated by the parametric method with the RiskMetrics approach and the econometric GARCH
models. Under the RiskMetrics approach the variance of the series is computed using an IGARCH
(1.1) model. For the calculation of VaR with econometric GARCH models, ARIMA methodology
is applied to find the model that will help to forecast the returns of the series, this returns does
not generally have a constant variance, showing the existence of Heteroscedasticity and should
be used generalized autoregressive conditional heteroscedasticity models (GARCH), such as
PGARCH, TGARCH, EGARCH, and other models as IGARCH, GARCH-M to find the conditional
variance.
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
14
la funcin de autocorrelacin de los rendimientos se observa que los valores bajan
rpidamente a cero, evidenciando que la serie es estacionaria.
Aplicacin de los modelos garch a la estimacion del VaR de acciones colombianas
Para
Paratodas lasacciones
todas las acciones se manej
se manej la serie
la serie de los retornos,
la metodologa ARIMA.puesto que, 1
En la figura por
se ser
de los retornos,
estacionaria, puestoutilizar
se puede que, por ser esta-
para emplearmuestra el anlisis
la metodologa de estacionariedad
ARIMA. En la figura 1 se
cionaria,
muestra el se puededeutilizar
anlisis para emplear
estacionariedad para lapara la accin
accin Bancolombia
Bancolombia ordinaria.
ordinaria.
24000 10.0 .2
20000 9.5
.1
9.0
16000
.0
8.5
12000
8.0 -.1
8000
7.5
-.2
4000 7.0
0 6.5 -.3
2001 2002 2003 2004 2005 2006 2007 2008 2001 2002 2003 2004 2005 2006 2007 2008 2001 2002 2003 2004 2005 2006 2007 2008
Figura
Figura 1. Anlisis
1. Anlisis grfico grfico y correlograma
y correlograma de una de lasde una de
acciones las acciones
evaluadas evaluadas
(Bancolombia (Banco-
ordinaria)
lombia ordinaria)
ACF
k
1.0
0.8
0.6
0.4
0.2
0.0
0 5 10 15 20 25 30
K (lags)
kk PACF
0.15
0.10
0.05
0.00
-0.05
0 5 10 15 20 25 30
K (lags)
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
16
Aplicacin de los modelos garch a la estimacion del VaR de acciones colombianas
Existencia de rt = u + at rt , donde at = t t
heteroscedasticidad
Luego de identificar el modelo ARIMA, se
analiz si la serie de los residuos al cuadra- Usualmente se supone que t ~N(0, 2),
do (at2) del modelo escogido tiene efecto aunque para este estudio se evaluaron
ARCH o posible existencia de heterocedas- con distribuciones de colas pesadas.
ticidad1 condicional en la varianza. Se reali- Despus de chequear la heterocedas-
za el test ARCH (test de multiplicadores de ticidad, se analiz la informacin de la
Lagrange) de Engle (1982). En este test se distribucin de la serie de los residuos,
analiza el valor p del estadstico F, el cual observando en todos los casos una cur-
debe ser menor que el nivel de significan- tosis3 muy superior a la de una distri-
cia (0,05) para concluir2 la existencia del bucin normal (leptocurtosis). Para co-
efecto de heteroscedasticidad en la serie rroborar lo anterior se realizaron el test
de retornos de las acciones, lo cual significa Jarque-Bera y el grfico cuantil-cuantil4
que t2 no es constante (E(at2 ) 2). comprobndose en todos los casos que
Modelo GARCH la distribucin de los residuos no segua
una distribucin normal.
El modelo GARCH, introducido por Tim
Bollerslev en 1986, da nombre a la am- Conociendo esta informacin, se deci-
pliacin de los modelos autorregresi- di utilizar al momento de modelar los
vos de heterocedasticidad condicional GARCH las distribuciones de colas pesa-
ARCH (Engle, 1982). Este modelo GARCH das GED5 y t-Student.
generaliza el modelo ARCH puramente
autorregresivo.
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
18
Aplicacin de los modelos garch a la estimacion del VaR de acciones colombianas
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
20
Aplicacin de los modelos garch a la estimacion del VaR de acciones colombianas
EGARCH(1,1) l
Correlograma Q-statistics
Rezagos ACF PACF Q-Stat Prob.
1 0,067 0,067 6,9858
2 0,052 0,048 11,210 0,001
3 0,010 0,003 11,356 0,003
4 -0,027 -0,031 12,504 0,006
5 -0,002 0,001 12,512 0,014
6 0,001 0,004 12,514 0.028
Efecto ARCH
F-statistic 5,33461 Probabilidad 0,01267
ACCIN MODELO
xito
A-PARCH(1,2)
Chocolates
EGARCH(1,2)
Suramericana
EGARCH(1,1)
Inverargos
EGARCH(1,1)
Fabricato
A-PARCH(1,1)
Bancolombia
EGARCH(1,1)
RiskMetrics
La metodologa RiskMetrics original- tablece que el modelo para pronosti-
mente supone distribucin normal, car la varianza debe ser el IGARCH(1,1)
aunque ms tarde, segn el docu-
( ).
mento tcnico de Riskmetrics/Reuters
(1996), se acept la utilizacin de otras Se modelaron cada una de las acciones
distribuciones con colas ms pesadas, con modelos IGARCH aceptando la dis-
como es el caso de la GED. Tambin es- tribucin normal.
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
22
Aplicacin de los modelos garch a la estimacion del VaR de acciones colombianas
Pronstico
VaR al 5% para un
Accin Distribucin 1 1 1 Cuantil Varianza
horizonte de un da
1-dia
mucha relevancia para medir el riesgo JORION, P. (1997). Value at risk: the new benchmark
for controlling market risk. McGraw-Hill.
del momento presente, y si es dema-
J.P.MORGAN/REUTERS RiskMetrics technical
siado corto, tendr mucho ruido. Por document. Fourth ed., New York, December
esto ha cobrado tanta importancia la 17, 1996. Appendix B. Relaxing the assumption
estimacin de la varianza con los mo- of conditional normality.
NELSON, D. B. (1991). Conditional heteroskedas-
delos GARCH, pues permiten captar
ticity in asset returns: A new approach. Econo-
mejor la evolucin de la dinmica de la metrica 59: 347-370.
volatilidad. TSAY, R. 2002. Analysis of financial time series.
Wiley Series in Probability and Statistics, John
El valor del VaR que calculamos siguien- Wiley and Sons.
do la metodologa RiskMetrics es menor URIEL, E. Introduccin al anlisis de series
temporales. Modelos ARIMA. Paraninfo,
que el evaluado con el mtodo estn-
Espaa. 1 ed. 2000.
dar con los modelos GARCH. Con esta VILARIO, ngel. (2001) Turbulencias financieras y
informacin no podemos sacar conclu- riesgo de mercado. Prentice Hall.
siones de cul metodologa se ajusta WEI, W. S. 1990. Time series analysis. Addison-
Wesley. 1990.
mejor para el clculo del riesgo; como
ZAKOAN, Jean. (1992). Threshold heteroskedastic
recomendacin sera necesario utilizar models. Journal of Economic Dynamics and
metodologas de backtesting. Control. 18: 931-955.
Revista Soluciones de Postgrado EIA, Nmero 3. pp 11-24 Medelln, enero 2009 / Economa y Finanzas
24