Está en la página 1de 13

Metodologas de medicin

del riesgo de mercado


John Jairo Salinas vila*

resumen
El riesgo financiero puede ser definido como la volatilidad de los resultados esperados. En particular, el riesgo de mercado se refiere
a la posibilidad de sufrir prdidas en los mercados financieros.
Hasta el momento, se han propuesto en la literatura numerosas metodologas para medir el riesgo de mercado, aunque la inmensa
mayora de estas son variantes de tratamientos estadsticos paramtricos y no paramtricos. Merece destacar entre los primeros el
mtodo de varianzas-covarianzas y el de simulacin Montecarlo, y entre los segundos el mtodo de simulacin histrica.
El propsito de este artculo es realizar una valoracin de las tres metodologas anteriores, mostrando que no existe una que pueda
ser aceptada como la correcta, pues cada una tiene sus fortalezas y debilidades.
P a l a b r a s c l a v e : econometra financiera, riesgo de mercado, valor en riesgo, modelos de medicin del riesgo financiero.

abstract
Methodologies for measuring market risk

aportes a la investigacin
Financial risk may be defined as the volatility of expected results. Market risk particularly refers to the possibility of suffering losses
in financial markets.
Numerous methodologies for measuring market risk have been proposed in the literature to date, even though most of these are

y a la docencia
variants of statistical treatments (parametrical and non-parametrical). The variance-covariance and Montecarlo simulation methods
are worth highlighting amongst the former and the historical simulation method amongst the latter.
This article was aimed at evaluating the three methodologies mentioned above, showing that no single one can be accepted as being
correct, as each has its own strengths and weaknesses.
K e y w o r d s : financial econometrics, market risk, value in risk, models for measuring financial risk.

Introduccin** consecuencia de cambios en el precio


de los instrumentos financieros en los
La presencia cada vez mayor de las que la entidad mantenga posiciones
entidades financieras en los mercados dentro o fuera del balance.
de capitales hace que estas sean cada
Dos eventos, particularmente, han te-

innovar
vez ms sensibles a volatilidad de los
nido un impacto fuerte en la adopcin
precios de los instrumentos financieros
generalizada de la medicin del ries-
que poseen en sus portafolios de inver- * Administrador de Empresas, especialista
go de mercado en el sector financiero.
sin, surgiendo as el llamado riesgo en evaluacin socioeconmica de proyec-
El primero tuvo lugar en 1995, en el tos, magster en Administracin. Profesor
de mercado. Su medicin es, en pri-
Banco Internacional de Pagos (BIS), catedrtico de la Universidad Nacional de
mera instancia, una herramienta para Colombia, sede Manizales, Departamento

187
entidad que por intermedio del Co-
la alta direccin de las instituciones de Administracin, y profesor ocasional
mit de Supervisin Bancaria de Ba- de la Universidad de Caldas, Departamen-
financieras, ya que opera como ins- to de Economa y Administracin.
silea (Suiza) propuso nuevas polticas
trumento de control y auditora que Correo electrnico:
y procedimientos para la medicin, el
suministra informacin sobre la ten- jjsalinas@unal.edu.co
control y la gestin de riesgos finan-
dencia del riesgo en las inversiones
cieros (enmienda al acuerdo de Basi- ** Este artculo est basado en un
realizadas. La Superintendencia Fi- resumen de la tesis Metodologas
lea de 1988).
nanciera de Colombia (SFC) ha de- de Medicin del Riesgo de Mercado
en Instituciones de Fomento y
finido este riesgo como la posibilidad El segundo evento importante ocurri Desarrollo Territorial presentada por
de que una entidad financiera incu- en 1994, cuando el banco estadouni- el autor a la Universidad Nacional de
rra en prdidas y se disminuya el va- dense J. P. Morgan hizo pblico en su Colombia, sede Manizales, para la
obtencin del ttulo de magster en
lor de su patrimonio tcnico como documento tcnico denominado Risk- Administracin.

C l a s i f i c a c i n J E L : C1, G13. R e c i b i d o : febrero de 2007 A p r o b a d o : abril de 2009 Salinas vila, J.J. (2009). Me-
todologas de medicin del riesgo
C o r r e s p o n d e n c i a : John Jairo Salinas, Universidad Nacional de Colombia, Sede Manizales, Cra. 27, No.64-60, bloque C, de mercado. Innovar, 19(34),
piso 2, Manizales, Colombia. 187-199.
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

Metrics el concepto de valor en riesgo, conocido co- La primera fuente es la ms genrica y fcil de usar;
mnmente como VeR (o VaR por su sigla en ingls). El normalmente se calculan medias mviles exponencia-
VeR pretende estimar la mxima prdida en que po- les de las volatilidades histricas con un peso mayor
dra incurrir una institucin financiera en el desarrollo a las observaciones ms recientes (modelos Garch); la
de su actividad econmica con un nivel de confianza segunda es de carcter ms bien limitado dada la me-
predeterminado. Este modelo es el ms aceptado para nor amplitud de los mercados organizados. Probable-
la medicin del riesgo de mercado. mente, segn Hendricks (1996), esta es la razn por
la cual la mayor parte de gestores de riesgos basan sus
El objetivo de este artculo es examinar los principales
modelos en informacin histrica.
modelos de VeR, y presentar la evidencia emprica que
se ha obtenido de estudios sobre este tema. La ventaja esencial del enfoque delta es que requiere
calcular el valor del portafolio slo una vez, utilizan-
do para ello el valor de mercado de los instrumentos
2. Mtodos para la estimacin financieros del portafolio.
del riesgo de mercado
Para calcular el riesgo de mercado pueden emplear- 2.2 Mtodo de valoracin global
se dos mtodos fundamentales: mtodo de valoracin
delta y mtodo de valoracin global. En el procedimiento de valoracin global los modelos
tambin son llamados de valoracin completa, y al con-
trario que el anterior, no trata de definir una relacin
2.1 Mtodo de valoracin delta explcita entre el valor del portafolio y los factores de
aportes a la investigacin

riesgo, sino que simplemente trata de estimar el va-


En el proceso de medicin delta se trata de estimar la lor del portafolio en distintas situaciones o escenarios
variacin del valor de un portafolio con una medida
y a la docencia

(distintos niveles de precios), utilizando la siguiente


de sensibilidad de los factores de riesgo1, utilizando la igualdad:
siguiente expresin:
Prdida/ganancia potencial = valor de la posicin des-
Prdida/ganancia potencial = sensibilidad de la posi- pus del cambio potencial del mercado valor de la
cin (delta) x cambios potenciales en los factores de posicin actual.
riesgo (tasas de inters, de cambio, y precios de acti-
vos). Cuando se utiliza la valoracin global, tambin es posi-
ble seguir las siguientes alternativas: el uso de escena-
El mtodo de valoracin delta es el ms fcil de utilizar rios definidos, y el uso de escenarios extrapolados por
y requiere menos esfuerzo de clculo que el de valora- simulacin Montecarlo.
cin global, pero su aplicacin se reduce a posiciones
innovar

El uso de escenarios definidos maneja un conjunto de


lineales; la linealidad es aquella que permite evaluar
observaciones histricas sobre los rendimientos de ac-
una cierta sensibilidad de un portafolio de activos a los
tivos y pronsticos razonables (educated guesses) sobre
cambios del mercado. Se trata de un mtodo param-
los mismos. Se emplean diversas tcnicas, desde la sim-
trico, siendo los parmetros los valores medios, las vo-
ple seleccin de un periodo histrico que aparezca como
latilidades (medidas a partir de la desviacin estndar)
representativo (simulacin histrica) hasta el bootstrap-
188

y las correlaciones de las correspondientes distribucio-


ping o mtodo que genera muestras al azar de la distri-
nes de rendimientos por variacin de precios.
bucin de precios (Martin et l., 2000:8).
Si los activos son opciones (posicin no lineal), hay
que aplicar el procedimiento de valoracin global de La posibilidad de utilizar escenarios extrapolados por
carcter no paramtrico, basado en escenarios proba- simulacin Montecarlo se realiza generando escena-
bles (Martin et l., 2000). rios basados en volatilidades y correlaciones histri-
cas o tomadas de los mercados de opciones. A partir
Cuando se utiliza el mtodo delta, se pueden emplear de dichos datos se generan los escenarios de rendi-
dos fuentes para la estimacin de las volatilidades y co- mientos esperados que, cuando se aplican a los pre-
rrelaciones: observaciones histricas de tipos y precios, cios y tipos corrientes o a plazo, producen escenarios
y precio de opciones en mercados organizados. de precios y tipos futuros.
Con el empleo de escenarios definidos se pueden ma-
nejar posiciones no lineales opciones y otros deriva-
1 La sensibilidad establece la relacin entre los cambios en el valor
dos, y describirse mercados no normales e inestables,
del instrumento con un factor o ndice relacionado, por ejemplo,
la beta en el caso de las acciones, la duracin de los ttulos de ren- pero todo ello con un mayor esfuerzo de computa-
ta fija o la delta de las opciones (Beltrn y Perilla, 2002). cin.
re v i s ta

innovar journal

FIGURA 1. Vas alternativas a la estimacin del riesgo de mercado

1 4 3 5 2

Datos histricos de tipos Precios actuales de


y precios opciones

Pronsticos
Anlisis razonables
estadstico
Seleccin de
escenarios

aportes a la investigacin
Volatilidades y
correlaciones
histricas

y a la docencia
Modelo de valoracin
Extrapolacin de opciones

innovar
Volatilidades y Mtodo de Escenario de Volatilidades y
Mtodo de
correlaciones Montecarlo tipos y precios Montecarlo correlaciones
futuras futuros implcitas

189
Posicin

Valoracin Valoracin Valoracin


delta global delta
Posicin
lineal Posicin
lineal

Cambio de valor Distribucin Cambio de valor


estimado de valores estimado

Fuente: Riskmetrics, Documento tcnico. 3 edicin, 1995 (citado en Martin et l., 2000:10).
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

3. Metodologas para medir el riesgo de indicar que este portafolio podra sufrir una prdida
mercado superior a 1,645*2 = 3,29% en sus retornos esperados,
pasando de 4% a 0,71% o menos, solamente el 5% de
3.1 Mtodo varianzas-covarianzas las veces (1 de 20 veces). Este punto de la distribucin
se denomina valor en riesgo.
Mediante este mtodo se supone que el comporta-
miento de la serie histrica de rendimientos presen- FIGURA 2. Funcin de densidad de probabilidades normal de los
ta una distribucin de probabilidad dada, en muchos rendimientos de un portafolio.
casos por simplicidad; se supone distribucin normal,
caracterizada por su valor medio y su desviacin es- Desviacin
estndar
tndar , la cual se tomar como medida de volatili- Estndar
Distribucin de
dad de la rentabilidad de los activos. Retornos
retornos
1,645
En la medicin del riesgo de mercado, la variable con- 1,645
siderada como aleatoria es la tasa de rendimiento de 5%
un activo financiero, la cual se define como:
Pt (1)
Rt = 100 ln
Pt 1
o bien ValorValue
en riesgo
at Risk Retorno esperado
Esperado
P Pt 1
Rt = 100 t (2)
aportes a la investigacin

Fuente: Banco Central de Chile. Documento de trabajo, N 67, 2000.

donde:
Pt 1
En la metodologa de anlisis de portafolios, por sim-
y a la docencia

Rt: rendimiento del activo en el perodo (t-1, t), gene- plificar o porque el error cometido es insignificante, no
ralmente un da. se suelen considerar otros rendimientos que los deriva-
Pt: precio del activo en el momento t. dos de las ganancias puras de capital; es decir se asume
como cero cualquier pago intermedio, por ejemplo, un
Pt-1: precio del activo en el momento t-1. dividendo o un cupn.
Este mtodo se utiliza en la medicin del riesgo de mer-
La primera ecuacin corresponde a la tasa de rendi- cado para posiciones lineales. Bajo el supuesto de que
miento discreta, y la segunda a la tasa de rendimiento si los cambios proporcionales en los factores de riesgo
continua, pero para pequeos incrementos de Pt-1 las se comportan de manera normal3, entonces los cam-
bios en el valor del portafolio tambin se comportarn
innovar

dos son prcticamente iguales.


de manera normal, ya que hay una relacin lineal (Bel-
A travs de un histograma para una serie de retornos trn y Perilla, 2002:17).
histricos de un portafolio que posee n instrumen-
tos financieros, es posible visualizar la distribucin de Bajo el supuesto de normalidad en la serie de rendi-
densidad de los rendimientos. Para cada rendimiento mientos R ~ N(, 2), el valor en riesgo de un activo
se puede determinar una probabilidad de observar un se puede calcular como:
190

rendimiento ms bajo. VeR = V0 * K ( ) * t (3)



Seleccionando un nivel de confiabilidad del 95%, se En este caso, el VeR es una funcin de tres variables:
encuentra en la figura 2 un punto tal que existe una el valor actual del portafolio (V0), valorado a precios
probabilidad del 5% de encontrar un retorno ms bajo de mercado; el parmetro K() es el factor que deter-
(rea de prdida); se debe multiplicar la desviacin es-
tndar por 1,645 (valor obtenido de una distribucin
normal)2. Es decir, si el retorno esperado para un por-
tafolio es de 4% y la desviacin estndar es de 2%, en-
tonces el VeR (con un nivel de significancia del 5%)

3 Un factor de riesgo es una variable del mercado con caracters-


2 Las medidas de valor en riesgo se expresan como percentiles que ticas particulares cuya variacin genera un cambio en el valor
corresponden a un nivel de confianza deseado. Por ejemplo, una de un instrumento financiero. La Superintendencia Bancaria a
estimacin de riesgo con un nivel de confianza del 99% indica travs de la Circular 042 define los factores de riesgo, los cuales
que la prdida mxima esperada de un portafolio slo ser exce- son clasificados en cuatro categoras generales: tasa de inters (en
dida en 1% del tiempo. En la prctica normalmente las estimacio- moneda legal, moneda extranjera y en operaciones pactadas en
nes se calculan con niveles de confianza entre el 95% y el 99%. UVR), tasa de cambio, valor de la UVR y precio de las acciones.
re v i s ta

innovar journal

mina el nivel de confianza del clculo4, y la volati-


12 12 L 1i w1
lidad de los rendimientos medida con la desviacin
estndar t . 22 L 2i w2
p = [w1 w2 L wi ] 21
M M O M M (6)
Para un portafolio compuesto por posiciones activas
i1 i 2 L i2 wi
y pasivas que son afectadas por factores de riesgo, es-
tas posiciones tienen un valor en riesgo que depende
El valor en riesgo del portafolio se puede entonces ex-
de la volatilidad de estos factores; por ello es necesa-
presar de la siguiente manera:
rio obtener la matriz de varianza-covarianza o la ma-
triz de correlaciones que refleje de manera ms precisa VeR p = V0 * K ( ) * p t (7)
los riesgos asumidos en conjunto por una entidad. Por
Esta ecuacin ilustra que los portafolios estn cons-
ello, se utiliza la formulacin de teora clsica de carte-
truidos de tal manera que la relacin entre los instru-
ras desarrollada por Markowitz:
n mentos que lo componen hacen que el riesgo agregado
R p = wi * Ri (4) del portafolio sea menor que la suma de los riesgos in-
i =1 dividuales. Aqu las correlaciones desempean un pa-
pel importante porque ayudan a diversificar el riesgo;
donde: por esto se da el nombre de valor en riesgo diversifica-
Rp: rendimiento del portafolio do a aquel que se calcula utilizando las correlaciones
entre los factores de riesgo, siendo este menor que la
Ri: rendimiento del activo i suma de los VeR individuales, lgicamente siempre y

aportes a la investigacin
Wi: proporcin del portafolio, a valor de mercado, in- cuando las correlaciones sean menores que 1.
vertido en el activo i, el cual tiene una naturale- En el fondo, este mtodo retoma los conceptos de la
za dinmica, debido a las operaciones.

y a la docencia
teora de cartera clsica, procedente de autores como
n: nmero de activos diferentes. Markowitz y Sharpe. As, para Jorion (2000), el con-
cepto de valor en riesgo no es algo nuevo; lo que s lo
La desviacin tpica del rendimiento del portafolio se es tiene que ver con la aplicacin sistemtica del VeR a
puede calcular as: mltiples fuentes de riesgos financieros, incluyendo los
derivados, y culminando con un nmero que se aplica
a toda la empresa. Pero, ms que encontrar este n-
p = w12 12 + w22 22 + ... + wi2 i2 + 2 w1 w2 12 + ... + 2 wi w j ij mero, es de inters poder utilizarlo con el fin de tomar
decisiones para manejar y controlar el riesgo.
(5)
El uso del trmino t supone que los rendimientos

innovar
siendo ij la covarianza entre los rendimientos de los se distribuyen idntica e independientemente (Jorion,
activos i y j, la cual se obtiene de: ij = ij i j . Es 2000:103); estos no estn correlacionados en interva-
decir, es el resultado de multiplicar el factor de corre- los sucesivos de tiempo, es decir, covarianzas iguales a
lacin lineal rho por las respectivas desviaciones es- cero5. Por tanto, el rendimiento esperado y la varianza
tndar de los rendimientos individuales. Por tanto, la se incrementan linealmente con el tiempo. La volatili-
contribucin de cada posicin al riesgo del portafolio dad, en contraste, crece con la raz cuadrada del tiem-

191
depende de la relacin entre los diferentes factores de po; en otras palabras, segn Campos (2002:13): La
riesgo que lo componen. volatilidad de un periodo largo puede considerarse la
Utilizando notacin matricial se puede representar as suma de la volatilidad de periodos ms cortos.
la desviacin estndar del rendimiento de un porta- Knop et l. (2004) consideran que la anterior aproxi-
folio: macin es cuestionable, por lo que siempre que se dis-
pongan de datos en la unidad deseada es preferible
calcularla en ella misma que calcularla en otra y con-
vertirla.
Ntese que, dado que la volatilidad crece con la raz
4 Para las instituciones financieras en Colombia, los valores en
riesgo debern ser estimados utilizando un intervalo de confian-
cuadrada del tiempo y la media con el tiempo, la me-
za del 98% y un periodo de tenencia o de negociacin de 10 das dia dominar a la volatilidad en horizontes largos. En
para el libro de tesorera, de acuerdo con la normatividad emitida
por la SFC, aunque se pueden utilizar otros periodos ms largos,
como trimestres e incluso aos. El valor de K() en una distribu- 5 La covarianza es una medida de la forma en que dos variables
cin normal estndar para un nivel de confianza del 98% es K = juntas se mueven linealmente. Si dos variables son independien-
2,05. tes, su covarianza es igual a cero (Jorion, 2000).
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

horizontes cortos, tales como un da, la volatilidad do- de valor en riesgo para cualquier periodo de tenencia,
mina (Jorion, 2000:104). Este planteamiento propor- multiplicando la desviacin estndar diaria por la raz
ciona una razn para concentrarse en mediciones del cuadrada del nmero de das del periodo por analizar.
VeR basadas slo en la volatilidad e ignorando los ren- Pero reconoce tambin que existe gran evidencia que
dimientos esperados. sugiere que algunas series de cambio en precios no se
comportan como una distribucin normal.
Es importante resaltar que el tiempo se suele asumir
como el plazo necesario para poder deshacer o cubrir La gran diferencia entre la distribucin normal y la real
una posicin del portafolio, si no es posible cerrarla. de las series financieras es el fenmeno de colas grue-
Es decir, que los modelos de valor en riesgo asumen sas (tambin presentan asimetra)7. El segundo proble-
que la composicin del portafolio no cambia durante el ma de este mtodo tradicional es que utiliza todas las
periodo de tenencia, lo cual puede exagerar las prdi- observaciones de la serie financiera. Debido a esto, la
das probables cuando un inversionista est en capaci- distribucin estimada se ajusta bien a las observaciones
dad de liquidar un instrumento durante un periodo de centrales pero deja a un lado las observaciones extremas
tiempo ms corto, o cuando es posible usar derivados dado que estas son muy pocas; sin embargo, son estas
para cubrirse de eventuales prdidas. Este ltimo caso observaciones las que realmente son de inters en la me-
complicara los clculos del VeR, pues se debe recor- dicin del VeR (Cardozo, 2004:3).
dar que este mtodo mide inadecuadamente el riesgo
Estas colas gruesas son preocupantes, porque el VeR
de los instrumentos no lineales, tales como las opcio-
pretende capturar precisamente el comportamien-
nes y otros derivados cuyos precios varan en magnitud
to del rendimiento del portafolio en la cola izquierda.
diferente a la del mercado. Por lo anterior, se deben
Con colas gruesas, un modelo basado en la aproxima-
aportes a la investigacin

asignar horizontes temporales cortos a portafolios trai-


cin normal subestima la proporcin de datos extre-
ding o especulativos y largos a portafolios ms estruc-
mos, y por tanto, el verdadero valor del riesgo (Jorion,
y a la docencia

turados cuya intencin no sea la de liquidacin en el


2000:210). Las correlaciones en la mayora de tales ca-
corto plazo.
sos tienden a aumentar significativamente, sin permi-
Este mtodo es utilizado en la medicin del riesgo tir el efecto de diversificacin.
de mercado para posiciones lineales, bajo el supues-
Segn Glasserman (2000), los resultados extremos
to de que si los cambios proporcionales en los factores
ocurren a menudo y son ms grandes de lo que predice
de riesgo se comportan de manera normal6, enton-
una distribucin normal (las colas gruesas). Esto signi-
ces, los cambios en el valor del portafolio tambin
fica que demasiadas observaciones ocurren casi en el
se comportarn de manera normal, ya que hay una
centro de la distribucin, la curva es demasiado pun-
relacin lineal.
tiaguda o leptocrtica (curtosis mayor a 3). Los valores
En una estimacin del VeR a travs de un modelo pa- cerca del promedio son acompaados inevitablemente
innovar

ramtrico, Hendricks (1996) estableci que el supues- por un exceso de valores muy extremos. Afirma que
to dual entre normalidad e independencia de la serie se reconoce ampliamente cmo la correlacin estads-
de datos con los que se mide la volatilidad, crea fa- tica es una descripcin imperfecta de los mercados y
cilidad de uso por dos razones. Primero, la normali- de la manera como se mueven cuando se presentan
dad simplifica los clculos de valor en riesgo porque grandes fluctuaciones. Los movimientos del mercado
192

requiere slo la estimacin de la desviacin estndar no son constantes en el tiempo; la volatilidad no es


para medir los cambios de valor de un portafolio du- constante. De acuerdo con Alarcn y lvarez (citado
rante el periodo en el que se mantengan las posicio- por Campos, 2002:14): La no normalidad de la distri-
nes en los instrumentos financieros que lo conforman. bucin de la serie de retornos implica que, si se utiliza
Segundo, la independencia de los datos histricos de como indicador de la volatilidad, se estara omitien-
la serie suponen que un movimiento del precio en un do el hecho de que esta no es constante en el tiempo
da no afectar estimaciones de movimientos del pre- sino que vara en una proporcin distinta de la raz del
cio en cualquier otro da. Por consiguiente, con las dos tiempo t .
asunciones anteriores, se podran obtener las medidas

6 Un factor de riesgo es una variable del mercado con caractersti-


cas particulares cuya variacin genera un cambio en el valor de 7 Mayor densidad probabilstica en los extremos de la distribucin,
un instrumento financiero. La SFC a travs de la Circular 042 lo que implica una alta curtosis. La curtosis de una distribucin
define los factores de riesgo, los cuales son clasificados en cuatro normal es 3, pero para la distribucin de las series financieras se
categoras generales: tasa de inters (en moneda legal, moneda observa una mayor curtosis. Entre las tcnicas desarrolladas para
extranjera y en operaciones pactadas en UVR), tasa de cambio, probar que una serie de retornos sigue una distribucin normal
valor de la UVR y precio de las acciones. est el estadstico Jarque Bera (Campos, 2002).
re v i s ta

innovar journal

Neftci (2000) afirma que la teora estadstica de valo- dP


res extremos tiene algunas ventajas en comparacin = dt + dz (8)
con los mtodos que utilizan un enfoque paramtrico8. P
Los resultados de su investigacin mostraron que la
teora de extremos, aplicada a ocho factores de riesgo
dz = t dt (9)
del mercado, mantiene un acercamiento ms preciso
con el clculo del riesgo. Las medidas de VeR seran de dPt
un 20% a 30% mayor si se usan los escenarios extre- = dt + t dt (10)
mos en lugar del modelo delta normal.
Pt
Para Simons (2000), el problema es que el riesgo even-
donde t~ N(0,1) corresponde a una variable aleato-
to o extremo no ocurre con la frecuencia suficiente
ria normal estndar (ruido blanco o choque aleatorio).
para ser representado adecuadamente por una distri-
Esta seccin se enfoca en un caso simple con una sola
bucin de probabilidad basada en datos histricos re-
variable aleatoria.
cientes, siendo esta una deficiencia general de todos
los mtodos que utilizan series histricas, razn por la El modelo de Wiener indica que los rendimientos de
cual el VeR paramtrico es usado a menudo; adems, un activo dP estn determinados por un compo-
P
las variaciones de los factores de riesgo en el tiempo, nente determinstico dt y un componente estocs-
como los cambios estructurales en el mercado, cam- tico t dt .
bios fiscales o monetarios, etc., pueden ser difciles o
El mtodo de simulacin Montecarlo permite gene-
incluso imposibles de evaluar.
rar una gran cantidad nmeros aleatorios (usualmente

aportes a la investigacin
La conclusin a la que se llega con la utilizacin de 5.000 o 10.000 escenarios) para la variable t ~ N(0,1),
los mtodos paramtricos, es que su implementacin de tal manera que se pueda contar con igual cantidad

y a la docencia
es sencilla, slo requiere los valores de mercado y la de precios simulados del activo para diferentes hori-
exposicin de las posiciones actuales, combinados con zontes de tiempo. Posteriormente se valora el portafo-
los datos de riesgo. En mltiples situaciones, estos m- lio para cada escenario de precios (valoracin global) y
todos proporcionan una adecuada medicin del riesgo se presentan los resultados como distribucin de pro-
de mercado. Para portafolios grandes, que no poseen babilidades de los rendimientos del portafolio como
un nmero grande de opciones y de instrumentos con una medida especfica del riesgo o VeR.
convexidad como los bonos, el mtodo es rpido y efi-
Si los instrumentos no estn correlacionados entre s,
ciente para medir el VeR; adems no es muy propenso
el ejercicio sera simplemente repetir n veces (una vez
al riesgo de modelo (ocasionado por supuestos o cm-
por instrumento) el mismo procedimiento que se si-
putos defectuosos), siendo adems fcil de explicar a la
gue para el portafolio de un activo. Sin embargo, si las

innovar
administracin y al pblico (Jorion, 2000:225).
correlaciones entre los instrumentos no son nulas, la
simulacin de los retornos debe considerar tal cova-
rianza, lo cual complica el procedimiento de genera-
3.2 Mtodo de simulacin Montecarlo
cin de procesos estocsticos.
El mtodo de simulacin Montecarlo consiste en crear
Para la generacin de escenarios se usa la siguiente for-

193
escenarios de rendimientos o precios de un activo me-
mulacin:
diante la generacin de nmeros aleatorios. En este
tY
caso se supone que el cambio en los precios sigue un

Pt = P0 e (11)
comportamiento estocstico (movimiento geomtri-
donde:
co browniano)9, con la siguiente ecuacin matemtica
que representa el modelo de Wiener: Pt: precio del activo en el da t
P0: precio del activo en el da inicial
: volatilidad diaria del precio del activo

8 La teora de valores extremos proporciona una metodologa que


t: horizonte temporal en das
se puede usar para hacer las inferencias estadsticas en las colas Y: variable aleatoria normal estandarizada
de la distribucin.
9 Movimiento browniano en el sentido de que su varianza decrece
continuamente con el intervalo de tiempo, V(dz) = dt. Esto des-
carta los procesos con saltos repentinos. El proceso es geomtrico Si se supone una cartera con dos activos, hay que ge-
porque todos los parmetros son escalados por el precio actual Pt nerar parejas de nmeros aleatorios que se encuentren
(Jorion, 2000).
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

correlacionados segn una estimacin previa de la his- La ventaja principal del mtodo de simulacin Mon-
toria o situacin de los mercados en cuestin (Martin tecarlo, por encima de la simulacin histrica, es que
et l., 2000:54). ofrece la oportunidad de probar muchos ms escenarios
de potenciales cambios para las variables financieras.
Se parte de la siguiente expresin:
Tambin permite al usuario identificar la sensibilidad
Z = AY del VeR a los cambios en la composicin del portafolio
o a cambios en los valores de los parmetros estadsti-
donde:
cos que se usaron en la simulacin (Picoult, 1999).
Z: vector nx1 de variables normales estandarizadas Jorion (2000:253) considera al mtodo Montecarlo
e independientes como el ms poderoso para medir el riesgo de merca-
Y: vector do, en el cual es posible incluir el riesgo de precios no
lineales y el riesgo de volatilidades. As, se pueden in-
N: nmero de activos a considerar (n=2, en corporar las variaciones de la volatilidad en el tiempo,
este caso). la existencia de colas de distribuciones ms altas de lo
1 0 normal (fat tails) y escenarios extremos.
A= 2
(12) El procedimiento es bastante directo si el portafolio
1 consta de un activo. Sin embargo, si la cartera de in-
versiones est compuesta por n activos, entonces se
: coeficiente de correlacin debe simular una secuencia de 5.000 a 10.000 realiza-
Obsrvese que: ciones para cada uno de esos n activos (Jonson, 2000).
aportes a la investigacin

Por esto, el mayor inconveniente del mtodo es su alto


1 costo de implementacin en trminos de la infraes-
1 0 1
y a la docencia

AxA= x = (13) tructura de sistemas, adems de requerir personal muy


1 0 1 1 cualificado.
2 2

Otra debilidad de este procedimiento es que se basa en


lo que corresponde a la descomposicin de Cholesky. un modelo estocstico para generar el precio de los ac-
tivos que componen el portafolio, as como en modelos
Si se considera el vector Y, 2x1 que contiene dos varia-
de valoracin para activos complejos como opciones o
bles aleatorias normales estandarizadas e independien-
ttulos hipotecarios. Por tanto, existe un cierto ries-
tes, Y1 y Y2, los elementos del vector Z sern:
go de modelizacin y, para comprobar si los resultados
son fiables con respecto a cambios en los modelos, los
1 0 Y1 Y1 datos obtenidos de la simulacin deberan complemen-
Z = x = (14)
innovar

tarse con algn tipo de anlisis de sensibilidad (Mar-


1 Y2 Y1 + 1 Y2
2 2
tin et l., 2000:62).
deducindose que: En general, este mtodo es el ms completo para la
medicin del riesgo de mercado, y es particularmente
Z 1 = Y1 til cuando se pretende calcular el riesgo de productos
derivados, como futuros, opciones y swaps.
194


Z 1 = Y1 + 1 2 Y2 (15)
3.3 Mtodo de simulacin histrica
Puesto que Y1, Y2 y Z1 tienen como varianza la unidad
y Y1 y Y2 son independientes, resulta Esta tcnica consiste en considerar que cualquier es-
cenario pasado podra ser un escenario futuro; por
Var ( Z 2 ) = Var (Y1 ) + ( 1 p ) Var (Y2 ) = 1 (16)
2 2 2
tanto, tomando la serie histrica de precios de un por-
y mediante la transformacin Z = A.Y se generan va- tafolio para construir una serie de tiempo de precios
riables aleatorias normales, estandarizadas e indepen- o rendimientos simulados o hipotticos, se obtendra
dientes con el factor de correlacin . un vector de prdidas y ganancias simuladas sobre el
portafolio actual. A partir de estos valores finales se
Papageorgiou y Paskov (1999) consideran que los me- podra determinar el percentil asociado al intervalo de
jores mtodos para estimar el riesgo de mercado son confianza deseado y hallar el VeR de un conjunto de
la simulacin histrica y la simulacin Montecarlo; los activos.
dos similares, slo que en el primero se usan cambios
histricos en los precios en lugar de cambios simulados Para formalizar el concepto anterior se puede utilizar la
k
basados en un modelo estocstico. siguiente notacin (Campos, 2002:11): L = V R ,
t k kt
i =1
re v i s ta

innovar journal

donde Lt es la serie de cambios en el valor de un activo precios de mercado) (Knop et l., 2004:96); tambin
financiero (ki), los cuales se suman en cada momento puede utilizarse en todo tipo de instrumentos, linea-
del tiempo replicando la serie de rendimientos histri- les y no lineales. Abken (2000) concibe este enfoque
cos Rt10, ordenados de menor a mayor. De esta manera como una alternativa til para la medicin del VeR,
se puede hallar la Lt mnima que corresponde al VeR pero recomienda verificar peridicamente los resulta-
del activo, utilizando un nivel de confianza c (95% o dos con otros mtodos.
99%, segn sea el caso).
De otra parte, en el trabajo de Torres y Escobar
En trminos sencillos, (2002:97), anlisis efectuado mediante simulacin his-
el mtodo de simulacin histrica permite determinar la trica para una serie de bonos ordinarios emitidos por
mxima prdida a la que podra verse sometida la carte- un banco comercial, este mtodo demostr ventajas en
ra, en caso que se repitiera el escenario ms desfavorable comparacin al modelo paramtrico, puesto que los re-
que hubiera tenido lugar en la historia de datos consi- sultados fueron ms consistentes con la realidad; des-
derada. Por tanto, esta ser la primera medida de stress tacan adems su fcil interpretacin y aplicabilidad.
testing que se estara asignando a la cartera analizada La aplicacin de este planteamiento implica la elec-
(Soler et l., 1999:255). cin de un periodo histrico que se considere repre-
sentativo del nivel de riesgo actual. Generalmente
De acuerdo con Makarov (1999), no hay actualmente
este periodo oscila entre 250 y 500 das11. Gmez
una teora general que ayude a resolver el problema
(2003:106), destaca que las observaciones antiguas
de prever el riesgo, excepto la funcin de distribu-
pueden no ser muy relevantes en el momento actual,
cin emprica (valoracin global), que arroja ciertos

aportes a la investigacin
y si se tienen pocas, se pierde precisin en la estima-
hechos tiles sobre la naturaleza de los rendimientos
cin del VeR. Seala que de acuerdo con el Comit
histricos. Uno de los aspectos ms importantes que
de Basilea, en la aplicacin del modelo de simulacin

y a la docencia
destaca es que normalmente la volatilidad del mer-
histrica se deben tener observaciones de por lo me-
cado es relativamente estable dentro de un horizonte
nos un ao de negociacin.
corto de tiempo y voltil en el largo plazo; su afirma-
cin se apoya en los supuestos del modelo de simula- En la investigacin de Hendricks (1996), utilizando un
cin histrica: periodo de 125 das y mediante el modelo de simula-
cin histrica, los resultados obtenidos a la hora de ha-
La volatilidad del mercado en el futuro inmediato
llar el VeR fueron menos confiables que la estimacin
es esencialmente igual que en el reciente pasado.
que se produjo cuando se utilizaron 1.250 das. De ma-
Lo ms probable es que distribuciones pasadas de nera similar, en el trabajo de Gento se puede observar
cambios en los factores de riesgo del mercado man- que cuanto mayor es el periodo de observacin, ma-
tendrn su forma en el futuro cercano. yor es la tendencia del VeR a permanecer constante

innovar
durante largos periodos de tiempo, y que cuanto me-
Las distribuciones histricas pueden usarse como
nor es dicho periodo, ms bruscos pueden ser los cam-
predictoras de la distribucin de probabilidad en el
bios (75 y 250 das de observacin). Esto se debe a que
futuro.
la distribucin incondicional de cambios en el valor
Adems, los acercamientos mediante este enfoque no del portafolio es relativamente estable, y estimaciones

195
trabajan con los supuestos de normalidad e indepen- exactas de percentiles extremos requieren el uso de pe-
dencia entre la serie de datos histricos, razn por la riodos largos. Esto puede ocurrir porque los horizon-
cual se usan periodos de observacin ms largos. De tes ms largos proporcionan estimaciones buenas en la
este modo, no es necesario recurrir a la medicin de cola de la distribucin.
desviaciones estndar, medias y correlaciones; de algu-
Los periodos de observacin ms cortos tienden a pro-
na forma, esta metodologa supone que dichos compor-
porcionar medidas de correlacin y de valor en riesgo
tamientos ya estn incorporados en los datos histricos,
ms altas entre los resultados. Esta relacin inversa se
evitando as cualquier riesgo de modelo. Por ello la
apoya sobre la base de que la conducta del mercado
simulacin histrica puede incorporar colas anchas,
cambia con el tiempo y se acenta con la informacin
asimetra y correlaciones dinmicas (correlaciones que
reciente. Hendricks (1996) revela las diferencias, a ve-
son funcin de la magnitud de las variaciones de los
ces sustanciales, entre los enfoques de valor en riesgo

10 Si el perodo histrico utilizado es de 100 das, se obtendrn 100


posibles valores finales de la cartera, y por tanto 100 posibles va- 11 Cada da el VeR estimado sera actualizado usando los datos ms
lores de los beneficios y prdidas de la cartera. El VeR con un recientes (por ejemplo, 250 o 500 datos), es decir que los valores
nivel de confianza del 95% ser simplemente el quinto peor resul- de los factores de riesgo del primer da se eliminan, y de forma si-
tado de la distribucin de los beneficios y prdidas observados. milar en los das siguientes (De Lara, 2002:67).
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

para un mismo portafolio en una misma fecha. Usan- tenidas en la muestra, incluyendo los puntos de datos
do periodos de observacin ms largos o los recientes antiguos. La medida de riesgo puede cambiar significa-
datos con un peso mayor, se tienden a producir los re- tivamente despus que una observacin antigua ha sido
sultados ms constantes que aquellos que usan perio- desechada de la muestra (Jorion, 2000:219).
dos cortos.
Por ltimo, cabe mencionar que los clculos se vuelven
Dowd (1999) afirma que mientras el trabajo emprico complejos para portafolios grandes y muy estructura-
de Hendricks sugiere que el acercamiento de la simula- dos, y al igual que el mtodo delta, la simulacin hist-
cin histrica requiere por lo menos 5 aos (1.250 das) rica puede quedarse corta en la prediccin de valores
de observaciones diarias para producir una estimacin extremos.
confiable del VeR, el trabajo de Kupiec considera que
ni siquiera 10 aos de observaciones diarias pueden ser
bastante para hacer una estimacin suficientemente 4. Caso prctico
exacta con el modelo de simulacin histrica.
Una parte del portafolio de Infimanizales, a 31 de di-
Lo cierto es que ciembre de 2004, est compuesto por un paquete de
no existen indicadores estadsticos que permitan de- bonos emitidos en el exterior con un valor de merca-
terminar de manera ptima cuntas observaciones se do de $24.336.995.098. Para estos ttulos, la tasa de
deben incluir a priori en la estimacin del VeR. Mien- descuento es la tasa bsica del Tesoro estadounidense
tras mayor es el intervalo elegido, en principio mayor es (BTEU). El VeR ser calculado mediante el mtodo
la calidad de la estimacin; no obstante, existe el ries- de simulacin Montecarlo, a 10 das y con un nivel de
aportes a la investigacin

go de incorporar datos que impidan capturar los cam- confianza del 95%12.
bios estructurales en los mercados (Rosillo y Martnez,
y a la docencia

2004:248).
4.1 Consideraciones en la eleccin del modelo de VeR
Como inconvenientes cabra destacar la utilizacin de Para la eleccin del modelo por utilizar se tuvieron en
un solo patrn muestral. El supuesto es que el pasado cuenta las siguientes consideraciones: la metodologa
representa acertadamente el futuro inmediato. El m- estndar de la SFC supone la utilizacin de variacio-
todo de simulacin histrica omitir situaciones con nes mximas de los factores de riesgo a los que estn
volatilidad temporalmente elevada (Jorion, 2000:219). expuesto el portafolio y la matriz de correlaciones; a
En esta misma lnea, Gento (s. f.) afirma que: pesar de que su implementacin es sencilla, la BTEU
En el enfoque de simulacin histrica no existe la po- no est dentro de los clculos publicados por esta en-
sibilidad de incorporar situaciones que pueden ocurrir tidad, razn por la cual es necesario estimar la des-
innovar

en el futuro y que no vienen reflejadas en el conjunto viacin estndar de estas tasas; sin embargo existen
de datos histricos. Por ejemplo, la posibilidad de una diferentes mtodos para estimar la volatilidad de la se-
devaluacin de la moneda local. Ello es debido a que el rie de rendimientos, todo depende de los supuestos que
enfoque de simulacin histrica se enfrenta a los riesgos se hagan de la distribucin de probabilidad de estos. Si
tal y como han sido reflejados a travs del periodo de los rendimientos se distribuyen normalmente (lo cual
observacin histrica. difcilmente se ve cumplido en este tipo de series fi-
196

nancieras), se estima la volatilidad no condicional; de


Para Picoult (1999), algunas de las crticas relaciona-
lo contrario, se procede a utilizar los mtodos de vo-
das con este mtodo son: 1) la asuncin que el pasado
latilidad condicional que requieren conocimientos no
representa el futuro inmediato, es decir, se asume que
slo en la utilizacin de software especializado, sino
la distribucin es estacionaria; 2) la alta sensibilidad de
tambin de personal calificado, convirtindose ello en
los resultados con respecto a la longitud del horizonte
un obstculo para la utilizacin de este recurso, ya que
de tiempo; y 3) los problemas de obtener datos histri-
de no contar con el personal idneo para esta tarea,
cos consistentes.
esto implicara un aumento de costos en la aplicacin
Por otro lado, en virtud de que no se cumplen las con- del modelo.
diciones de normalidad y de independencia de los resi-
La figura 3 que se ilustra a continuacin representa
duales, no se puede utilizar la raz cuadrada del tiempo
el comportamiento de la serie de rendimientos de los
para escalar la estimacin del VeR a diferentes hori-
bonos del Tesoro estadounidense. Contrastados con la
zontes de inversin (Rosillo y Martnez, 2004:247).
Este enfoque tambin est sujeto a las mismas crticas
que la estimacin con promedios mviles. El mtodo fija 12 Para efectos de la gestin de riesgos, el horizonte recomendado es
un da. Pero esto depender tambin de la liquidez del mercado,
la misma ponderacin en todas las observaciones con-
el cual incide sobre la capacidad de deshacerse de una posicin.
re v i s ta

innovar journal

FIGURA 3. Distribucin de frecuencias de las tasas de los bonos del Tesoro estadounidense.
(14/12/2001-09/02/05) y (11/06/2001- 09/02/2005)

120 120

100 100

80 80

60 60

40 40
Frecuencia

Frecuencia
20 Std. Dev = ,47 Std. Dev = ,74
20
Mean = 1,51 Mean = 2,41
N = 787,00 N = 955,00
0 0
,94
,81

1,0
1,1
1,3
1,4
1,5
1,6
1,8
1,9
2,0
2,1
2,3
2,4
2,5
2,6

1,1

1,
1,

2,3

2,
3,
3,
3,6
3,8
4,1
1,3

2,

2,6
63
88

88
13
38
13
6
9
1
4
6
9
1
4
6
9
1
4
6
9

3
8

3
8

3
8
3
BTEU (6 meses) BTEU (2 aos)

Fuente: clculos del autor.

aportes a la investigacin
distribucin normal se puede observar que la serie de P
rendimientos no se ajusta a tal distribucin; en ambos el ln t , se comporta como una distribucin

y a la docencia
casos, tanto la tasa a seis meses, como la de dos aos, Pt 1 normal).
tienden a concentrarse excesivamente en las colas de Valoracin de la cartera para cada escenario de
la distribucin (colas gruesas), cuando precisamente precios.
el VeR pretende capturar el comportamiento del ren-
dimiento del portafolio en la cola izquierda. Como se Presentacin de los resultados como distribucin
anot anteriormente, con colas gruesas, un modelo ba- de probabilidades de las prdidas y ganancias de
sado en la aproximacin normal subestima la propor- la cartera o como una medida especfica del ries-
cin de datos extremos, y por tanto, el verdadero valor go (VeR).
del riesgo. Es preciso sealar que los ttulos del exterior estn

innovar
Por lo anterior, se estim el VeR utilizando el enfoque expuestos al riesgo de tasa de inters (BTEU) y al
de simulacin Montecarlo, el cual tambin representa riesgo de tipo de cambio, de tal manera, que en el
una ventaja sobre el mtodo de simulacin histrica. clculo del VeR es necesario duplicar la posicin de
estos ttulos. Por este motivo, se requiere modelizar
Adems, las condiciones en las que operan los Infis el precio de dos activos, 1 y 2, respectivamente, con
(institutos de fomento y desarrollo territorial) no re- volatilidades diarias 1 y 2 y factor de correlacin ,

197
quieren el desarrollo de modelos complejos, pues su acudiendo a las siguientes ecuaciones:
portafolio no es muy diversificado, y por ende, son po-
cas las fuentes de variabilidad a que est expuesta. Pt (1) = P0(1) e 1 t Z1

tZ2
t 0P ( 2) = P ( 2) e 2
4.2 Clculo del VeR por el mtodo de simulacin
Montecarlo y repitiendo el proceso, por ejemplo, 5.000 veces.
En la utilizacin de este mtodo, se desarrollan los si- En la tabla 1 aparece la disposicin de los clculos rea-
guientes pasos: lizados en la estimacin del VeR para el 31 de diciem-
bre de 2004, as como los datos necesarios sobre tipos
Generacin de escenarios, mediante la utilizacin de inters de la BTEU, de la TRM, volatilidades del
de las correspondientes estimaciones de volatilida- tipo de cambio, el precio del bono y la correlacin en-
des y correlaciones para los activos de la cartera y tre ambas variables.
suponiendo modelos de distribucin de precios log-
normales (segn el modelo de comportamiento de El valor inicial de la cartera fue suministrado por Infi-
precios, estos siguen una distribucin de probabili- manizales, donde se utiliza un software financiero para
dad log-normal, o lo que es lo mismo, la valoracin de sus inversiones. Para los dems clcu-
rev. innovar. Vol. 19, No. 34, MAYO-AGOSTO DE 2009

los se emple la hoja electrnica Excel, pues las fuen- propiedad de Infimanizales asciende a $2.202.903.959,
tes de variabilidad de la cartera permiten fcilmente la lo que equivale a un 9,1% de su valor total. Esto signi-
implementacin del mtodo utilizado. fica que la prdida mxima esperada en un horizonte
de diez das ser de $2.202.903.959.
Para iniciar el mtodo de simulacin Montecarlo bas-
ta generar parejas de nmeros aleatorios Y1 y Y2, en
nuestro caso hasta 5.000 escenarios, que luego se con- 5. Conclusiones
vierten en las columnas Zfx y Zb, donde los nmeros
aleatorios mantienen una correlacin de -0,8 y donde Se pudo verificar que ningn sistema de medida del
se mantiene Y1= Zfx. VeR es perfecto, y que no otorgan certidumbre respec-
to a las prdidas que se podran presentar en una in-
En la construccin de las series de tipos de cambio y de versin, sino una expectativa de resultados basada en
precios del bono se acudi a la utilizacin de las ecua- la estadstica y en algunos supuestos de los modelos o
ciones presentadas para la primera fila de datos: parmetros que se utilizan para su clculo. Sin embar-
10 ( 0 , 50062 ) go, estas limitaciones no implican que el VeR no sea
Pfx = 2.389,75 * e 0, 0042 = $2.374 pesos/dlar una herramienta til en la gestin del riesgo: son pre-
10 ( 0 , 29203 ) cisamente estas limitaciones las que indican hasta qu
Pb = 10.183.908 * e 0, 0220 =USD $9.979.655
punto se pueden usar; adems, existen varias medidas
que estn disponibles y que se pueden combinar para
Como el clculo del VeR est utilizando un nivel de
obtener una medida del riesgo de mercado.
confianza del 95%, y el tamao de la muestra es de
5.000 observaciones, el nmero crtico de corte de las El uso de las metodologas para medir el riesgo tiene
aportes a la investigacin

series de rendimientos es igual a (1 0.95) *5.000 = diversas utilidades, entre ellas el que pueden ser usa-
250. das para informar a la alta direccin de la tendencia
y a la docencia

del riesgo en inversiones realizadas; tambin pueden


Posteriormente se ordenan las prdidas o ganancias
ser utilizadas por cualquier agente interesado en la ges-
histricas del portafolio, y se escoge como valor crti-
tin activa del riesgo de mercado, por estar su porta-
co para el VeR el que aparezca en la posicin 250 si se
folio sometido a l. Por tanto, los usuarios pueden ser
ordenaron estas de menor a mayor, o en la 4.750 si se
desde instituciones financieras, reguladoras con nimo
ordenaron de mayor a menor.
de supervisin, hasta cualquier empresa de carcter no
El mtodo de simulacin Montecarlo permite concluir, especficamente financiero. El valor en riesgo comuni-
con un nivel de confiabilidad del 95%, que el VeR a 10 ca sobre determinados tipos de riesgos financieros a las
das de la cartera de bonos emitidos en el exterior de entidades y a sus grupos de inters.
innovar

TABLA 1. VeR del portafolio de Infimanizales aplicando el mtodo de simulacin Montecarlo

VeR MEDIANTE EL MTODO MONTECARLO (Horizonte 10 das)

Infimanizales

Volatilidades diarias
Volatilidad (USD): 0,0042
198

Volatilidad cartera: 0,0220


Correlacin: -0,80
TRM (31/12/2004): 2389,75
Valor de mercado cartera (USD): 10.183.908
Valor de mercado cartera ($): 24.336.995.099

Y1 Y2 Zfx Zb Pfx Pb(USD) Pb($) Prd./Gan. P/G (Ordenado)


-0,50062 -1,14863 -0,50062 -0,29203 2.374 9.979.655 23.692.380.615 -644.614.484 -4.346.773.398
0,11462 0,84673 0,11462 0,41839 2.393 10.483.846 25.091.564.802 754.569.703 -4.346.233.313
-2,10758 -0,22847 -2,10758 1,54501 2.324 11.336.167 26.350.030.685 2.013.035.586 -4.207.969.964
-0,51220 -0,51919 -0,51220 0,09626 2.374 10.252.149 24.335.592.328 -1.402.771 -4.206.997.131
-0,48038 0,06078 -0,48038 0,42011 2.375 10.485.103 24.898.973.429 561.978.330 -4.192.859.458
: : : : : : : : :
1,99888 -0,87837 1,99888 -2,12476 2.453 8.788.094 21.560.754.233 -2.776.240.866 -2.202.903.959
1,66017 -0,04409 1,66017 -1,35195 2.443 9.272.131 22.647.183.463 -1.689.811.636 -2.196.358.157
-2,61045 0,28857 -2,61045 2,25784 2.309 11.910.884 27.503.418.504 3.166.423.405 -2.194.505.386
0,98127 -1,15799 0,98127 -1,48073 2.421 9.189.662 22.246.238.090 -2.090.757.009 -2.190.403.181
-0,11095 1,21170 -0,11095 0,81825 2.386 10.778.760 25.720.982.553 1.383.987.454 -2.189.219.677
: : : : : : : : :
-0,31473 0,35560 -0,31473 0,46541 2.380 10.518.101 25.031.805.687 694.810.588 7.933.604.231

Fuente: clculos del autor.


re v i s ta

innovar journal

El artculo pretende resaltar la importancia que el (Back Testing) y mediante tcnicas de simulacin en
VeR est desempeando en el manejo del riesgo de situaciones extremas (Stress Testing), as como con la
mercado; adems tiene un alto componente divulga- implantacin de procedimientos y controles apropia-
tivo de los enfoques presentados, siendo este uno de dos en la gestin del riesgo de mercado.
sus objetivos.
No se puede esperar que estas herramientas den una
Dado que el VeR no recoge muchas otras variables de solucin definitiva al problema que representa el riesgo
riesgo (riesgo poltico, riesgo de liquidez, riesgo legal, de mercado, pero s se deben considerar como un ins-
riesgo del emisor y otros), se hace prcticamente im- trumento de medicin que permite identificar y tomar
prescindible completar la informacin proporcionada posiciones ante dichos riesgos.
por el VeR con tcnicas de evaluacin de los modelos

Referencias bibliogrficas
Abken, P. (2000). Scenario Simulation Evalua- de 2004 de la base de datos InfoTrac Web: nal of Derivatives, 7(3), 23. Extrado el
tion of Value at Risk by Scenario Simula- General BusinessFile Internatl. 10 noviembre de 2004 de la base de da-
tion. Statistical Journal of Derivatives, 7(4), Gmez, A. (2003). Administracin del riesgo de tos InfoTrac Web: General BusinessFile
12. Extrado el 10 de octubre de 2004 de la tasa de inters: un anlisis del proceso. Te- Internatl.
base de datos InfoTrac Web: General Busi- sis de pregrado no publicada, Universidad Papageorgiou, A. & Paskov, S. (1999). Deter-
nessFile Internatl. Nacional de Colombia, Facultad de Minas, ministic simulation for risk management.

aportes a la investigacin
Beltrn, F. & Perilla, A. (2002). El concepto de Medelln. Journal of Portfolio Management, 122(6).
VaR y los mtodos de valoracin. En M- Hendricks, D. (1996). Evaluation of Value-at-Risk Extrado el 10 noviembre de 2004 de la
todos de determinacin del valor en riesgo Models Using Historical Data (methods for base de datos InfoTrac Web: General Bu-

y a la docencia
y su aplicacin al sistema bancario colom- estimating market risk). Federal Reserve sinessFile Internatl.
biano (pp. 5-31). Bogot D.C.: Girafa-Uni- Bank of New York Economic Policy Re- Picoult, E. (1999, abril). Calculating VAR with
versidad de los Andes. view, 2(1), 39. Extrado el 11 de octubre Monte Carlo simulation (value at risk mea-
Campos, A. (2002). El VeR: herramienta para de 2004 de la base de datos InfoTrac Web: sures in financial services management).
la medicin de riesgos de mercado. En General BusinessFile Internatl. The Journal of Lending & Credit Risk Ma-
Apuntes de Banca y Finanzas. Bogot, D. nagement, 81(8)). Extrado el 10 noviem-
Johnson, C. (2000). Mtodos de evaluacin del
C.: Asobancaria, 4. bre de 2004 de la base de datos InfoTrac
riesgo para portafolios de inversin. Banco
Cardozo, P. (2004). Valor en riesgo de los acti- Central de Chile, Documentos de trabajo. Web: General BusinessFile Internatl.
vos financieros colombianos aplicando la Extrado el 1 de diciembre de 2004 des- Rosillo, J. & Martnez, C. (2004). Modelos de
teora de valor extremo. Tesis de Maestra de http://www.bcentral.cl/Estudios/DTBC/ evaluacin de riesgo en decisiones finan-
en Economa. Universidad de los Andes, doctrab.htm cieras. Bogot: Universidad Externado de
Bogot D.C. Colombia.

innovar
Jorion, P. (2000). Valor en riesgo: el nuevo para-
De Lara, A. (2002). Medicin y control de riesgos digma para el control de riesgos con deri- Simons, K. (2000). The use of value at risk by ins-
financieros. Mxico: Limusa. vados. Mxico: Limusa. titutional investors. New England Econo-
Dowd, K. (1999). A value at risk approach to risk- mic Review, 21(10). Extrado el 10 noviem-
Knop, R., Ordovs, R. & Vidal, J. (2004). Medi-
return analysis. Journal of Portfolio Mana- bre de 2004 de la base de datos InfoTrac
cin de riesgo de mercado y de crdito.
gement, 25(4). Extrado el 10 de noviembre Web: General BusinessFile Internatl.
Barcelona: Ariel.
de 2004 de la base de datos InfoTrac Web: Soler, J., Staking, K., Ayuso, A., Beato, P., Botn,

199
General BusinessFile Internatl. Makarov, V. (1999). Value-at-risk: historical si-
E., Escrig, M. & Falero, B. (1999). Gestin
mulation. The Journal of Lending & Credit
Gento, P. (2001). Comparacin entre mtodos al- de riesgos financieros: un enfoque prctico
Risk Management, 81(7). Extrado el 11 de
ternativos para la estimacin del valor en para los pases latinoamericanos. Madrid:
octubre de 2004 de la base de datos Info-
riesgo. Documentos de Trabajo, Serie 1, Banco Interamericano de Desarrollo, Gru-
Trac Web: General BusinessFile Internatl.
Universidad de Castilla La Mancha. Fac- po Santander.
ultad de Ciencias Econmicas y Empre- Martin, J., Oliver, M. & De La Torre, A. (2000). Torres, W. & Escobar, M. (2002). Anlisis de va-
sariales. Riesgo de mercado y de crdito: Un enfo- lores de renta fija: un enfoque al modelo de
Glasserman, P. (2000). The quest for precision que analtico. Sevilla: Atril. valor de riesgo. Tesis de pregrado no publi-
through Value-at-Risk. The Financial Ti- Neftci, S. N. (2000). Value at Risk Calculations, cada, Universidad Nacional de Colombia,
mes (p. 6). Extrado el 10 de noviembre Extreme Events, and Tail Estimation. Jour- Facultad de Minas, Medelln.