Introducción

El presente trabajo nos muestra los datos históricos del dólar desde enero del
2017 hasta marzo del 2018, en un primer momento realizamos un diagnóstico del
comportamiento del precio del dólar y sus principales variaciones dadas las
fluctuaciones del precio internacional del petróleo, reconociendo la dinámica de la
estructura productiva colombiana la cual está atada al precio del crudo. Choques
externos como el precio del crudo, la salida de Inglaterra de la Unión Europea
generando incertidumbre en los mercados posibilito aún más la depreciación de la
moneda colombiana.

Posterior al análisis económico, calculamos los retornos diarios del tipo de cambio
para poder dar cuenta de los retornos esperados y sus desviaciones promedios.
Así poder realizar una aproximación mediante un modelo de volatilidad no
constante en el cálculo del VaR y realizando sus pruebas de ajuste. Finalmente
realizamos una simulación de 50 casos para un horizonte de T+10 días y
calculando el precio actual como el promedio de cada día simulado.

Objetivos

 Reconocer la dinámica del precio del dólar bajo la influencia del precio del
petróleo.
 Dar cuenta de las variaciones del precio del dólar dado los mecanismos de
intervención de la autoridad monetaria
 Identificar los retornos diarios y dar cuenta de la asimetría de su distribución
comparada con la normal.
 Calcular el VaR al 1% mediante un modelo de volatilidad no constante con
una ventana de 30 días y contrastarlo.
 Realizar una simulación de los retornos mediante un movimiento Browniano
Geométrico.
 Teniendo en cuenta los siguientes datos históricos del dólar desde
enero del 2017 hasta marzo del 2018 en el archivo de Excel (TRM):

1. Genere un gráfico para los precios del dólar en el tiempo e interprete

sus principales variaciones a la luz de la teoría económica y noticias
recientes con el petróleo y las tasas de interés.

Ilustración 1. Tasa Representativa del Mercado Colombiano. Enero de 2017- Marzo 2018.

A la luz de la teoría económica hay que tener claro ciertos aspectos claves en la
dinámica cambiante del precio del dólar en el mercado colombiano. En nuestra
economía de mercado, el precio del dólar se rige bajo un tipo de cambio de
flotación sucia, es decir, el precio del dólar es el resultado de las leyes del
mercado entre la oferta y demanda de la divisa, sin embargo cuando el precio del
dólar tiende a perturbar las condiciones económicas del sector productivo del país,
la autoridad monetaria mediante la independencia del banco de la republica realiza
operaciones de intervención para estabilizar dicho precio, entre los mecanismos
que suele usar están la compra o venta de divisas que se realizan en el mercado
abierto o mediante la determinación de variaciones deliberadas del tipo de interés
de mercado.

Cuando el precio del dólar se encuentra alto, mencionamos existe una

depreciación del peso colombiano frente al dólar, es decir, debemos entregar
mucha moneda local para obtener una divisa y así a medida que el precio suba
deberemos entregar más moneda local por la misma unidad de divisa que
recibíamos. Mientras que cuando el precio del dólar se encuentra bajo, es porque
existe una apreciación del peso colombiano frente al dólar, es decir, debemos
entregar poca moneda local para obtener una divisa y en ese mismo sentido a
medida que el precio del dólar baje menos moneda colombiana se entregara por la
misma unidad de divisa.

Para el inicio de año de 2017 nos encontramos con un alto precio del dólar en el
mercado colombiano, inicialmente un precio de $ 3.000 COP cuya tendencia
alcista se mantiene hasta finales de julio del mismo año donde alcanza el precio
de $3.100 COP; hay que mencionar que el año 2017 empezó con la continuidad
de la caída del precio internacional del petróleo lo que sin duda afecta el mercado
cambiario en Colombia. Hay que reconocer que el aparato productivo de la
economía colombiana está atada a la extracción y exportación de hidrocarburos lo
que le ha significado la entrada masiva de capitales extranjeros cuando el precio
es lo suficientemente significativo para ello, en condiciones de un precio alto del
petróleo la entrada masiva de capitales expresan una alta oferta de dólares en el
mercado lo que por ley de oferta se traduce en un precio bajo del dólar mientras
que cuando el precio del petróleo internacional es bajo presenciamos una fuga de
capitales que presiona la caída de la oferta de dólares en el mercado (a su vez
una alta demanda que persigue los pocos dólares que hay en el mercado) y con
ello atendiendo a las leyes del mercado su precio sube, el precio del dólar en
términos del peso colombiano. Así en tal periodo mencionado encontramos que el
precio del petróleo no resultaba lo bastante significativo para la entrada de
capitales extranjeros en calidad de inversión directa ni de especulación
presionando que el precio del dólar subiera dada la oferta.

Sin embargo en la gráfica histórica del precio del dólar en la ilustración 1,

evidenciamos que desde finales de julio hasta finales de noviembre de 2017 el tipo
de cambio presenta una caída, es decir, una apreciación del peso frente al dólar,
cayendo hasta $2900 COP. En relación con el tipo de interés, en la teoría de las
rentabilidades extranjeras motivadas por los diferenciales en el tipo de interés,
notamos que en Colombia la autoridad monetaria ha tomado un rumbo alejado si
se trata de bajar el tipo de cambio, puesto en pro de dinamizar e impulsar la
economía interna ha decidido realizar descuentos progresivos de hasta 2 puntos
porcentuales en este año puesto de febrero a julio del 2017 redujo la tasa de
intervención bancaria desde 7,25% hasta 5,5%, (Informe Junta Directiva, Banrep.
Julio 2017.) Esto condiciona que entren capitales de corto plazo puesto el
diferencial de rentabilidad favorece los portafolios extranjeros sobre los
nacionales, dando continuidad al precio del dólar en su dinámica atada al precio
del petróleo.
En tal sentido lo que hemos observado durante el 2017 es la dinámica del precio
del dólar afectado por los precios internacionales del petróleo, que hasta marzo de
2018 logra la TRM una apreciación significativa puesto su precio se ubica por
debajo de los $2.800 COP. Esto debido a que ha mediado de febrero las
expectativas de que la organización de países exportadores de petróleo (OPEP)
tomo medidas para evitar el exceso de oferta a nivel mundial que sin duda
reduciría los precios internacionales y terminando en los mecanismos ya
mencionados y su influencia en la economía colombiana. (Portafolio, 2018.)

2. Genere los retornos logarítmicos, realice un gráfico de ellos en el

tiempo y un histograma de frecuencias, además realice una tabla de
estadística descriptiva donde mencione (debe analizar cada resultado
de la tabla): La media, La desviación estándar y El cuantil al 5% y al
95%.

Para este trabajo en general se utiliza la información de la tasa representativa de

mercado (TRM), que es el indicador oficial diario de la tasa de cambio en
Colombia. Esta corresponde al promedio ponderado de las compras y ventas
efectuadas en el mercado cambiario. Las unidades de la variable están dadas por
el número de pesos colombianos necesarios para obtener una moneda
estadounidense, en un día determinado (Ilustración 1). La muestra utilizada
comprende observaciones diarias desde enero de 2017 hasta marzo de 2018, con
lo que se cuenta con 458 datos para las estimaciones.

El tipo de cambio, nos muestra en cuánto está valorado en cada momento del
tiempo el peso colombiano respecto al dólar americano, a partir de esto se define
la variable retorno como el cambio relativo en el precio de un activo financiero
durante un intervalo de tiempo, la cual está expresada como un porcentaje. (Parra,
2014.) En tiempo discreto, esta medida se define como:

𝑥𝑡 − 𝑥𝑡−1 ∆𝑥𝑡
𝑅(𝑡) = =
𝑥𝑡−1 𝑥𝑡−1

Sin embargo, a partir de Parra (2014), podemos expresar dicho porcentaje en

tiempo continuo:

𝑥(𝑡 + ∆𝑡) − 𝑥(𝑡)

𝑅(𝑡) =
𝑥(𝑡)
 𝑥(𝑡 + ∆𝑡)
1 + 𝑅(𝑡) =
𝑥(𝑡)
De tal forma que para un periodo de separación lo suficientemente pequeño, es
decir, que las variaciones en el tiempo tienden a cero, el retorno porcentual puede
ser aproximado utilizando el logaritmo del retorno y este es igual al incremento en
los logaritmos del precio del dólar (funciona para todo activo), lo que sería:

𝑅(𝑡) ≈ ln 𝑥(𝑡 + ∆𝑡) − ln 𝑥(𝑡)

Finalmente usamos las propiedades del retorno continuo expresando en términos

de logaritmos pero en tiempo discreto, de la siguiente forma:

𝑥𝑡
𝑧𝑡 = ln ( ) = ln 𝑥𝑡 − ln 𝑥𝑡−1 = ∆ ln 𝑥𝑡
𝑥𝑡−1

Ahora, zt, indicará el retorno diario de la tasa de cambio de peso por dólar,
miremos la gráfica para la muestra analizada:

Ilustración 2. Retornos de la Tasa de Cambio. Peso-Dólar

Podemos evidenciar en la ilustración 2 el periodo de gran volatilidad entre julio y
agosto de 2017 lo que esta explicado por la dinámica cambiante del precio del
petróleo dada las medidas de la OPEP, la incertidumbre mundial por la salida de
Inglaterra de la Unión Europea y las reducciones del tipo de interés por parte del
Banco de la Republica para combatir presiones inflacionarias. Todo esto ocasiono
fuerte depreciaciones y aumento de la volatilidad de la tasa de cambio en
Colombia.

A continuación, se presentan las principales estadísticas descriptivas de los

retornos de la tasa de cambio y su histograma:

Tabla 1. Medidas Descriptivas de Retornos de la Tasa de Cambio.

Medidas Descriptivas
Media Desviación Cuantil 5% Cuantil 95% Asimetría Kurtosis
-0,0002 0,0046 -0,0082 0,0079 -0,1020 2,848

En la tabla 1, se observa que para las 458 observaciones de los retornos de la

tasa de cambio, que la media es muy cercana a cero y la desviación estándar de
la muestra es 0,004. En términos de la distribución de los retornos de la tasa de
cambio podemos notar que el primer 5% de ellos está por debajo de -0.0082;
mientras que el 5% de retornos con mayor rentabilidad está por encima de 0,0079.
Ahora la asimetría es levemente negativa (-0,10) y la kurtosis cercana a tres (2,8),
en la ilustración 3 podemos dar cuenta de estos coeficientes representados en el
histograma de frecuencias donde se evidencia la asimetría hacia la izquierda y
una curva leptocurtica más puntiaguda que la campana de Gauss que hace
referencia a la distribución normal, para el caso de los retornos de la tasa de
cambio hay una mayor concentración de los datos en torno a la media.
 HISTOGRAMA RETORNO LN DE LA
TASA DE CAMBIO
300

250

200

150

100

50

0
-0.01 -0.01 -0.01 0.00 0.00 0.01 0.01 0.02 0.02

Ilustración 3. Histograma del Retorno de la Tasa de Cambio

3. Teniendo en cuenta una ventana móvil de 30 días, calcule el Valor en

Riesgo (VaR-1%) con la distribución Normal Estándar, de los retornos
logarítmicos teniendo en cuenta la siguiente formula:

𝑉𝑎𝑅𝑡 = 𝜇𝑡−1 + 𝜎𝑡−1 𝑁 −1 (𝛼)

Donde 𝜇𝑡−1 es la media de los retornos de 30 dias, 𝜎𝑡−1es la desviación estándar

de los retornos de 30 dias y 𝑁 −1 (𝛼) es la funcion de distribucion inversa de la
normal estandar tal que 𝛼 = 1%

a) Realice un gráfico donde relacione los retornos y el VaR estimado,

interprete los resultados.

Apartir de Alonso y Semaán (2009) se define el VaR “como la maxima pérdida

posible para un determinado horizonte de tiempo y un nivel de significancia 𝛼, bajo
circunstancias normales de mercado.” Cuya formulacion puede expresarse:

𝑃(𝑧𝑇+1 < 𝑉𝑎𝑅𝑇+1|𝑇 ) = 𝛼

De los puntos anteriores sabemos que 𝑧𝑇+1 expresa el rendimiento futuro del
portafolio para el siguiente periodo. O lo que es lo mismo:
 𝑉𝑎𝑅𝑇+1|𝑇 = 𝑉0 − 𝑉𝑐|𝑇

Donde Vo representa el valor en pesos del portafolio que suponemos para el

analisis, y 𝑉𝑐|𝑇 es el valor del portafolio critico, donde existe una probabilidad
asociada al nivel de significancia de obtener un portafolio con menor valor en el
siguiente periodo, según la informacion disponible del la TRM.(Para este caso
especifico es el precio del dólar, “T” hace referencia a la información historica del
activo. ) El valor esperado del portafolio critico dado la información disponible de la
TRM, puede expresarse asi:

𝑐
𝑉𝑐|𝑇 = (1 + 𝑅𝑇+1|𝑇 )𝑉0
𝑐
Sabemos que 𝑅𝑇+1|𝑇 representa los retornos para el siguiente periodo, según la
informacion de la TRM, tal que sólo existe una probabildiad de 𝛼 de observar un
retorno inferior a este. Resumiendo tenemos:

𝑉𝑎𝑅𝑇+1|𝑇 = −𝑅𝑇𝑐 ∗ 𝑉0
Se puede mostrar que si los retornos del portafolio para el siguiente periodo sigue
una distribucion cuyos dos primeros momentos son finitios tal como la distribución
normal o t-student, entonces:

𝑐
𝑅𝑇+1|𝑇 = 𝐹(𝛼) ∗ 𝜎𝑡+1|𝑡
O lo que es lo mismo:

𝑉𝑎𝑅𝑡 = 𝜇𝑡−1 + 𝜎𝑡−1 𝑁 −1 (𝛼)

Por tal el calculo del VaR, dependerá de dos supuestos frente al comportamiento
del retorno del siguiente periodo, su desviacion estantar y su distribucion F(.). sin
embargo observando la ilustracion 2, intuimos que el supuesto de que la varianza
es constante no es tan adecuado. Por tal se usa la aproximacion para la
estimación de varianzas mediante el calculo de varianza movil, es decir, modelar
la varianza de los retornos como un parametro que cambia en el tiempo, va
cambiando según con la nueva información que se va recopilando en los ultimos
𝑛 dias.
Para determinar el tamano de dicha ventana se modela el comportamiento de la
volatilidad de los rendimientos, se mide empleando una medida de bondad de
ajuste. Sin embargo para este caso se parte del supuesto de que la ventana de
30 dias tiene la raiz cuadrada del error cuadratico promedio menor que los demas
posibles.
Por tal calularemos el VaR con un nivel de confianza del 99% usando el paquete
estadistico R, mediante la media movil es decir, un modelo con volatilidad no
constante. Partimos del supuesto de que la ventana de 30 dias es el mejor
modelo para la varianza de los retornos , tenemos:

Retornos al cuadrado

Media móvil (30 dias)

Ilustración 4. Retornos al cuadrado y Ventana de 30 días.

Para el calculo se emplea el metodo parametrico que supone una distribucion

normal, (tal como la enuncia la pregunta) y donde el VaR es calculado como se
expreso anteriormente. Proyectamos la varianza del retorno para un n=30, donde
se encuentra la desviacion estandar para 𝑇 + 1, con la ayuda de R obtenemos:

𝜎𝑡+1|𝑡 = 0.004188147

Para calcular el retorno del siguiente periodo, se debe encontrar el estadistico

correspondiente a una distribucion normal estandar con un 1% de significancia y
multiplicarlo por la desviacion ya calculada en el paso anterior. Mediante R
obtenemos:

𝐹(0,01) = −2.575829

𝑐
𝑅𝑇+1|𝑇 = 0.004188147 ∗ −2.575829 = −0.01078795
Por lo que finalmente se puede encontrar el VaR, al multiplicar el valor inicial del
portafolio (Vo) por la ultima tasa de cambio; por practicidad suponemos un valor
inicial de USD 10.000.

𝑉𝑎𝑙𝑜𝑟 𝑒𝑛 𝐶𝑂𝑃 = 10.000 ∗ 2780,47 = 27.804.700

𝑉𝑎𝑅𝑇+1|𝑇 = −(−0.01078795) ∗ 27.804.700 = 299.955,7272

Por tal se concluye un valor para el VaR de 299.955,7272. Por tal si tenemos un
portafolio de USD 10.000 dolares, para el siguiente día podemos perder con un
nivel de confianza del 99% la suma de $299.955,7272 Pesos colombianos

b) Realice el BackTesting del VaR mediante el ratio de violaciones e

interprete los resultados

Para dar cuenta si la aproximación realizada es una buena estimación del VaR,
debemos probar el ajuste del modelo para saber cual es la proporcion en que se
observa una pérdida superior a la predicción del modelo. Se afirma que esta
porporcion no debe ser en promedio superior al nivel de significancia, para nuestro
caso al 1%.
En este punto no realizamos el ratio de violaciones para probar la bondad del
ajuste, nos hemos acomodado a la prueba de Kupiec (1995) la cual nos permite
probar la hipotesis nula de que la proporcion de excepciones sea igual a 𝛼 versus
las alterna de no Ho. Para tal se define la proporciones de dichas excepciones así:
# 𝑑𝑒 𝑒𝑥𝑐𝑒𝑝𝑐𝑖𝑜𝑛𝑒𝑠
𝑝̂ =
𝐻
Tal que H es el número total de predicciones.
Para testear la hipoteis nula de que la proporcion de excepciones (p) es igual a la
esperada que teoricamente es el nivel de significancia, 𝐻𝑜 = 𝑝̂ = 𝛼, se emplea el
siguiente estadistico t de Kupiec:

𝑝̂ − 𝛼
𝑡𝑈 =
√𝑝̂ (1 − 𝑝̂ )/𝐻
Este estadistico sigue una distribución t con H-1 grado de libertad, la realizamos
en R; teniendo en cuenta los lineamientos del Acuerdo de Basilea II donde se
recomienda trabajar con una muestra de evaluacion no inferior a 250
observaciones diarias. En este caso contamos con 456 datos del retorno diario de
la tasa de cambio representativa del mercado, si calculamos el VaR con los
primeros 207 datos, podremos contar con 250 peridos (H) para realizar la prueba
de Kupiec, tal como se expreso anteriormente. Esto implica realizar el cálculo del
VaR para el periodo 208 y comparar dicho VaR con la pérdida o ganancia del
portafolio en pesos observada en ese periodo. Luego se agregará una
observacion más a la muestra y se realizará el calculo del VaR para el siguiente
periodo y así sucesivamente hasta el ultimo dato de la muestra. Para poder
calcular el VaR para cada uno de los ultimos 250 periodos de la muestra se debe
calcular las 250 ventas una tras otra, todo esto mediante el paquete R,se obtienen
los siguientes resultados:

Tabla 2. Test de Kupiec

Aproximación 𝑝̂ 𝑡𝑢 𝑝 − 𝑣𝑎𝑙𝑜𝑟
Varianza Movil 0,067 3.47677 0.0004942349

Notamos que se puede rechazar la hipotesis nula de que las proporciones de

excepciones es igual al nivel de insignificancia. Esta es una forma adecuada
frente a suponer una varianza constante, la media movil permite actualizar la
varianza para cada periodo. El VaR, no posee la cobertura deseada porque el
valor del estadistico de Kupiec es mayor al valor critico.

4. Partiendo de la ecuación del movimiento Browniano Geométrico

(tenga como guía la presentación de las notas de clase):

𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + 𝜎𝑆𝑡 𝑑𝐵𝑡

Realice 50 simulaciones cada una para 10 días (T+10). Calcule el precio para
cada día como la media de las simulaciones. Interprete sus resultados.

Para un stock dado con la tasa de retorno esperada μ y la volatilidad σ, y el precio

inicial P0 y un horizonte temporal T, simulamos en R nmuchas trayectorias del
precio Pt desde el tiempo t = 0 hasta t = T a través de n períodos de tiempo, cada
uno de longitud Δt = T / n, suponiendo que el modelo geométrico de movimiento
browniano. Realizamos las 50 simulaciones teniendo en cuenta la tabla1, donde
se enuncian los estadisticos descriptivos para los retornos de la tasa de cambio.

3050
3000
Price P(t)

2950
2900

0 2 4 6 8 10

time t

Ilustración 5. Simulación Movimiento Browniano Geométrico.

Notamos en la ilustracion 5, que el precio inicial es de $3000,71 COP, que le

horizonte de tiempo es para T+10 dias donde observamos la alta volatilidad de la
tasa de cambio, luego de 10 dias vemos que el precio del dólar tiene un valor
actual de $ 3000,1COP como lo podemos ver en la tabla 3.
 Tabla 3. Estadísticos Simulación en el T+10.

Resultados y Conclusiones

 La dinamica del precio del dólar atiende a una correlacion frente al precio
del petroleo generando distorsiones en la estructura productiva del mercado
colombiano.
 La no normalidad de los retornos diarios de la tasa de cambio es evidente y
sugiere que es propio de dichos retornos para cualquier activo.
 Los modelos de volatilidad no constantes permite realizar un VaR donde la
varianza se ajusta a las condiciones de los nuevos periodos.
 Para el caso puntual encontramos un VaR de 299.955,7272. Por tal si
tenemos un portafolio de USD 10.000 dolares, para el siguiente día
podemos perder con un nivel de confianza del 99% la suma de
$299.955,7272 Pesos colombianos.
 Al decimo dia el precio actual del dólar mediante una simulacion mediante
el movimiento browniano geometrico seria de $3000,1 COP.
Bibliografía.

 Alonso & Semaán (2010. Calculo del VaR, con volatilidad no constante.
Disponible
en:https://www.icesi.edu.co/departamentos/economia/images/var_volatilida
d_no_constante.pdf

 Informe Portafolio (2018), disponible en:

http://www.portafolio.co/internacional/precio-del-petroleo-volvio-a-subir-
514422

 Informe de la Junta directiva, Banrep. (2017.) Disponible en:

http://www.banrep.gov.co/sites/default/files/publicaciones/archivos/ijd_jul_20
17_introduccion.pdf

Anexos

#Importar base de datos convertida en csv

DATOS<-read.csv2("TRM.csv", header= T)
attach(DATOS)
#convierte los datos en serie de tiempo
tcrm<-ts(TRM, frequency=1)
#calculamos los retornos
rtcrm<-diff(log(tcrm))
summary(rtcrm)

#grafico de probabilidad normal

curve(dnorm(x, mean=mean(rtcrm), sd=sqrt(var(rtcrm))),
to=max(rtcrm), col = 2, lty = 2, lwd = 2, add = TRUE)
qqnorm(rtcrm, col="blue", main="Gráfico de probabilidad normal")
qqline(rtcrm, col=2)

#calculo del var

library(TTR)
#calculo del cuadrado de los retornos
rtcrm2<-rtcrm^2
#varianza movil con n=30
var.mov30<-SMA(rtcrm2, n=30)
#rendimientos al cuadrado y varianza movil
layout(matrix(c(1,2), byrow=TRUE))
plot(rtcrm2, xlab = "", ylab= "", main = "Retornos al cuadrado", yaxt="n",
xaxt="n", type = "l")
plot(var.mov30, xlab = "", ylab= "", main = "Media móvil (30 dias)", yaxt="n",
xaxt="n",type = "l")

#proyeccion de la desviacion
se.medmov<-(var.mov30[length(var.mov30)])^(1/2)
se.medmov
#estadistico correspondiente
rt.med.mov<-qnorm(0.005)*se.medmov
#calculo del VaR
V0<-10000 #cantidad de dólares
V0.pesos<-10000*tcrm[length(tcrm)] #valor en pesos del portafolio
VaR.med.mov<- -rt.med.mov*V0.pesos
VaR.med.mov

# aqui se resume el calculo del VaR

VaR.MA<- function (datos, alfa, n){

# datos = vector columna con obs. de los precios del activo (objeto ts)
# alfa = nivel de significancia para el cálculo del VaR
# calcula VaR para el siguiente periodo
rend<-diff(log(datos))
var.MA<-SMA(rend^2, n=n)
se.MA<-(var.MA[length(var.MA)])^(1/2)
VaR<--qnorm(alfa/2)*se.MA*datos[length(datos)]
return(VaR=VaR)}
VaR.MA(tcrm, 0.01, 30)*V0

#prueba de bondad para la aproximacion del VaR

#kupiec
kupiec.est<-function(p.gorro, alfa, H) {
# argumentos:
#p.gorro = proporción de excepciones observadas (en decimales)
#alfa = proporción esperada teóricamente (en decimales)
#H = número de observaciones empleadas para la evaluación.
# Resultados
# t_u = estadístico de Kupiec
# p-valor= valor p del estadístico de Kupiec de dos colas.
tu<- (p.gorro - alfa) / sqrt((p.gorro*(1-p.gorro))/H)
pvalor <- (1 - pt(abs(tu),H-1))*2 # dos colas
return((list(t_u=tu, p_valor=pvalor)))
}

Back.testing.VaR.MA<-matrix(nrow=250, ncol=1)
for(i in 1:250) {
n<-length(tcrm)-(250-i+1)
Back.testing.VaR.MA[i]<-VaR.MA(tcrm[1:n,], 0.01, 2)
}
ma.pronostico <- as.numeric(Back.testing.VaR.MA)
excepciones.ma <-(-1)*((-1)*rtcrm[207:456]*tcrm[207:456])>
ma.pronostico

# p gorro
p.gorro.ma<- sum(excepciones.ma)/length(excepciones.ma)
# Estadístico de kupiec

kupiec.ma<-kupiec.est(p.gorro.ma, 0.01, 250)

#punto 4 simulación del browiano geometrico

install.packages("sde")
library(sde)
mu=-0.000167; sigma=0.0046; P0=3000.71; T = 10
nt=50; n=10
#############Generate nt trajectories
dt=T/n; t=seq(0,T,by=dt)
X=matrix(rep(0,length(t)*nt), nrow=nt)
for (i in 1:nt) {X[i,]= GBM(x=P0,r=mu,sigma=sigma,T=T,N=n)}
##Plot
ymax=max(X); ymin=min(X) #bounds for simulated prices
plot(t,X[1,],t='l',ylim=c(ymin, ymax), col=1,
ylab="Price P(t)",xlab="time t")
for(i in 2:nt){lines(t,X[i,], t='l',ylim=c(ymin, ymax),col=i)}
X

summary(X)