Finanzas

Valor en Riesgo (VaR): Métodos de cálculo y
su aplicación a portafolios de inversión
Grupo de Investigación en Análisis de Riesgo Financiero

GIRAFA
Departamento de Ingeniería Industrial
Universidad de Los Andes
I SIMPOSIO NACIONAL DE DOCENTES DE

FINANZAS
Cobertura de riesgo y Costo de Capital
Bogotá, 29-30 de julio de 2004
GIRAFA Universidad de Los Andes
Introducción
1
¿Qué es VaR?
Máxima pérdida potencial en el valor de un activo,

dada una probabilidad (q), debido a cambios en los
precios de mercado.
−1
VeR q = F (q )
Pesos TRM US$

HOY 270.000 2700 100
MAÑANA ? ? 100
¿Qué es el VaR?
Value at risk es una medida de la máxima pérdida esperada para un horizonte de

tiempo y un nivel de confianza determinados.
Responde a la pregunta ¿Cuánto puedo perder bajo una probabilidad de x % en un

intervalo de tiempo determinado?.
Las entidades que participan en el mercado financiero están expuestas a cambios en las
variables que determinan lo precios de los instrumentos que dichas entidades poseen.
VaR es una medida de dicha exposición
El VeR, al estar en unidades monetarias es de fácil comparación entre entidades como

también de fácil comprensión para las personas que están interesadas en conocer el
riesgo de mercado de las entidades financieras (internas y externas).
JORION, P. (1997): Value at Risk the new benchmark.. Mac Graw Hill
2
El “VaR” es una medida de riesgo de mercado y se define como la máxima perdida
en el valor del portafolio, que se espera que ocurra debido a cambios en los precios
del mercado sobre un horizonte de tiempo dado en todos menos en un pequeño
porcentaje de casos .
PLIMSTER, M.(1997) : Evaluating Value at Risk Metodologies: Acurracy versus Computational Time,
Journal of Financial Services Research.
Otra definición complementaria
Mide la máxima pérdida anticipada en un periodo

dada una probabilidad bajo condiciones de mercado
normales. Mide la mínima pérdida anticipada en un
periodo dada una probabilidad bajo condiciones de
mercado extremas.
3
¿Cómo se calcula?
Tenemos una cantidad D de un activo que tiene un

precio S y una volatilidad s. ¿VaR, 95%, 1 día?
VeR = (1.65σ + u)∆S

Supuesto: El retorno del activo sigue una
distribución normal~N(m,s2)
El VaR en Colombia
En el 2001 la Superintendencia Bancaria expidió la
Circular 42. Capítulo XXI de la Circular Básica Contable.
4 categorías de riesgo
• Tasa de interés
– DTF, Tasa de Repos, TIB, Tasa Real, Libor, Tasa Crédito de
consumo, Money market USD, Tasa de TES.
• Tasa de cambio
– TRM, YEN, EURO
• Valor de la UVR
– UVR
• Precio de las acciones
– IGBC
4
Estimación del Valor en Riesgo para un
portafolio de TES: Simulación de MonteCarlo
y aproximación Delta-Gamma
Fabio Macías
GIRAFA
Estimación del Valor en Riesgo para un

portafolio de TES: Simulación de MonteCarlo
y aproximación Delta-Gamma
5
El procedimiento
1. Recolección y manipulación de datos.
2. Conformación de portafolios.
3. Cálculo de rendimientos.
4. Estimación de la matriz de covarianza.
¿Qué es la simulación de Montecarlo y cómo

se calcula el valor en riesgo?
6
El procedimiento
5. Descomposición de Cholesky
6. Cálculo de Delta y Gamma
7. Simulación de Monte Carlo
8. Estimación del Valor en Riesgo
1. Recolección y manipulación de datos
Se escogieron 15 bonos TES colombianos transados en

pesos en los cuales se negocia tanto el cupón como el
pago principal. La fecha de corte se estipuló como el 9 de
septiembre de 2003 y a partir de esta se realizan todos los
cálculos pertinentes.
7
2. Conformación de portafolios
Medidas descriptoras de los TES

Liquidez
Varianza
Correlación
Duración
2. Conformación de portafolios
Portafolio con bonos de máxima liquidez.
Portafolio con máxima desviación estándar en sus TES.
Portafolio con bonos altamente correlacionados.
Portafolio con bonos con la menor desviación estándar y mayor duración

posible.
Portafolio con correlaciones nulas y correlaciones negativas (diversificado)
8
3. Cálculo de rendimientos
Los rendimientos históricos fueron calculados como un

crecimiento logarítmico.
 P 
X i = Ln i,t 
 Pi,t −1 
Donde Pi ,t es el precio del bono i en el tiempo t.
4. Estimación de la matriz de covarianza
La matriz de covarianza se estimó con la siguiente ecuación.
X'X
Σs =
n −1
donde X es una matriz de rentabilidades y n es el número de

mediciones de esta misma.
9
Se busca una matriz triangular inferior, C, tal que Σs = CC’.

Con C se dispone a incorporar las variables aleatorias al modelo:
∆x = CZ, donde Z ~ N(0,1).
∆x' = [∆x1, ∆x2 ,L, ∆xk ]
xi es el valor del factor de riesgo i en el tiempo t, ∆xi, en este

caso, es la rentabilidad del bono i.
 
E[∆xi ] = E∑CimZm  = ∑Cim E[Zm ] = 0
m  m
[ ]  
Cov ∆x i , ∆x j = Cov ∑ C im Z m , ∑ C jn Z n  =
m n 
∑C ∑C
m
im
m
jnCov(Zm , Zn ) = ∑Cim,C jm = CC' = Σi, j
m
Con variables aleatorias normal estándar se simulan los

movimientos de las rentabilidades de los bonos que, se
supone, se comportan N(0, Σs).
10
6. Cálculo de Delta y Gamma
• Delta proviene de la Duración Modificada
1  j =T TasaCupon×ValorFacial × j ValorFacial ×T  1 ∂Pi

Dmi = ∑ + =−
Pi (1 + ri )  j =1 (1 + ri ) j (1 + ri )T  Pi ∂ri
• Gamma es proviene de la Convexidad
1  j =T TasaCupon×ValorFacial × j(1 + j) ValorFacial ×T (1 + T )  1 ∂2 Pi

2 ∑
Ci = + =
P(1+ ri )  j =1 (1 + ri ) j (1+ ri )T  Pi ∂ri
2
donde T es el número de periodos que le restan al bono.
6.1. Cálculo de Delta
Delta es el vector de primeras derivadas de los precios de los

bonos con respecto sus respectivos rendimientos.
k
Si se asume
que P = f (r1, r2 , L , rk ) = ∑ qi Pi
i =1
Donde qi es la cantidad de títulos bono i y Pi es el precio de

mercado
∂P ∂P
δi = = qi i = −qi Pi Dmi = − I i Dmi
∂ri ∂ri
 ∂P ∂P ∂P 
δ '=  , ,L,  = −[I1Dm1 , I 2 Dm2 ,L, I k Dmk ]
 ∂r1 ∂r2 ∂rk 
11
6.1. Cálculo de Delta
∂Pi
En la demostración anterior se supuso que =0 , lo que
∂r j
indica que el precio de un bono no se ve afectado por
movimientos en los rendimientos de los demás bonos.
6.2. Cálculo de Gamma

La matriz Gamma es la segunda derivada del valor del
portafolio con respecto a cambios en el rendimiento de cada
uno de los bonos que conforman portafolio.
∂2P ∂2P ∂ 2 Pi
γ i, j = =0 γ i ,i = = qi = qi Pi C i = I i C i
∂ri ∂r j ∂ri
2
∂ri
2
 γ 1,1 γ 1, 2 L γ 1,k   I 1C1 0 L 0 

γ L γ 2,k   0
γ 2, 2 I 2C2 L 0 
Γ= =
2 ,1
 M M O M   M M O M 
   
γ k ,1 L L γ k ,k   0 0 L I k Ck 
12
Monte Carlo: Simula, mediante generación de variables
aleatorias, los movimientos de los factores de riesgo
durante un horizonte de tiempo determinado generando
una variedad de escenarios para el valor del portafolio en
una fecha objetivo.
Aproximación Delta Gamma: Permite valorar el cambio en

el valor del portafolio debido a cambios en los factores de
riesgo, en este caso representados en el rendimiento de los
TES. Lo que para el caso de un solo bono sería:
1
∆P ≈ −DmP∆r + CP(∆r ) 2
2

Para el caso de un portafolio:
1
∆Pp ≈ δ ´∆x + ∆x' Γ∆x
2
Si se descompone Σs y diagonaliza Gamma:
M = C ' ΓC
1
∆Pp ≈ δ ´COZ + Z´ΛZ
2
Donde: Z ~ N(0, 1) iid.
O es la matriz de vectores propios de M
L es una matriz con los valores propios de M en la diagonal
13
1
∆Pp ≈ δ ´COZ + Z ´ΛZ
2
La simulación consiste en generar m veces vectores Z

diferentes y reemplazarlos en la ecuación. Como resultado
de esto quedan m escenarios posibles para el valor del
portafolio.
8. Estimación del Valor en Riesgo
Para obtener el VaR con el método de simulación de Monte

Carlo se calcula el percentil de la serie resultante para el valor
del portafolio.
14
Parámetros del VaR
Monto invertido: $1.000’000.000 pesos

Horizonte de tiempo: 1 día
Niveles de confianza: 95% y 99%
Resultados: Número de escenarios generados
VaR al 95%
1000 escenarios 3000 escenarios 10000 escenarios
Portafolio 1 -$ 35.574.982 -$ 35.451.906 -$ 35.219.863
Portafolio 2 -$ 30.606.616 -$ 30.759.500 -$ 30.767.426
Portafolio 3 -$ 17.239.244 -$ 17.219.026 -$ 17.190.447
Portafolio 4 -$ 17.974.518 -$ 17.889.914 -$ 17.776.018
Portafolio 5 -$ 12.652.325 -$ 12.756.733 -$ 12.652.036
El VaR no varía considerablemente con la cantidad de

escenarios generados.
15
Comportamiento del VaR de un portafolio
optimizado bajo la medida de riesgo CVaR
David Fernando Silva Rubio

GIRAFA
Comportamiento del VaR de un portafolio

optimizado bajo la medida de riesgo CVaR
16
1. Introducción
2. Problema
3. Metodología
4. Modelos
5. Resultados
I.1 Introducción
En el presente trabajo se busca la conformación de un

portafolio de mínimo riesgo para un nivel de retorno
determinado. Riesgo medido mediante el VaR y el CVaR.
El problema de optimización de portafolios se remonta a

Markowitz, 1952, quien planteó un problema de
optimización no lineal para la conformación de un portafolio
mediante la minimización de la varianza del portafolio sujeto
a un retorno dado.
Recientemente otras aproximaciones han sido presentadas

para la solución de este problema. En particular por medio
de la medida de riesgo CVaR que presenta varias ventajas
frente a la medida VaR mas usada en el medio financiero por
su amplia difusión.
17
I.2 Riesgo de Mercado.
El riesgo de mercado se relaciona con el cambio de las

variables que determinan el valor de los instrumentos
financieros.
Los métodos de medición de riesgo de mercado mas usados

en la actualidad son los propuestos por RiskMetrics y Key
Rates Duration.
II Problema.
En la mayoría de los activos financieros se encuentra que el

supuesto de normalidad de los retornos se viola.
El modelo de Markowitz, en caso de no normalidad de los

retornos, le da igual peso a las pérdidas como a las ganancias1.
La volatilidad de los activos financieros no es constante.
1.PALMQUIST, J, URYASEV, S. y P, KROKHMAL
18
III.1 Modelo de optimización
n
min
x ,β
∑
i =1
− xiΕ[ yi ] Retorno
J n
r r
β + (1 − α ) −1 ∑ π j z j ≤ ω ∑ q i x i0
j =1 i =1 Restricción en el
n
CVaR
zj ≥ ∑ (q
i =1
i x i0 − y ij x i ) − β zj ≥ 0 j = 1,..., J
n n n
∑q x = ∑c q (δ
i =1
0
i i
i=1
i i i − δ i ) + ∑qi xi
i=1
i = 1,..., n Costos de
transacción
δi ≥0 δi ≥0 i = 1,..., n
n
Máxima
q i xi = ν i ∑ x i q i i = 1,...,n concentración en
i =1 un activo
Modelo de optimización
Sea xr 0 = ( x10 , x 20 ,..., xn0 ) el vector de posiciones iniciales en n activos, con

r r r
precios iniciales q = (q1 , q 2 ,..., q n ) , con lo cual q T x 0 es el valor inicial del
r
portafolio. Los precios de los activos y = ( y1 , y 2 ,..., y n ) ; por lo cual la
r r r r r r r r
función de perdidas estará dada por f ( x, y, x 0 , q ) = q T x 0 − y T x .
n
r r r
La función de retorno está dada por R( x ) = Ε[ y T x ] = ∑ xi Ε[ yi ] la restricción
i =1
del costo de transacción genera que el dinero antes y después del día de
n n n
transacción sea el mismo. q x0 = c q | x0 − x | + q x∑
i =1
i i ∑i =1
i i i i ∑
i =1
i
i
r r r
La restricción en el CVaR φα ( x ) ≤ ω .q T x 0 es equivalente a
J n
rr
β + (1 − α ) −1 ∑π j z j ≤ ω ∑ qi xi0
j =1 i =1
19
III.2 RiskMetrics2
Promedios móviles exponenciales, Ewma Exponencial
moving average.
¾ Se le da un mayor peso a los datos recientes.
¾ Su implementación no representa una mayor carga
computacional.
¾ La volatilidad estimada viene dada por:
T T
1
σˆ = (1 − λ ) ∑ λ i ( ri − r ) 2
i =1
σˆ =
T
∑ (r − r )
i =1
i
2
¾ La correlación esta dada por:

T
σˆ ij = (1 − λ )∑ λk (rik − ri )(r jk − r j )
k =1
2. LONGERSTAEY, J.(1996): “RiskMetrics- Technical Document,” J.P. Morgan/Reuters.

Metodología RiskMetrics Vértices.

Los instrumentos serán evaluados por medio de la curva cero cupón, para
definir la sensibilidad de los mismos a cambios en la curva se hace necesario
fijar ciertos tiempos de madurez en la curva, vértices, para de esta manera
hallar las volatilidades de estos puntos de la curva. (Nótese la similitud con
Key Rates).
El número de vértices influirá en el cálculo del VaR como también en el

tiempo para llevar a cabo su cálculo.
Los flujos de caja que no estén sobre los vértices serán desglosados hacia sus
vértices adyacentes. Mapeo
Método: 1. El valor de mercado se preserva.

2. El riesgo de mercado se preserva.
3. Igual Signo.
4. Se conserva el PV.
20
Metodología RiskMetrics Mapeo
Mapeo
Calcular la tasa del actual flujo de caja mediante la interpolación lineal de
las tasas de los vértices mas cercanos.
Calcular el PV del flujo de caja mediante la tasa anteriormente calculada.
Calcular la stdev del retorno del flujo de caja al cual se le realiza el

mapeo por medio de interpolación lineal entre los vértices adyacentes.
Calcular la distribución del flujo de caja a los vértices mediante la

siguiente ecuación (preservar riesgo de mercado):
var(rk ) = var(αri + (1 − α )r j ) σ k2 = α 2σ i2 + 2α (1−α )ρijσ iσ j + (1−α )2σ 2j
Resolviendo la anterior ecuación, de manera que los flujos resultantes
sean positivos, se distribuye el flujo de caja a los vértices
correspondientes.
III.2 Duración de las Tasas claves Key Rates Duration
La sensibilidad del precio a cambio en tasas se puede estimar mediante la duración:
dP n − i * CFi 1 n
i * CFi 1 n i *CFi
=∑ =− ∑ y definiendo DMac = ∑
dy i =1 (1 + y ) (i +1) (1 + y ) i =1 (1 + y ) (i ) P i=1 (1+ y)(i)
1 dP 1
se obtiene. =− DMaa = − DMod
P dy (1 + y )
Problemas con la Duración:

¾ Se asume una única tasa a lo largo de la vida del instrumento, una estructura de
tasas plana.
¾ Solo es una buena aproximación para cambios pequeños en y .
21
Duración de tasas claves KRDs.
Por lo general, contrario a los supuestos de la Duración, las tasas de interés
varían con el tiempo, lo cual se llama la estructura de la tasa.
Para tener un mejor estimado de la sensibilidad del Precio del instrumento a

cambios en la estructura de las tasas de interés se definen las Key Rates.
Siendo si la actual tasa para el periodo i, y definiendo el precio del instrumento
por medio de la función P = f (s1, s2 ,..sn ) se obtiene mediante la expansión

de Taylor f ( s + ∆S ,..., s + ∆s ) = f ( s ,..., s ) +
∂f
∆s + ... +
∂f
∆s
equivalente
1 1 n n 1 n 1 n
∂s1 ∂s n
a ∆P 1 ∂f 1 ∂f
= ∆s1 + ... + ∆s n
P P ∂s1 P ∂s n
y simplificando la notación ∆P con 1 ∂f

= − Dm1∆s1 + ... − Dmn ∆s n Dmk = −
P P ∂s k
Duración de tasas claves KRDs.
Procedimiento:
¾ Aumente la k-ésima Key Rate.
¾ Obtenga la nueva curva de tasas debido al cambio en la K-ésima Key
Rate (se modifica mediante un cambio en las tasas inmediatamente
adyacentes proporcional a su distancia temporal).
¾ Estime el nuevo valor del instrumento bajo la nueva curva.
¾ Estime la Duración de la respectiva tasa bajo el cambio de precio
obtenido. Duración efectiva dada por el cambio porcentual de precio sobre
el cambio en la tasa
22
III.3 N&S Tasa cero cupón.
El precio de un Bono puede verse mediante las siguientes ecuaciones:
Con las tasas spot se obtiene Pv = ∑

N
CFi
i=1 (1+ si )i
1
Definiendo los factores de descuento mediante δ (t) = se obtiene
(1+ si )i
N
Pv = ∑ δ (i )CFi
i =1
1
Definiendo las tasas forward mediante = (1 + si ) i = (1 + γ 1 )(1 + γ 2 )...(1 + γ i ) se obtiene
δ (t )
N
CFi
Pv = ∑ i
i =1
∏ (1 + γ
j =1
j )
Con las anteriores definiciones la estimación de la estructura de tasas mediante Nelson

& Siegel se obtiene de la siguiente manera
N&S Ecuaciones.
Definiendo la tasa forward mediante la ecuación

m m m
f (m, b) = β0 + β1 exp(− ) + β2 [( ) exp(− )]
τ τ τ
En donde b es el factor de parámetros a estimar
b = [β0 , β1 , β2 ,τ ].
Integrando la ecuación anterior se obtiene la curva Spot como

m m m
r (m, b) = β 0 + ( β1 + β 2 )[1 − exp( − )] /( ) − β 2 exp( − )
τ τ τ
Y el factor descuento  r (m, b)m 
d ( m , b ) = exp  − 
 100 
23
III Conformación de un portafolio óptimo respecto al CVaR.
Determinación de los títulos que se han de tener en cuenta (liquidez).
Estimación de los precios faltantes en las series
Generación de precios futuros por medio de simulación histórica.
Estimación de la frontera eficiente respecto a restricciones en el CVaR.
Estimación del VaR para las posiciones encontradas como óptimas

en el modelo de optimización mediante las medidas de VaR antes
mencionadas.
Comparación del VaR estimado por medio del modelo de optimización

frente a las medidas convencionales del VaR.
Escogencia de los títulos

La liquidez de un título i está
dada por L i = Q i
N
∑Q
j =1
j
En donde Qi es el
monto transado del instrumento
i y N es el total de los
instrumentos que se tenían en
dicho periodo.
Los títulos en azul son los
escogidos
CORFINSURA (2003): “Indice representativo del mercado de deuda pública
interna Corfinsura y Suvalor (I-TES)”.
24
Estimación de los precios faltantes en las series
Mediante las betas de la función de Nelson y Siegel se

encontraba una tasa para descontar cada cupon de los títulos
y de esta manera se encuentra un precio dado por la suma de
los valores presentes de los flujos futuros.
Generación de precios futuros por medio de

simulación histórica.
Teniendo una serie de precios pasados se obtienen

los retornos y se asume que dichos retornos se darán para
el periodo en consideración. De lo cual se obtiene una
seria de precios.
Estimación de la frontera eficiente respecto a restricciones en el

CVaR.
25
Aclaración.
En la gráfica anterior un w=0.15 con alpha= 0.95 implica

que el promedio de las pérdidas en el 5% de los peores casos
no podrá ser mayor que el 15% del valor del portafolio.
Estimación del VaR para las posiciones encontradas como óptimas

en el modelo de optimización mediante las medidas de VaR antes
mencionadas.
26
Comparación del VaR estimado por medio del modelo de optimización

frente a las medidas convencionales del VaR.
27
V Conclusiones
Por medio de las anteriores gráficas se encuentra que en particular el
VaR medido por medio de la metodología de RiskMetris y KRDs
puede llevar a estimados de riesgo errados.
Como se esperaba al aumentar el costo de las transacciones la frontera

eficiente se acerca más a la esquina inferior derecha.
Si bien las medidas de riesgo de VaR que han sido presentadas son
ampliamente usadas en la actualidad se observa que se debe tener
particular cuidado en la veracidad de dicho riesgo. Sirviendo como
una herramienta de fácil uso y comprensión pero con serias
limitaciones.
En la filmina 26 se observa para la función roja como la restricción

del CVaR esta inactiva para ws mayores de 0.24
Uso de la Teoría de Valor Extremo para

el cálculo del VaR
Pamela Cardozo
GIRAFA
28
Uso de la Teoría de Valor Extremo para el
cálculo del VaR
Contenido
I. Teoría de Valor Extremo

II. Aplicación
III. Resultados
IV. Conclusiones
29
Teoría de Valor Extremo. Método Picos sobre
un umbral.
Modela el comportamiento de la cola de la distribución de

pérdidas (lo que implica riesgo) , sin suponer una
distribución específica, usando solo los valores extremos
La TVE provee distribuciones más apropiadas para eventos

que ocurren bajo condiciones de mercado extremas [
Bensalah, Y. (2000): “Steps in Applying Extreme Value Theory

to Finance: A Review”. Banco de Canadá.
¿Por qué ha tenido relevancia la TVE?

Los activos financieros no cumplen el supuesto
de distribución normal. Presentan colas gordas.
30
Marco Teórico
En estos modelos se elige un umbral u y las observaciones
que exceden el umbral se supone que siguen una distribución
paramétrica conocida como DGP.
 p 
Serie X1, X2, …, Xn. X i = − ln  t + 1 
 pt 
Distribución de la variable de excesos
Distribución de valores que exceden un

umbral se define como:
y variable de excesos (y = X-u)
F(y +u) − F(u)

Fu (y) = P(X −u ≤ y/ X >u) =
1− F(u)
31
Distribución Generalizada de Pareto (DGP)
Supuesto: Fu ( y ) ≈ Gξ , B (u ) ( y )
 −1
1−1+ ξy 
ξ
si ξ ≠ 0
  
Gξ,β(u) (y) =   β(u) 
  −y 
1− exp  si ξ = 0
  β(u) 
Marco teórico
Tenemos Fu(y) pero necesitamos es F(x)!!
F(x) = (1− F(u))Gξ ,B(u) ( y) + F(u)
32
Marco teórico
Estimador empírico de F(u): n − Nu

Fˆ ( u ) =
n
Teniendo en cuenta el estimador de F(u) y la

DGP obtenemos:
1
−
Nu  ξˆ( x − u )  ξˆ
Fˆ ( x) = 1 − 1 + 
n  βˆ 
Marco teórico
¿Cómo se obtiene el VaRq?

F(x) = q; x = VaRq
βˆ   1 − q  
−ξˆ
VaRq = u +    − 1
ξˆ   Nu / n  
 
33
Contenido

II. Aplicación
III. Resultados
IV. Conclusiones
Aplicación
Obtener el valor en riesgo (VaR) de los activos

financieros colombianos (6 activos) aplicando la
teoría de valor extremo, para poder determinar el
desempeño de esta metodología en comparación
con la metodología de VaR tradicional.
34
Datos
Factor Período Fuente

DTF 1984-2004 B.R
Tasa de Repos 1999-2004 S.B y B.R
Tasa Interbancaria 1999-2004 S.B y B.R
Tasa de TES (CETES 90) 1999-2004 B.V.C
TRM 1998-2004 B.R
IGBC 1994-2004 B.V.C
Las series no son normales y tienen colas

gordas
DTF REPOS INTERBANCARIA CETES TRM IGBC

Media -0.00144 -0.00118 -0.00117 -0.00068 -0.00051 -0.00051
Máximo 0.082 0.300 0.234 0.791 0.031 0.056
Mínimo -0.112 -0.366 -0.213 -0.186 -0.051 -0.099
Des. Est. 0.018 0.053 0.035 0.046 0.005 0.011
Sesgo -0.959 -0.096 0.529 5.170 -0.774 -0.722
Curtosis 11.14 11.67 11.26 83.26 16.01 10.44
Jarque-Bera (estad) 3046 3904 3600 296888 10584 5868

Jarque-Bera (prob) 0.000 0.000 0.000 0.000 0.000 0.000
Observaciones 1045 1247 1247 1088 1481 2454
35
Contenido

II. Aplicación
III. Resultados
IV. Conclusiones
Comparación de ajustes
Interbancaria
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
0,05 0,07 0,09 0,11 0,13 0,15 0,17 0,19 0,21
1-F(TVE) 1-F(normal) Reales

36
Exámenes de desempeño
1er examen 2do examen
3% 3%
2.5% 2.5%
-0.1% 0.1%
7% 7%
-3% -3%
VeR<?retorno (0.3%)
-2.5% 0.3%
0.3%
0.5%
VeR<?retorno (0.5%) 0.5%
VeR<?retorno (0.5%)
1.2%
1.2%
4.8% VeR<?retorno (1.2%)
4.8% VeR<?retorno (1.2%)
3.2%
-3.2%
1.8%
1.8%
VeR<?retorno (4.8%)
1er examen de desempeño

IGBC 98%
3,00%
2,00%
1,00%
0,00%
-1,00%
-2,00%
-3,00%
-4,00%
14/04/2003
14/05/2003
14/06/2003
14/07/2003
14/08/2003
14/09/2003
14/10/2003
14/11/2003
14/12/2003
14/01/2004
Retornos TVE Normal

37
2do examen de desempeño
TRM 99%
1,50%
1,00%
0,50%
0,00%
-0,50%
-1,00%
-1,50%
-2,00%
-2,50%
08/04/2003
08/05/2003
08/06/2003
08/07/2003
08/08/2003
08/09/2003
08/10/2003
08/11/2003
08/12/2003
08/01/2004
Retornos TVE Normal
Activo Percentil (q) Excepc. Teóricas Excepc. VeR TVE Excepc. VeR Normal
DTF 0.95 27 24 21
(-0.64) (-1.23)
0.98 11 18 17
(2.17) (1.87)
(545 comparaciones) 0.99 5 14 15
(3.68) (4.11)
545 0.999 1 0 7
(-0.74) (8.75)
REPOS 0.95 37 23 19
(-2.41) (-3.08)
0.98 15 10 13
(-1.29) (-0.51)
(-1.64) (0.56)
747 0.999 1 1 3
(0.29) (2.61)
Interbancaria 0.95 37 13 11
(-4.09) (-4.42)
0.98 15 6 7
(-2.34) (-2.08)
(-1.64) (-0.17)
747 0.999 1 0 3
(-0.86) (2.61)
38
CETES 0.95 29 54 42
(4.65) (2.38)
0.98 12 28 28
(4.78) (4.78)
(3.78) (7.92)
588 0.999 1 4 13
(4.45) (16.19)
TRM 0.95 49 47 37
(-0.3) (-1.77)
0.98 20 17 17
(-0.6) (-0.6)
(-2.83) (-0.26)
981 0.999 1 1 5
(0.02) (4.06)
IGBC 0.95 98 98 83
(0.03) (-1.53)
0.98 39 45 47
(0.96) (1.28)
(1954 comparaciones) 0.99 20 22 33
(0.56) (3.06)
1954 0.999 2 6 11
(2.9) (6.47)
Contenido

II. Aplicación
III. Resultados
IV. Conclusiones
39
Conclusiones
La distribución de los retornos de los activos

presentan colas gordas.
La TVE provee una cobertura más adecuada
que la forma de cálculo tradicional para
niveles de confianza mayores al 98%.
Mayor exigencia de capital.
No es una medida pro cíclica.
Implicaciones en la regulación colombiana.
GIRAFA
Fernando Beltrán
Pamela Cardozo
Fabio Macías
David Fernando Silva

40
41

Finanzas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Finanzas

Cargado por

Copyright:

Formatos disponibles

Valor en Riesgo (VaR): Métodos de cálculo y

su aplicación a portafolios de inversión

Grupo de Investigación en Análisis de Riesgo Financiero

I SIMPOSIO NACIONAL DE DOCENTES DE

GIRAFA Universidad de Los Andes

Máxima pérdida potencial en el valor de un activo,

Pesos TRM US$

GIRAFA Universidad de Los Andes

Value at risk es una medida de la máxima pérdida esperada para un horizonte de

Responde a la pregunta ¿Cuánto puedo perder bajo una probabilidad de x % en un

El VeR, al estar en unidades monetarias es de fácil comparación entre entidades como

GIRAFA Universidad de Los Andes

GIRAFA Universidad de Los Andes

Otra definición complementaria

Mide la máxima pérdida anticipada en un periodo

GIRAFA Universidad de Los Andes

Tenemos una cantidad D de un activo que tiene un

VeR = (1.65σ + u)∆S

GIRAFA Universidad de Los Andes

GIRAFA Universidad de Los Andes

Estimación del Valor en Riesgo para un

GIRAFA Universidad de Los Andes

1. Recolección y manipulación de datos.

4. Estimación de la matriz de covarianza.

GIRAFA Universidad de Los Andes

¿Qué es la simulación de Montecarlo y cómo

GIRAFA Universidad de Los Andes

6. Cálculo de Delta y Gamma

7. Simulación de Monte Carlo

8. Estimación del Valor en Riesgo

GIRAFA Universidad de Los Andes

1. Recolección y manipulación de datos

Se escogieron 15 bonos TES colombianos transados en

GIRAFA Universidad de Los Andes

Medidas descriptoras de los TES

GIRAFA Universidad de Los Andes

Portafolio con bonos de máxima liquidez.

Portafolio con máxima desviación estándar en sus TES.

Portafolio con bonos altamente correlacionados.

Portafolio con bonos con la menor desviación estándar y mayor duración

Portafolio con correlaciones nulas y correlaciones negativas (diversificado)

GIRAFA Universidad de Los Andes

Los rendimientos históricos fueron calculados como un

GIRAFA Universidad de Los Andes

4. Estimación de la matriz de covarianza

La matriz de covarianza se estimó con la siguiente ecuación.

donde X es una matriz de rentabilidades y n es el número de

GIRAFA Universidad de Los Andes

Se busca una matriz triangular inferior, C, tal que Σs = CC’.

xi es el valor del factor de riesgo i en el tiempo t, ∆xi, en este

GIRAFA Universidad de Los Andes

Con variables aleatorias normal estándar se simulan los

GIRAFA Universidad de Los Andes

1  j =T TasaCupon×ValorFacial × j ValorFacial ×T  1 ∂Pi

• Gamma es proviene de la Convexidad

1  j =T TasaCupon×ValorFacial × j(1 + j) ValorFacial ×T (1 + T )  1 ∂2 Pi

donde T es el número de periodos que le restan al bono.

GIRAFA Universidad de Los Andes

6.1. Cálculo de Delta

Delta es el vector de primeras derivadas de los precios de los

Donde qi es la cantidad de títulos bono i y Pi es el precio de

GIRAFA Universidad de Los Andes

GIRAFA Universidad de Los Andes

6.2. Cálculo de Gamma