Gestión Cuantitativa de Riesgos (MCAF)

11 de enero de 2021

Nombre y Apellidos……Robert Chirca…NIUB: 17865352……………….

Hola, disculpe, pero soy seguro que mi examen ha salido muy mal porque por el trabajo y la familia (casado con hijos) no me
ha dado tiempo para estudiar, pero si con los actividades enviados sale un 4.5 para ser un 5 y para superar la asignatura yo
estaría mas que contento. Si no, claro que voy a atender el examen final pero tampoco no creo en mi suerte. Gracias por su
tiempo y disculpe.

1. El objetivo es cuantificar el riesgo de una cartera de valores formada por acciones de 3

empresas financieras (A, B y C), la cuantía invertido en cada empresa es la misma, es decir,
los pesos en el total de la inversión son iguales a 1/3. Con este objetivo, se observa la
información histórica semanal a 2 años y se obtiene que las medias de los logaritmos de los
rendimientos semanales (log-returns) son 0.0012, 0.0015 y 0.0020, respectivamente, y sus
desviaciones estándar son 0.003, 0.005 y 0.006, respectivamente. También se sabe que las
correlaciones entre los log-returns son A,B=0.9, A,C=0.7 and B,C=0.6. Responda las
siguientes cuestiones justificando la respuesta brevemente en todos los casos (LAS
RESPUESTAS NO JUSTIFICADAS PUNTUARÁN 0):
i. Si la distribución de los tres log-returns se distribuyen conjuntamente como una normal
trivariante, ¿cuál es el método más apropiado para cuantificar el riesgo?. (1 punto)
El metodo mas apropiado para cuantificar el riesgo es “Average changes in risk factors (aprox E(X_{t+1}))”

ii. Si sabemos que los log-returns univariantes se distribuyen normalmente, ¿necesita una
prueba alternativa para analizar la normalidad multivariada? (0.5 puntos)
No, porque en la práctica las curvas de rendimiento cambia de forma con el tiempo, y la distribución
de los cambios en las tasas de interés puede no ser la normal.

iii. Con la información disponible y bajo el supuesto de normalidad, calcule el riesgo

mensual (4 semanas) usando el VaR a un nivel de confianza del 99% (puede utilizar el
Excel o el R para realizar los cálculos). (1 punto)
=T.INV(0.99;3)
 2. En el gráfico que se muestra en la Figura 1 se representan las distancias de Mahalanobis (eje
vertical) de un conjunto de vectores de perdidas observadas, con d=3, respecto a unos
determinados valores teóricos.
Figura 1.

Responda las siguientes cuestiones justificando la respuesta brevemente en todos los

casos (LAS RESPUESTAS NO JUSTIFICADAS PUNTUARÁN 0):
i. ¿Qué conclusión obtiene tras analizar la Figura 1? (1 punto)
Se pueden detectar los valores atípicos que examina la variable a la vez, porque la distancia
toma en cuenta las diferentes escalas entre las variables y las correlaciones entre estas. El
punto de datos no se ajusta a la estructura de correlación de las dos variables. Por lo tanto, la
distancia de Mahalanobis para este punto es inusualmente pequeña.
ii. ¿Qué interpretación tienen los puntos que están por encima de la línea continua? (0.5
puntos)
Cualquier punto que se encuentre por encima de la línea de referencia es un valor atípico.
Los valores atípicos pueden afectar significativamente los resultados de su análisis. Por lo tanto, si
identifica un valor atípico en los datos, debe examinar la observación para determinar por qué se
trata de un valor poco común.
 3. Utilizando el Método de Simulación Histórica, con las pérdidas linealizadas históricas con
periodicidad semanal, se ajustan las distribuciones normal y t-Student y se obtienen los
siguientes resultados:
> mod.gauss
$mu
[1] 0.0002960893

$Sigma
[,1]
[1,] 0.0008844862

$cor
[1] NA

$ll.max
[1] 1054.446

> mod.t
$converged
[1] TRUE

$par.ests
nu mu sigma
2.7419935980 0.0005619771 0.0174771737

$par.ses
nu mu sigma
0.4008993214 0.0009639871 0.0010750825

$asymp.cov
nu mu sigma
nu 1.607203e-01 -2.601414e-05 2.862288e-04
mu -2.601414e-05 9.292711e-07 -6.746083e-08
sigma 2.862288e-04 -6.746083e-08 1.155802e-06

$ll.max
[1] 1126.06

Responda las siguientes cuestiones justificando la respuesta brevemente en todos los

casos (LAS RESPUESTAS NO JUSTIFICADAS PUNTUARÁN 0):
i. ¿Qué modelo usaría para calcular el riesgo? Es posible tener que realizar algún
cálculo para responder a esta cuestión. (1 punto)
Usaría el modelo “linearized”
ii. Calcule el riesgo semanal utilizando el VaR al 99% de nivel de confianza con el
modelo seleccionado en i (puede utilizar el Excel o el R para realizar los
cálculos). (1 punto)
=E3+F3*NORM.S.DIST(NORM.S.INV(0.99);FALSE)/(1-0.99)
iii. En función de los grados de libertad de la t-Student ajustada, ¿la distribución de la
pérdida linealizada tendría varianza finita? (0.5 puntos)
Si, porque es entre 0 y 1.
4. A partir de un conjunto de vectores de log-returns observados (d=3), se estiman dos
distribuciones t-Student trivariantes (Dist. 1 y Dist. 2), obteniendo los siguientes resultados:
Dist. 1
Parameters:
nu
2.861233

mu:
[1] -0.0001600363 -0.0001650863 -0.0008563886

sigma:
BBVA SAN CAI
BBVA 0.0010949138 0.0009670211 0.0009077786
SAN 0.0009670211 0.0010664535 0.0008974641
CAI 0.0009077786 0.0008974641 0.0018652153

gamma:
[1] 0 0 0

Call:
fit.tmv(data = val.ln, symmetric = T)

Optimization information:
log-Likelihood: 3823.148
AIC: -7626.297
Fitted parameters: lambda, mu, sigma; (Number: 10)
Number of iterations: 177
Converged: TRUE

Dist. 2
Parameters:
nu
2.87123

mu:
[1] -0.0003971690 0.0002327978 -0.0012724086

sigma:
BBVA SAN CAI
BBVA 0.0010888461 0.0009619970 0.0009026875
SAN 0.0009619970 0.0010596265 0.0008928593
CAI 0.0009026875 0.0008928593 0.0018512999

gamma:
[1] 0.0005917071 -0.0009795634 0.0010593284

Call:
fit.tmv(data = val.ln, symmetric = FALSE)

Optimization information:
log-Likelihood: 3824.434
AIC: -7622.869
Fitted parameters: lambda, mu, sigma, gamma; (Number: 13)
Number of iterations: 174
Converged: TRUE

(SIGUE EN LA SIGUIENTE PÁGINA)

 Responda las siguientes cuestiones justificando la respuesta brevemente en todos los
casos (LAS RESPUESTAS NO JUSTIFICADAS PUNTUARÁN 0):

i. ¿Cuál es la diferencia fundamental por lo que respecta a su forma entre las

distribuciones 1 y 2? (0.4 puntos) (0. (NO VALE CONTESTAR QUE LOS
PARÁMETROS ESTIMADOS SON DISTINTOS, HAY QUE ANALIZAR QUE
CARACTERÍSTICAS TIENE CADA MODELO, ASIMETRÍA, CURTOSIS…)
ii. ¿Cuál es la distribución que mejor ajusta? (0.4 puntos)
distribución normal vectorial binomial
iii. ¿Qué método de cuantificación de riesgo utilizaría para estimar el riesgo a partir de
la distribución seleccionada en el apartado ii.? Describa paso a paso todo el proceso
que seguiría. (0.4 puntos)
iv. Teniendo en cuenta la distribución (1 o 2) seleccionada en el apartado i, ¿podría
decir que el vector de parámetros mu es equiparable al vector de esperanzas de los
log-returns? (0.4 puntos)
v. Teniendo en cuenta la distribución (1 o 2) seleccionada en el apartado i., ¿podría
decir que la matriz sigma es equiparable a la matriz de varianzas y covarianzas de
los log-returns? (0.4 puntos)
5. A partir de la información histórica de las pérdidas linealizadas positivas se obtiene el
gráfico de la Figura 2.
Figura 2.

i. Si se supone que los valores extremos siguen una distribución de tipo Pareto, interprete
los valores de "u", "alfa" y "xi" que están impresos en el gráfico. (0.75 puntos)
La distribución de Pareto Tipo I se caracteriza por un parámetro de escala x my
un parámetro de forma α , que se conoce como índice de cola . Cuando esta
distribución se utiliza para modelar la distribución de la riqueza, entonces el
parámetro α se denomina índice de Pareto .
ii. Estime el VaR a un nivel de confianza del 99% asumiendo que los valores extremos

α
k
siguen una distribución de Pareto (no GPD). Se sabe que F L ( l )=1− ( ) (puede utilizar
l
el Excel o el R para realizar los cálculos). (0.75 puntos)