Medición de Riesgos

Version 18.0
Universidad Complutense de Madrid
COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel.
(http://www.ucm.es/fundamentos-analisis-economico2/jajm)
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

◦ Version 18.0
◦ COPYRIGHT ©
◦ Jimenez-Martin, J. A. (juanangel@ccee.ucm.es)

2
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Capítulo 2
Regresión cuantílica

Complutense University of Madrid

COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel.
(http://www.ucm.es/fundamentos-analisis-economico2/jajm)
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Regresión cuantílica [4h – 6h].

Objetivos: Identificar los factores de riesgo para una cartera de activos financieros y la sensibilidad de mi cartera a 
los cambios en estos factores para gestionar el riesgo.
Secciones:
 1.- Introducción
 2.- Regresión: beta de la compañía
1. Aplicaciones 
1. Riesgo sistemático e idiosincrático
2. Cobertura del riesgo en una cartera
2. Definiciones
3. Estimación y propiedades del estimador
4. Contrastes de hipótesis: aplicaciones.
 2.- Regresión cuantílica: Introducción
 3.- Estimación
 4.- Ejemplos de estimación

4
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

1.1.- Aplicaciones
Modelo de Factores.
Los modelos de factores se usan para:
• Descomponer el riesgo y rendimiento en componentes observables y NO observables
• Estimar situaciones de rendimientos anormales: Stress testing
• Describir la estructura de covarianza de los rendimientos
• Predecir rendimientos en escenarios de stress.
• Proporcionar un entorno para el análisis del riesgo de carteras.

CAPM (Capital Asset Pricing Model),

APT (Asset Pricing Theory) .

5
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

1.1.- Aplicaciones
Aplicación 1. Diversificación de Carteras: Es el mecanismo por el cual un inversor minimiza o elimina
su exposición al riesgo específico de la empresa y minimiza o reduce el riesgo sistemático o de mercado y
modera el efecto de activos individuales en el valor de la cartera. Si la cartera de títulos está bien definida
la reducción de riesgo puede ser al coste de una pequeña pérdida en términos de rendimientos.

Riesgo específico:
Repsol: Si sube el precio del petróleo/mejora la calidad de las baterías para los coches eléctricos
Telefónica: Vodafone hace una campaña agresiva regalando un móvil/Hay una caída en la fibra
óptica de telefónica que dura una semana/Telefónica gana un concurso de 4G en
Alemania/Telefónica llega un acuerdo con Vivendi para comprar GVT en Brasil.
Riesgo sistemático o de mercado: mean
Large‐Cap
13.4
Real‐Estate Inter‐Stock Intermediate‐Treas
15.4 14.3 6.3
St_dv 23.9 17.3 16.4 9.3
Riesgo que afecta al mercado en general: caída de la inflación/ Sharpe‐ratio 0.56 0.89 0.87 0.68
subida de la tasa de paro/aumento del déficit público. Large‐Cap
Correlation Matrix
Real‐Estate Inter‐Stock Intermediate‐Treas
Large‐Cap 1.00 ‐0.09 0.50 ‐0.47
Real‐Estate 0.26 ‐0.14
Inter‐Stock ‐0.58
Conclusión: Un activo no se debe seleccionar sólo teniendo
Covariance Matrix
en cuenta las características que son intrínsecas a ese activo. Es Large‐Cap Real‐Estate Inter‐Stock Intermediate‐Treas
Large‐Cap 1 ‐39.24 195.39 ‐104.84
interesante analizar como se mueve ese activo con el resto de activos Real‐Estate 73.94 ‐22.09
Inter‐Stock ‐87.93
E  ri   rf  [Number of Units of Risk][ Risk Premium per Unit]
Portfolio Large‐Cap vs Real Estate
Return 14.4
St_dv 14.07
E  rR  ri 
E  ri   rf  cov  ri , rM 
Sharpe_ratio= 1.02
var  rM  6
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Model 8: OLS, using observations 2012/01/03-2014/09/19 (T = 684)

Missing or incomplete observations dropped: 25
Dependent variable: RP_DIA

Coefficient Std. Error t-ratio p-value

const -1.84715 0.151105 -12.2243 <0.00001 ***
RP_IBEX35 0.590003 0.0305449 19.3159 <0.00001 ***

Mean dependent var -4.551742 S.D. dependent var 1.846720

Sum squared resid 1505.606 S.E. of regression 1.485811
R-squared 0.353619 Adjusted R-squared 0.352672
 

Model 7: OLS, using observations 2012/01/03-2014/09/19 (T = 709)

Dependent variable: RP_CABK

Coefficient Std. Error t-ratio p-value

const 0.22017 0.147813 1.4895 0.13680
RP_IBEX35 1.04267 0.0298929 34.8801 <0.00001 ***

Mean dependent var -4.559195 S.D. dependent var 2.433247

Sum squared resid 1540.654 S.E. of regression 1.476192
R-squared 0.632464 Adjusted R-squared 0.631944
 

Model 4: OLS, using observations 2012/01/03-2014/09/19 (T = 684)

Missing or incomplete observations dropped: 25
Dependent variable: RP_portf1

Coefficient Std. Error t-ratio p-value

const -2.53975 0.0920812 -27.5817 <0.00001 ***
RP_IBEX35 0.453272 0.0186136 24.3516 <0.00001 ***

Mean dependent var -4.617562 S.D. dependent var 1.237089

Sum squared resid 559.1081 S.E. of regression 0.905432
R-squared 0.465099 Adjusted R-squared 0.464315
 
7
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

1.1.- Aplicaciones
Aplicación 2. Previsión en modelo univariantes.

Model 4: OLS, using observations 2012/01/04-2014/09/19 (T = 708)

Dependent variable: R_TL5

Coefficient Std. Error t-ratio p-value

const 0.101338 0.0837713 1.2097 0.22680
R_TL5_1 0.050589 0.0375991 1.3455 0.17890

Mean dependent var 0.106544 S.D. dependent var 2.227907

Sum squared resid 3500.269 S.E. of regression 2.226632
R-squared 0.002558 Adjusted R-squared 0.001145
 

Aplicación 3. Cálculo de correlaciones parciales

8
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Aplicación 4. Cálculo de ratios de cobertura.

Ex 1: Posición larga en un activo financiero (representando el derecho a pagos futuros) or real asset

Si S , incrementa el valor de mi cartera

Si S , disminuye el valor de mi cartera

Cobertura con posiciones cortas en futuros:

Si S , F , pero – F  y el valor de mi cartera 

Si S , F , pero – F  y el vaolor de mi cartera 

 S   0, 512  1, 022   F
 5,2628   0,0373 
… y muchas mas
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Definiciones
1.- Consideramos dos variables y / x para las cuales tenemos observaciones.
2.- Nuestro objetivo es estudiar “cómo varía y con cambios en x” or to explain y in terms of x.
3.- El camino más fácil para expresar dicha relación es el modelo linear de regresión:

yt  1   2 xt  ut ut ~ i.i.d .  0,  2 

“y” Variable dependiente

“x” Variable independiente, variable explicativa, variable de control o regresor.
“u” Término de error. Recoge factores distintos a “x” que afectan a “y”. No se observa.
2 es la pendiente. Es el cambio en E  y x  dado un cambio de una unidad en “x”
manteniedo constantes todos los demás factores “relevantes”.
1 es la ordenada en el origen.

10
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Geometría, interpretación, y algebra de las funciones lineales

yt  1   2 xt  ut ut ~ i.i.d .  0,  2 

* *
yt * * * * Pendiente = b2
* * * *
Ordenada * *
en el origen = b1 * * E  y x 
* * *
* ut * x
E  y x 
2 
x
*
xt
Copyright © 2009 South-Western/Cengage Learning

11
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

RP_portf1 versus RP_IBEX35 (with least squares fit)

-1
Y = -2.54 + 0.453X

-2

-3

-4
RP_portf1

-5

-6

-7

-8

-9
-12 -10 -8 -6 -4 -2 0
RP_IBEX35

12
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Lineal: yt  1   2 x2 t  u t

Log-log: Ln yt  1   2 Ln x2 t  u t
Supuestos sobre el modelo y parámetros (7) Log-level: Ln y     x  u t 1 2 2t t

S 1: Lineal en parámetros Lineal-log: y     Ln x  u t 1 2 2t t

S 2: Muestra aleatoria y # de observaciones > # númeroQuadratic:

de parámetros y    x  x u
t 1 2 2t 3
2
2t t

S 3: Variación muestral Reciprocal: y  

1
 u t 1 2 t
x 2t
S 4: No existe multicolinealidad perfecta NonLinear: y     x   x   x x  ut
t 1 2 2t 3 3t 4 2t 3t

S 5: Los parámetros son constantes

S 6: El modelo está correctamente especificado.
S 7: La media de u es independiente de las x’s
Supuestos en las perturbaciones (4)
S 8: Las perturbaciones son aleatorias, con media “condicional” cero
S 9: Homocedasticidad
S 10: Las perturbaciones no están correlacionadas
S 11: Normalidad

13
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

1.3. Estimación y propiedades del estimador

Hoja de Ruta:
Estimación: MCO
Propiedades Estadísticas de MCO (Statistical properties of OLS)
Propiedades Algebraicas de MCO (Algebraic properties of OLS)

14
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Estimación: MCO
Características de una cartera utilizando MCO
 yi  y i  u i *
*
yt  1   2 xt  ut * *
û i * *
* *
y t   1   2 xt  yt  y t  u t 
yi   1   2 xi
*
* * *
*
* * *
*
yt Variable dependiente xi
y t valor ajustado
 i estimación MCO de i
u i  y  y Re siduos MCO
t t

Estimación por MCO de los parámetros desconocidos 1 y 2 se

Obtienen minimizando la función de suma de cuadrados de los residuos
(The Sum of Squared Residuals) SSR :
n 2

SSR  S   1 ,  2     yt   1   2 xt 
t 1
15
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

n 2

SSR  S   1 ,  2     yt   1   2 xt 
t 1

Ecuaciones normales:
S n n
 n 
 2  yt   1   2 xt   2n  1  2 yt  2   xt   2  0 ( E1)
  1 t 1 t 1  t 1 
S n n n
 n 
 2 xi  yt   1   2 xt   2 x t  2  2 xt yt  2   xt   1  0
2
( E 2)
  2 t 1 t 1 t 1  t 1 

de E1 y E2
n1    xi   2   yi  1  y   2 x ( E 3)

 2 
 xi yi  nxy    xi  x  yi  y   cov  yi , xi    S y ( E 4)
 i
x 2
 n  x 
2
 i  x  x 
2
var  x i  xy
Sx
16
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

 1 
 i
( x  x ) 2
  i
x 2
 2 x  i
x  N x 2
  i
x 2
 2 x N  i   N x2
x
 N 

  xi2  2 N x 2  N x 2   xi2  N x 2

  xi 
2

 ( xi  x ) 2
  x  N x   x  x  xi   x
2
i
2 2
i
2
i
N


 xi  y i
 ( xi  x )( yi  y )   xi yi  N x y   xi yi  N

17
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Propiedades Estadísticas de MCO

El estimador por MCO es ELIO (Estimador Lineal Insesgado y Óptimo)
(OLS estimator is BLUE Best Linear Unbiased Estimator)
1. MCO es lineal: Es una combinación lineal de las observaciones de las y’s
1
1  y   2 x   yi  x  wi yi
    xi  x  yi  y    xi  x  y  n w y
  i i ( E 5) n
 i   i 
2 2 2 i
x  x x  x i 1 1
  yi  x  wi yi ( E 6)
 xi  x  n
wi  1 
  xi  x 
2
    xwi  yi
n 
2. MCO es insegado
E ( 2 )  E  2   wi ui  
ˆ1  y  ˆ2 x  1   2 x  u  ˆ2 x
 E  2  w1u1  w2u2    wN u N   E 7  1  (  2  ˆ2 ) x  u  E 8
 E (2 )   E ( wi ui ) E ( ˆ1 )  E ( 1  (  2  ˆ2 ) x  u )  1

 2   wi E (ui )  2 18
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

  xi  x   1
 ( xi  x )  0   wi        xi  x   0
   xi  x     xi  x 
2 2

 wi xi  1  2  wi xi  2

 2   wi yi   wi (1  2 xi  ui )  1  wi  2  wi xi   wi u i  2   wi ui

 i
( x  x ) 2
var(ui )
2
var( ˆ2 )  E ( ˆ2   2 ) 
2 i 1
2
 n
 2
 (x  x )
n

 i
2
( x  x )  i
 i 1  i 1

1
var( ˆ1 )  E ( ˆ1  1 ) 2  E ((  2  ˆ2 ) x  u ) 2  x 2 var( ˆ2 )   2
n

19
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Propiedades Estadísticas de MCO

3.MCO es el estimador lineal e insesgado de Mínima Varianza

Teorema de Gauss-Markov: Bajo los supuestos S1-S10 del modelo de regresión lineal,
los estimadores 1 y  2 tienen la varianza más pequeña entre todos los estimadores lineales
e insesgados de los parámetros 1 y 2. Son ELIO (Best Linear Unbiased Estimators
(BLUE) of 1 and 2 (see notes on slide 22))
 x 

var(ˆ 1 )   
2  xi
2
 cov(ˆ 1 , ˆ 2 )   2  2 
2 
  i
N ( x  x )    ( xi  x ) 

2
 
var ˆ 2 
 ( xi  x )2
Notes:
(1) The larger the error variance, the larger is var ˆ  . This makes sense since more variation in the unobservable affecting y
2

makes it more difficult to precisely estimate.

(2) More variability in the independent variable is preferred: as the variability in the x´s increases,var ˆ  decreases. the more
2

spread out is the sample of independent variables, the easier it is to trace out the relationship between E(y/x) and x.
That is, the easier it is to estimate 2. If there is little variation in the x´s , then it can be hard to pinpoint how E(y/x)
varies with x. Gauss (1880) and Markov (1910) 20
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Propiedades Estadísticas de MCO

4.MCO se distribuye Normal: Si S 11 es cierto (las perturbaciones u1, u2, …, un se
distribuyen conjuntamente normales entonces: ui ~ d N  0,  2 

 ~ N   , 2   xi2  
 1  2 

1
  N ( xi  x ) 

 2 
 2 ~ N  2 , 
  ( xi  x )2 

Primero, dado S1, si ui es normal, también lo es yi. Segundo, el estimador MCO es un

estimador lineal (Propiedad estadística 1), y puesto que la suma de variables
aleatorias normales es una variable normal, esto explica, que si hacemos el supuesto
de normalidad sobre los errores, los estimadores MCO serían normales también.

21
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Propiedades Estadísticas de MCO

22
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Risk Decomposition in a Single factor Model (Propiedades algebraicas de MCO)

n
1.   uˆ  0 Si en la regresión lineal hay una constante, de las condiciones de primer
i

orden, es la primera ecuación normal (E1). La media muestral de los residuos MCO es
i 1

cero.The sample average of the OLS residuals is zero

n
2.   xi uˆi  0Es la segunda de las ecuaciones normales. Los residuos son ortogonales
i 1

a las x’s. La covarianza muestral entre los residuos MCO y los regresores es cero.
n
3.   yˆ uˆ  0
i 1
i i Se deriva de (2). Los residuos son ortogonales a la variable explicada.
n
(1)  uˆi  0
i 1
n n n n n
4.  y  yˆ ; yi  yˆi  uˆi   yi  yˆi   uˆi   yi  yˆi
i 1 i 1 i 1 i 1 i 1

5.-La línea de regresión pasa por y  ˆ 1  ˆ 2 x

23
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Propiedades algebraicas de MCO

7.- Puesto que los residuos son ortogonales a las x’s (por construcción de las ecuaciones
normales) los residuos son ortogonales a las variables explicadas. Consecuentemente, la
variación total en y se puede dividir en dos partes: La variación de yˆi en torno a su media
(que es la misma que la media de la variable observada y, ver gráfico) y la variación de los
residuos en torno a su media (que es cero, ver gráfico). Entonces podemos definir:

n
Total Sum of Squares  SST    yi  y 
2

i 1

n
Explained Sum of Squares  SSE    yˆi  y 
2

i 1

n
Residual Sum of Squares  SSR    uˆi 
2

i 1

24
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

Pueba:
Si el modelo tiene constante:
n n n
SST  SSE  SSR    yi  y      yi  yˆi    yˆi  y     uˆi   yˆi  y   
2 2 2

i 1 i 1 i 1

n
 uˆi  yˆi  y   0
i 1
n n n
  uˆi2  2 uˆi  yˆi  y     yˆi  y 
2
 SSR  SST
i 1 i 1 i 1
n n
 uˆi yˆi  0; y  uˆi  0;
i 1 i 1

25
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

R2 – R-cuadrado de la regresión o coeficiente de determinación

R2 es el porcentaje de la variación muestral en la variable endógena que explica la
variación en x
SSE SSR
R2  1 ; 0  R2  1
SST SST

R2 >0; SSE > 0 y SST > 0 lo que implica que R2 > 0.

R2 < 1; Si 1 no es igual a 0, SSE es menor o igual que SST, lo que implica que el R2 es
menor o igual que 1. 2
Sy n 2 n
R   ; β 2   xy Pista: SSE    yˆi  y    2   xi  x 
2 2
Tarea 1: Puedes probar que 2
xy
Sx i 1 i 1

y     x  y  y     x
i 1 2 i 1 2
Tarea 2: Dado el modelo: yi  1  ui
1. Calcula la estimación de MCO para 1  y i  y   2  xi  x 
2. Calcula el R2. Explica los resultados.
3. Haz un gráfico con los valores previstos de y.
26
 COPYRIGHT
COPYRIGHT
© 2018-2019
© 2014-2015
Juan-Angel
Juan-Angel
Jimenez-Martin
Jimenez-Martin

La varianza de la variable aleatoria ui (el error) es:

var(ui )   2  E[ui  E (ui )]2  E (ui2 )

Si se cumple el supuesto E(ui) = 0.

La estimación de la varianza de las perturbaciones (σ2) sería,

n
ˆ   uˆi2 n  2  uˆi  yi  ˆ 1  ˆ 2 xi
2

i 1

Que es un estimador insesgador de 2, es decir E ˆ   

2 2

27