Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Version 18.1
Universidad Complutense de Madrid
COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel.
(http://www.ucm.es/fundamentos-analisis-economico2/jajm)
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
◦ Version 18.0
◦ COPYRIGHT ©
◦ Jimenez-Martin, J. A. (juanangel@ccee.ucm.es)
2
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Información Práctica
3
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
4
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
5
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Modulo 1
Medidas estadísticas de riesgo
Referencias:
Tema 1 del libro, Elements of Financial Risk Management, Christoffersen, Academic Press, 2003.
7
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Referencias
Hull, J., (2012), Risk Management and Financial Institutions, 3rd Edition, Wiley Finance.
8
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Tipos de riesgos
Riesgo de Mercado: Pérdida que puede sufrir un inversor debido a la diferencia en los precios que se
registran en el mercado o movimientos de los llamados factores de riesgo (tipos de interés, tipos de cambio)
Riesgo de Crédito: Pérdida potencial producto del incumplimiento de la contraparte en una operación que incluye
un compromiso de impago.
Riesgo de Liquidez: Pérdidas que puede sufrir una institución al requerir una mayor cantidad de recursos para
financiar su actividad a un costo posiblemente inaceptable. También se refiere a la imposibilidad de transformar en efectivo un
activo o portafolios (imposibilidad de venderlo en el mercado).
Riesgo Legal: Se refiere a la pérdida que se sufre en caso de que exista incumplimiento de una contraparte y no se
pueda exigir, por la vía jurídica, cumplir con los compromisos de pago. Se refiere a operaciones que tengal algún error de
interpretación jurídica o alguna omisión en la documentación.
Riesgo Operativo: Se asocia a fallos en los sistemas, procedimientos, en los modelos o en las personas que manejan
dichos sistemas.
Riesgo de Reputación: Es el riesgo de las perdidas que podrían resultar de no concretar oportunidades de
negocio atribuibles a un desprestigio de una institución por falta de capacitación del personal clave, fraude o errores en la
ejecución de alguna operación. Si el mercado percibe que la institución comete errores en algún proceso clave de la operación, es
posible que los clientes quieran cambiar de institución.
9
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Tipos de riesgos
En esta asignatura estamos interesados en el RIESGO DE MERCADO, es decir la perspectiva de una perdida –o ganancia-
como consecuencia de cambio imprevistos en los FACTORES DE RIESGO. Estamos interesados en MEDIR EL
RIESGO derivado de los cambios inesperados en los precios de los activos del mercado (acciones, tipos de interés de
los bonos, tipos de cambio). Así podemos decir que el RIESGO DE MERCADO hace referencia a:
IDENTIFICAR los factores de riesgo y MEDIR el riesgo asociado con ellos es fundamental para la GESTION DEL
RIESGO. La investigación teórica y empírica en la medición de riesgos se ha desarrollado enormemente en los últimos
años, y entre los factores que han contribuido a ello, están:
10
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Tipos de riesgos
2.- Aparece la teoría de la probabilidad y se estima la verosimilitud de acontecimientos negativos, las compañías de
seguros impulsan el desarrollo de medidas de riego (Kolmogorov, 1933 proporciona una definición matemática de
aleatoriedad y probabilidad).
3.- Después la aparición de instrumentos de inversión como acciones y bonos lleva a los inversores a tratar de medir las
posibilidades de ganancias y pérdidas y es cuando se empieza a utilizar la volatilidad como medida de riesgo.
4.- Desarrollo de la distribución Normal/Gaussiana caracterizada por la media y la varianza y aparece el modelo de
Gestión de cartera mediante el análisis media/varianza de Markowitz .
5. Se define el concepto de Value at Risk (Valor en Riesgo)
11
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Distribución asimétrica
hacia ganancias
Pt es el precio de activo en t. Rt viene dado en tantos por 1, es decir: 0.01 (1%), 0.10 (10%), …
P
rt = log t = l og ( Pt ) − log ( Pt -1 ) = log ( Rt + 1) ⇒ Rt = e rt − 1 e-number
Pt-1 I. Representa la base de crecimiento
para cualquier proceso que crece
Pt = Pt-1 exp ( rt ) de forma continua.
II. e- se define como la tasa de
crecimiento si un tipo de interés del
100% se paga de forma continua.
Cuando Rt es pequeño R t ~ rt . III. Flexible
Slide A-13
13
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Rendimiento anualizado:
(1 + rperíodo )
# de periodos
ranual = − 1; rperíodo debe estár medido en tantos por 1.
Por ejemplo, si tenemos datos mensuales de cotizaciones y el rendimiento mensual es 2%. Puesto que en el año hay 12 meses:
Desviación típica anualizada para datos diarios = desviación típica datos diarios*raiz cuadrada(250)
Desviación típica anualizada para datos semanales = desviación típica datos semanales*raiz cuadrada (52)
Desviación típica anualizada para datos mensuales = desviación típica datos mensuales*raiz cuadrada (12)
Slide A-14
14
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
2.- Rentabilidades geométricas son también muy útiles cuando trabajamos con tipos de cambio. Si por ejemplo, queremos
calcular la tasa de variación del tipo de cambio desde la perspectiva de un estadounidense USD/EUR (St , dólares por
euro) tenemos:
S
rt$/ € = log t .
Si por el contrario, queremos calcular la tasa de variación desde la perspectiva de un europeo, es decir,
St-1
mirando al EUR/USD (1/ St, euros por dólar), tendremos lo siguiente: [hacer ejemplo en clase de informática]
1 / St = −r $/ € = - log St
rt €/$ = log S
1 / S t-1
t
t-1
3. Cuando calculamos los rendimientos compuestos, tenemos la ventaja de que las rentabilidades entre distintos períodos se
pueden calcular como la suma de los rendimientos de los períodos intermedios:
P P P
rt,2 = log t = log Pt − log Pt-2= rt + rt-1= log t + log t-1 = log Pt − log Pt-1 + log Pt-1 − log Pt-2
Pt-2 Pt-1 Pt-2
-In 2009, at time t, the dollar value of the euro was E$/ €,t = $1.403
-In 2010, at time t, the dollar value of the euro was E$/ €,t = $1.225
Et$/ € $1.225
e$/ €
t ln ( E ) − ln ( E
= t
$/ € $/ €
t −1 )=
ln $/ € = ln =−0.136 (13.6%) et$/ € * =
−12.7%
Et −1 $1.403
-In 2009, at time t, the euro value of the dollar was E€/$,t = €0.713
-In 2010, at time t, the dollar value of the dollar was E€ /$,t = €0.816
Et€/$ €0.816327
e
t
€/$
ln ( E ) − ln ( E
= t
€ /$ €/$
t −1 )=
ln €/$ = ln =0.136 (13.6%) et$/ € * =
+14.4%
E
t −1 €0.712758
El espacio muestral: Los elementos del espacio muestral se llaman observaciones muestrales y
generalmente se representan por ω. Por ejemplo, si el experimento es lanzar un dado, entonces el espacio
muestral es Ω ={1, 2,3, 4,5, 6}
El subconjunto del espacio muestral: En el ejemplo anterior, un subconjunto del espacio muestral, podría
ser
=ℑ {el=
resultado de lanzar el dado es par} {2, 4, 6} .
La medida de probabilidad P, es una función que se aplica a los eventos y les asigna una probabilidad P( A) a
cada evento A en ℑ . Esta medida de probabilidad debe cumplir tres axiomas:
(i ) 0 ≤ P ( A ) ≤ 1 para todo A ∈ ℑ
(ii ) P (=
∅ ) 0 y P (=
Ω) 1
∞
(iii) Si A1 , A 2 , A 3 , ... son sucesos dijuntos, es decir, A j ∩ Ai para i ≠ j, entonces P U =
∞
∑ P ( Ai )
i =1 i =1
Correlación
γ xy cov( X , Y )
Pearson = ρp = = r=
cxy
⇒=t
ρP
~ tN −2
(γ Y ) (γ X )
1/ 2 1/2
var Y var Y
(1 − ρ ) ( N − 2 )
xy
Sx S y 2
Correlación N
6∑ di2
ρ
Spearman ρS = 1 − i =1
⇒t = ~ tN − 2
(1 − ρ ) ( N − 2 ) 1. Calcula rango de x e y (xi, yi)
2
N ( N − 1) 2
Cuantil: son valores de la recta real que dividen la distribución en partes. El cuantil de orden p de una distribución (con 0 < p
<1) es el valor de la variable X que marca un corte de modo que una proporción p de los valores de la población es menor o
igual que x.
Q
= ( p ) FX−=
1
( p ) min { x ∈ℜ FX ≥ p} , p ∈ ( 0,1)
Cuartil: dividen la distribución en cuatro partes (corresponde a los cuantiles 0.25, 0.50, 0.75)
Quintil: dividen la distribución en cinco partes (corresponde a los cuantiles 0.20, 0.40, 0.60, 0.80)
Decil:
(Normalmente los cuantiles van de 0 a 1, los percentiles de 0 a 100 (Percentil 10, percentil 50, percentil 90, …)
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
a 2 var( X )
[4] var(aX + b) =
21
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
E[V ] =E χ(2m ) =m
σ2
µ+
E[Y ] = e 2
Y]
var[= ( 2
)
eσ − 1 e 2µ+σ
2
Riesgo Financiero: es la posibilidad de una pérdida financiera –o ganancia- debido a cambios imprevistos en los factores de
riesgo subyacentes, como el riesgo de pérdida (ganancia) derivado del cambio en los precios de mercado (como el precio de
las acciones) o los tipos del mercado (como tipos de interés o tipos de cambio). Tradicionalmente se ha utilizado como
medida de RIESGO, la VOLATILIDAD de los distintos mercados de acciones, tipos de cambio, tipos de interés o mercado
de bienes. La medida de VOLATILIDAD más conocida es la VARIANZA o la DESVIACIÓN TÍPICA.
Suponiendo que los rendimientos siguen una distribución es normal, el riesgo se puede medir en términos del marco
MEDIA-VARIANZA. Estos dos estadísticos definen completamente la distribución.
1 −( x − µ) 2
=f ( x) exp 2 , −∞ < x < ∞
2πσ 2
2 σ
28
Figure 3. Normal Probability Density Functions with Figure 4. Normal Probability Density Functions
Means μ and Variance 1 with Mean 0 and Variance σ2
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Within 1 σ
Probability of 68.26%
Within 2 σ
Probability of 95.45%
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
En esta medida hay dos parámetros relevantes alpha, el cual describe la actitud ante el riesgo, y t , que determina el
punto de corte entre los valores negativos que preocupan y los que no preocupan.
1. La desviación típica es una medida apropiada cuando la distribución es simétrica y no tiene colas pesadas. En
general una distribución no sólo viene caracterizada por la media y varianza, sino que hay que ver los momentos
de orden superior: Asimetría y kurtosis
1 N 1 N
( ) ( xi − x )
3 4
∑
n i 1=
xi − x
ni1
∑
=
S= 3/ 2
≡ Skewness; K= 2
≡ Kurtosis
1 N 2 1 N 2
∑ ( xi − x ) ∑ ( xi − x )
= n i 1= n i 1
Curtosis (Apuntamiento): es una media de si la distribución es alta y delgada o baja y achatada repecto a la distribución normal.
Skewness (Asimetría): es una mediad de la asimetría de la distribución. La asimetría puede se positiva o negativa. Skewness negativa
significa que la cola de la izquierda de la distribución de probabilidad es más larga que la de la derecha.
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
31
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
32
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
33
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
** Let X be a stochastic variable of the set G, where G is the set of all possible outcomes. In our case these are all
possible risks. A risk measure, ρ, is the mapping:
ρ: G → R
We say that a risk measure is coherent if the following properties are fullfilled
** See P. Aztner, F. Delbaen, J.-M, Eber and D.Heath (1999), Coherent Measures of Risk, Mathematical Finance,
9 (3), Blackwell Publishers.
34
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
This means that Variance reaches its maximum when X1,X2 = 1. Therefore,
����X1 +X2) � Var�X1��Var�X2��2∗cor�X1,X2� Sd�X1� Sd�X2� � Var�X1��Var�X2��2∗Sd�X1� Sd�X2�
���X1 +X2)� � Sd�X1�� �Sd�X2�� �2∗Sd�X1� Sd�X2���Sd�X1� + Sd�X2���
35
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
2.- Funciones de autocorrelación simple y parcial (relación entre dos variables cuando controlamos por
una tercera)
γ
xy cov( X , Y ) rxy − rxz ryz
=ρ xy = = rxy. z =
(γ Y ) (γ X ) (1 − r ) (1 − r )
1/ 2 1/2 1/ 2 1/2
var Y var Y 2
xz
2
xz
Función de Autocorrelación Simple (ACF o FAS) de un proceso estocástico Zt: es una función ρk que para cada
entero k toma un valor igual a la correlación entre Zt Zt-k
cov( Zt , Zt − k ) γ ck
ρk =ρ− k = =k ∀t ρk ≤ 1 donde un estimador razonable será: rk =
var Zt var Zt − k γ0 SZ2
Nota 1: En un proceso estacionario ρk = ρ-k puesto que la covarianza entre Zt e Zt-k es igual a la
covarianza entre Zt e Zt+k. Como consecuencia la FAS es simétrica, por lo que en la práctica sólo
se analiza la parte positiva: k=0, 1, 2, 3, ....
ST_EJ.1
37
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Función de Autocorrelación Parcial (PACF o FAP) de un proceso estocástico Zt :es una función que para cada
instante t y cada entero k toma un valor igual a la correlación entre Zt Zt-k ajustada por el efecto de los retardos
intermedios Zt-1, Zt-2,…, Zt-k-1
Nota: En general parte de la correlación que existen entre Zt Zt-k se debe a que ambas están correlacionadas con
algún retardo intermedio, y eso es lo que trata de corregir la FAP. El primer valor de la FAP es la correlación entre
Zt Zt-1 que no tiene que ser corregido por ningún valor intermedio. De ahí que el primer valor de la FAS y la FAP
ρ1 coinciden. Por otro lado ρ0 =0
Los coeficientes de un modelo de regresión lineal estimado por MCO, cuando la media muestral de todas las variables es igual a
cero, mide la correlación entre la variable endógena y la variable que acompaña al coeficiente, una vez que se ha tenido en cuenta el
efecto común de las otras variables. Así para medir la correlación lineal entre Zt Zt-k que no es debida a la posible correlación lineal
entre cada una de estas dos variables y cada una de las variables intermedias Zt-1, Zt-2,…, Zt-k-1, puede considerarse el coeficiente φkk
en el modelo:
40
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
h
ρˆk2
=Q ( n )( n + 2 ) ∑ ~ χh2
n−k
k =1
n = number of observations
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
5.- Q-Q plot es un gráfico Q-Q (“Q” viene de cuantil) sirve para identificar las diferencias entre la
distribución de probabilidad de una muestra y una distribución teórica de probabilidad :
https://www.quora.com/What-is-a-Q-Q-plot-in-statistics
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
4.- Q-Q plot es un gráfico Q-Q (“Q” viene de cuantil) sirve para identificar las diferencias entre la
distribución de probabilidad de una muestra y una distribución teórica de probabilidad :
HERRAMIENTAS PARA ANALIZAR LAS PROPIEDADES DE LOS RENDIMIENTOS
El test de Normalidad de Jarque Bera es para contrastar si una variable es normal o no, por
ejemplo, los residuos de un modelo de regresión. 60
Series: Residuals
Sample 1 616
50 Observations 616
10 Jarque-Bera 20.44963
2.- Estadístico de contraste 0
Probability 0.000036
S ( K − 3)
2 2
JB =N + ~ χ 22
6 24
1 N 1 N
( ) ( )
3 4
∑ i
n i 1=
x − x ∑ i
ni1
x − x
donde S= 3/ 2
≡ Skewness ; K= 2
≡ Kurtosis
1 N
2 1 N
2
∑ ( x i − x ) ∑ ( x i − x )
n i 1= n i 1
2.- La distribución incondicional de los rendimientos diarios tiene colas más pesadas que la distribución normal
3.- Los rendimientos suelen mostrar caídas muy grandes, pero no subidas del mismo nivel. Esto es una muestra
de la asimetría en los rendimientos.
4.- La desviación típica de los rendimientos domina la media en horizontes cortos, como puede ser con frecuencia
diaria. No es posible rechazar la hipótesis de que los rendimientos son iguales a cero.
5.- La varianza (riesgo) aproximándola por los rendimientos al cuadrado, presenta correlación positiva con los
valores pasados. Hay más evidencia en el corto plazo, por ejemplo con datos diarios o semanales.
6.- Los rendimientos suelen presentar correlación negativa con la varianza. Caídas en precios (rendimientos
negativos) incrementan la varianza en mayor medida que subidas de precios. Esto es conocido como
APALANCAMIENTO (leverage)
7.- La correlación entre rendimientos entre distintos activos parace ser variable en el tiempo. La correlación parece
incrementarse durante períodos de alta volatilidad y caídas de precios.
8.- Cuando disminuye la frecuencia de los datos (rendimientos mensuales, anuales, …) la distribución de los
mismos suele aproximarse más a la distribución normal.
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Exchange rates Changes are almost impossible to predict from their our past.
Fig. 1. Autocorrelation function of daily EUR/JYR Returns for lag 1 day trough 15 days, January 1,
2012-October 10, 2012
47
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
2. The unconditional distribution of daily changes (Returns) has fatter tails than the
normal distribution.
Fig 2. Histogram of daily EUR/JYR Returns (%) superimposed on the Normal, Student t and kernel
estimate, January 1, 2012-October 10, 2012
EUR_JAPY_C EUR_JAPY_C
.7 .7
.4
.6 .6
.5 .5
.3
.4 .4
.2
Density
ensity
.3
.2 .1
.1
.0
.0 -3% -2% -1%
-3% -2% -1% 0% 1% 2% 3%
Histogram Normal
Student's t Kernel
The histogram has longer and fatter tails. It is more peaked around zero than a normal distribution.
Fatter tails means a higher probability of large losses than the normal distribution would suggest
48
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
3. The stock market, and the exchange rate returns, exhibits occasional, very large
drops but not equally large up-moves. The Foreign exchange tends to show less
evidence of skewness.
Fig 3. EUR/JYR Returns (%) superimposed on the Normal, Student t and kernel estimate, January 1,
2012-October 10, 2012
EUR_JAPY_C
.7
.6
.4
.5
.3 .4
Density
.3
.2
.2
.1 .1
.0
-3% -2% -1% 0% 1% 2% 3%
.0 0% 1% 2% 3%
-3% -2% -1% Histogram Normal
Student's t Kernel
49
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
Jarque-Bera 3.264007
2
Probability 0.195537
0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
50
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
(
Corr ( et$/ € ) , ( et$/−τ€ )
2 2
)>0 for small τ
Fig. 5. Autocorrelation function of squared daily EUR/JYR Returns for lag 1 day trough 15 days,
January 1, 2012-October 10, 2012
EUR_JPY_C_SQ
70
60
50
40
30
20
10
0
2007 2008 2009 2010 2011 2012
51
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
6. Exchange rate returns (as any other asset) display negative correlation between
variance and returns. This is termed as leverage effect, arising from the fact that a
drop in a stock price will increase the leverage of the firm as long as debt stays
constant. This increase in leverage might explain the increase variance associated
with price drop.
70
50
60
40
50
EUR_JPY_C_SQ
EUR_JPY_C_SQ
40 30
30
20
20
10 10
0
-8 -7 -6 -5 -4 -3 -2 -1 0 0
0 1 2 3 4 5 6 7
EUR_JPY_C2
EUR_JPY_C2
EUR_JPY_C_SQ= -0.9332+2.748*EUR_JPY_C2
EUR_JPY_C_SQ= -1.071-3.04*EUR_JPY_C2
52
COPYRIGHT © 2018-2019 Juan-Angel Jimenez-Martin
7. Correlation between exchange rate returns appears to be time varying. The correlation
between assets appears to increase in highly volatility down markets and extremely so during
market crashes.
8.- Even after standardizing returns by a time-varying volatility measure, they still have fatter
than normal tails. We will refer to this as evidence of conditional non-normality.
Fig. 7. Conditional daily EUR/JPY Returns.
CONDI_EUR_JPY
.5
.4
.3
Density
.2
.1
.0
-8 -6 -4 -2 0 2 4 6 8
Histogram
Normal
Student's t
9.- As the return-horizon increases, the unconditional return distribution changes and looks
increasingly like normal distribution.
53