Tema1 V1

Medición de Riesgos
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
Información Práctica
◦ Dirección de email es: juanangel@ccee.ucm.es

◦ Teléfono: 91 394 2355
◦ Despacho: 120, Edificio 1 (Prefabricado)
Recordad Sesión EIKON 24 de septiembre de 2018!!!!
3
 GRETL is an acronym for Gnu Regression Econometrics and Time-series Library

 It is free econometrics software
 It has an easy Graphical User Interface (GUI)
 At the top of the window you find the menu bar. From here you import and manipulate data, analyse data, and manage output.
 at the bottom of the window is the GRETL toolbar. Among others:
 access to the GRETL web site from here
 open the pdf version of the manual
 open the operating system default calculator.
 Can be downloaded from http://gretl.sourceforge.net and installed on your personal computer

 It runs on Windows, Mac, Linux
4
Objetivos del Curso

1.Describir métodos estadísticos para identificar las fuentes de riesgo y proporcionar
medidas cuantitativas del mismo, tanto para carteras de renta fija como carteras de
renta variable y derivados.
2.Especial atención se presta al papel que juegan medidas como el Valor en Riesgo
(VaR) y la Pérdida Esperada en la cuantificación y gestión del riesgo.
3.Se proporcionan al alumno las herramientas necesarias para entender y aplicar las
distintas alternativas de medición de riesgos:
i. Revisión de los fundamentos de probabilidad y estadística como instrumentos
para medir los tipos de riesgo;
ii. Introducción al software econométrico apropiado, en el que la simulación juega
un papel importante.
Enjoy!!!!!!
5
Modulo 1
Medidas estadísticas de riesgo
Complutense University of Madrid

COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel.
(http://www.ucm.es/fundamentos-analisis-economico2/jajm)
 1. Tipos de riesgo: de mercado, de liquidez, de contraparte, operacional.

 2. Rentabilidades porcentuales y rentabilidades logarítmicas. Agregación temporal de volatilidades.
 3. Conceptos básicos de probabilidad y estadística
 3.1. Variables aleatorias y distribuciones de probabilidad: t-Student, Normal, mixturas
 3.2. Asimetría, curtosis, cuantiles, colas pesadas de las distribuciones.
 4. Volatilidad y riesgo
 5. Características de los rendimientos de los activos financieros: agrupamientos de volatilidad, camino aleatorio,
reversión a la media.
 5.1.Cálculo de QQ-plots, histogramas
 5.2.Funciones de autocorrelación simple y parcial.
 5.3.Contrastes de ausencia de autocorrelación: Box-Pierce, Ratios de varianza
 5.4.Contrastes de Normalidad: Jarque-Bera, Kolmogorov-Smirnov
 8. Simulación de muestras aleatorias de distintas distribuciones
Referencias:
Tema 1, “Algunas Cuestiones Previas” de las notas de Medición de Riesgos Financieros, y
Tema 1 del libro, Elements of Financial Risk Management, Christoffersen, Academic Press, 2003.
7
Referencias
 Christoffersen, Elements of Financial Risk Management, Academic Press, 2003.
 Novales Cinca, Alfonso (XXXX), Medición de Riesgos Financieros.
 Peña (2002), La gestión de riesgos financieros de mercado y crédito.
 Hull, J., (2012), Risk Management and Financial Institutions, 3rd Edition, Wiley Finance.
8
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
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:
RIESGO DE CAMBIO DE PRECIO DE LAS ACCIONES
RIESGO DE TIPOS DE INTERES
RIESGO DE TIPOS DE CAMBIO
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:
ENTORNO VOLATIL: mercado de acciones, bonos y tipos de cambio.
CRECIENTE ACTIVIDAD FINANCIERA.
Extraordinarios avances en la TECNOLOGÍA DE LA INFORMACIÓN.
10
Tipos de riesgos
… Breve historia de las distintas formas de medir el Riesgo:

1.- El azar y los Dioses determinan la buena o mala suerte: No tiene sentido medir el riesgo
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
Tipos de riesgos : Medidas simétricas y asimétricas
Sam L. Savage (2009), The Flaw of Averages

John Wiley & Sons, Inc.
Distribución asimétrica
hacia ganancias
Resultado esperado A short sale has a limited gain potential, but an

unlimited loss. If we short a stock at $50, it can
only go down to $0, but it could rise to $500.
Without a hedge or predefined exit strategy
Distribución asimétrica
hacia pérdidas
that limits the risk, the risk of $500 vs. a
potential gain of $50 is an asymmetric risk
2.- Rentabilidades aritméticas y logarítmicas

Rendimientos arítmeticos o simples:
Pt - Pt-1
Rt = ⇒ P=
t Pt −1 (1 + R t )
Pt-1
Pt es el precio de activo en t. Rt viene dado en tantos por 1, es decir: 0.01 (1%), 0.10 (10%), …
Rendimientos logarítmicos, compuestos o geométrico:
 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
2.- Rentabilidades aritméticas y logaritmicas
Rendimientos logarítmicos y desviación típica de los rendimientos anulizada:
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:
ranual = (1 + 0.02 ) − 1 = 0.268 (26,8%).

12
Desviación típica anualizada:

std anual = std período * # de periodos .
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
2.- Rentabilidades aritméticas y logarítmicas

Cuál deberíamos utilizar?
1.- Económicamente tiene más sentido utilizar el tipo de interés compuesto, porque de esta forma se asegura que los precios
de los activos nunca son negativos, incluso si los rendimientos no están acotados:
Geométri cos Aritméti cos
 P   P  Pt - Pt-1 P
Si Pt → 0, entonces  t  → 0 ⇒ rt = log  t  → −∞ Rt = → −∞ Si t - 1< -1, es decir, Pt < 0. Que no tiene sentido económico.
 Pt-1   Pt-1  Pt-1 Pt-1
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 
Principles of Econometrics, 3rd Edition

15Slide A-15
Appreciations and Depreciations
To determine the size of an appreciation or depreciation, we compute the proportional change, as follows:
-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 = $1.225
-The change in the dollar value of the euro was :
 Et$/ €   $1.225 
e$/ €
t ln ( E ) − ln ( E
= t
$/ € $/ €
t −1 )=
ln  $/ €  = ln  =−0.136 (13.6%) et$/ € * =
−12.7% 
 Et −1   $1.403 
-Thus, the euro depreciated against the dollar by 13.6%
-In 2009, at time t, the euro value of the dollar was E€/$,t = €0.713
-In 2010, at time t, the dollar value of the dollar was E€ /$,t = €0.816
-The change in the euro value of the dollar was :
 Et€/$   €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 
-Thus, the dollar appreciated against the euro by 13.6%

3. Conceptos básicos de probabilidad y estadística
Definición de Variable aleatoria:
Una variable aleatoria definida en un espacio muestral es una función que relaciona cada punto muestral
(cada resultado) a un número real. Formalmente, para definir una variable aleatoria se parte de un Espacio
Probabilístico ( Ω, ℑ, P ) . Los elementos de este espacio probabilístico son el espacio muestral Ω , un
subconjunto del espacio muestral ℑ , y una medida de probabilidad P.
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
Una variable aleatoria X definida en ( Ω, ℑ P ) es una función X : Ω → ℜ

Momentos poblacionales y muestrales

Momentos Población Muestra
Media 1 n
µx = E ( X t ) x= ∑ xi
n i =1
Varianza 1 n
2
var ( X=
t) E ( Xt − µ )
2
γ= σ= ∑ ( xi − x )
2 2
0 x =Sx
n i =1
Covarianza
γ xy = cov ( X , Y ) = E ( X − µ x ) (Y − µ y ) = E ( XY ) − µx µ y
1 n 1 n
=
∑ i ( i ) n∑
(
n i 1=
x − x cxy
)
= y −=y
i 1
xi yi − nxy
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
2. para cada para de observacione (xi, yi) (xj,

yj), i < j se dice que son:
Concordantes en rango si xi > xj y yi > yj o
Correlación nc − nd n = Number of concordant xi < xj y yi < yj
ρ ⇒ c
Kendall = k
1/ 2 × N ( N − 1) nd = Number of discordant
Discordantes en rango si xi > xj y yi < yj o
xi < xj y yi > yj
Comparamos coeficientes de correlación Pearson y Spearman

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)
El valor de la función cuantílica de X a un punto p, se define por el cuantil p más pequeño de X

Pueden ser:
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:
Percentil: divide la distribución en 100 partes.
(Normalmente los cuantiles van de 0 a 1, los percentiles de 0 a 100 (Percentil 10, percentil 50, percentil 90, …)
Valores esperados de funciones de variables aleatorias:

[1] E [ aX ] = aE [ X ]
[2] E [ aX +=
b ] aE [ X ] + b
[3] var( X ) = σ 2 = E [ X − µ ] = E[ X 2 ] − µ 2
2
a 2 var( X )
[4] var(aX + b) =
Figura 1. Distribution con diferentes varianzas
Valores esperados de variables aleatorias:

[5] E ( X + Y=
) E ( X ) + E (Y )
[6] E (aX + bY +=
c ) aE ( X ) + bE (Y ) + c
[7] var [ aX +=
bY ] a 2 var( X ) + b 2 var(Y ) + 2ab cov( X , Y )
[8] var [ X + =
Y ] var( X ) + var(Y ) + 2cov( X , Y ) Si X, Y son Independientes entonces Cov(X Y) = 0.
[9] var [ X −=
Y ] var( X ) + var(Y ) − 2cov( X , Y )
Lo contrario de esta relación no es cierto.
21
Distribuciones de Probabilidad relevantes

Chi-cuadrado: Si Xi es una variable aleatoria que se distribuye normal con
media 0 y varianza σ2, entonces V = X 12 + X 22 +  + X m2 ~ χ(2m )
E[V ] =E  χ(2m )  =m
var[V ] = var  χ(2m )  = 2m
Figure 5. The chi-square Probability Density Function

Distribuciones de Probabilidad relevantes (Tema 2 notas Novales)

Log-Normal: Si Xi es una variable aleatoria que se distribuye normal con
media μ y varianza σ2, entonces
= Y exp ( X ) ~ Log − normal
σ2
µ+
E[Y ] = e 2
Y]
var[= ( 2
)
eσ − 1 e 2µ+σ
2
Se suele suponer que el precio de las

acciones es log-normal.
Pt = P0 e rt y rt es el rendimiento compuesto.
Figure 6. Distribución Log Normal
Distribuciones de Probabilidad relevantes

Una t de Student es una variable aleatoria que se obtiene cuando se divide
una variable aleatoria normal con media 0 y varianza 1, X, por la raíz
cuadrada de una Chi-cuadrado, V, que es independiente de la anterior,
que previamente se ha dividido por el número de grados de libertad:
Z
t= ~ t( m )
V
m
 ν +1 
Γ ν+1
  t 2 − 2
=f (t )  2  1+
 
ν ν
νΓ  
2
(Willian Sealy Gossep, Guiness Brewery- quality
of the barley) Figure 6. The standard nomal and t(3) Probability
Density Function
 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
Within 1 σ
Probability of 68.26%
Within 2 σ
Probability of 95.45%
 Limitaciones al usar la desviación típica como medida de riesgo

1. La desviación típica se critica por la decisión arbitraria de elevar al cuadrado las desviaciones respecto la media y
además por tratar de igual forma a los rendimientos positivos que a los negativos. Medidas alternativas para
corregir estos defectos son la desviación media absoluta (sustituye el cuadrado de las desviaciones por el valor
absoluto) o la down-side semi-variance (en la expresión de la varianza sólo se tiene en cuenta los valores que están
por debajo de la media). Hay otra medida de riesgo que está en la misma línea del down-side semi-variance
propuesta por Fishburn (1977) α
t
F
= ∫ ( t − x ) f ( x ) dx
−∞
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.
From highest to lowest peak ():
red, kurtosis 3, Laplace (D)ouble exponential distribution.

Leptokurtic
("Lepto-" means "slender): In terms of shape, a leptokurtic distribution has
a more acute peak around the mean and fatter tails
orange, kurtosis 2, hyperbolic (S)ecant distribution
green, kurtosis 1.2, (L)ogistic distribution
black, kurtosis 0, (N)ormal distribution. Mesokurtic
cyan, kurtosis −0.593762…, raised (C)osine distribution
blue, kurtosis −1, (W)igner semicircle distribution
magenta, kurtosis −1.2, (U)niform distribution. Platykurtic
("Platy-" means "broad“): In terms of shape, a platykurtic distribution has a
lower, wider peak around the mean and thinner tails
31
32
Negative skew (Asimetría Negativa o a la izquierda): The left tail is

longer; the mass of the distribution is concentrated on the
right of the figure. It has relatively few low values. The
distribution is said to be left-skewed, left-tailed, or skewed to
the left. Example (observations): 1,1001,1002,1003.
Mean < Median < Mode
Positive skew (Asimetría Positiva o a la Derecha): The right tail is longer

the mass of the distribution is concentrated on the left of the
figure. It has relatively few high values. The distribution is said
to be right-skewed, right-tailed, or skewed to the right.
Example (observations): 1,2,3,1000.
Mean > Median > Mode
33
** 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.
1- Monotonicity (Monotona): X1, X2 such that X1 X2 we have thaT X2 ) X1)

2- Positive homogeneity: If and X then X)= X)
3- Sub – additivity: if X1, X2 then X1 +X2) X1) + X2)
4- Translation Invariance: If X and then X1 + )
34
Variance vs Standard Deviation: sd(X)=
1- Monotonicity (Monotona): X1, X2 such that X1 X2 we have that X2 ) X1)

2- Positive homogeneity: If and X then
��X)= �� = � �� = � ∗ ��X)
3- Sub – additivity: if X1, X2 then X1 +X2) X1) + X2)

��X1 +X2) � Var�X1��Var�X2��2∗cor�X1,X2� Sd�X1� Sd�X2�
cor�X1,X2� ∈ �1, 1
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��
��X1 +X2)� � �Sd�X1� + Sd�X2��
X1 +X2) X1)+ X2)

4- Translation Invariance: If X and then X+ )
35
HERRAMIENTAS GRÁFICAS PARA ANALIZAR LAS PROPIEDADES DE LOS RENDIMIENTOS
1.- Histogramas: o gráfico de frecuencias
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
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:
Zt φk1 Zt −1 + φk 2 Zt − 2 + ... + φkk Zt − k + U t

=
donde Z = Z − µ i =0,1, 2,..., k
t −i t −i
U t V .a independiente de Zt −i i > 0

39
Por tanto para obtener la PACF (φkk)k=1,2,,3, hay que ir estimando regresiones del tipo:
=Zt φ11 Zt −1 + U1t
Z = φ Z + φ Z
t 21 t −1 22 t −2 + U 2t
Zt = φ31 Zt −1 + φ32 Zt − 2 + φ33 Zt −3 + U 3t
................................................
Z φ Z + φ Z + ... + φ Z
= t k1 t −1 k2 t −2 kk t −k + U kt ST_EJ.2
Nota 2: El gran interés de un proceso estocástico

estacionario reside en que la ACF y PACF son
independientes del tiempo t, por lo que puede
omitirse dicho argumento temporal. Dicha
invarianza permite la estimación muestral de tales
funciones.
40
3.- Estadístico Ljung-Box/Box-Pierce
H0: � � � (No existe autocorrelación)

H1 : Existe autocorrelación
h
ρˆk2
=Q ( n )( n + 2 ) ∑ ~ χh2
n−k
k =1
n = number of observations
4.- Box-Plot (diagrama de caja)

Es un gráfico que resume información sobre la distribución estadística de una variable. El espacio entre las
diferentes partes de la caja indican el grado de dispersión, la asimetría (skewness) de los datos y los
atípicos. El diagrama de caja contiene:
1) en la parte de arriba y de abajo de la caja aparece el primer y el tercer cuartil;

2) la línea en dentro de la caja es siempre el segundo cuartil (la mediana);
y 3) pueden proporcionar otra información como el Rango intercuartílico (IQR)
HERRAMIENTAS PARA ANALIZAR LAS PROPIEDADES DE LOS RENDIMIENTOS
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
HERRAMIENTAS PARA ANALIZAR LAS PROPIEDADES DE LOS RENDIMIENTOS
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
 1. H 0 : la variable tiene una distribución normal. 40 Mean 3.98e-15

Median -0.031705
H 1 : No tiene distribución normal. 30
Maximum
Minimum
2.016556
-1.848866
Std. Dev. 0.563883
20 Skewness 0.285639
Kurtosis 3.685843
10 Jarque-Bera 20.44963
 2.- Estadístico de contraste 0
Probability 0.000036
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
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 
 La distribución normal S = 0, K = 3 y JB=0. Dado el nivel de significación alpha, no rechazaremos

[ χ 22 ≥ JBof] Econometrics,
p _ value= PPrinciples ≤α Slide 3-45
3rd Edition
la hipótesis nula si
1.- Los rendimientos diarios tienen una correlación muy reducida
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.
1. Daily changes (Returns) have very little correlation.
Corr ( et$/ € , et$/−τ€ ) ≈ 0 for τ =

1, 2...,100
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
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
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
4. The standard deviation of returns completely dominates the mean of returns at

short horizon such as daily. It is not possible to statistically reject a zero mean
return. Daily EUR/JYR returns have a daily mean of -0.0027% and a daily standard deviation of 0.69%.
Fig 4. Histogram of daily EUR/JYR Returns

January 1, 2012-October 10, 2012
16
Series: EUR_JPY_C2
14 Sample 2/01/2012 10/10/2012
Observations 203
12
Mean -0.002672
10 Median -0.024353
Maximum 1.529498
8 Minimum -2.185102
Std. Dev. 0.698636
6
Skewness -0.280815
Kurtosis 3.265451
4
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
5. Variance, measured, for example, by squared returns, display positive correlation

with is own past. This is more evident at short horizon such as daily or weekly.
(
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
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.
Fig. 6A-B. Scatter diagram: squared versus daily EUR/JYR Returns

6A (left) Positive returns and 6B, (right) Negative.
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
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

Tema1 V1

Cargado por

Información del documento

Título original

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

Tema1 V1

Cargado por

Copyright:

Formatos disponibles

Medición de Riesgos

◦ Dirección de email es: juanangel@ccee.ucm.es

Recordad Sesión EIKON 24 de septiembre de 2018!!!!

 GRETL is an acronym for Gnu Regression Econometrics and Time-series Library

 open the pdf version of the manual

 open the operating system default calculator.

 Can be downloaded from http://gretl.sourceforge.net and installed on your personal computer

Objetivos del Curso

Complutense University of Madrid

 1. Tipos de riesgo: de mercado, de liquidez, de contraparte, operacional.

Tema 1, “Algunas Cuestiones Previas” de las notas de Medición de Riesgos Financieros, y

 Christoffersen, Elements of Financial Risk Management, Academic Press, 2003.

 Novales Cinca, Alfonso (XXXX), Medición de Riesgos Financieros.

 Peña (2002), La gestión de riesgos financieros de mercado y crédito.

RIESGO DE CAMBIO DE PRECIO DE LAS ACCIONES

RIESGO DE TIPOS DE INTERES

RIESGO DE TIPOS DE CAMBIO

ENTORNO VOLATIL: mercado de acciones, bonos y tipos de cambio.

CRECIENTE ACTIVIDAD FINANCIERA.

Extraordinarios avances en la TECNOLOGÍA DE LA INFORMACIÓN.

… Breve historia de las distintas formas de medir el Riesgo:

Tipos de riesgos : Medidas simétricas y asimétricas

Sam L. Savage (2009), The Flaw of Averages

Resultado esperado A short sale has a limited gain potential, but an

2.- Rentabilidades aritméticas y logarítmicas

Rendimientos logarítmicos, compuestos o geométrico:

2.- Rentabilidades aritméticas y logaritmicas

Rendimientos logarítmicos y desviación típica de los rendimientos anulizada:

ranual = (1 + 0.02 ) − 1 = 0.268 (26,8%).

Desviación típica anualizada:

2.- Rentabilidades aritméticas y logarítmicas

Principles of Econometrics, 3rd Edition

-The change in the dollar value of the euro was :

-Thus, the euro depreciated against the dollar by 13.6%

-The change in the euro value of the dollar was :

-Thus, the dollar appreciated against the euro by 13.6%

Una variable aleatoria X definida en ( Ω, ℑ P ) es una función X : Ω → ℜ

Momentos poblacionales y muestrales

2. para cada para de observacione (xi, yi) (xj,

Comparamos coeficientes de correlación Pearson y Spearman

El valor de la función cuantílica de X a un punto p, se define por el cuantil p más pequeño de X

Percentil: divide la distribución en 100 partes.

Valores esperados de funciones de variables aleatorias:

Figura 1. Distribution con diferentes varianzas

Valores esperados de variables aleatorias:

Distribuciones de Probabilidad relevantes

var[V ] = var  χ(2m )  = 2m

Figure 5. The chi-square Probability Density Function

Distribuciones de Probabilidad relevantes (Tema 2 notas Novales)

Se suele suponer que el precio de las

Distribuciones de Probabilidad relevantes

 Limitaciones al usar la desviación típica como medida de riesgo

From highest to lowest peak ():

red, kurtosis 3, Laplace (D)ouble exponential distribution.

Negative skew (Asimetría Negativa o a la izquierda): The left tail is

Mean < Median < Mode

Positive skew (Asimetría Positiva o a la Derecha): The right tail is longer

Mean > Median > Mode

1- Monotonicity (Monotona): X1, X2 such that X1 X2 we have thaT X2 ) X1)

Variance vs Standard Deviation: sd(X)=

1- Monotonicity (Monotona): X1, X2 such that X1 X2 we have that X2 ) X1)

3- Sub – additivity: if X1, X2 then X1 +X2) X1) + X2)

���X1 +X2)� � �Sd�X1� + Sd�X2���

��X1 +X2)� � �Sd�X1� + Sd�X2��