Clase #6. Noviembre 11, 2019.

Introducción al riesgo de mercado y

VaR

Objetivo: iniciar la discusión sobre riesgo de mercado y analizar las principales

herramientas utilizadas para analizarlo

1. Riesgo de mercado

El riesgo de mercado es el que emana de la posibilidad de perder dinero a partir de

movimientos desfavorables en el mercado. En otras palabras, es el riesgo de perder
dinero porque el valor percibido de un instrumento cambió; por ejemplo, cuando los
inversionistas no están dispuestos a pagar un cierto precio por la acción de una
compañía.

Existen varios métodos para medir riesgo de mercado:

 Análisis de sensibilidad
 Análisis de estrés
 Análisis de escenarios
 Capital Asset Pricing Model (CAPM)
 Value at Risk (VaR) – lo discutiremos por separado

Cada uno de ellos se analiza a continuación.

2. Análisis de sensibilidad

El análisis de sensibilidad mide el cambio en el precio de un bien como resultado de

variaciones en alguna variable clave. En términos generales se calcula la primera
derivada del precio con respecto a la variable de análisis.

 Análisis de sensibilidad para bonos. El único factor de riesgo real para un bono
es la tasa de interés (aunque en bonos hipotecarios también influye el prepago).
Si denotamos el valor de un bono como V, entonces:

Ct
V 
 1 i
t

Con lo cual la sensibilidad a cambios en la tasa de interés es igual a:

dV t  Ct
   Duration$
1 i
t 1
di

Es decir, la sensibilidad del valor de un bono a cambios en la tasa de interés es igual al

negativo de la duración-dólar del bono. Como recordatorio, el concepto de duración
tiene una interpretación intuitiva. Si por ejemplo un bono tiene una duración de siete,
entonces el valor del instrumento declina en siete por ciento si las tasas de interés

1
aumentan en uno por ciento (la duración-dólar es simplemente la duración multiplicada
por el valor del bono).

2
En muchas publicaciones y software se utiliza el término PVBP o DV01 para denotar la
duración:

PVBP = DV01 = -Duration$ x 0.0001

DV01 se debe interpretar como el valor presente de un cambio en las tasas de interés de
un punto base.

 Análisis de sensibilidad para acciones. La pregunta que habitualmente realizan

los inversionistas es en qué medida cambia el valor de su portafolio cuando varía
el precio de una acción que lo conforma. En la práctica esto es difícil dada la
correlación entre el valor de las acciones. La solución es derivar una
metodología a partir del cambio en el valor de una acción como resultado del
cambio en el mercado. Sabemos por CAPM que este cambio se denomina β. El
valor de la acción se puede describir como una función del valor actual de la
acción (S0) más β veces el cambio en el mercado más un factor aleatorio
idiosincrásico:

S = S0[1+ βm + ε]

La sensibilidad del valor de la acción respecto al cambio en el portafolio es igual a:

S
 S0 
m

Que extrapolado al resto del portafolio genera:

VP P
  N k S k ,0  k
m k 1

En donde Nk es el número de acciones que se tienen de la empresa K y VP es el valor del

portafolio total.

 Análisis de sensibilidad para opciones. La práctica financiera suele determinar

el valor de una opción a través de la fórmula de Black-Scholes. Para una opción
de compra (call), el valor de la opción es:

 S    
2
  S    
2

 ln  
  r  T   ln  
  r  T 
X   2    Xe  rT  N   X   2 
C  SN 
  T    T 
   
   

En donde X es el strike, S es el spot, T es el tiempo para maduración, r es la tasa de

interés libre de riesgo y σ es la volatilidad anual del bien subyacente.

3
La sensibilidad de una opción se basa en la diferenciación de la fórmula de Black-
Scholes con respecto a las variables de análisis. El resultado se conoce como los
“griegos” debido a que se simbolizan con las letras griegas delta (Δ), gamma (Γ), vega
(ν), theta (θ) y rho (ρ):

 Delta es la primera derivada de la opción respecto al precio del subyacente

 Gamma es la segunda derivada del precio con respecto al precio del subyacente
 Vega es la derivada del precio respecto a la volatilidad implícita
 Theta es la derivada del precio respecto al tiempo
 Rho es la derivada del precio respecto a la tasa de interés

El cambio en el valor de una opción se puede aproximar con base en los griegos y el
cambio en los factores de mercado:

δV ≈ Δ x δS + 0.5Γ x S2 + ν x δσ + ρ x δr + θ x δT

3. Análisis de estrés

Los análisis de sensibilidad presentados en la sección 2 se aplican primordialmente a

cambios pequeños en las variables que determinan precio. Sin embargo, en ocasiones es
relevante determinar el posible impacto a un portafolio cuando los cambios grandes (por
ejemplo una crisis). Dado que la derivada es una aproximación lineal, genera malos
estimados cuando se intenta conocer el efecto de movimientos “lejanos” al valor actual.
La metodología que se usa en estos casos es el análisis de estrés. Una pregunta típica
que se resuelve con esta metodología es “¿cuál sería el valor de mi posición si las tasas
de interés cambian en 2, 4 y 6 puntos porcentuales?”. Los análisis de estrés siguen seis
pasos:

1. Determinar el conjunto de factores que podrían afectar el valor del portafolio.

Por ejemplo, la siguiente ilustración muestra el crecimiento de la economía
estadounidense junto con las pérdidas en tarjeta de crédito de 1985 a 2001

4
 CREDIT CARD CHARGE-OFFS vs. GDP GROWTH
(1985-2001)
Charge-Offs GDP Growth
6%

8%
Annual Growth in GDP

5%

6%

4% Average GDP Growth

4%
3%
Charge-Offs

2% 2%
1985 1987 1989 1991 1993 1995 1997 1999 2001

5
 2. Decidir cuáles factores se deben agrupar y cuáles se deben tratar de manera
independiente. Por ejemplo, si se quiere analizar el efecto de cambios en el valor
de un portafolio internacional como resultado de cambios en los tipos de cambio
puede ser apropiado agrupar las monedas por región, especialmente si no
representan una parte significativa del portafolio
3. Decidir qué nivel de cambio es apropiado para cada factor. En la práctica se
intenta medir el efectos de cambios de entre cuatro y seis desviaciones estándar
de los movimientos promedio diarios
4. Aplicar los movimientos y medir el resultado. La siguiente gráfica muestra una
distribución de pérdidas con base en múltiples escenarios macroeconómicos
Level of Losses
GDP $MM
Multiple
Scenarios
90% Chance
of Losses
Being Within
This Range

Best
Forecast

Today

Time Probability of
Losses Being
at a Given
Level
5. Reevaluar todas las posiciones afectadas por cada factor de riesgo. Por ejemplo,
un cambio en tipo de cambio impacta posiciones de inversión, futuros, swaps,
etc.
6. Elaborar un reporte que presente adecuadamente los resultados, como se muestra
en la siguiente gráfica:

6
 Análisis de estrés: impacto del valor de acciones

15.0

10.0

5.0
Cambio en valor portafolio ($)

0.0
-30% -20% -10% 0% 10% 20% 30%
-5.0

-10.0

-15.0

-20.0

-25.0
Cambio en valor acciones

7
El análisis de estrés suele presentarse en los reportes regulares que producen los comités
de riesgo. Por lo general se analiza el impacto de cientos de variables. La más
importante es la curva de tasas de interés (yield curve), que puede presentar tres tipos de
variación: traslación (todos los rendimientos aumentan o disminuyen por el mismo
valor), rotación (suben los rendimientos mayores – o menores – a un cierto valor y
viceversa) y flexión (suben en unas partes y bajan en otras si “monotonía”.

% Traslación % Rotación % Flexión

Madurez Madurez Madurez

El análisis de estrés tiene muchas ventajas pero también algunas desventajas:

1. Se generan datos sin ninguna forma de priorización predeterminada, con lo que

pueden “ocultarse” los problemas más graves
2. El movimiento en los valores de los factores de riesgo no necesariamente está
correlacionado con su probabilidad de ocurrencia (que a su vez es difícil de
calcular)
3. Se asume implícitamente que la correlación entre los movimientos de los
factores de riesgo es 0 ó 1; es decir, que se mueven independientemente o en
paralelo. Esto podría enmascarar pérdidas si éstas se derivan de movimientos
con correlaciones diferentes a los extremos.

Por otro lado, es común que las instituciones cometan algunos errores al realizar sus
análisis de estrés:

 Complejidad excesiva. Los modelos simples son más fáciles de construir,

administrar e interpretar
 Disponibilidad de datos. No sirve construir un modelo que no se puede calibrar
adecuadamente; más aún, pueden haber anomalías no detectadas en los datos
que conducen a conclusiones erróneas
 Modelación mal especificada. Formas funcionales inapropiadas para todo el
rango de análisis e interacciones entre variables no capturadas
 Errores estadísticos. Descuidos básicos como multi-colinealidad, raíces
unitarias (falta de estacionariedad), etc.

8
4. Análisis de escenarios

El análisis de escenarios es un caso especial del análisis de estrés en el que se analiza lo

que ocurriría con el portafolio si fuera sometido a un escenario real o al menos posible
(pero normalmente catastrófico). Una pregunta habitual es “¿cómo nos afectaría una
situación similar a la crisis asiática?”, o “¿qué pasaría si China incurre en default?”.

Regularmente las instituciones financieras analizan entre 5 y 10 escenarios que son

significativos para ellos con base en tres fuentes: crisis previas, el portafolio actual y la
opinión de expertos (como la jefatura del escritorio, economistas, etc.).

La siguiente gráfica muestra el resultado de un análisis de escenarios en el que se está

probando el impacto sobre capital de ocho diferentes situaciones:

Scenario

Zero / Severely Negative/

Safe negative Regulator Insolvency
profit Involvement
1

- 10 20 30 40 50
Loss Impact ($ BN)

El procedimiento de análisis es similar al del análisis de estrés, y al igual que éste, tiene
algunas desventajas:

1. Es complicado y costoso si se hace de manera adecuada

2. Por lo mismo, es difícil probar muchos escenarios (o tantos como en ocasiones
se quisieran probar)
3. Los parámetros utilizados para determinar el escenario son arbitrarios y
frecuentemente pasados de moda (responden a una realidad económica y de
mercado que ya no es relevante y cuya actualización es complicada)
4. La selección de escenarios puede implicar un conflicto de interés, pues la
persona que corre los riesgos suele ser la mejor capacitada para describir los
escenarios

9
5. Capital Asset Pricing Model, CAPM

Es un modelo que describe la relación entre riesgo y retorno de un instrumento. CAPM

describe el retorno esperado de un activo como función de la tasa libre de riesgo, el
rendimiento promedio del mercado y la correlación entre el movimiento del mercado
con el activo:
r = rf + β (rm – rf)

En donde rm y rf son el retorno del mercado y el retorno libre de riesgo, respectivamente

y β del instrumento i se define como:

βi = σim / σm2

En donde σim es la covarianza entre el retorno de la acción i con el mercado, y es la

varianza del retorno del mercado. CAPM es uno de los modelos más populares de las
finanzas y dado que involucra simultáneamente retorno con riesgo tiene mucho poder
descriptivo y predictivo.

6. Value at Risk, VaR

VaR es una medida de riesgo de mercado que intenta combinar la sensibilidad de un

portafolio a los cambios del mercado con la probabilidad de un cambio específico en el
mismo. Discutiremos VaR a lo largo de las siguientes clases, pues aunque tiene una
serie de limitaciones importantes, es posiblemente la mejor métrica individual para
medir este tipo de riesgos. VaR es la métrica escogida por el Comité de Basilea para la
medición y capitalización de riesgos de mercado.

VaR se define como el monto que se puede esperar perder durante una fluctuación de
mercado severa y adversa. Típicamente una pérdida severa se describe como aquélla
que tiene una probabilidad de ocurrencia de 1% en un día determinado. Esto es
equivalente a decir que “en promedio un portafolio perderá un monto de VaR o más dos
o tres veces por año”. VaR se puede calcular a nivel de instrumento, portafolio o
institución financiera.

Por lo general se asume que los retornos se distribuyen normalmente, con lo cual una
probabilidad de 1% equivale a 2.32 desviaciones estándar. Por ello, si se asume una
distribución normal, un VaR al 99% se define como:

VaRT = 2.32 σT

Esto se ilustra en la siguiente gráfica:

10
11
En donde T es horizonte temporal, que puede ser un día (usado por los traders y
denominado comúnmente DEaR o Daily Earnings at Risk) o cualquier otro. Para
efectos de capital económico se suele utilizar un año. Preguntas para discusión: ¿cuál
es la intuición de VaR?, ¿por qué es importante el comportamiento de un instrumento en
un solo día?, ¿qué grupos de negocio hacen las preguntas relevantes sobre VaR.
Ejemplo. La gráfica a continuación muestra la distribución de los rendimientos diarios
de General Electric a lo largo del tiempo. Aún cuando la distribución no es exactamente
normal, se puede asumir por practicidad.

Distribución del rendimiento diario de GE, diversos periodos

60%

50%

Todos
40%
2010-
2008-2009
30% 2000-2007
90s
80s
20%

10%

0%
-20% -16% -12% -8% -4% 0% 4% 8% 12% 16% 20%

Asimismo se muestra a continuación la distribución de los rendimientos diarios de GE y

de GOOG desde inicios del 2010.

Distribución de rendimientos diarios, GOOG y GE

2010 - a la fecha (mar22’11)
50%

45%

40%

35%

30%
GOOG
25% GE

20%

15%

10%

5%

0%
-12% -10% -8% -6% -4% -2% 0% 2% 4% 6% 8% 10% 12%

12
El rendimiento diario promedio de Google en el periodo es de -0.01% (no ha sido un
buen periodo para la compañía) y su desviación estándar de 1.67%. Para GE estos
valores son 0.113% y 1.72%.

La siguiente tabla muestra el VaR de un portafolio invertido al 100% en cada una de las
acciones (con diferentes probabilidades). El periodo de muestra es de inicios del 2010 a
la fecha:

VaR Mult Días GE GOOG

90% 1.28 25 2.03% 1.79%
95% 1.64 12.5 2.82% 2.44%
99% 2.33 2.5 4.50% 4.56%
99.5% 2.58 1.25 4.82% 6.28%
99.9% 3.09 0.25 5.59% 7.40%

Días se refiere al número de días de trading en los que se espera perder el monto
porcentual de VaR (asumiendo 250 días al año). En otras palabras, si un inversionista
tiene $1 millón de pesos en un portafolio de acciones de Google, debe esperar perder
como mínimo $45.6 miles en 2.5 días cada año.

Preguntas para discusión: ¿cómo interpretan los números de la tabla anterior?, ¿se
preocuparían si fueran inversionistas al verlos?, ¿qué tipo de decisiones se derivan del
análisis de la tabla?, ¿cómo se relaciona el primer momento de la distribución de
retornos con VaR?, ¿cuál es el percentil más relevante?

Es posible escalar VaR a otros horizontes temporales partiendo del VaR de un día (o
DEaR). Como VaR se basa en la desviación estándar es necesario multiplicar por la raíz
cuadrada del número de días:

VaRT = VaR1 x T ½ = DEaR x T ½

Para que esta relación se cumpla es necesario que:

1. Los retornos se distribuyen normalmente

2. DEaR es constante en todo el periodo de análisis
3. No haya autocorrelación entre los retornos

7. Métodos para calcular VaR

Existen tres métodos para calcular VaR: el paramétrico, el de simulación histórica y el

de simulación de Monte Carlo. Cada uno de ellos presenta diferentes ventajas y
desventajas. Los describiremos a continuación:

VaR paramétrico. También conocido como VaR lineal, VaR de varianza-covarianza, o

VaR delta-gamma. Asume que la distribución de los retornos es normal y para
determina el VaR utiliza la varianza (y covarianza) como parámetros. Se le denomina
lineal pues asume que los cambios en los valores de los instrumentos son lineales
respecto a cambios en los factores de riesgo. El método consiste en:

13
  Definir los factores de riesgo que permiten determinar el valor del portafolio
 Encontrar la sensibilidad de cada instrumento a los factores
 Determinar la desviación estándar de los cambios y la correlación entre ellos
 Determinar la desviación estándar del portafolio a través de multiplicar las
sensibilidades por las desviaciones estándar
 Asumir normalidad y multiplicar la desviación estándar del portafolio por el
factor correspondiente

Ejemplo: supongamos que un banco mexicano (que opera en pesos, $) tiene un bono
emitidos por el gobierno de Francia (en euros, €). Asumamos que el bono es un
“bullet”; es decir, paga un solo flujo CE en un plazo t. Por lo tanto, el valor presente del
bono en pesos es igual al valor presente del bono en euros multiplicado por el tipo de
cambio (FX):

CE
VP$  FX  VPE  FX 
 1  iE 
t

Nótese que hay dos factores de riesgo: la tasa de interés iE (en euros) y el tipo de
cambio. La sensibilidad del valor del bono respecto a cambios en las tasas de interés es
igual a:

VP$ tCE
 FX 
 1  iE 
t 1
iE

Con lo que el cambio de valor del instrumento es igual a la sensibilidad de cambio

multiplicada por el cambio en la tasa de interés:

tCE
VP$  FX   iE
 1  iE 
t 1

Siguiendo el mismo proceso, el cambio de valor del instrumento respecto a cambios en

el tipo de cambio es igual a:

CE
VP$  FX 
 1  iE 
t

El cambio total es igual al cambio como función de los cambios individuales de cada
factor:

CE tCE
VP$  FX   FX   iE
 1  iE   1  iE 
t t 1

Por simplicidad, denotemos la sensibilidad a cada factor como si y sFX. Cada uno de los
factores puede generar pérdidas para el bono. Además existe una correlación entre los
cambios en el tipo de cambio con los cambios en la tasa de interés. Nótese además que

14
ambos cambios son realmente variables aleatorias cuyas varianzas se pueden estimar
con base en información estadística.

Como VaR es una medida basada en cambios en un día, entonces si FXt es el tipo de
cambio en un día específico, t:

FX  FX t  FX t 1

Y la varianza es:

1 N
  FX 
2
 FX
2

N  1 t 1

De manera similar la varianza para ΔiE es igual a:

1 N
  iE ,t 
2
 i2E 
N  1 t 1

Y la correlación entre ambas variables es entonces igual a:

 N 
1 
iE ,t FX 
 FX ,iE   t 1

N  1   i2E  FX 2

 
 

Las ecuaciones anteriores permiten determinar la varianza del valor del bono:

 P2   S FX   FX   2  FX ,iE  S FX   FX   SiE   iE    SiE   iE 

2 2

VaR es simplemente igual al multiplicador (por ejemplo 2.58 para una probabilidad del
99.5%) multiplicado por σP.

Cuando el valor del portafolio, V, depende de N factores de riesgo, y si dN es la parcial

de V respecto a al N-ésimo factor:

V
dN 
f N

El VaR para el portafolio es igual a (MP es el multiplicador dada la probabilidad p):

N N
VaR p  M p     S    S   
i 1 j 1
i, j i i j j

Esta ecuación también se puede expresar de forma matricial. Si D es el vector de

sensibilidades respecto a cada factor y C es la matriz de varianza-covarianza de los

15
 factores de riesgo (en la diagonal están las varianzas, (σi)2 y en el resto las covarianzas,
σi σjρi,j), entonces:

VaR p  M p D  C  DT

Si por ejemplo el banco mexicano adquiere un bono al 4.5% por €10,000 pagable en
una sola exhibición dentro de 3 años, entonces:

 Flujo, CE = €10,000
 Plazo, t = 3 años
 Tasa de interés, iE = 4.5%
 Desviación estándar de la tasa de interés, σiE = 0.40% (supuesto)
 Tipo de cambio MXN/EUR = 16.5
 Desviación estándar del tipo de cambio, σFX = 0.5 (supuesto)
 Correlación entre el tipo de cambio y la tasa de interés = -0.3 (supuesto)

Aplicando las fórmulas ilustradas en esta sección:

VP$ = $144,589
dFX = 8,025
diE = -415,088
VaR95% = $7,840
VaR99% = $11,138
VaR99.5% = $12,333

El valor de VaR es altamente dependiente de los parámetros utilizados para su cálculo,

por lo que la muestra seleccionada para parametrizarlo es crítica. Las siguientes gráficas
muestran el valor de VaR al 99% del bono en el ejemplo como función de cambios en el
coeficiente de correlación y en la desviación estándar de la tasa de interés del bono.

VaR99 como función de la correlación VaR99 como función de sigma iE

$14,000 $14,000

$13,000 $13,000

$12,000 $12,000

$11,000 $11,000
VaR99

VaR99

$10,000 $10,000

$9,000 $9,000

$8,000 $8,000

$7,000 $7,000

$6,000 $6,000
-100% -80% -60% -40% -20% 0% 20% 40% 60% 80% 100% 0.00% 0.10% 0.20% 0.30% 0.40% 0.50% 0.60% 0.70% 0.80%
Correlación Sigma iE

Por lo general las instituciones financieras automatizan su cálculo de VaR a través de

métodos parámetricos y lo ejecutan durante la noche a través de un proceso batch. Una
de las ventajas de hacer esto es ser capaces de detectar problemas de manera temprana,

16
particularmente de posiciones que se mueven rápidamente (como muchos derivados).
Por otro lado, se acostumbra limitar el VaR que un solo empleado puede generar; cada
día se les comunica “cuánto llevan” y “cuánto les queda”.

El problema de calibración y computación que surge de la necesidad de medir VaR cada

día no está completamente resuelto. La metodología más común es realizar un cálculo
incremental, en el que durante la noche se calculan las matrices de covarianza y los
vectores de sensibilidad para todas las posiciones de la institución. Esta matriz y
vectores a su vez se les dan a todos los empleados relevantes al proceso para que
calculen el VaR de cualquier posición nueva que quieran tomar.

Preguntas para discusión: ¿a qué se refiere el hecho de que este método es lineal?, ¿qué
tipo de limitaciones prácticas tiene este hecho?, ¿en qué medida es crítica su velocidad
computacional?

8. Método de simulación histórica para calcular VaR

El método de simulación histórica toma la información de mercado de los últimos 250

días y calcula el cambio porcentual de cada factor de riesgo en cada día. Cada cambio
porcentual se multiplica por los valores de mercado actuales para generar 250
escenarios de valores de mañana. Cada uno de estos escenarios genera un valor de
portafolio con base en modelos que no son necesariamente lineales. El VaR es
equivalente a la n-ésima peor observación (por ejemplo, para el 99% es la tercera peor).

Supongamos por ejemplo que un inversionista tiene el bono tipo bullet discutido
anteriormente, pero en esta ocasión está emitido en pesos (para simplificar el elemento
FX). El factor de riesgo en este caso es únicamente la tasa de interés, i. El cambio en el
factor riesgo está por lo tanto definido como:

it 1  it
t 
it

Cada uno de estos cambios se usa para generar los escenarios de tasa de interés de
“mañana” a partir de la tasa de interés de “hoy”:

iescenario ,k  ihoy   1   t 

Cada uno de estos escenarios se aplica al valor del portafolio, en este caso el bono:

CF
Vk 
1 i 
t
escenario , k

Con lo que el cambio en el valor del portafolio es igual a la diferencia entre el valor
pronosticado y el valor actual:

Vk  Vescenario , k  Vhoy

17
Este método es conveniente porque su simplicidad hace que sea fácil de comunicar.
Además no es necesario asumir que los cambios en los factores se comportan con base
en ninguna distribución de probabilidad predefinida. Sin embargo, tiene también
desventajas. La principal es que los resultados están típicamente dominados por datos
provenientes de una crisis reciente; es decir, este método está severamente sesgado por
el pasado: la institución se está preparando para la crisis anterior pero no contra la
siguiente. Por otro lado el análisis depende significativamente en el horizonte temporal
utilizado para la muestra. Utilizar 250 días puede ser miope; por ejemplo, si hubo una
crisis hace 251 días, el VaR cambia dramáticamente de un día a otro.

9. Método de simulación Monte Carlo para calcular VaR

En este método VaR se estima a través de crear aleatoriamente múltiples escenarios

para los factores de riesgo utilizando modelos (no lineales) para estimar el cambio en
valor de cada escenario y después determinar el VaR con base en los peores resultados.
A diferencia del VaR paramétrico, utiliza modelos completos de precios y por ello
puede capturar el efecto de cambios no lineales. Genera también un número no limitado
de escenarios con lo que es posible probar muchas situaciones futuras. Sin embargo, el
método es computacionalmente intenso (y por lo tanto tardado), y a diferencia del
método histórico, asume una distribución preestablecida en los factores de riesgo.

El método asume que los factores de riesgo se comportan con base en una distribución
probabilística conocida. Por lo general se utiliza una distribución normal conjunta, que
es el mismo supuesto que se usa para el VaR paramétrico. El elemento de base es
determinar la matriz de covarianza de los factores de riesgo, pero a diferencia del
método paramétrico, la matriz se “descompone” para asegurar que los factores de riesgo
estén correlacionados en cada escenario. El método calcula los precios de mañana con
base en los escenarios (con modelos no lineales) aplicados sobre el precio de hoy. Para
bonos, por ejemplo, la utilización de un método no lineal significa que el cambio en el
valor del instrumento se determina con base en la ecuación de valor y no con base en
duración. Para opciones implica que se usa Black-Scholes y no los griegos.

El VaR es el n-ésimo peor resultado de todos los escenarios. Por ejemplo, si el VaR de
interés es el 99.5% y se calcularon 10,000 escenarios, el VaR es el quinto peor
resultado.

El “meollo del asunto” es descomponer la matriz de una forma que permita crear
escenarios aleatorios con la misma correlación que la información histórica revela. Por
ejemplo, en el ejemplo de VaR paramétrico asumimos una correlación de -30% entre el
tipo de cambio euro-peso y la tasa de interés en euros. Esto implica que cuando el tipo
de cambio sube, la tasa de interés baja. Una forma de interpretar esto es que el 30% del
cambio en tasas de interés está determinado por el cambio en el tipo de cambio.

Si por ejemplo hay dos factores de riesgo, es posible de manera simple crear números
aleatorios correlacionados:

 Obtener un número aleatorio, z1, con base en una distribución normal

 Multiplicar z1 por la desviación estándar del primer factor de riesgo, fA, (σAz1) y
por otro lado por la correlación con el segundo factor de riesgo (ρA,Bz1)
 Obtener un segundo número aleatorio, z2

18
  Multiplicar por 1 menos la raíz de la correlación al cuadrado, lo que genera un
número aleatorio y que tiene desviación estándar de 1 y correlación ρA,B con fA

y  z1  A, B  z2  1   A2 , B

 Multiplicar y por la desviación estándar del segundo factor de riesgo σB, para
crear fB, con lo que se generan dos ecuaciones (una para cada factor):

 
f B   B z1  A, B  z2  1   A2 , B , z2  N  0,1

Este método no se puede utilizar cuando hay más de dos factores de riesgo (¿por qué?).
La solución es descomponer la matriz de covarianza a través del método de Cholesky o
el método de eigenvalores:

 Método de Cholesky. Consiste en encontrar la “raíz cuadrada” de la matriz de

covarianza, C; es decir, hay que encontrar la matriz A: C = ATA. A tiene que ser
triangular superior, por lo que este método únicamente funciona si la matriz de
covarianza es positiva definida (es decir, sus eigenvalores deben ser todos
positivos). Una vez que se obtiene la matriz A, se genera un vector Z de números
aleatorios independientes, cada uno distribuido con base en una normal estándar.
El producto de A por Z, que denominaremos F contiene factores de riesgo que
están correlacionados de acuerdo con la matriz de covarianza original.
 Método de eigenvalores. Es más complejo computacionalmente que el método
de Cholesky, pero se puede utilizar para (casi) cualquier matriz. El método
consiste en encontrar dos matrices, E y Λ tales que: C = ETΛE, en donde Λ es una
matriz cuadrada con ceros fuera de la diagonal principal y E es una matriz que
cuando se multiplica por su transpuesta genera la matriz identidad. A su vez
podemos expresar a C como el producto de una matriz B tal que C = BTB, en
donde
B = Λ½E. De manera similar al método de Cholesky, generamos el vector F con
factores de riesgo al multiplicar Z por B.

Tomemos como ejemplo el bono europeo adquirido por un banco mexicano que
discutimos en la clase anterior. En este bono:

 Flujo, CE = €10,000
 Plazo, t = 3 años
 Tasa de interés, iE = 4.5%
 Desviación estándar de la tasa de interés, σiE = 0.40% (supuesto)
 Tipo de cambio MXN/EUR = 16.5
 Desviación estándar del tipo de cambio, σFX = 0.5 (supuesto)
 Correlación entre el tipo de cambio y la tasa de interés = -0.3 (supuesto)

La matriz de varianza-covarianza es:

 0.25 0.0006 
C 
 0.0006 0.000016 

19
Y la matriz de Cholesky, A, es:

0.5 0.0012 
A 
 0 0.00381

20
Con lo cual el vector F queda como:

0.5 0.0012 
F  ZA   z1 z2      0.5 z1 0.0012 z1  0.00381z2 
 0 0.00381 

Las ecuaciones de cambio en los factores de riesgo, F, nos permiten determinar el valor
del portafolio si el factor de riesgo hubiera cambiado por ese monto. Por ejemplo, si los
números aleatorios z1 y z2 fueran -0.2 y 0.8, entonces sabríamos que el tipo de cambio en
el primer escenario bajó de 16.5 a 16.5 + (0.5 x -0.2) = 16.5 – 0.1 = 16.4. De manera
similar, la tasa de interés hubiera cambiado de 4.5% a 4.5% + (-0.0012 x -0.2 + 0.00381
x 0.8) = 4.5% + 0.3288% = 4.8288%. Finalmente, el valor del bono hubiera cambiado
de $144,589 pesos a $142,365 pesos, es decir, una diferencia de pesos. VaR es
simplemente la (1-p)% peor observación del total de simulaciones.

El procedimiento es el mismo si se utiliza el método de eigenvalores. Sin embargo,

noten que los resultados no serán los mismos aunque se utilicen los mismos números
aleatorios.

10. Los tres métodos en perspectiva

Cada uno de los métodos que discutimos tiene ventajas y desventajas. En la práctica los
más utilizados son el paramétrico y el de Monte Carlo. El primero se usa para cálculos
simples y rápidos (“back of the envelope”). El segundo para análisis más robustos a
nivel portafolio que exigen incorporar no-linealidad. La tabla a continuación resume sus
ventajas y desventajas.

Paramétrico Sim Histórica Sim Monte Carlo

Velocidad de cómputo Alta Baja Muy baja
Habilidad para capturar no-linealidad Nula Alta Alta
Habilidad para capturar no-normalidad Nula Alta Baja
Independencia de la base de datos Media Baja Media

11. Limitaciones de VaR

VaR es todavía una de las herramientas de medición de riesgo más importantes y

populares. Todas las instituciones financieras lo reportan de manera regular con niveles
de granularidad cada vez más altos. Sin embargo, como muchos modelos de uso
popular, ha sido frecuentemente criticado. Los argumentos más citados son:

 El adecuado cálculo de la probabilidad de eventos raros requiere mucha

información. Por lo tanto los modelos son irrelevantes en el sentido práctico,
pues pueden predecir eventos raros, pero no los que verdaderamente ponen en
peligro a una institución financiera. En otras palabras, VaR es muy impreciso
para niveles de riesgo mayores al percentil ~99

21
  “No todo es normal”. El uso de distribuciones normales es cómodo pero no
suficiente para caracterizar de manera efectiva el riesgo al que realmente está
sometida una institución. Más aún, VaR asume que las varianzas y correlaciones
entre los factores de riesgo son estables. En ocasiones se intenta parametrizar la
distribución de varianza-covarianza como función de factores exógenos; sin
embargo, es prácticamente imposible tener datos para hacerlo de manera
consistente
 VaR capta riesgo pero no retorno, y asociarlo con medidas de éste es
frecuentemente poco intuitivo (“cada unidad de VaR nos genera $x”)
 No toma en cuenta el peligro de tener posiciones ilíquidas, que es una fuente
importante de riesgos de mercado

12. Tarea

El artículo anexo se publicó en The Economist el 1o de noviembre del 2007. Aunque en

retrospectiva todo es obvio, incluyendo la crisis, este artículo sugiere que había muy
buenas razones para pensar que las acciones tomadas para evitar problemas mayores
estaban siendo tímidas e insuficientes. Conforme lo leen piensen en el concepto de VaR,
en cómo pudo ser utilizado más eficientemente, y en la forma en la que se tendrían que
haber establecido los incentivos para asegurar que realmente la administración de
riesgos impactara al resto de la organización.

Loss leaders
Nov 1st 2007 | FRANKFURT AND NEW YORK
From The Economist print edition

The costs of the credit crunch mount. There may be more pain to come

“THIS time it's different” are

the four most expensive words
in the English language, runs a
saying among bankers. So it has
proved at Merrill Lynch, an
American investment bank
which is ruing a stampede into
collateralised-debt obligations
(CDOs) and other subprime
mortgage-linked nasties.

Never mind that most of its CDOs were “super senior” and supposed to be relatively
safe. On October 24th the Thundering Herd's senior bulls sheepishly announced write-
downs of $7.9 billion on Merrill's mortgage holdings, $3.4 billion more than the bank
had estimated only 19 days before. This tipped Merrill into loss. After a few days' testy

22
deliberation, the board tipped its chairman and chief executive, Stan O'Neal, through the
nearest window.

23
The $161.5m that Mr O'Neal grabbed on his way out will no doubt encourage would-be
successors to step forward. But the new boss will be taking over at an unenviable time.
The mortgage crisis has done more than $27 billion-worth of damage to capital-markets
businesses so far. With the value of subprime securities still falling, that number could
rise dramatically when fourth-quarter results are unveiled. Hopes that banks would be
able to put the worst behind them in a single bad quarter have been dashed. Several
bosses, including Citigroup's Chuck Prince, are under enormous pressure to steady the
ship.

Big differences in the quality of risk management have become apparent. Merrill's
controls were left in the dust as it ramped up its trading bets. Mr O'Neal sacked a senior
fixed-income executive who had rung alarm bells last year. The board ignored a
warning in April. By contrast, Goldman Sachs and (to a lesser extent) Lehman Brothers
appear to have minimised damage through tight oversight and shrewd hedging.

But analysts think Goldman must also have taken some huge gambles to raise third-
quarter profits in a difficult market (and despite a $1.5 billion write-down). That happy
result may have had as much to do with luck as skill, thinks Roy Smith, a finance
professor and former Goldman partner. Remarkably, given the pummelling most banks
have taken, Goldman's share price is up by 24% this year. But it still trades at only
around ten times earnings, little more than half the average for the S&P 500. “Investors
will only pay so much for risk they can't see,” says Mr Smith.

In Europe too, they are struggling to penetrate the murk. UBS, the biggest Swiss bank
and long regarded as a leader in risk management, gave no better answers than any other
institution for calculating the future impact of the subprime crisis when it reported its
third-quarter results on October 30th. UBS's investment-banking division lost SFr4.2
billion ($3.6 billion) in the third quarter. The bank's value-at-risk, the amount it stands
to lose on a really bad day, has shot up (see chart). On 16 days during the quarter its
trading losses exceeded the worst forecast by its value-at-risk model on the preceding
day. It had not experienced a single such day since the market turbulence of 1998.

24
In a conference call to discuss the results, Marcel Rohner, UBS's chief executive, and
Marco Suter, chief financial officer, struggled to explain the methodology behind their
valuation of what seems to be a deteriorating portfolio of subprime securities. Reluctant
to give a worst-case assessment of UBS's exposures in future, the best they could do
was predict that the investment-banking division would not make a profit in the fourth
quarter. They also promised to de-emphasise proprietary trading and to make traders
think harder about their bets by raising the proportion of pay they receive in UBS
shares.

Down the Bahnhofstrasse, Credit Suisse managed rather better, recording a small profit
in investment banking despite big write-downs of its own. Germany's Deutsche Bank
has navigated its way through the credit storm more deftly too. Its third-quarter write-
offs, which were announced on October 31st, were nothing like those reported by
Merrill and UBS, and were in line with predictions. At €179m ($259m), the bank's net
loss in corporate banking and securities was modest. Deutsche's exposure to the
American mortgage market is more or less hedged; in fact the bank has a net short
position.

Nevertheless, investment bankers at Deutsche and Credit Suisse have relied on the
banks' “stable” businesses, such as wealth management and private banking, to keep
them afloat. The challenge facing them and their brethren is where next to find the juicy
returns that they enjoyed before the credit bubble burst. There is already a lot of talk
about commodities and currencies. Investments in distressed assets may also provide
ironic comfort. Lehman has just launched a $3 billion fund that will buy discounted
leveraged loans.

The more troubling question is how much more pain still lies ahead. Banks say they are
following guidelines put out by the big accounting firms when valuing lumpier assets,
but there is still plenty of room for subjectivity. It is possible that some banks will mark
their assets down too far, and will be able to mark them back up at a later date. Or it
may be that Merrill is using a more cautious methodology than other banks, and that
they will have to take big hits of their own. (Merrill itself is expected to write down
another $3 billion-5 billion in its fourth quarter.)

Auditors are urging the banks to mark assets to a “market price” that reflects recent
transactions, even if there have only been a couple of these. With some AAA-rated
CDOs trading at a mere 20 cents on the dollar, that can be painful (Deutsche Bank says
it sold or otherwise unloaded €9 billion-worth of CDOs in the third quarter but is coy
about saying how or at what price). Investors worry that banks will obscure the true
value of their assets, hoping that prices rise.

But all the signs are that prices have further to fall before buyers are tempted to step in.
Dilatory rating agencies are only now getting round to downgrading the most senior
CDO tranches. In America, credit-card defaults are ticking up, which will further hurt
asset-backed securities. Many subprime-linked instruments have become prohibitively
expensive to hedge. Mr O'Neal fell in a falling market, but perhaps nearer the top than
the bottom.

25