Clase08 PARA CAMBIAR A WORD

Tema 6.
Value at Risk
Gonzalo Encina T.
2021
Definición de VaR
El riesgo de mercado es la posibilidad de que se
produzcan pérdidas en el valor del portafolio explicado
por cambios en los precios de mercado.
Normalmente se consideran como factores de riesgo las

tasas de interés, tipos de cambio, renta variable y
commodities.
Este riesgo se debe medir y gestionar en frecuencia diaria

por parte de las Instituciones Financieras, para ello se
recurre a la metodología Value at Risk (VaR).
Página 2 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Origen de VaR: RiskMetrics
 Riskmetrics es un sistema de medición de riesgos que
desarrolló JP Morgan. Era una División de JP Morgan y se
consolido luego como una consultora independiente en
1998, en 2010 fue adquirida por MSCI.
 Probablemente es el sistema de medición de riesgo más

famoso y que más llamó la atención de los que se
desarrollaron en la década de los 70 y de los 80, cuando
numerosas instituciones financieras empezaron a
preocuparse por desarrollar este tipo de mediciones.

Origen de VaR: RiskMetrics
 Se cuenta que este sistema se originó por la demanda
del presidente de la compañía en aquella época,
Dennis Weatherstone, demandando un informe diario
que en una sola página resumiese el riesgo de pérdida
de la cartera de trading en las siguientes 24 horas. El
"Informe 4:15" respondió a esta demanda, integrando
el método del VaR desarrollado a este efecto

Concepto de VaR
El VaR corresponde a la máxima pérdida
esperada en un periodo dado de tiempo con un
nivel de confianza dado en circunstancias
normales de mercado.

Concepto de VaR
 El VaR entonces, corresponde a una medición
cuantitativa expresada en unidades monetarias, por ej.
5 millones.
 Además de que el VaR puede referirse a un día o a una

semana, el periodo de tiempo adoptado debiera
reflejar algún tipo de gestión, por ejemplo el tiempo
necesario para deshacer o cubrir una posición.

Concepto de VaR
 El nivel de confianza adoptado se atribuye al intervalo
de confiando y al nivel de riesgo asumido,
normalmente el 99%.
 Adicionalmente, es factible computar el VaR tanto

para una activo individual como para una cartera de
activos.

Concepto de VaR
 El VaR esta diseñado para evaluar el riesgo bajo condiciones
normales, esto es excluye los eventos anormales de crisis,
estos últimos pueden ser abordados a partir de otros
instrumentos (Stress Test).
 En los eventos de crisis, entonces, este tipo de

instrumentos pierden su capacidad de medir realmente el
riesgo asociado a una cartera de activos.
 Luego, VaR debe ser implementado en conjunto con Stress

Testing para abordar el riego asumido tanto en condiciones
normales como anormales.

Definición de VaR
 El VaR es una medida homogénea, esto es resultado de
una medición de VaR es comparable para 2 activos
aunque la naturaleza de estos sea completamente
distinta por ejemplo un bono en peso, un forward en
dólares o una cartera con acciones del IPSA.

Concepto de VaR
 Gráficamente el VaR puede verse de la siguiente forma:

Concepto de VaR
Un ejemplo inicial: Una institución financiera invirtió
$1.000.000 de dólares en un bono corporativo al cierre del día
viernes, la pregunta es: Cuanto dinero habrá perdido al cierre
del mercado del día lunes?
 Habrán perdido todo si el la corporación no vale nada el día

lunes.
 Si el retorno diario es una variable aleatoria X, habrán

ganado (o perdido si es negativo) X*$1.000.000 el día lunes.

Concepto de VaR
 Si el peor 5% de los escenarios se concreta, perderán al
menos –q0.05 x $1.000.000, donde –q0.05 es el quinto
percentil de la distribución de los retornos.
 Si el peor 1% de los escenarios se concreta, perderán al

menos –q0.01 x $1.000.000, donde –q0.01 es el primer
percentil de la distribución de los retornos.
 –q0.01 y –q0.05 son el VaR al 1% y 5% respectivamente, para la

exposición de $1.

Alternativas Metodologías de VaR
 El VaR puede calcularse basándose en general en 3
métodos:
 Datos históricos
 Parametrico (Delta Normal)
 Simulación (Monte Carlo)

Alternativas Metodologías de VaR
 Cada método tiene ventajas y desventajas respecto de
otro por lo que el método apropiado dependerá de
factores tales como:
 La linealidad de los contratos respecto de los factores
de riesgo (Opciones vs Renta fija)
 El tamaño de la cartera respecto de la capacidad de
procesamiento.

1- Datos Históricos
 También conocido como simulación histórica,
tiene como ventaja el hecho de que no asume
ningún supuesto de distribución de los factores de
riesgo.
 Adicionalmente, su ventaja radica en su simpleza
conceptual y operativa.
 La desventaja es que esta absolutamente sujeta al
set de datos disponible (historia reciente ).

 Calculamos durante un periodo (al menos 2 años)
las pérdidas reales de un valor o de una cartera y
obtenemos el nivel de pérdida que separa el 95% o
99% de los casos.
 Podríamos suponer un comportamiento futuro si

no idéntico sí, al menos, en un orden de magnitud
similar que en el pasado.

 El principal supuesto es que la evolución pasada
permite extrapolar una evolución futura similar, lo
cual no tiene por qué ser cierto, dados los ciclos de
mercado (mirada al retrovisor).
 Por otro lado, esta aproximación no requiere un

poder de cálculo relevante lo que sin duda
constituye una ventaja.

Ejemplo: Tipo de Cambio Observado

Ejemplo: Tipo de Cambio

MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

quantile(rt, probs =0.01)*1000000
1%
-13431.31

Datos Históricos
 Esto quiere decir que históricamente la perdida
máxima al 1% de probabilidad es de un 1.34%, si
consideramos una posición larga en el activo
equivalente a, digamos $1.000.000, esto representa un
VaR de $13.431 que es valor que podríamos perder en un
día con un 99% de confianza, esto es asumiendo que el
comportamiento del activo será similar a su
comportamiento histórico.

Datos Históricos: Portfolio
 Se calculan las series de rentabilidades históricas para
cada uno de los activos
r11 , r12 , ......, r1n
r21 r22 , ......, r2 n
..... ...... ......, ......
rk1 , rk 2 , ......, rkn
 En la posición actual, cada activo tiene un valor de

mercado que se denomina
V1 ,V2 ,......,Vk

Datos Históricos : Portfolio
 Se calcula la serie de valores de la cartera aplicando a los
valores actuales (ponderaciones actuales) las
rentabilidades históricas desde el primer día hasta el día n.
Lt  V1r1t  V2 r2t  .....  Vk rkt
 A partir de este paso el cálculo continúa como en el caso de

un único activo. Se ordenan los Lt y se elige el valor que
corresponda al nivel de confianza elegido.

2 – VaR Parametrico
 A diferencia de las metodologías no paramétricas, el
cálculo del VaR paramétrico se basa en asumir que las
rentabilidades de los activos y de las carteras se distribuirán
de forma aproximada a la de una función de densidad
determinada, la distribución normal es por lejos la más
utilizada.
 La principal ventaja de esta aproximación es que

obtenemos más información, y es más fácil trabajar con
ella, al proyectar las características bien conocidas de
distribuciones estadísticas sobre los datos que empleamos.

 Asumiendo que X ~N(m,s2):
 Por lo tanto, VaR= -q0.01= 2.33s-m

 Dados los mismos datos de ejemplo del tipo de
cambio, en este caso obtenemos:
> -2.33*sd(rt)*1000000
[1] -12261.27

2 – VaR Parametrico: T dias
 Si R10 es el retorno de 10 dias y Xi y Pi son los retornos y
precios para el dia i:
R10  log( P10 ) - log( P0 )  (log( P10 ) - log( P9 )  ...  (log( P1 ) - log( P0 ))
 Asumiendo retornos no correlacionados con la media

m y varianza s2:
E R10   E X 10   ...E X 1   10m
VARR10   VAR X 10   ...  VAR X 1   10s 2

2 – VaR Parametrico: T dias
 Si todos los retornos son normales, entonces
R10~N(10m,10s2)
VaR  -10 m  2.33s 10
 Generalizando, para un periodo de T días, RT~ N(Tm,Ts2), y
VaR  -T m  2.33s T

2 – VaR Parametrico: Portfolio
 Si X e Y corresponden a dos activos financieros, lX y lY son
las proporciones de dinero inveridas en X e Y:
 El retorno diario del portfolio es Rp= XlX + YlY, la media y

varianza están dadas por:

 Donde sXY es la covarianza entre X e Y.
 Si X e y son normalmente distribuidas, también lo es Rp y su VaR diario

al 99% esta dado por:
VaR  - m p  2.33s p

 Generalizando para n activos:
VaR  -Tm  s p T
 Donde:
s p  ll '
   Matriz de Varianza y Covarianza
 l= vector de ponderadores
Nótese que este método implica el calculo de la matriz de

covarianzas del portafolio.

3 – VaR: Simulaciones
 El método de Simulaciones de Monte Carlo asume
previamente una distribución de los retornos y por ende
requiere el calculo de parámetros asociados a dicha
distribución.
 Es el método más flexible pero asimismo es el que requiere

mas proceso de datos y trabajo de implementación y por
ende es el que tiene asociado mayor riesgo operativo (risk
model)

3 – VaR Simulaciones: Univariado
 Si el precio S(t) de un activo sigue el proceso Browniano
(estándar):
dS  mSdt  sSdW
Sabemos que por Ito’s lemma, la transformación lnS tendrá
una SDE (Ecuación diferencial estocástica) de la forma:
d ln S  vdt  sdW
 Donde v  m - 0.5s 2
t
 Que tiene la solución: S (t )  S (0) exp(vt  s  dW (t ))
0
3 – VaR Simulaciones: Univariado
 Para simular el precio del activo debemos discretizar esta
expresión:
S (t  t )  S (t ) exp(vt  s t  )
 Donde
et~N(0,1)

Aplicación en R
Consideremos la serie de
Tipo de Cambio

Aplicación en R
mu <- mean(rt)
sigma = var(rt)^0.5
N = 50 #numero de realizaciones
M = 200 #numero de dias estimados
FRAME <- matrix(0, nrow = N, ncol = M)
FRAME[,1]<- dolar[1,2]
for (i in 1:N){
for(J in 1:(M-1))
{
FRAME[i,J+1] = FRAME[i,J]*exp(mu-0.5*sigma^2+sigma*rnorm(1))
}
}

Aplicación en R
maximo = max(FRAME[,])
minimo = min(FRAME[,])
plot(c(1,M),c(minimo-10,maximo +10), xlab = 'Dias simulados',ylab = 'Tipode Cambio',
main='Simulaciones de tipo de cambio')
for (i in 1:N){
lines (FRAME[i,], col = 'blue')
}

Aplicación en R

Aplicación en R
#calculo VaR de las simulaciones
FRAME2 <- matrix(0, nrow = N, ncol = M-1)
for (i in 1:N){
for(J in 1:(M-1))
{
FRAME2[i,J] = log(FRAME[i,J+1])-log(FRAME[i,J])
}
}
quantile(FRAME2, probs =0.01) *1000000 # estimacion VaR de la simulacion
__________________________________________________
1%
-11633.92

Aplicación en R
#calculo VaR de las simulaciones
FRAME2 <- matrix(0, nrow = N, ncol = M-1)
for (i in 1:N){
for(J in 1:(M-1))
{
FRAME2[i,J] = log(FRAME[i,J+1])-log(FRAME[i,J])
}
}
quantile(FRAME2, probs =0.01) *1000000 # estimacion VaR de la simulacion
__________________________________________________
1%
-12439.55

Simulación Multivariada
 Es una aproximación del comportamiento del
precio de los activos, simulados mediante
caminatas aleatorias.
 Se simulan una serie de escenarios futuros que
podría tener una cartera de activos en una fecha
dada.

 En general podemos asumir que las series de precios de
activos siguen la misma dinámica ya descrita en el caso
univariado.
 El problema abordar pasa por reconocer que las series
proyectadas están correlacionadas, luego el proceso de
generación de datos debe incorporar la matriz de
correlaciones.

 La técnica utilizada para representar sistemas
correlacionados en las simulaciones de Monte Carlo se
basa en el uso de la descomposición de Cholesky: una
matriz simétrica definida positiva puede ser
descompuesta como el producto de una matriz
triangular inferior (Matriz de Cholesky) y la
transpuesta de esta matriz.

 A partir de la matriz de covarianza de las variables es
posible obtener la matriz de Cholesky la que puede ser
aplicada a los números aleatorios generados para
transformarlos en números aleatorios correlacionados
replicando así la correlación histórica observada.

 El método consiste en generar secuencias futuras de
precios de los activos, que preserven las características
históricas de correlación y volatilidad, lo cual se
garantiza al utilizar la descomposición de Choleski.
Una vez encontrada la matriz descompuesta, se
procede a simular un gran número de secuencias, por
ejemplo 10.000 de largo (t+1, T) de precios (retornos)
para el vector de n activos del portafolio.

Acciones
15000
LAN CMPC AESGENER CENCOSUD ENTEL

5000
0
2008 2010 2012 2014 2016
Fecha
Simulación Multivariada: R
acciones <- read.table('D:/Academics/USACH/2017/VaR/acciones/acciones.txt', header =
T,colClasses = c('Date','numeric','numeric','numeric','numeric','numeric'))
maximo = max(acciones[,2:6])
minimo = min(acciones[,2:6])
plot(acciones$FECHA,acciones$lan,type = 'l', col= 'blue',ylim=c(minimo, maximo+3000),
xlab='Fecha',ylab='Valor' )
lines(acciones$FECHA, acciones$CMPC,type = 'l', col= 'red')
lines(acciones$FECHA,acciones$AESGENER,type = 'l', col= 'green')
lines(acciones$FECHA,acciones$CENCOSUD,type = 'l', col= 'black')
lines(acciones$FECHA,acciones$ENTEL,type = 'l', col= 'orange')
legend("topright", inset=.05, cex = 0.5, title="Acciones",
c("LAN","CMPC","AESGENER","CENCOSUD","ENTEL"), horiz=TRUE, lty=c(1,1),
lwd=c(2,2),
col=c("blue","red","green","black","orange"))

lan <- acciones$lan
rt_lan <- diff(log(lan))
plot(rt_lan, type ='l', col='red')
hist(rt_lan, nclass=50, col='blue')
cmpc <- acciones$CMPC
rt_cmpc <- diff(log(cmpc))
aesgener <- acciones$AESGENER
rt_aesgener <- diff(log(aesgener))
cencosud <- acciones$CENCOSUD
rt_cencosud <- diff(log(cencosud))
entel <- acciones$ENTEL
rt_entel<- diff(log(entel))
portafolio <- cbind(rt_lan ,rt_cmpc, rt_aesgener,rt_cencosud, rt_entel)

# Simulacion historica
rt_hist <- matrix(0, nrow = length(portafolio), ncol = 1)

for (i in 1:length(portafolio)){
rt_hist[i]<- mean(portafolio[i])
}
quantile(rt_hist,, probs =0.01)*1000000
hist(rt_hist, nclass =50)

# Parametrico
portafolio <- cbind(rt_lan ,rt_cmpc, rt_aesgener,rt_cencosud, rt_entel)
sigma_p <- cov(portafolio)
w <- matrix(0.2, nrow = 5, ncol = 1)

mu_p <- mean(portafolio)
sigma_port <- t(w)%*%sigma_p%*%w
-(-mu_p + 2.33*sigma_port^0.5)*1000000

# Simulaciones
# n simulaciones para 1 dia
n <- 200 # numero de simulaciones
sigma_p <- cov(portafolio)
B <- matrix(0, nrow = 5, ncol = n)
for (i in 1:2){
for(J in 1:(n))
{
B[i,J] = rnorm(1,mean = 0, sd = 1)
}
}
C = chol(sigma_p)
V <- t(C)%*%B

s0a<- lan[length(lan)]
mua <- mean(rt_lan)
siga <- sigma_p[1,1]
STa<- s0a*exp(mua - 0.5*siga^2+ V[1,])
s0b<- cmpc[length(cmpc)]
mub <- mean(rt_cmpc)
sigb <- sigma_p[2,2]
STb<- s0b*exp(mub - 0.5*siga^2+ V[2,])
s0c<- aesgener[length(aesgener)]
muc <- mean(rt_aesgener)
sigc <- sigma_p[3,3]
STc<- s0c*exp(muc - 0.5*siga^2+ V[3,])
s0d<- cencosud[length(cencosud)]
mud <- mean(rt_cencosud)
sigd <- sigma_p[4,4]
STd<- s0d*exp(mud - 0.5*siga^2+ V[4,])
s0e<- entel[length(entel)]
mue <- mean(rt_entel)
sige <- sigma_p[5,5]
STe<- s0e*exp(mue - 0.5*siga^2+ V[5,])

rt_simul<- c(log(STa/s0a),log(STb/s0b),log(STc/s0c),log(STd/s0d),log(STe/s0e))
hist(log(STa/s0a))
quantile(log(STb/s0b), probs =0.01) *1000000
plot(STa, type='l')
rt_simul2 <- matrix(0, nrow = length(rt_simul), ncol = 1)

for (i in 1:length(rt_simul)){
rt_simul2[i]<- mean(rt_simul[i])
}
quantile(rt_simul2, probs =0.01)

# n simulaciones para varios m dias
DOLAR_SIM<- matrix(0, nrow = n, ncol = 1)

DOLAR_SIM[1]<-DOLAR[length(DOLAR)]
sigma_dolar <- sigma_p[3,3]
for (i in 2:n){
DOLAR_SIM[i] = DOLAR_SIM[i-1]*exp(-0.5*sigma_dolar^2+V[3,i])
}

Clase08 PARA CAMBIAR A WORD

Cargado por

Información del documento

Descripción 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

Clase08 PARA CAMBIAR A WORD

Cargado por

Copyright:

Formatos disponibles

Tema 6.

Normalmente se consideran como factores de riesgo las

Este riesgo se debe medir y gestionar en frecuencia diaria

Página 2 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Probablemente es el sistema de medición de riesgo más

Página 3 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 4 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 5 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Además de que el VaR puede referirse a un día o a una

Página 6 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Adicionalmente, es factible computar el VaR tanto

Página 7 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 En los eventos de crisis, entonces, este tipo de

 Luego, VaR debe ser implementado en conjunto con Stress

Página 8 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 9 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 10 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Habrán perdido todo si el la corporación no vale nada el día

 Si el retorno diario es una variable aleatoria X, habrán

Página 11 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Si el peor 1% de los escenarios se concreta, perderán al

 –q0.01 y –q0.05 son el VaR al 1% y 5% respectivamente, para la

Página 12 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 13 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 14 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 15 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Podríamos suponer un comportamiento futuro si

Página 16 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Por otro lado, esta aproximación no requiere un

Página 17 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 18 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 19 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 22 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 En la posición actual, cada activo tiene un valor de

Página 23 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Lt  V1r1t  V2 r2t  .....  Vk rkt

 A partir de este paso el cálculo continúa como en el caso de

Página 24 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 La principal ventaja de esta aproximación es que

Página 25 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Por lo tanto, VaR= -q0.01= 2.33s-m

Página 26 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 27 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Asumiendo retornos no correlacionados con la media

VARR10   VAR X 10   ...  VAR X 1   10s 2

Página 28 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

VaR  -10 m  2.33s 10

 Generalizando, para un periodo de T días, RT~ N(Tm,Ts2), y

Página 29 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 El retorno diario del portfolio es Rp= XlX + YlY, la media y

Página 30 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Si X e y son normalmente distribuidas, también lo es Rp y su VaR diario

Página 31 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Nótese que este método implica el calculo de la matriz de

Página 32 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

 Es el método más flexible pero asimismo es el que requiere

Página 33 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 35 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 37 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

Página 38 MEF 2021 - Riesgo Financiero - Gonzalo Encina T.

sigma_port <- t(w)%%sigma_p%%w