Curso Gestión de Riesgos– Módulo 3

Gestión de Riesgos
Herramientas para la Gestión de
Riesgo
Parte 1

0
Curso Gestión de Riesgos– Módulo 3

1
Curso Gestión de Riesgos– Módulo 3

2
 Curso Gestión de Riesgos– Módulo 3

Claudio González Iturriaga

Máster of Business Administration (MBA) con especialización en

Finanzas, Universidad Pompeu Fabra, Barcelona España. Ingeniero
Comercial y Licenciado en Economía de la Pontificia Universidad
Católica de Chile.

Con 26 años de experiencia en el mercado financiero, es actualmente

Socio director de Inversiones de GH Capital Invest® y director de
Empresas. Asesor de empresas en Chile, Colombia y Centroamérica en
materias de inversiones, banca y mercado de capitales Ex asesor del
Ministerio de Energía en Chile y es actualmente. Ex director del Máster
en Finanzas Aplicadas de la Universidad del Desarrollo y Profesor en
Maestría en Economía Financiera en la Universidad de Santiago de
Chile. Director del Diploma en Control de Gestión Financiera de la
Universidad de Chile, Catedrático Emérito de la Universidad Piloto de
Colombia, académico de postgrado de la Universidad de Chile, del
Desarrollo, de la Universidad Piloto de Colombia, de la Universidad
Peruana de Ciencias Aplicadas de Perú y de la Universidad Tecnológica
Centroamericana (UNITEC) de Honduras.

3
 Curso Gestión de Riesgos– Módulo 3

Contenido
Introducción................................................................................................................................. 5
1. Medición y gestión de riesgo de mercado ........................................................................ 6
1.2. Medición de riesgo de mercado bajo períodos de normalidad .................................... 7
1.2 Medición de riesgo de mercado bajo períodos de anormalidad (Stress Test) .......... 11
1.3. Medición de riesgo de moneda extranjera .................................................................. 14
1.4. Medición de shocks en paridades de monedas extranjeras .................................. 16
Cierre .......................................................................................................................................... 20
Bibliografía................................................................................................................................. 21

4
 Curso Gestión de Riesgos– Módulo 3

Introducción
En el presente módulo nos abocaremos a aplicar herramientas cuantitativas que nos
permitirán dimensionar los niveles de riesgo a los que se enfrenta la empresa, lo que le
permitirá elaborar acciones de mitigación adecuadas.

Manteniendo la mirada en los elementos más importantes de cada uno de los riesgos que
hemos revisado, y que son precisamente los que enfrenta la empresa moderna, revisaremos
en detalle las mecánicas cuantitativas disponibles para gestionar riesgo, tanto para el
riesgo de mercado como para el riesgo cambiario.

Como ya hemos analizado en módulos anteriores, los riesgos gestionados no podrán

eliminarse totalmente, pero si podrán ser mitigados mediante diferentes estrategias, lo que
permitirá a la empresa el normal desarrollo de sus actividades, aun en un contexto de
incertidumbre.

Adicionalmente, revisaremos desarrollos de técnicas cuantitativas que nos permitirán

estimar los impactos de los factores de riesgo bajo situaciones de extrema tensión,
denominados Stress Test.

5
 Curso Gestión de Riesgos– Módulo 3

1. Medición y gestión de riesgo de mercado

Para realizar una adecuada medición de riesgo de mercado, revisaremos la práctica de la
metodología de Value at Risk (VaR o Valor en Riesgo) en sus dos metodologías de cálculo:

A. Aproximación Paramétrica, basado en parámetros de volatilidad de los activos que

podrían formar parte de la cartera objetivo de la medición.

B. Aproximación Histórica, que se calcula sobre el valor de la cartera propia que

efectivamente fue gestionada por un Área de Inversiones en un período
determinado.

Cabe destacar que ambas mediciones son visiones complementarias para establecer el
nivel de riesgo que debe conocer la Alta Administración de una organización y que es
aprobada para la gestión de inversiones.

Como se sabe, el concepto de Value at Risk (VaR), es un mecanismo que cuantifica, a un

determinado nivel de significancia o incertidumbre, el monto o porcentaje de pérdida que
un portafolio enfrentará en un período determinado de tiempo.1 Su medición tiene
fundamentos estadísticos y el porcentaje de pérdida estimada es calculada con un nivel de
confianza que normalmente es del 5 % o el 1 %, dependiendo del grado de exigencia que se
busca para la medición de riesgo del portafolio o de la cartera de activos que se quiere
medir. Por ejemplo, en el caso de la industria financiera, en general, el nivel de confianza
propuesto es de 5 %. Este porcentaje implícitamente apunta a que el límite la tolerancia a
un evento de riesgo es de una ocurrencia de 1 en 20 veces (equivalente a una vez al mes
con datos diarios, o una vez cada cinco meses con datos semanales). Sin perjuicio de la
medición porcentual de nivel de confianza, el VaR mide un valor nominal absoluto, que se
relaciona con la cartera gestionada.

Un caso particular es el de la industria bancaria, en la que las recomendaciones del Comité

de Basilea apuntan a un nivel de significancia de medición para el VaR de un 1 % con datos
diarios, es decir, que la máxima pérdida esperada medida por el VaR se realice en 1 de cada
100 días.

Será pertinente también reconocer que la gestión de riesgo de mercado debe ejecutarse
considerando el escenario que se enfrenta: (1) escenarios de normalidad en el
comportamiento de los factores de riesgo y; (2) escenarios de anormalidad en el
comportamiento de los factores de riesgo.

1 Jorion 2000, Penza y Bansal 2001, Best 1998, y Dowd 1998

6
 Curso Gestión de Riesgos– Módulo 3

1.2. Medición de riesgo de mercado bajo períodos de normalidad

La medición de riesgos de mercado mediante VaR para “períodos de normalidad”, se
procede en base un escenario en el cual los datos estadísticos se comportan bajo los
parámetros de una distribución normal.

Consideremos la modelación de una cartera de activos del tipo renta variable (por ejemplo,
acciones). Para construir el VaR histórico de una cartera de renta variable bajo escenario
de normalidad, la información base necesaria corresponde al valor de la cartera a fin de
cada día, de acuerdo a los precios de cierre diario de cada uno de los activos que la
compone (serie histórica de datos diarios para el período que se considere).

Importante: se debe asegurar la distribución de probabilidad de la muestra, la que en este

caso debe ser normal. Al trabajar con pocos datos es probable que nos encontremos con
una función de probabilidad que no se comporte Normal, (por ejemplo, cartera de tamaño
pequeño o con pocos activos), por lo que se debe ampliar el número de observaciones para
que los datos sean insesgados.

VaR histórico

La primera aproximación que revisaremos es el VaR Histórico, que estima la exposición de

la cartera a los Riesgos de Mercado (en el caso de este ejemplo al cambio en precios de los
activos en cartera) y que se extraen de la propia gestión histórica de las posiciones en el
período de análisis considerado.

Con base en los retornos diarios históricos de la cartera (en un período suficientemente
largo que asegure una distribución Normal) determinamos la distribución de probabilidad y
un intervalo de confianza: para nuestro ejercicio será el 95 %. Esto significa que la medición
busca la cuantificación del percentil 5 % de peores retornos de esa distribución de
probabilidad, cuantificado en moneda corriente (por ejemplo, pesos chilenos, dólares
americanos).

Este 5 % de peores retornos de una cartera será medido sobre la base de lo que
efectivamente pasó a la cartera considerada, dado que la modelación la estamos haciendo
en base a la historia de las observaciones. La recomendación es que la modelación se
realice con softwares especializados (por ejemplo, Crystal Ball) que permite obtener
simulaciones estocásticas de Montecarlo con 10.000 iteraciones para obtener resultados
de pérdidas esperadas con base en la gestión histórica de la cartera de activos.

A continuación, se muestran posibles resultados para diferentes carteras (denominadas

“gestión”):

7
 Curso Gestión de Riesgos– Módulo 3

Cuadro: VaR histórico de las diferentes gestiones de Carteras homogéneas

Valor Medio de VaR / Valor

Gestión de Cartera VaR (95%)
la Cartera Medio
Gestión 1 $ 45.814.496 $ 7.880.000 17,20%
Gestión 2 $ 42.009.822 $ 4.590.000 10,93%
Gestión 3 $ 46.659.905 $ 2.440.000 5,23%
Gestión 4 $ 68.591.091 $ 7.940.000 11,58%
Gestión 5 $ 9.295.353 $ 260.000 2,80%
Gestión 6 $ 27.830.991 $ 2.180.000 7,83%
Gestión 7 $ 31.986.719 $ 2.320.000 7,25%
Gestión 8 $ 8.792.833 $ 360.000 4,09%
Gestión 9 $ 3.921.849 $ 610.000 15,55%
Gestión 10 $ 19.047.767 $ 1.050.000 5,51%
Gestión 11 $ 66.607.792 $ 9.160.000 13,75%
Gestión 12 $ 136.159.448 $ 4.620.000 3,39%
Gestión 13 $ 44.397.883 $ 1.660.000 3,74%
Gestión 14 $ 134.463.092 $ 21.770.000 16,19%
Gestión 15 $ 120.759.090 $ 13.280.000 11,00%

Del cuadro anterior obtenemos un valor en pesos chilenos del 5 % de peores escenarios
estocásticos para cada una de las carteras (“gestiones”), cada una de las cuales tuvieron
que ser de datos suficientemente grandes.

VaR paramétrico

La aproximación de VaR Paramétrico o de Varianzas Covarianzas estima la exposición de

una cartera a los Riesgos de Mercado basada en la metodología de Risk Metrics. Esta
metodología de estimación del riesgo utiliza como inputs tanto los análisis individuales de
cada instrumento que compone la cartera, como también el riesgo que los instrumentos
tienen de manera conjunta, suponiendo una distribución predeterminada por el modelo.
Este análisis de volatilidad se efectúa mediante un Modelo GARCH con decaimiento
exponencial, lo que pondera en mayor medida los efectos más recientes en la historia de
volatilidad de cada instrumento de la cartera.

Conviene tener en cuenta que el VaR se mide en ventanas de 100 días hábiles (160 días
corridos), lo que está en línea con la metodología tradicional de VaR histórico, que mide con
100 días hábiles debido a que representan el universo de 100 % de la distribución de las
observaciones. Los 160 diarios (equivalentes a 100 días hábiles) aseguran que la
distribución de retornos diarios es Normal. El factor de decaimiento utilizado en la
confección del VaR es λ = 0,94.2

2De acuerdo a la literatura, la metodología de Riskmetrics propone utilizar un factor λ de 0,94 para datos diarios y de 0,97 para
datos mensuales.

8
 Curso Gestión de Riesgos– Módulo 3

De manera similar al caso de aproximación histórica (aunque no exactamente equivalente en su

metodología), las posiciones bajo medición son los valores diarios de la cartera y de los activos que
la componen. Asumen con la diferencia que en el VaR paramétrico la clave viene dada por el nivel
de riesgo de la cartera de activos que se asume es la que se gestiona. Este riesgo está dado por la
volatilidad de la Matriz de Varianza-Covarianza (Matriz Var-Covar) de esos activos.
Conviene recordar que la matriz de Varianzas-Covarianzas en un portafolio diversificado
que representa su nivel de riesgo, al arrojar como resultado la varianza y la desviación
estándar de esa cartera. Esta matriz Var-Covar debe estar compuesta por todos los activos
representativos de la cartera a la que queremos medir el riesgo. Dado que la aproximación
es paramétrica y no específica sobre los activos bajo análisis -que pueden ser solo algunos
de una muestra- necesitamos establecer una cartera representativa de los activos de la
cartera objetivo que queremos medir. Este es un elemento clave de la aproximación
paramétrica: la elección de la cartera representativa de la cartera objetivo bajo medición.

Por ejemplo, si lo que tenemos bajo medición es una cartera de renta variable, una cartera
representativa sería el índice de la Bolsa de Valores en que se transan los activos de esa
cartera.

En el método Paramétrico de Matriz de Var-Covar lo que se asume implícitamente es que el

VaR que se mide es proporcional a la desviación estándar del rendimiento de la cartera
correspondiente. Para calcular el VaR se utiliza la siguiente expresión:

𝑉𝑎𝑅 = 𝑉𝐶 × 𝛼 × 𝜎𝐶 × √𝑡 (1)

donde:

• VC = Valor de la Cartera
• 𝛼 = Parámetro del grado de confianza estadístico que se desea lograr (distribución
normal para los retornos: para un 95 % de confianza es 1,65)
• 𝜎𝐶 = desviación estándar del rendimiento de la cartera
• 𝑡 = intervalo de tiempo que se mide riesgo (período de mantención de la cartera)

Cuando existen varias posiciones a las que se quiere medir el VaR, aplicamos el siguiente
método:

9
 Curso Gestión de Riesgos– Módulo 3

VaRT

VaR1 VaR2 VaR3

VP2´ a ´ s2 ´ VP3´ a ´ s3 ´
VP1´ a ´ s1 ´ t t t

Esta formulación permite medir y gestionar el VaR de una cartera por familias de
instrumentos, por ejemplo, medir el riesgo de mantener activos de renta variable local e
internacional. Para obtener el VaR de la Cartera considerando las diferentes familias:

1 r12 r13
VaR2T = VaR1 VaR2 VaR3 VaR1
r21 1 r23
VaR2
r13 r23 1 VaR3

Ejercicio

Al realizar una aproximación paramétrica a una cartera de acciones chilenas, la cartera

representativa del índice IPSA arroja los siguientes resultados:

Cuadro. VaR Paramétrico Cartera Renta Variable Nacional (considerando inversión en todos
los activos de cartera IPSA, igualmente distribuidos)

Varianza (IPSA) 0,005%

DESV. EST (IPSA) 0,741%
Factor VaR al 95% 1,65
Valor Cartera 150.000.000
RAíZ 2 Tiempo 1

VaR 1.834.263
VaR / cartera 1,223%

El resultado de este ejercicio es que en el caso de que la cartera local esté invertida en
activos del IPSA, el VaR diario al 95 % de un portafolio de $ 150 millones es $ 1,834 millones
(un 1,223 % del valor total de la cartera).

10
 Curso Gestión de Riesgos– Módulo 3

Cabe notar que para confeccionar la matriz Var-Covar debemos ponderar el peso relativo
de cada uno de los activos dentro del portafolio.

1.2 Medición de riesgo de mercado bajo períodos de anormalidad

(Stress Test)
Ahora bien, para efectuar la gestión de riesgo bajo período de “anormalidad”, primero
debemos definir lo que debemos entender por este tipo de períodos: son aquellos
escenarios extremadamente inusuales pero plausibles de cambio adverso en los factores
de riesgo. Es decir, son aquellos eventos o escenarios que se encuentran fuera de cualquier
distribución de probabilidades considerada normal.

En este caso, se propone realizar un Test de Stress, que pueden ser aplicados con
mediciones paramétricas, es decir, aplicando shocks sobre los factores de riesgo que
escapan de la normalidad, aunque no hayan ocurrido, o bien, mediante mediciones
históricas, esto es, aplicando shocks extremadamente inusuales, pero que efectivamente
hayan afectado alguna vez a los factores de riesgo.

Una forma de aproximarse al problema es realizar dos tipos de análisis para observar
situaciones de stress en los factores de riesgo.

A. Análisis de Matriz de Varianza-Covarianza de períodos históricos de alta tensión en

los factores de riesgo.
B. Análisis de Shocks extremos en los factores de riesgo aplicados a Matriz de
Varianza-Covarianza.

Una matriz Var-Covar (y de Correlaciones) con activos de renta variable debería contener
las covarianzas de todos los pares de activos integrantes de la cartera considerada, que
pueden ser matrices de 30x30 activos, 40x40 activos, etc.

Un eje clave en la aplicación de la metodología de Test de Stress es la determinación de los

escenarios de máximo cambio en los factores de riesgo asociados a los activos en cartera.
Estos escenarios pueden ser determinados a partir de los máximos cambios históricos
verificados en cada una de las series de datos de los activos y sus covarianzas.

Ejemplo 1: Análisis de stress a base de estudio de eventos: crisis financiera internacional

Un análisis de eventos de alta volatilidad posible a ser aplicado corresponde a un análisis

histórico de períodos de máxima tensión en los mercados, como son: Crisis del Tequila (Dic
1994); Crisis Asiática (IV trimestre 1998); Crisis Financiera Internacional (enero 2008-junio
2009); Crisis Europea (IV trimestre de 2011-I trimestre 2012) y Brexit (junio 2016). Una
aproximación a situaciones de tensión en las variables corresponde a replicar los cambios

11
 Curso Gestión de Riesgos– Módulo 3

que estas han tenido en períodos en que los acontecimientos en los mercados generan
cambios bruscos en los factores de riesgo.

Considerando el escenario de la Crisis Financiera Internacional (enero 2008-Junio 2009), el

cálculo de varianza de una cartera de renta variable sería calculada según lo siguiente:

𝐸𝑓𝑒𝑐𝑡𝑜 𝑆𝑡𝑟𝑒𝑠𝑠 𝐶𝑎𝑟𝑡𝑒𝑟𝑎 = ∑𝑁 𝑀

𝑖=1 ∑𝑗=1 𝜔𝑗 × 𝜔𝑘 × 𝜎𝑖 × 𝜎𝑗 × 𝜌𝑖𝑗 (2)

donde:

𝜔𝑖 = 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑝𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑖 𝑒𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑟𝑡𝑒𝑟𝑎

𝜔𝑗 = 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑝𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑗 𝑒𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑟𝑡𝑒𝑟𝑎

𝜎𝑖 = 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑖 𝑒𝑛 𝑝𝑒𝑟í𝑜𝑑𝑜 𝐸𝑛𝑒𝑟𝑜 2008 𝑎 𝐽𝑢𝑛𝑖𝑜 2009

𝜎𝑗 = 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑗 𝑒𝑛 𝑝𝑒𝑟í𝑜𝑑𝑜 𝐸𝑛𝑒𝑟𝑜 2008 𝑎 𝐽𝑢𝑛𝑖𝑜 2009

𝜌𝑗𝑘 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑖, 𝑗

Si confeccionamos la matriz Var-Covar a la cartera de renta variable del mismo ejemplo

realizado en el caso de escenarios de normalidad para obtener el VaR, en este escenario
extremo obtenemos:

Cuadro. VaR bajo situación de Tensión: estudio de evento Crisis Financiera Internacional
(enero 2008-junio 2009)

Varianza (IPSA) 0,022%

DESV. EST (IPSA) 1,474%
Factor VaR al 95% 1,65
Valor Cartera 150.000.000
RAíZ 2 Tiempo 1

VaR 3.649.069
VaR / cartera 2,433%

Note que, comparando ambos escenarios -normal y stress-, bajo un evento como el de la
Crisis Financiera, el VaR de la cartera accionaria en activos de renta variable habría sido

12
 Curso Gestión de Riesgos– Módulo 3

casi el doble del que resulta de una situación de normalidad como el presentado
anteriormente. En este caso de anormalidad, el VaR alcanza $3,65 millones, equivalente a
un 2,43 % del valor de la cartera (que se asume en $ 150 millones).

Ejemplo 2: Análisis de stress en base a estudio de shocks extremos

El segundo análisis de stress posible se basa en la misma metodología anterior, pero

extremando algunos supuestos para recoger mayores niveles de riesgo en las matrices Var-
Covar y de Correlaciones. En particular, para capturar máxima tensión en los factores de
riesgo, se pueden asumir dos supuestos importantes:

a. Las desviaciones estándar individuales de cada una de las acciones fueron

reemplazadas por las máximas volatilidades históricas de cada uno de ellos.
b. El cálculo de la varianza total del portafolio de acciones no considera correlaciones
negativas.

El primer supuesto permite incrementar el grado de volatilidad del portafolio hasta sus
máximos escenarios de variación de precios de sus activos (y no solo hasta sus
desviaciones estándares normales), mientras el segundo supuesto no permite
compensación de riesgo entre activos en el portafolio. Ambos apuntan a extremar la tensión
de mantener el portafolio.

En base a lo anterior, el cálculo de varianza del portafolio bajo un escenario de tensión

extremo de la matriz de varianzas-covarianzas, se calculó según la siguiente fórmula:

𝐸𝑓𝑒𝑐𝑡𝑜 𝑆𝑡𝑟𝑒𝑠𝑠 𝐶𝑎𝑟𝑡𝑒𝑟𝑎 = ∑𝑁 𝑀

𝑗=1 ∑𝑘=1 𝜔𝑗 × 𝜔𝑘 × 𝑆ℎ𝑜𝑐𝑘𝑗 × 𝑆ℎ𝑜𝑐𝑘𝑘 × 𝜌𝑗𝑘 (3)

donde:

𝜔𝑗 = 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑝𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑗 𝑒𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑟𝑡𝑒𝑟𝑎

𝜔𝑘 = 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑝𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑘 𝑒𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑟𝑡𝑒𝑟𝑎

𝑆ℎ𝑜𝑐𝑘𝑗 = 𝑆ℎ𝑜𝑐𝑘 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑗

𝑆ℎ𝑜𝑐𝑘𝑘 = 𝑆ℎ𝑜𝑐𝑘 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜 𝑘

𝜌𝑗𝑘 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑗, 𝑘

Este escenario de stress captura una volatilidad extrema para la cartera de activos,
asumiendo que los shocks a los factores de riesgo son los máximos movimientos

13
 Curso Gestión de Riesgos– Módulo 3

históricos diarios de ellos (y no el promedio) y, al mismo tiempo, los activos pierden su

correlación histórica y no se observan correlaciones negativas, lo que evita que se
compense y reduzca el riesgo de esa cartera de activos.3 En este caso, el resultado de este
escenario de Stress es:

Cuadro. VaR del escenario de Stress basado en Shocks Extremos

Value at Risk Escenario Stress

Varianza (IPSA) 0,799%

DESV. EST (IPSA) 8,937%
Factor VaR al 95% 1,65
Valor Cartera 150.000.000
RAíZ 2 Tiempo 1

VaR 22.118.311
VaR / cartera 14,746%

El resultado anterior indica que el stress máximo en la cartera de renta variable nacional es
de $ 22,1 millones para una cartera de $150 millones, es decir, un 14,76 % de la cartera total
en un día, sustancialmente mayor que en cualquier caso anterior.

1.3. Medición de riesgo de moneda extranjera

La modelación del Riesgo de Moneda Extranjera (MX) se debe realizar definiendo como
factor de riesgo a la exposición de las posiciones tanto spot como forward en monedas
extranjeras que tiene la cartera bajo análisis, por tipo de moneda, respecto de la moneda de
referencia (por ejemplo, peso chileno).

El objetivo final de la modelación de riesgo de moneda extranjera (MX) es obtener un valor

en riesgo (VaR) para la gestión de una cartera de activos según sus posiciones en monedas
distintas de la de referencia (por ejemplo, peso chileno).

Así entonces, para realizar un Valor en Riesgo (VaR) de las posiciones en MX es necesario
definir las posiciones sobre las cuales modelar el VaR, las que deben corresponder a las
posiciones netas diarias totales, sumado las posiciones spot y forward de cada moneda en
cada día, lo que puede resultar en posiciones tanto activas netas como pasivas netas por
moneda en cada día de operación. Así, la medición de cada posición se realiza en base
diaria de la siguiente forma:

3Los coeficientes de correlación de la matriz bajo este escenario de tensión son no negativos para reconocer
que en escenarios de stress los activos no mantienen su co-movimiento histórico.
14
 Curso Gestión de Riesgos– Módulo 3

𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑀𝑋𝑖 = [|∑𝑃𝑁 𝑠𝑝𝑜𝑡𝑖𝑈𝑆𝐷 + ∑𝑃𝑁 𝑓𝑜𝑟𝑤𝑎𝑟𝑑𝑖𝑈𝑆𝐷 | +

|∑𝑃𝑁 𝑠𝑝𝑜𝑡𝑖𝐸𝑈𝑅 + ∑𝑃𝑁 𝑓𝑜𝑟𝑤𝑎𝑟𝑑𝑖𝐸𝑈𝑅 | ] (7)

donde:

Posición MXi = Posición en Moneda Extranjera Global de la Corredora en el día “i”

PN spot USD
= Posición Neta (activos menos pasivos) en operaciones spot en Dólares
i
Americanos en el día “i”
PN spot i EUR = Posición Neta (activos menos pasivos) en operaciones spot en EUROS en el
día “i”
PN forward USD
= Posición Neta (activos menos pasivos) en operaciones Forward en
i
Dólares Americanos en el día “i”
PN forward i EUR = Posición Neta (activos menos pasivos) en operaciones Forward en EUROS
en el día “i”

Las posiciones netas así medidas permiten compensación entre activos y pasivos spot y
forward en la misma moneda, pero no entre diferentes monedas, debido a que los riesgos
a los que enfrenta una posición en monedas diferentes tienen factores de riesgo distintos.
Es importante considerar que las posiciones netas deben ser medidas diariamente en valor
absoluto, dado que una posición tiene riesgo tanto si es activa neta o pasiva neta, y con
ello la volatilidad del tipo de cambio puede producir pérdida tanto si la moneda bajo análisis
se aprecia o deprecia respecto de la moneda extranjera. Dado que la medición se hace
diariamente, no se permite compensación entre días distintos (ni siquiera en la misma
moneda) que pudieran compensar el riesgo en un horizonte temporal más largo que un día.4

Por tanto, debemos como primer paso establecer las posiciones netas y en valor absoluto,
lo que muestra en el siguiente cuadro:

Cuadro. Posiciones promedio de la cartera de moneda extranjera USD

Posiciones en USD
VENTA COMPRA Posición Posición en
Spot Fwd Spot Fwd Neta Valor ABS
Promedio 24.635,68 544.750,00 23.216,26 533.250,00 - 12.919,42 118.365,33
Max 530.293,03 4.750.000,00 531.715,93 5.500.000,00 564.335,34 751.057,35

4
En una medición menos exigente de un horizonte de una semana o un mes, se podría permitir compensaciones en los valores
activos netos y pasivos netos en dos o más días distintos, lo que se podría establecer como una medición de límite de segundo
orden respecto del VaR diario.

15
 Curso Gestión de Riesgos– Módulo 3

Posiciones en EUR
VENTA COMPRA Posición Posición en
Spot Fwd Spot Fwd Neta Valor ABS
Promedio 21.543,65 - 53.903,89 - 32.360,24 39.311,33
Max 3.000.000,00 - 3.000.000,00 - 2.908.000,00 2.908.000,00

Como se aprecia en el Cuadro, la posición neta promedio diaria en valor absoluto es de USD
118.365,3, con un máximo de USD 751.057,4. Esto significa que en promedio, la cartera
estuvo expuesta con una posición neta “abierta” por USD 118.365, llegando incluso a
sobrepasar los USD 751.000 en un día. Nótese que existe una gran diferencia entre el
promedio de la posición neta y la posición neta en valor absoluto, dado que existen
posiciones en forward y spot que se compensan si no se considera el valor absoluto de la
posición en esta moneda. De allí la importancia del trabajo con el valor absoluto.

1.4. Medición de shocks en paridades de monedas extranjeras

Luego de determinar las posiciones en moneda extranjera que están sujetas al cambio en
las paridades de monedas respecto de la moneda bajo análisis, p. ej. el peso chileno contra
el dólar americano y el Euro, se debe determinar los impactos de las volatilidades de
monedas sobre las posiciones determinadas.

Cuadro. Volatilidad de la paridad del Peso chileno respecto del Dólar americano

Volatilidad Diaria Volatilidad Volatilidad Diaria

Paridad USD/CLP Diario Paridad Máxima en
(2015-2018) USD/CLP (2018) Paridad USD/CLP
0,0146% 0,0510% 4,7904%

Nótese que la máxima volatilidad diaria en un evento de stress es de 4,79 % en la paridad

peso chileno v/s dólar americano en un día.

Medición de VaR en cruces USD/CLP y EUR/CLP

Si consideramos volatilidades bajo períodos de normalidad en el cruce de USD/CLP,
entonces podemos plantear la misma metodología de VaR para la serie histórica de esta
paridad. Por ejemplo, si consideramos una posición máxima “abierta” diaria de USD 50.000
para operaciones spot y USD 50.000 para operaciones forward, ambas en valor absoluto,
podríamos considerar que el total de exposición de nuestro ejemplo es USD 100.000 diarios.
Al considerar las volatilidades de una serie normal del cruce peso chileno y dólar
norteamericano, obtenemos los siguientes resultados:

16
 Curso Gestión de Riesgos– Módulo 3

Cuadro. VaR de Moneda Extranjera de cruce USD/CLP

VaR Mensual ($) $ 4.877,23
VaR Mensual(%) -4,88%
VaR Diario $ 1.039,83
Valor del Activo $ $ 98.960,17
Mensual (22 días de Trading) 22
Mínimo Retorno con x% de Probabilidad -1,04%

Nivel de Confianza (%) 0,95

Inversión (USD) $ 100.000

Desviación Estandar (%) 0,66%

Promedio (%) 0,05%

Si se mantiene una posición “abierta” de USD 100.000, el VaR diario a un 95 % de confianza

es de USD 1.040 (1,04 % de la posición).
Al realizar el ejercicio similar para el caso del VaR de las posiciones en Euros encontramos
que los resultados son los siguientes:

Cuadro. VaR de Moneda Extranjera de cruce EUR/CLP

VaR Mensual ($) $ 11.999,99

VaR Mensual(%) -13,79%
VaR Diario $ 2.558,41
Valor del Activo $ $ 84.441,59
Mensual (22 días de Trading) 22
Mínimo Retorno con x% de Probabilidad -2,94%

Nivel de Confianza (%) 0,95

Inversión (USD) $ 87.000

Desviación Estandar (%) 1,77%

Promedio (%) -0,04%
Nota: la posición de EUR 87.000 equivale aproximadamente a USD 100.000 a paridad promedio de 1,15 EUR/USD.

El análisis de los datos para el cruce EUR/CLP muestra un VaR de EUR 2.558,4 (2,94 % del
monto de la posición), superior al verificado en el cruce USD/CLP.

Test de stress para moneda extranjera

17
 Curso Gestión de Riesgos– Módulo 3

La metodología para determinar el Test de Stress lo establecemos como:

𝑇𝑒𝑠𝑡 𝑆𝑡𝑟𝑒𝑠𝑠 𝑀𝑋𝑖 = ∑𝑖=𝑈𝑆𝐷,𝐸𝑈𝑅 𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑀𝑋𝑖 × 𝑆ℎ𝑜𝑐𝑘 𝑆𝑡𝑟𝑒𝑠𝑠 𝑀𝑋𝑖 (9)

donde,
𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑀𝑋𝑖 = 𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑒𝑛 𝑚𝑜𝑛𝑒𝑑𝑎 𝑒𝑥𝑡𝑟𝑎𝑛𝑗𝑒𝑟𝑎 𝑖
𝑆ℎ𝑜𝑐𝑘 𝑆𝑡𝑟𝑒𝑠𝑠 𝑀𝑋𝑖
= 𝑀á𝑥𝑖𝑚𝑜 𝑐𝑎𝑚𝑏𝑖𝑜 𝑏𝑎𝑗𝑜 𝑠𝑖𝑡𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑎𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑑𝑎𝑑 𝑒𝑛 𝑚𝑜𝑛𝑒𝑑𝑎 𝑒𝑥𝑡𝑟𝑎𝑛𝑗𝑒𝑟𝑎 𝑖

Considerando la ecuación (9) basada en los máximos shocks posibles, se observa que en
el caso de la paridad USD/CLP el Test de Stress arroja el resultado que se muestra en el
Cuadro:

Cuadro. Máximo Shock diario (Test de Stress) en paridad USD/CLP

Posiciones Shock Máx.

en USD Histórico

Promedio 5.670,20
Max 35.978,80

Esto significa que ante un evento de extrema anormalidad en la paridad USD/CLP, pero
plausible históricamente, la máxima pérdida posible bajo escenario de tensión sería de USD
35.978,8 en un día de operación.

Al aplicar la misma metodología para la paridad EUR/CLP, se determina que el Test de

Stress arroja el resultado que se muestra en el Cuadro:

Cuadro. Máximo Shock diario (Test de Stress) en paridad EUR/CLP

18
 Curso Gestión de Riesgos– Módulo 3

Posiciones Shock Máx.

en EUR Histórico

Promedio 1.867,57
Max 138.151,13

De la misma forma que en el caso anterior, al considerar eventos de extrema anormalidad

tanto en la posición como en la paridad EUR/CLP (eventos de muy baja probabilidad de
ocurrencia, pero plausibles históricamente), la posición “abierta” podría generar una pérdida
máxima posible bajo escenario de tensión de EUR 138.151,13 en un día de operación.

19
 Curso Gestión de Riesgos– Módulo 3

Cierre
En conclusión, en este módulo hemos visto la importancia de aplicar herramientas
cuantitativas de gestión de liquidez en empresas financieras y no financieras para
dimensionar y mitigar los niveles de riesgo a los que se enfrentan en el mercado y en el
ámbito cambiario. Al modelar el comportamiento de los factores de riesgo, los gestores de
riesgos pueden anticiparse a los potenciales impactos que puedan surgir y elaborar
estrategias de mitigación adecuadas.

A pesar de que los riesgos no se pueden eliminar por completo, es posible reducirlos
mediante diferentes estrategias, lo que permitirá a la empresa seguir con sus operaciones
en situaciones de incertidumbre.

En este módulo, también se han revisado las mecánicas cuantitativas disponibles para
gestionar el riesgo de mercado y el riesgo cambiario, destacando la importancia de conocer
los elementos más importantes de cada uno de los riesgos que enfrenta la empresa
moderna.

Además, se han presentado técnicas cuantitativas avanzadas, como los Stress Test, que
permiten estimar los impactos de los factores de riesgo bajo situaciones de extrema
tensión, lo que puede ayudar a la empresa a tomar decisiones informadas y prevenir
pérdidas significativas.

En resumen, la aplicación de herramientas cuantitativas de gestión de liquidez es esencial

para garantizar el éxito y la estabilidad financiera de las empresas modernas. La
comprensión y gestión adecuada de los riesgos a los que se enfrentan es fundamental para
prevenir y mitigar potenciales impactos negativos en su desempeño financiero.

20
 Curso Gestión de Riesgos– Módulo 3

Bibliografía

• Bodie, Z., Kane, A., & Marcus, A. (2010). Investments (9th ed.). McGraw-Hill
Education.
• Brealey, R. A., & Myers, S. C. (2003). Principles of Corporate Finance (6th ed.).
McGraw-Hill Education.
• Harvard Business Review. (2009). Focus HBR on Risk. Harvard Business Review
Press.

21