Análisis de Portafolio de

inversión
Enfoque en Valor en Riesgo

JULIO CÉSAR LÓPEZ DOMÍNGUEZ

 Presentación del Portafolio de Inversión en Tecnología: Microsoft, Apple, Tesla,
Nvidia y Google

En el dinámico panorama de la tecnología, la inversión en empresas innovadoras

es esencial para aquellos que buscan rendimientos sólidos y sostenibles. En este
portafolio, nos enfocaremos en cinco gigantes tecnológicos: Microsoft, Apple, Tesla,
Nvidia y Google, destacando las razones para invertir y explorando las tendencias
tecnológicas futuras que respaldan estas elecciones. Se supondrá una inversión de
50 millones de dólares para este portafolio, el cuál está constituido por acciones de
las empresas previamente mencionadas con un peso al que el inversionista elija de
acuerdo a sus preferencias, para que para fines prácticos para la evaluación del
VaR, el peso de los portafolios será completamente aleatorio, la razón es
meramente arbitraria, dado que se apuesta fuertemente a este sector y se espera
que a largo plazo estas compañías lideren los principales cambios tecnológicos que
en un futuro se avecinan.
Para prepararse para los cambios siguientes en los precios de las acciones se
analizará esta propuesta mediante el uso del VaR histórico, paramétrico y Monte
Carlo, se analizarán los resultados para tomar decisiones al respecto sobre el
portafolio de inversión, los años a considerar para los precios de las acciones son a
partir del 25 de noviembre de 2020 donde se usan 3 años para realizar los análisis
correspondientes.

Microsoft (MSFT): Transformando la Productividad

Razones para Invertir: Microsoft es un líder en software empresarial y servicios en
la nube. Su sólido modelo de negocios centrado en la nube, con Azure a la
vanguardia, lo convierte en una inversión atractiva. Además, su diversificación en
productos como Surface y Xbox ofrece estabilidad y potencial de crecimiento.

Apple (AAPL): Innovación y Ecosistema Integrado

Razones para Invertir: Apple ha demostrado ser un líder en la industria de tecnología
de consumo. Su ecosistema integrado, que abarca desde hardware hasta software
y servicios, genera lealtad del cliente. El constante enfoque en innovación y el
crecimiento en servicios como Apple Music y Apple TV+ respaldan su atractivo como
inversión a largo plazo.
Tesla (TSLA): Revolucionando la Movilidad y Energía
Razones para Invertir: Tesla es pionero en la movilidad eléctrica y la energía
sostenible. Con el aumento de la conciencia ambiental, la demanda de vehículos
eléctricos y soluciones de energía renovable está en aumento. La visión de Tesla
para un futuro sostenible y sus avances en inteligencia artificial (IA) le dan una
ventaja competitiva.

Nvidia (NVDA): Potenciando la Revolución de la Inteligencia Artificial

Razones para Invertir: Nvidia es líder en el mercado de unidades de procesamiento
gráfico (GPU), crucial para la inteligencia artificial y el aprendizaje profundo. La
creciente importancia de la IA en diversas industrias, como la salud y la automoción,
posiciona a Nvidia como una opción estratégica para los inversores.

Google (GOOGL): Dominio en Tecnología y Publicidad Online

Razones para Invertir: Google es sinónimo de búsqueda en Internet y publicidad
online. Su posición dominante en la publicidad digital, combinada con iniciativas en
inteligencia artificial, realidad aumentada y servicios en la nube (Google Cloud),
respalda su potencial de crecimiento en un mundo cada vez más digitalizado.

Tendencias Tecnológicas Futuras:

Inteligencia Artificial (IA) y Aprendizaje Automático:

Todas las empresas en el portafolio están fuertemente enfocadas en desarrollar y
aplicar IA y aprendizaje automático en sus productos y servicios, anticipando un
futuro donde estas tecnologías jugarán un papel fundamental en todas las
industrias.

Energía Sostenible y Vehículos Eléctricos:

Tesla lidera la carga en la transformación hacia una movilidad más sostenible. La
transición global hacia vehículos eléctricos y soluciones de energía renovable
respalda el crecimiento a largo plazo de Tesla.

Computación Cuántica y Procesamiento de Alto Rendimiento:

Microsoft y Nvidia están explorando terrenos avanzados como la computación
cuántica y el procesamiento de alto rendimiento, preparándose para los desafíos y
oportunidades que la próxima generación de tecnologías presentará.

RENDIMIENTOS DE LAS ACCIONES DE LOS ÚLTIMOS 5 AÑOS DE CADA

EMPRESA
Tal como se aprecia en las gráficas, los precios de las acciones de las industrias
tecnológicas han sido redituables a lo largo de los años, se aprecia que hay
empresas que los rendimientos en el valor de su acción supera el 100% de
rendimiento anual tal es el caso de Tesla y Nvidia, por lo que pareciera viable, a
continuación si bien es cierto que los rendimientos son altos en comparación a
inversiones con un perfil más adverso al riesgo, se ha clasificado este portafolio de
alto riesgo y con alta correlación debido a que las compañías en las que se invertirá
son gigantes del mercado en el sector tecnológico por lo que este portafolio está
dirigido a aquellos clientes con un perfil agresivo.

Análisis del Portafolio

El portafolio está constituido por acciones de 5 grandes empresas de la tecnología,
a continuación se presenta la descripción de los precios de sus acciones de cada
una de ellas.

Como se menciono previamente, este portafolio está fuertemente correlacionado

como se aprecia en la siguiente imagen, aunque la vista por colores pareciera que
algunas no están correlacionadas, si nos fijamos en los valores asignados a cada
valor, podemos que todas ellas están fuertemente correlacionadas.
Para los cálculos de los rendimientos se consideraron los rendimientos logarítmicos,
a continuación se presenta una breve descripción de cada uno de ellos.
Finalmente, simulando aleatoriamente los pesos asociados a cada uno de estos
viene a ser dado por:

Donde al considerar una suma de 50,000,000, tenemos la siguiente posición:

VaR Histórico
Antecedentes del VaR Histórico:
El Valor en Riesgo, o VaR, es una medida estadística utilizada en finanzas para
cuantificar el riesgo de pérdida potencial en una inversión o cartera de inversiones
en un periodo de tiempo específico. La versión histórica del VaR se basa en la
observación de datos históricos de rendimientos financieros y se ha convertido en
una herramienta crucial en la gestión de riesgos.

El VaR histórico tiene sus raíces en la necesidad de entender y cuantificar el riesgo

en los mercados financieros, especialmente después de eventos significativos,
como crisis económicas o colapsos del mercado. A medida que las instituciones
financieras y los inversionistas buscaban métodos más sofisticados para evaluar y
gestionar riesgos, surgieron diferentes enfoques, y el VaR histórico se destacó por
su simplicidad y fundamentación en datos observados.

Importancia del VaR Histórico en Portafolios de Inversión:

Basado en Datos Reales:
El VaR histórico se calcula utilizando datos reales de rendimientos pasados. Esto
proporciona una perspectiva concreta y fundamentada en la realidad sobre cómo
se han comportado los activos en el pasado en condiciones similares a las actuales.
Simplicidad y Transparencia:
A diferencia de algunos enfoques más complejos, el VaR histórico es relativamente
simple de entender y calcular. Utiliza información directa del pasado sin requerir
complejos modelos matemáticos, lo que lo hace accesible para una variedad de
inversores y gestores de cartera.

Enfoque No Paramétrico:
El VaR histórico es un enfoque no paramétrico, lo que significa que no hace
suposiciones sobre la distribución de los rendimientos. Utiliza el orden de los datos
reales para estimar el riesgo, lo que puede ser ventajoso en entornos donde las
distribuciones pueden ser difíciles de modelar con precisión.

Captura de Eventos Extremos:

Al basarse en datos históricos reales, el VaR histórico tiene la capacidad de capturar
eventos extremos que podrían no estar reflejados en modelos que asumen
distribuciones normales u otros supuestos. Esto lo convierte en una herramienta
valiosa para la gestión de riesgos en situaciones de volatilidad inesperada.

Evaluación de Pérdidas Potenciales:

La esencia del VaR es proporcionar una medida cuantitativa de la pérdida máxima
esperada en un nivel de confianza específico. Esto permite a los inversores y
gestores de cartera entender el riesgo asociado con sus posiciones y tomar
decisiones informadas sobre la diversificación y la asignación de activos.

Es importante destacar que, aunque el VaR histórico tiene ventajas evidentes,

también tiene limitaciones, especialmente en entornos donde las condiciones
futuras pueden diferir significativamente de las observadas en el pasado. Por lo
tanto, muchos inversores utilizan enfoques múltiples y complementarios,
combinando el VaR histórico con otras herramientas de gestión de riesgos para
obtener una visión más completa y robusta del riesgo en sus portafolios de
inversión.
Para este proyecto el valor del VaR histórico se calculó al 95% de confianza.
VaR para un portafolio de 50 mdp : 1,959,981.3623056214, este valor representa
casi el 4% de nuestra inversión.
La metodología implementada para el cálculo del VaR fue elaborada en Python y se
anexarán al final del proyecto
Valor en Riesgo Paramétrico (VaR): Antecedentes y su Importancia en
Portafolios de Inversión

Antecedentes del VaR Paramétrico:

El Valor en Riesgo (VaR) paramétrico es un método que se basa en supuestos

paramétricos y utiliza modelos matemáticos para estimar el riesgo de pérdida en
una cartera de inversión. A diferencia del VaR histórico que se basa en datos
observados, el VaR paramétrico implica la utilización de modelos estadísticos para
proyectar cómo los rendimientos de los activos pueden variar en el futuro.

El VaR paramétrico tiene sus raíces en la teoría financiera moderna y la evolución

de enfoques más sofisticados para medir el riesgo en los portafolios de inversión.
La introducción de conceptos como la teoría de carteras de Markowitz y la Capital
Asset Pricing Model (CAPM) proporcionó la base para el desarrollo de métodos
paramétricos de gestión de riesgos.

Importancia del VaR Paramétrico en Portafolios de Inversión:

Eficiencia en el Uso de Datos:

El VaR paramétrico permite aprovechar al máximo la información disponible y, a

menudo, es más eficiente en términos de uso de datos en comparación con el VaR
histórico. Utiliza modelos que se ajustan a las distribuciones de rendimientos
esperadas, permitiendo una proyección más precisa del riesgo.

Adaptabilidad a Diferentes Escenarios:

Los modelos paramétricos pueden adaptarse a diferentes escenarios y condiciones

del mercado. Al incorporar supuestos sobre la estructura de los rendimientos y la
correlación entre activos, el VaR paramétrico puede proporcionar estimaciones de
riesgo en situaciones no observadas en los datos históricos.

Consideración de Factores Económicos y Financieros:

Al utilizar modelos como el CAPM, el VaR paramétrico tiene en cuenta factores

económicos y financieros que afectan los rendimientos de los activos. Esto puede
ser crucial para los inversionistas que desean comprender cómo eventos
macroeconómicos pueden influir en la pérdida potencial de sus inversiones.

Facilita la Evaluación de Impacto de Cambios en el Portafolio:

Dado que el VaR paramétrico se basa en modelos matemáticos, facilita la

evaluación del impacto de cambios en la composición del portafolio o de las
condiciones del mercado. Esto proporciona a los inversores una herramienta
dinámica para ajustar estratégicamente sus posiciones y gestionar el riesgo.
Utilización en la Optimización de Carteras:

El VaR paramétrico se integra bien con enfoques de optimización de carteras,

permitiendo a los inversores encontrar la combinación óptima de activos que
maximice el rendimiento para un nivel dado de riesgo. Esta sinergia contribuye a la
construcción de portafolios eficientes desde el punto de vista del riesgo.

A pesar de sus beneficios, es importante reconocer que el VaR paramétrico también

está sujeto a limitaciones, especialmente cuando los supuestos del modelo no se
cumplen en la realidad. Las fluctuaciones en las condiciones del mercado y cambios
abruptos en la correlación entre activos pueden afectar la precisión de las
estimaciones del VaR paramétrico. Por lo tanto, muchos inversionistas optan por
combinar múltiples enfoques de medición de riesgos para obtener una evaluación
más completa y robusta del riesgo en sus inversiones.

Para el uso del VaR Paramétrico haremos el supuesto que el portafolio sigue una
distribución, para este caso será una distribución Normal, de acuerdo a nuestra tabla
de Ganancias y Pérdidas que se utilizó en el VaR Histórico, podemos ver la siguiente
información que será de utilidad para los valores del cálculo de los percentiles de la
Normal

Finalmente siguiendo la metodología del VaR Paramétrico, tenemos que:

VaR Paramétrico a un horizonte de tiempo de 1 día es: 1,814,339.2497607432
VaR Montecarlo

Valor en Riesgo Montecarlo: Antecedentes y su Importancia en Portafolios

de Inversión

Antecedentes del VaR Montecarlo:

El Valor en Riesgo (VaR) Montecarlo es un enfoque que utiliza simulaciones para

evaluar el riesgo en un portafolio de inversión. Su nombre proviene del método
Montecarlo, que es una técnica estadística basada en la generación de números
aleatorios para modelar sistemas complejos. El VaR Montecarlo ha evolucionado
como respuesta a la necesidad de gestionar el riesgo en portafolios de inversión de
manera más precisa y flexible.

La técnica Montecarlo tiene sus raíces en la Segunda Guerra Mundial, cuando

científicos trabajaron en proyectos de investigación nuclear y utilizaron métodos de
simulación para calcular probabilidades en situaciones complejas. Posteriormente,
esta técnica se aplicó en diversas disciplinas, incluida la gestión de riesgos
financieros.

Importancia del VaR Montecarlo en Portafolios de Inversión:

Modelado de la Complejidad del Mercado:

Los mercados financieros son dinámicos y complejos, y el VaR Montecarlo permite

modelar esta complejidad de manera más realista. Al simular múltiples escenarios
posibles, refleja la variabilidad intrínseca de los rendimientos de los activos y las
correlaciones entre ellos.

Consideración de Variables Estocásticas:

A diferencia de otros enfoques de VaR que pueden asumir distribuciones

específicas, el VaR Montecarlo no hace suposiciones rígidas sobre la distribución
de los rendimientos. Puede manejar variables estocásticas y escenarios no lineales,
proporcionando una representación más completa del riesgo.

Flexibilidad en la Modelización:

Los inversionistas pueden personalizar la modelización en el VaR Montecarlo para

adaptarse a la complejidad de sus portafolios. Esto incluye la capacidad de
incorporar factores macroeconómicos, eventos de mercado y cambios en las
condiciones económicas en las simulaciones.

Inclusión de Efectos de Cola Pesada:

El VaR Montecarlo es eficaz para capturar eventos extremos con colas pesadas en
la distribución de rendimientos. Al simular un amplio rango de resultados posibles,
puede identificar escenarios en los que el riesgo de pérdida es más significativo,
incluso en situaciones poco probables pero críticas.

Adaptabilidad a Diferentes Estrategias de Inversión:

La técnica Montecarlo se adapta bien a diferentes estrategias de inversión,

incluyendo aquellas que involucran opciones complejas, derivados y estrategias de
gestión de riesgos más avanzadas. Esto la hace valiosa para inversores con
portafolios diversificados y sofisticados.

La importancia del VaR Montecarlo radica en su capacidad para proporcionar una

evaluación más completa y realista del riesgo en los portafolios de inversión,
especialmente en entornos financieros complejos y cambiantes. Aunque requiere
capacidad computacional, su flexibilidad y capacidad para abordar la incertidumbre
hacen que sea una herramienta esencial para los inversionistas y gestores de
carteras que buscan comprender y gestionar eficazmente el riesgo en sus
inversiones.

De acuerdo a las simulaciones realizadas, acorde al VaR Montecarlo, estima una

pérdida de 328,037

Prueba de Estres
Las pruebas de estrés en el contexto de los portafolios de inversión son
simulaciones que evalúan cómo un portafolio o un conjunto de activos financieros
responderían bajo condiciones extremas o escenarios adversos. Estos escenarios
extremos pueden incluir eventos de volatilidad extrema, crisis económicas, cambios
abruptos en tasas de interés, entre otros. El propósito fundamental de las pruebas
de estrés es evaluar la resistencia y solidez de un portafolio frente a condiciones
adversas.

Importancia de las Pruebas de Estrés en Portafolios de Inversión:

Evaluación de Resiliencia:
Las pruebas de estrés permiten a los inversores y gestores de carteras evaluar la
resiliencia de sus inversiones frente a situaciones extremas. Estas pruebas ayudan
a identificar cómo el portafolio podría comportarse en condiciones inusuales y, por
lo tanto, proporcionan información valiosa para la toma de decisiones informadas.
Gestión Activa de Riesgos:
La gestión efectiva del riesgo es fundamental en la inversión. Las pruebas de estrés
ofrecen la oportunidad de identificar posibles puntos débiles en el portafolio y ajustar
estrategias de inversión para mitigar riesgos específicos. Esto puede incluir cambios
en la asignación de activos, ajustes en la diversificación o la introducción de
instrumentos financieros que actúen como coberturas.

Cumplimiento Regulatorio:
En muchos casos, las instituciones financieras están obligadas por regulaciones a
realizar pruebas de estrés para evaluar su capacidad para resistir eventos adversos.
Estos ejercicios son especialmente importantes en el sector bancario, donde la
solidez financiera es crucial para la estabilidad del sistema financiero en su conjunto.

Mejora de la Planificación Financiera:

Las pruebas de estrés ofrecen información valiosa para la planificación financiera a
largo plazo. Al comprender cómo el portafolio responde a diferentes escenarios, los
inversores pueden ajustar sus estrategias para lograr metas financieras y
asegurarse de que estén preparados para enfrentar diferentes condiciones del
mercado.

Comunicación con Inversionistas:

Para gestores de fondos y profesionales financieros, las pruebas de estrés
proporcionan una base sólida para la comunicación con los inversionistas. Pueden
demostrar que han evaluado la robustez de sus estrategias de inversión y están
preparados para enfrentar situaciones adversas, lo que puede aumentar la
confianza de los inversores.

Identificación de Correlaciones y Interconexiones:

Las pruebas de estrés pueden revelar cómo diferentes activos dentro de un
portafolio están correlacionados bajo estrés. Esto es vital para comprender el grado
de diversificación real y si ciertos activos podrían comportarse de manera
inesperada en situaciones extremas.

Aprendizaje Continuo:
A medida que los mercados y las condiciones económicas evolucionan, las pruebas
de estrés permiten a los inversionistas aprender de experiencias pasadas y adaptar
sus estrategias a un entorno en constante cambio.

ANEXOS
Código:
https://colab.research.google.com/drive/1meax-
UVlnydkj268Lw9Jb41QEloIrDSf?usp=sharing

Var Histórico
Código Python:

#VaR Histórico
PnL = variaciones_logaritmicas.dot(pesos_ws.transpose()).dropna() #Despúes de calcular los
rendimientos logaritmicos
#procedemos a multiplicar los rendimientos por nuestra posición eliminamos los NA y
llamaremos a este nuestro vector de perdidas y ganancias
PnL.columns = ["PnL"] #Nombramos la columna como Profits & Losses
PnL = PnL.sort_values(by="PnL",ascending=True) #Ordenamos los valores históricos
total_datos = len(PnL)#Extraemos el número total de datos que serán la base para estimar las
péridas de acuerdo al nivel de confianza
nivel_VaR = 0.05 #Establecemos el nivel de confianza que es 1-nivel del VaR así
contabilizaremos apartir del peor dia
num_datos_despues_VaR = np.ceil(total_datos*nivel_VaR) #Nivel de pérdida
PnL["pos"] = range(0,total_datos)
np.max(PnL[PnL["pos"]<num_datos_despues_VaR]["PnL"])#El valor de mi pérdida de acuerdo
a los rendimientos, pero como es una pérdida quiero este valor en negativo
print("VaR para un portafolio de 50mdp :",-
np.max(PnL[PnL["pos"]<num_datos_despues_VaR]["PnL"])*50_000_000)#el valor ya en
positivo representando una pérdida por mi posición

VaR Paramétrico

from scipy.stats import norm

conf_level = 0.05#establecemos el nivel de confianza
cut = norm.ppf(1-conf_level, parametro_media, parametro_desvest)#establecemos el valor del
nivel de confianza de nuestra analisis
print("El VaR a un nivel de confianza 5% a 1 día es: ", cut[0]*50_000_000) #funciona para el
horizonte de tiempo en el que vienen nuestras variaciones
#en este caso que traemos variaciones diarias el quantil que estamos calculando es diario

VaR MonteCarlo

### Calculamos rendimiento promedio y desviacion del portafolio

portfolio_value = 10_000_000
weights = np.array([1/len(tickers)]*len(tickers))
portfolio_expected_return = expected_return(weights, log_returns)
portfolio_std_dev = standard_deviation (weights, cov_matrix)
def random_z_score():
 return np.random.normal(0, 1) #Asumimos que las v.a. a simular vienen de una Normal(m,s)

### Create a function to calculate scenarioGainLoss

days = 1
#Este paso desnormaliza la normal estandar
def scenario_gain_loss(portfolio_value, portfolio_std_dev, z_score, days):
return portfolio_value * (portfolio_expected_return * days + portfolio_std_dev * z_score *
np.sqrt(days))
#Corremos 100,000 simulations
simulations = 100_000
scenarioReturn = []

for i in range(simulations):
z_score = random_z_score()
scenarioReturn.append(scenario_gain_loss(portfolio_value, portfolio_std_dev, z_score,
days))
confidence_interval = 0.05
VaR = -np.percentile(scenarioReturn, 100*confidence_interval,interpolation='lower')#De los
escenarios simulados, calculamos un el percentil de acuerdo a nuestro nivel de confianza
print("VaR(5%) a 1 día con 10,000 simulaciones para un portafolio de 10_000_000
montecarlo: ",VaR)
VaR = -np.percentile(scenarioReturn, 100 * (confidence_interval),interpolation='higher')
print("VaR(5%) a 1 día con 10,000 simulaciones para un portafolio de 10_000_000
montecarlo: ",VaR)
VaR = -np.percentile(scenarioReturn, 100 * (confidence_interval),interpolation='midpoint')
print("VaR(5%) a 1 día con 10,000 simulaciones para un portafolio de 10_000_000
montecarlo: ",VaR)