Documentos de Académico
Documentos de Profesional
Documentos de Cultura
inversión
Enfoque en Valor en Riesgo
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.
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.
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
Flexibilidad en la Modelización:
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.
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.
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
VaR MonteCarlo
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)