Rendimiento y Riesgo: Histórico vs.

Esperado

1. Rendimiento:

El rendimiento, también conocido como rentabilidad, mide la ganancia o

pérdida de una inversión durante un período de tiempo específico. Se expresa
como un porcentaje del valor inicial de la inversión.

Rendimiento histórico:

El rendimiento histórico se refiere al rendimiento real que ha obtenido una

inversión en el pasado. Se calcula utilizando datos históricos de precios,
dividendos y otros ingresos.

Ejemplo:

Si una acción ha tenido un rendimiento histórico anual del 10% durante los
últimos 5 años, significa que su valor ha aumentado en un 10% cada año en
promedio.

Rendimiento esperado:

El rendimiento esperado es la rentabilidad que se espera obtener de una

inversión en el futuro. Se basa en una serie de factores, como las condiciones
del mercado, el análisis fundamental y las expectativas de los inversores.

Ejemplo:

Un inversor puede esperar un rendimiento del 12% anual de una cartera

diversificada de acciones a largo plazo.

2. Riesgo:

El riesgo es la posibilidad de que una inversión pierda valor. Se puede medir de

varias maneras, como la volatilidad, la desviación estándar o la probabilidad de
pérdida.

Riesgo histórico:

El riesgo histórico se refiere a la volatilidad real que ha experimentado una

inversión en el pasado. Se calcula utilizando datos históricos de precios.

Ejemplo:

Si una acción ha tenido una volatilidad histórica del 20% anual durante los
últimos 5 años, significa que su precio ha fluctuado en un 20% por encima y por
debajo de su valor promedio cada año.

Riesgo esperado:
El riesgo esperado es la probabilidad de que una inversión pierda valor en el
futuro. Se basa en una serie de factores, como las condiciones del mercado, el
análisis fundamental y la tolerancia al riesgo del inversor.

Ejemplo:

Un inversor puede esperar un riesgo del 10% anual de una cartera diversificada
de acciones a largo plazo.

Diferencias:

 El rendimiento histórico es un dato real, mientras que el rendimiento

esperado es una estimación.
 El riesgo histórico es una medida de la volatilidad pasada, mientras que
el riesgo esperado es una medida de la probabilidad de pérdida futura.
 El rendimiento y el riesgo están relacionados: a mayor rendimiento
esperado, mayor riesgo esperado.

3. Ejemplos:

Inversión en acciones:

 Rendimiento histórico: El rendimiento histórico de una acción se

puede ver en gráficos de precios o en informes financieros.
 Rendimiento esperado: El rendimiento esperado de una acción se
puede estimar utilizando análisis fundamental o análisis técnico.
 Riesgo histórico: El riesgo histórico de una acción se puede medir
utilizando la volatilidad o la desviación estándar.
 Riesgo esperado: El riesgo esperado de una acción se puede estimar
utilizando la beta de la acción.

Inversión en bonos:

 Rendimiento histórico: El rendimiento histórico de un bono se puede

ver en su precio de mercado.
 Rendimiento esperado: El rendimiento esperado de un bono se puede
estimar utilizando la tasa de interés del bono.
 Riesgo histórico: El riesgo histórico de un bono se puede medir
utilizando la duración del bono.
 Riesgo esperado: El riesgo esperado de un bono se puede estimar
utilizando el riesgo de crédito del emisor del bono.

Conclusión:

Es importante comprender la diferencia entre el rendimiento y el riesgo histórico

y el rendimiento y el riesgo esperado al tomar decisiones de inversión. El
rendimiento y el riesgo históricos pueden proporcionar información útil sobre el
comportamiento pasado de una inversión, pero no son garantía de resultados
futuros. El rendimiento y el riesgo esperados son más importantes para tomar
decisiones de inversión informadas, ya que se basan en las expectativas del
mercado y las condiciones actuales.

Conceptos estadísticos para el calculo del CAPM y el beta

A) La desviación estándar
es una medida estadística que nos indica cuánto se
desvían los valores de un conjunto de datos con respecto a su media.
Calcularemos ejemplos detallados de la desviación estándar, tanto para
una muestra como para una población.

Formula:

Ejemplo 1: Desviación Estándar Muestral

Supongamos que un profesor enseña a dos grandes grupos de introducción al
marketing y selecciona aleatoriamente una muestra de calificaciones de los
exámenes realizados por los dos grupos. Los datos son los siguientes:

 Grupo 1: 50, 60, 70, 80, 90

 Grupo 2: 72, 68, 70, 74, 66

Paso a paso para calcular la desviación estándar muestral:

1. Calcular la media (x̄ ) para cada grupo:
o Grupo 1: Σ xᵢ = 350, N = 5, x̄ = 70
o Grupo 2: Σ xᵢ = 350, N = 5, x̄ = 70
2. Calcular las diferencias entre cada valor y la media (xᵢ - x̄ ):
o Grupo 1:
 (50 - 70) = -20
 (60 - 70) = -10
 (70 - 70) = 0
  (80 - 70) = 10
 (90 - 70) = 20
o Grupo 2:
 (72 - 70) = 2
 (68 - 70) = -2
 (70 - 70) = 0
 (74 - 70) = 4
 (66 - 70) = -4
3. Elevar al cuadrado cada diferencia [(xᵢ - x̄ ) ²]:
o Grupo 1: Σ (xᵢ - x̄ ) ² = 1000
o Grupo 2: Σ (xᵢ - x̄ ) ² = 40
4. Calcular la suma total de las diferencias al cuadrado:
o Grupo 1: Σ (xᵢ - x̄ ) ² = 1000
o Grupo 2: Σ (xᵢ - x̄ ) ² = 40
5. Calcular la desviación estándar muestral (s):
o Grupo 1: s = √ (Σ (xᵢ - x̄ ) ² / (N - 1)) ≈ 14.14
o Grupo 2: s = √ (Σ (xᵢ - x̄ ) ² / (N - 1)) ≈ 6.32

Ejemplo 2: Desviación Estándar Poblacional

Vanesa y Jimena Mora, dueñas de una tienda de fotografía, están
considerando la posibilidad de invertir en el activo A o en el B. Los valores de
las tasas de rendimiento de las opciones son:

 Activo A: 11.3, 12.5, 13, 12, 12.2

Paso a paso para calcular la desviación estándar poblacional:

1. Calcular la media (μ):
o Datos = 11.3, 12.5, 13, 12, 12.2
o Σ xᵢ = 61, N = 5, μ = 12.2
2. Calcular las diferencias entre cada valor y la media (xᵢ - μ):
o (11.3 - 12.2) = -0.9
o (12.5 - 12.2) = 0.3
o (13 - 12.2) = 0.8
o (12 - 12.2) = -0.2
o (12.2 - 12.2) = 0
3. Elevar al cuadrado cada diferencia [(xᵢ - μ) ²]:
o Σ (xᵢ - μ) ² = 9661
4. Calcular la desviación estándar poblacional (σ):
o σ = √ (Σ (xᵢ - μ) ² / N) ≈ 98.29

1. En resumen, la desviación estándar nos proporciona una medida de la

dispersión de los datos alrededor de la media. En este caso, la
desviación estándar poblacional para el activo A es
aproximadamente 98.29. Esto indica cuánto varían las tasas de
rendimiento con respecto a la media. Desviación estándar:
La curva normal, también conocida como la campana de Gauss, es una
distribución de probabilidad que se utiliza ampliamente en estadística para
modelar muchos fenómenos naturales y sociales.

Aquí tienes una breve explicación para diferentes desviaciones estándar:

1. 1 desviación Estándar:
o En una distribución normal, aproximadamente el 68% de los datos
se encuentran dentro de 1 desviación estándar de la media.
o Visualmente, esto significa que la mayor parte de la campana
está centrada alrededor de la media, y la curva se extiende hasta
aproximadamente 1 desviación estándar a ambos lados de la
media.
2. 2 desviaciones Estándar:
o Alrededor del 95% de los datos se encuentran dentro de 2
desviaciones estándar de la media.
o La campana se extiende más ampliamente, cubriendo un rango
más grande alrededor de la media.
3. 3 desviaciones Estándar:
o Aproximadamente el 99.7% de los datos se encuentran dentro
de 3 desviaciones estándar de la media.
o La campana se vuelve aún más ancha, abarcando la mayoría de
los valores posibles.
4. 4 desviaciones Estándar:
o Imagina que estiramos la campana aún más. Ahora,
aproximadamente el 99.994% de los datos se encuentran dentro
de 4 desviaciones estándar de la media.
o Los valores extremos están muy cerca de los bordes de la
campana.

En resumen, a medida que aumentamos el número de desviaciones estándar,

la campana se expande y abarca más datos. La curva normal es una
herramienta poderosa para comprender la distribución de los datos y evaluar la
probabilidad de eventos en función de su posición en la campana.

B) varianza
Nos proporciona una medida de la dispersión de los datos alrededor de la
media. La varianza muestral se utiliza cuando tenemos una muestra, mientras
que la varianza poblacional se aplica a toda la población diferencia entre
varianza y desviación típica. La varianza y la desviación estándar son dos
conceptos fundamentales en estadística que miden la dispersión de datos
alrededor de un valor central. A continuación, te explico sus diferencias:

o Definición: En estadística, la varianza se define como el valor

esperado del cuadrado de la diferencia entre el valor de
una variable aleatoria y su valor medio.
 o Matemáticamente, esto se expresa como: considerar N-1 para
población y N para muestra.

o De manera menos formal, también podemos definirla como

el promedio de los cuadrados de las diferencias entre los
datos individuales y su valor medio en una serie de datos (ya sea
poblacional o muestral).

Ejemplo 1: Varianza Muestral

Supongamos que un profesor enseña a dos grandes grupos de introducción al
marketing y selecciona aleatoriamente una muestra de calificaciones de los
exámenes realizados por los dos grupos. Los datos son los siguientes:

 Grupo 1: 50, 60, 70, 80, 90

 Grupo 2: 72, 68, 70, 74, 66

Paso a paso para calcular la varianza muestral:

1. Calcular la media (x̄ ) para cada grupo:
o Grupo 1: Σ xᵢ = 350, N = 5, x̄ = 70
o Grupo 2: Σ xᵢ = 350, N = 5, x̄ = 70
2. Calcular las diferencias entre cada valor y la media (xᵢ - x̄ ):
o Grupo 1:
 (50 - 70) = -20
 (60 - 70) = -10
 (70 - 70) = 0
 (80 - 70) = 10
 (90 - 70) = 20
o Grupo 2:
 (72 - 70) = 2
 (68 - 70) = -2
 (70 - 70) = 0
 (74 - 70) = 4
 (66 - 70) = -4
3. Elevar al cuadrado cada diferencia [(xᵢ - x̄ ) ²]:
o Grupo 1: Σ (xᵢ - x̄ ) ² = 1000
o Grupo 2: Σ (xᵢ - x̄ ) ² = 40
 4. Calcular la suma total de las diferencias al cuadrado:
o Grupo 1: Σ (xᵢ - x̄ ) ² = 1000
o Grupo 2: Σ (xᵢ - x̄ ) ² = 40
5. Calcular la varianza muestral (s):
o Grupo 1: s = √ (Σ (xᵢ - x̄ ) ² / (N - 1)) ≈ 14.14
o Grupo 2: s = √ (Σ (xᵢ - x̄ ) ² / (N - 1)) ≈ 6.32

Ejemplo 2: Varianza Poblacional

Vanesa y Jimena Mora, dueñas de una tienda de fotografía, están
considerando la posibilidad de invertir en el activo A o en el B. Los valores de
las tasas de rendimiento de las opciones son:

 Activo A: 11.3, 12.5, 13, 12, 12.2

Paso a paso para calcular la varianza poblacional:

1. Calcular la media (μ):
o Datos = 11.3, 12.5, 13, 12, 12.2
o Σ xᵢ = 61, N = 5, μ = 12.2
2. Calcular las diferencias entre cada valor y la media (xᵢ - μ):
o (11.3 - 12.2) = -0.9
o (12.5 - 12.2) = 0.3
o (13 - 12.2) = 0.8
o (12 - 12.2) = -0.2
o (12.2 - 12.2) = 0
3. Elevar al cuadrado cada diferencia [(xᵢ - μ) ²]:
o Σ (xᵢ - μ) ² = 9661
4. Calcular la varianza poblacional (σ):
o σ = √ (Σ (xᵢ - μ) ² / N) ≈ 98.29

C) Covarianza:

oLa covarianza, denotada como COV. (X, Y), refleja cuánto varían
dos variables aleatorias conjuntamente en relación con sus
medias.
o Nos permite entender cómo se comporta una variable cuando la
otra cambia. Por ejemplo, si una variable X aumenta, ¿cómo
afecta eso a la variable Y?
o Los valores de la covarianza pueden ser:
 Negativos: Cuando X aumenta, Y disminuye (relación
negativa).
 Positivos: Cuando X aumenta, Y también aumenta
(relación positiva).
 Igual a cero: Cuando no hay relación aparente entre las
variables X e Y.
2. Fórmula para el Cálculo de la Covarianza:
o La covarianza se calcula utilizando la siguiente fórmula:
Donde:

 (\bar{x}es la media de la variable X.

 (\bar{y}) es la media de la variable Y.
 (n) es el número total de observaciones.

3. Ejemplo de Covarianza: Supongamos que tenemos los siguientes

datos de X e Y:
o X = [2, 4, 6, 8]
o Y = [5, 7, 9, 11]

o Calculamos la covarianza:

Media X= 5

Media Y = 8

COV (X, Y) = [(2-5) (5-8) + (4-5)(7-8) + (6-5)(9-8) + (8-5)(11-8)]/4 = 4 ]

Interpretamos este resultado: Como es mayor que cero, estas dos variables
tienen una relación positiva. Para obtener una relación más ajustada,
podríamos calcular la correlación lineal.

Recuerda que la covarianza es un concepto importante para comprender las

relaciones entre variables en estadística.

D) Coeficiente de correlación lineal

En estadística es un indicador que mide la tendencia de dos variables

cuantitativas X e Y a tener una relación de linealidad o proporcionalidad entre
ellas. Generalmente, estos pares de variables representan dos características
de una misma población. Por ejemplo, X podría ser la altura de una persona
y Y su peso. Veamos más detalles:

1. Fórmula del Coeficiente de Correlación r:

o El coeficiente de correlación lineal de Pearson se denota con la
letra “r” minúscula y sus valores mínimo y máximo son -1 y +1,
respectivamente.
o Un valor de r = +1 indicaría que los pares (X, Y) están
perfectamente alineados y que cuando X crece, Y crecerá en la
misma proporción. En cambio, si r = -1, el conjunto de pares
también estaría perfectamente alineado, pero en tal caso,
cuando X crece, Y decrece en la misma proporción.
o Un valor de r = 0 indicaría que no hay correlación lineal alguna
entre las variables X e Y.
o La fórmula para calcular el coeficiente de correlación r es la
siguiente:

2. Ejemplo Práctico: Supongamos que tenemos cuatro pares de datos (X,

Y) que representan la altura y el peso de personas en una población.
Los valores son los siguientes:

Tabla

X (Altura) Y (Peso)

160 cm 55 kg

170 cm 60 kg

155 cm 50 kg

175 cm 65 kg

Calculamos la media de X y Y:

o Media de X: = {160 + 170 + 155 + 175} / {4} = 165 cm

 o Media de Y: = {55 + 60 + 50 + 65} / {4} = 57.5 kg

Calculamos la covarianza entre X e Y:

o S x y = \frac {{(160 - 165) (55 - 57.5) + (170 - 165) (60 - 57.5) +

(155 - 165) (50 - 57.5) + (175 - 165) (65 - 57.5)}}{3} = 125)

Calculamos las desviaciones estándar de X e Y:

o (S x = raíz cuadrada (160 - 165) ^2 + (170 - 165) ^2 + (155 - 165)

^2 + (175 - 165) ^2} / {3}} = 7.07) cm

o (S y = raíz cuadrada de (55 - 57.5) ^2 + (60 - 57.5) ^2 + (50 - 57.5)

^2 + (65 - 57.5) ^2} / {3}} = 5.77) kg

Finalmente, calculamos el coeficiente de correlación:

r = 125 / {7.07 x 5.77) = 0.98

El valor de r cercano a 1 indica que existe una fuerte correlación

positiva entre la altura y el peso en esta población

Modelo de Valoración de Activos Financieros (CAPM)

El Modelo de Valoración de Activos Financieros (CAPM) es un modelo

financiero que se utiliza para calcular la rentabilidad esperada de un activo
financiero en función del riesgo que este conlleva. El CAPM se basa en la idea
de que los inversores racionales exigen una mayor rentabilidad por asumir un
mayor riesgo.

Fórmula del CAPM:

R = Rf + β (Rm - Rf)

Donde:

 R: Rentabilidad esperada del activo

 Rf: Tasa libre de riesgo
 β: Coeficiente beta del activo
 Rm: Rentabilidad esperada del mercado
Ejemplo:

Supongamos que un activo tiene una beta de 1,5, la tasa libre de riesgo es del
3% y la rentabilidad esperada del mercado es del 10%. La rentabilidad
esperada del activo sería:

R = 3% + 1,5 (10% - 3%) = 13,5%

Rendimiento Requerido

El rendimiento requerido es la rentabilidad mínima que un inversor espera

obtener de una inversión. El rendimiento requerido se calcula sumando la tasa
libre de riesgo a una prima de riesgo que compensa al inversor por asumir el
riesgo de la inversión.

Fórmula del Rendimiento Requerido:

Rendimiento Requerido = Rf + Prima de Riesgo

Ejemplo:

Suponiendo que la tasa libre de riesgo es del 3% y un inversor exige una prima
de riesgo del 5% por invertir en un activo, el rendimiento requerido del activo
sería:

Rendimiento Requerido = 3% + 5% = 8%

Coeficiente Beta y Riesgo Sistemático

El coeficiente beta es una medida del riesgo sistemático de un activo. El riesgo

sistemático es el riesgo que no puede ser diversificado por un inversor al
invertir en una cartera de activos. El coeficiente beta se calcula comparando la
volatilidad de un activo con la volatilidad del mercado.

Una beta de 1: indica que el activo tiene la misma volatilidad que el mercado.

Una beta superior a 1: indica que el activo es más volátil que el mercado.

Una beta inferior a 1: indica que el activo es menos volátil que el mercado.

Ejemplo:

Si un activo tiene una beta de 1,2, significa que es un 20% más volátil que el
mercado.

El coeficiente beta: definición, fórmula y ejemplos

El coeficiente beta es una medida del riesgo sistemático de un activo. El
riesgo sistemático es el riesgo que no puede ser diversificado por un inversor
al invertir en una cartera de activos. El coeficiente beta se calcula comparando
la volatilidad de un activo con la volatilidad del mercado.

Fórmula del coeficiente beta:

β = (COV (R₁, R₂) / Var(R₂))

Donde:

 β: Coeficiente beta del activo

 COV (R₁, R₂): Covarianza entre el rendimiento del activo (R₁) y el
rendimiento del mercado (R₂)
 Var(R₂): Varianza del rendimiento del mercado

Interpretación del coeficiente beta:

 Una beta de 1: indica que el activo tiene la misma volatilidad que el

mercado.
 Una beta superior a 1: indica que el activo es más volátil que el
mercado.
 Una beta inferior a 1: indica que el activo es menos volátil que el
mercado.

Ejemplos:

 Acción con beta de 1,2: Esta acción es un 20% más volátil que el
mercado. Por lo tanto, si el mercado sube un 10%, esta acción podría
subir un 12%. Sin embargo, si el mercado baja un 10%, esta acción
podría bajar un 12%.
 Acción con beta de 0,8: Esta acción es un 20% menos volátil que el
mercado. Por lo tanto, si el mercado sube un 10%, esta acción podría
subir un 8%. Sin embargo, si el mercado baja un 10%, esta acción
podría bajar un 8%.

En resumen:

 El coeficiente beta es una medida del riesgo sistemático de un activo.

 La beta se calcula comparando la volatilidad de un activo con la
volatilidad del mercado.
 Una beta de 1 indica que el activo tiene la misma volatilidad que el
mercado.
 Una beta superior a 1 indica que el activo es más volátil que el mercado.
 Una beta inferior a 1 indica que el activo es menos volátil que el
mercado.