Escolar Documentos
Profissional Documentos
Cultura Documentos
Copyright 2008 John Wiley & Sons Ltd, el Atrio, Puerta Sur,
Chichester, West Sussex PO19 8SQ, Inglaterra
Telfono (+44) 1243 779777
Correo electrnico (para pedidos y servicio de atencin al cliente): Cs-
books@wiley.co.uk visite nuestra pgina sobre www.wiley.com
Todos Los Derechos Reservados. Ninguna parte de esta publicacin puede
ser reproducida, almacenada en un sistema de recuperacin o transmitida
de ninguna forma o por cualquier medio, electrnico, mecnico, fotocopia,
grabacin, escaneado o de lo contrario, excepto bajo los trminos del
copyright, diseos y patentes Ley 1988 o bajo los trminos de una
licencia expedida por la Copyright Licensing Agency Ltd., 90 Tottenham
Court Road, Londres W1T 4LP, Reino Unido, sin el permiso por escrito del
editor. Pide a la editorial debe ser dirigida al Departamento de
permisos, John Wiley & Sons Ltd, el Atrio, Puerta Sur, Chichester,
West Sussex PO19 8SQ, Inglaterra, o por correo electrnico a
Permreq@wiley.co.uk, o por fax al (+44) 1243 770620.
Las denominaciones utilizadas por las empresas para distinguir sus
productos suelen ser reclamados como marcas. Todas las marcas y nombres
de productos usados en este libro son los nombres comerciales, marcas de
servicio, marcas comerciales o marcas comerciales registradas de sus
respectivos propietarios. El editor no est asociado con ningn proveedor
o producto mencionado en este libro.
Esta publicacin est diseada para proporcionar informacin precisa y
fidedigna con respecto a la materia cubierta. Se vende en el
entendimiento de que el editor no se dedica a prestar servicios
profesionales. Si asesoramiento profesional o de otros expertos, es
necesaria la ayuda de los servicios de un profesional competente deben
ser buscados.
Otras oficinas Editorial Wiley,
John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, EE.UU
Jossey-Bass, 989 Market Street, San Francisco, CA 94103-1741, EE.UU.
Wiley-VCH Verlag GmbH Boschstr. 12, D-69469 Weinheim, Alemania
Australia John Wiley & Sons Ltd, 42 McDougall Street, Milton,
Queensland 4064, Australia
John Wiley & Sons (Asia) Pte Ltd, 2 Clementi Loop #02-01, Jin Xing
Distripark, Singapur 129809
John Wiley & Sons Ltd, Canad 6045 Freemont Blvd. El Mississauga,
Ontario L5R 4J3, Canad
Wiley tambin publica sus libros en una variedad de formatos
electrnicos. Algunos contenidos que aparece en la impresin puede no
estar disponible en libros electrnicos.
La biblioteca de Congreso que Cataloga en los datos de la publicacin
Nyholm, Ken.
asignacin estratgica de los activos en los mercados de renta fija: una
basada en MATLAB / gua del usuario Ken Nyholm.
p. cm.
Incluye referencias bibliogrficas e ndice.
ISBN 978-0-470-75362-0 (tela : alk. papel) 1. La asignacin de activos-
modelos matemticos.
2. Los activos y pasivos de la gestin de modelos matemticos. I. EL
TTULO.
HG4529.5.N94 2008
332.63 2044-DC22 2008022823
de catalogacin de la Biblioteca Britnica en la publicacin de
un catlogo de datos de registro de este libro est disponible en la
Biblioteca Britnica
ISBN 978-0-470-75362-0
Componer en tiempos de pt 10/12Integra Software Services Pvt. Ltd,
Pondicherry, India impreso y encuadernado en Gran Bretaa por TJ
International Ltd, Padstow, Cornualles, en el Reino Unido
contenidos
Lista de figuras xi Prefacio y Renuncia xiii Agradecimientos xvii
1 Introduccin 1 1.1 asignacin estratgica de los activos 1 1.2 Esquema
del libro 5 2 Elementos esenciales de MATLAB 7 2.1 Introduccin 7 2.2
Introduccin 8 2.3 Introduccin 12 lgebra matricial 2.4 Organizacin de
datos 16 2.5 La creacin de funciones 18 2.6 23 de regresin lineal 2.7
Algunos ejemplos de estimacin 27 2.8 Una breve introduccin a las
simulaciones preliminares Fixed-Income 32 3 39 39 3.1 Introduccin 3.2
las tasas spot y rendimientos 39 3.3 tasas de avance 47 3.4 Funciones de
Precios de Bonos 48 4 Riesgo y Retorno mide 51 4.1 Introduccin 51 4.2.
Medidas del riesgo 51 4.3 devoluciones de renta fija 65
x
5 Duracin contenido modelos de estructura 69 5.1 Introduccin 69 5.2 no
necesariamente libre de arbitraje modelos 69 5.3 El arbitraje libre de 74
modelos de asignacin de activos 6 87 87 6.1 Introduccin 6.2 La
diversificacin de carteras eficientes 87 6.3 95 6.4 La cartera de
varianza mnima 98 6.5 Limitaciones de peso de activos 100 6.6 El Capital
Asset Pricing Model 106 7 Herramientas Estadsticas 109 109 7.1
Introduccin 7.2 autorregresiva Vector 109 7.3 modelos de cambio de
rgimen 112 7.4 Curva de rendimiento modelos en forma de espacio de
estado 123 7.5 muestreo por importancia 129 8 Crear interfaces grficas
de usuario 135 135 8.1 Introduccin 8.2 El entorno de desarrollo "GUIDE"
135 8.3 Creacin de una GUI sencilla 138 9 frmulas y expresiones tiles
149 9.1 Introduccin 149 9.2 Operaciones matriciales 149 9.3
Descomposiciones 153 9.4 normas bsicas de 154 distribuciones 9.6
Funciones 9.5 156 157 9.7 series de Taylor aproximacin 159 9.8 las tasas
de inters, los rendimientos y estadsticas de cartera 159 Bibliografa
161 ndice 163 en la
lista de figuras
2.1 Ejemplo del comando 'Imprimir' 9 2.2 Ejemplo del comando "hold" 10
2.3 Ejemplo del comando 'subplot' 12 2.4 Original y datos simulados 35
2.5 simulado distribuciones de parmetro 35 3.1 ejemplos de la curva de
rendimientos en las fechas indicadas 41 3.2 Ejemplo de curva de
rendimiento las formas y lugares 42 3.3 Comparacin de una curva cero y
una curva de rendimiento 46 4.1 La varianza y covarianza 52 4.2 El riesgo
mide 54 4.3 emprica y distribucin normal 55 4.4 El precio del bono
sensibilidad a niveles de rendimiento 60 aproximaciones a 4.5 El MD y
convexidad 65 5.1 Nelson-Siegel curva de rendimiento factores 70 5.2
Nelson-Siegel factor sensibilidades (= 0.08) 71 5.3 Vasicek ejemplo
curva 79 5.4 hacia arriba y curvas de rendimiento Vasicek inversa 81 5.5
los rendimientos observados y estimados a partir de un modelo de
arbitraje 84 6.1 Ejemplo de carteras eficaces e ineficaces 88 6.2 La
posible inversin frontier 94 6.3 Ejemplo del efecto de diversificacin
97 6.4 Ejemplo de un desenfrenado y limitada frontera eficiente 106 6.5
La lnea del mercado de capitales 107 7.1 Ejemplo de rgimen 113 datos de
conmutacin 7.2 Datos y probabilidad estimada para el estado 1 122 7.3
Estado probabilidades y el factor de inclinacin 128 7.4 Las estimaciones
del dficit previsto 132 8.1 El MATLAB "guiar" la pantalla Iniciar 136
8.2 El rea de desarrollo de GUI 137 8.3 La 'propiedad Inspector' 138 8.4
Cambiando el nombre y propiedades de etiqueta de un botn de 'Push' 139
8.5 Nelson-Siegel GUI 140
Prefacio y renuncia de
los trabajos contenidos en este libro fue inicialmente concebido como
lectura de fondo para estudiantes en el Departamento de Finanzas de la
Universidad de Francfort para un curso sobre "StrategicAssetAllocation
renta fija en la prctica", que empec a ensear hace algunos aos.
Una bsqueda bibliogrfica apropiada para un libro de texto que combina
el anlisis de renta fija, la teora de la cartera y en profundidad, las
aplicaciones basadas en computadoras concluyeron sin xito.
Por lo tanto, me puse a escribir apuntes, destinada a explicar e
ilustrar, mediante el uso de ejemplos, algunos de los temas a partir de
la interseccin entre la gestin de la cartera de renta fija y
econometra aplicada. Como herramienta informtica Decid confiar
1 en MATLAB.
Eventualmente, los apuntes termin formando este libro. Su propsito
principal es ayudar a los lectores que estn interesados en la aplicacin
de modelos economtricos y financieros en MATLAB. Mientras que los
Ejemplos comentados por ningn medios dicen ser 'la mejor manera' para
programar y aplicar esas tcnicas y modelos, se espera que el texto
todava puede servir como una introduccin til pertinente para
estudiantes y profesionales por igual. En particular, muchos
profesionales y estudiantes (parece) no puede encontrar el tiempo (aunque
probablemente por motivos diferentes) para hacer la necesaria labor de
pie para empezar a implementar modelos de MATLAB; con aquellos en mente,
el objetivo de este libro es bajar la "barrera de entrada" para el xito
de la aplicacin de modelos financieros.
Una renuncia es justificada en este punto. Dado mis antecedentes
relacionados con el trabajo en stra- tegic la asignacin de activos para
los instrumentos de deuda, el libro tiene un sesgo significativo hacia
los mercados de renta fija. Esto significa que el libro no cubre la
equidad y opciones- material relacionado en absoluto. Adems, el libro no
reclama o pretende dar un tratamiento unificado de mtodos de asignacin
estratgica de activos, ni de cmo construir un activo alloca marco-
cin. Ms bien, presenta una coleccin de diferentes ideas y tcnicas, y
muestra cmo estos pueden implementarse utilizando Matlab.
1 Ms informacin acerca de MATLAB y cmo utilizarlo puede ser encontrada
en la Internet, vase, por ejemplo, y Www.econphd.net/notes.
www.mathworks.com MATLAB es una marca registrada de The MathWorks Inc.
prefacio y Renuncia xv
poner el material en perspectiva. Siempre he encontrado esta prctica un
poco cursi. De cualquier modo, resulta que no puedo resistir la tentacin
de introducir una cita, as que aqu va:
Por qu caemos, Seor? A fin de que podamos aprender mejor elegir
nosotros mismos.
Alfred Pennyworth a Batman (Batman Begins, Warner Bros., 2005)
Agradecimientos
Debo dar las gracias a mis colegas de la Divisin de Gestin de Riesgos
del Banco Central Europeo: Ulrich Bindseil, Matti Koivu, Evangelos
Tabakis, Fernando Monar, Julia Weber, y los estudiantes de la Universidad
de Francfort, para proporcionar comentarios sobre borradores ante-
riores. Especialmente, quiero agradecer a mis colegas Hans van der Hoorn
y Rositsa Vidova-Koleva sus detallados comentarios, sugerencias e
iniciativas para mejorar el texto y el contenido del libro. Por razones
obvias, tambin quiero agradecer a mi madre y padre.
Ken Nyholm Frankfurt am Main Septiembre 2008
1 Introduccin
1.1 ASIGNACIN ESTRATGICA DE LOS ACTIVOS
A pesar de su ttulo, este libro universal no presenta una gua paso a
paso para stra- tegic asset allocation! Desde un marco de asignacin
estratgica de activos est adaptado a la institucin que es su usuario,
por definicin, es imposible un esquema general y uni- enfoque fying
cubre este nicho particular de la teora financiera, al menos si se
aspira a hacer esto en cualquier nivel razonable de detalle. Ms bien, el
objetivo y el propsito de lo que sigue son para esbozar modelos
economtricos financieros y tcnicas que pueden ser tiles en la
aplicacin de los mtodos de asignacin de activos estratgicos
idiosincrsicas en la prctica.
Los ejemplos incluidos son compatibles con el cdigo de MATLAB anotada,
como un medio de ayuda
1 en el lector el esfuerzo para implementar sus propias especificaciones
del modelo.
Antes de comenzar realmente a (en el siguiente captulo), tratemos de
delimitar el concepto de 'estratgica' la asignacin de activos al mirar
lo que los trminos 'estratgica' y 'asset allocation" significa.
Segn AskOxford.com, una "estrategia" es:
sustantivo (PL) 1. Las estrategias de un plan diseado para lograr un
determinado objetivo a largo plazo. 2 El arte de planificar y dirigir la
actividad militar en una guerra o una batalla. A menudo contrasta con la
tctica.
wikipedia.org seala que "la asignacin de activos'
es un trmino utilizado para referirse a la forma en que un inversor
distribuye sus inversiones entre diversos vehculos de inversin (por
ejemplo, acciones y bonos).
Por lo tanto, en esencia, una asignacin de activos 'estratgica'
representa un conjunto de pesos de cartera mostrando cmo un determinado
inversionista desea difundir su riqueza entre diferentes clases de
activos genricos, tales como bonos, acciones y dinero en efectivo, en un
horizonte de largo plazo. Se puede decir que el 'estratgica' la
asignacin de activos es una estable (o pasivo) anclaje para la cantidad
total de riesgo de una organizacin est dispuesta a llevar a bordo y, al
mismo tiempo, se muestra la cantidad de la indemnizacin (regresar) la
organizacin espera recibir durante
1 Otras publicaciones que apuntan a derivar los enfoques pertinentes para
los inversores a largo plazo son, entre otros, Merton (1992)[PARTE II],
Bernadell, cardn, Coche, Diebold, y Manganelli (2004)[chs. 1 y 3],
Campbell y Viceira (2002), Gonzlez y Binseil Tabakis (2008, de prxima
aparicin)[ch. 2] y el FMI (2004).
2 Introduccin
asumiendo esta cantidad en particular de riesgo. El marco de asignacin
estratgica de activos es el proceso por el cual la asignacin
estratgica de los activos se encuentra.
Una decisin de asignacin estratgica de activos pueden ser contrastados
por una tctica alloc activos- cin, decisin, similar a la definicin
semntica de la palabra 'estratgica' antes mencionadas desde
AskOxford.com. La asignacin estratgica de activos de riesgo activo
decisiones representan posiciones tomadas "en contra" de la asignacin
estratgica con el objetivo de generar rendimiento-, es decir, una mayor
rentabilidad que la obtenida por la asignacin estratgica, asumiendo
como poco riesgo adicional posible.
Desde la asignacin estratgica de los activos refleja una visin del
mercado a largo plazo, y desde esta cartera se revisa a una frecuencia
relativamente baja, es posible que posi- cin activa tomando puede
generar un rendimiento mejor que el de la asignacin estratgica.
Una posible fuente de rendimiento se deriva de la utilizacin ptima de
la informacin- cin, que fluye hacia el mercado entre revisiones de la
asignacin estratgica; otra fuente proviene de la diferencia entre los
horizontes de inversin de las carteras estratgicas y tcticas: el
cambio de actitud del mercado entre revisiones de la asignacin
estratgica pueden ser aprovechadas por toma de posiciones tcticas.
Finalmente, los gerentes de cartera calificada posiblemente son capaces
de generar fuera el rendimiento a travs de la eleccin del instrumento,
es decir, elegir los instrumentos que estn incorrectamente cotizados, en
un momento dado vis--vis los instrumentos incluidos en la asignacin
estratgica. Adems, port- folio gestores cualificados pueden ser capaces
de generar rendimiento correctamente por los movimientos del mercado de
distribucin no anticipadas por la asignacin estratgica de los activos.
En el libro no nos ocuparemos de la asignacin estratgica de activos per
se; sin embargo, todava es necesario ser consciente de su existencia.
Una serie de parmetros del marco estratgico debe ser especificado antes
de finan- cial econometrical y herramientas pueden ser desplegados en los
datos, con el objetivo de singularizar a una ptima asignacin de cartera
ayudando al inversor en su eleccin de la correcta asignacin de activos
estratgicos de la composicin. Tales parmetros especifican las
dimensiones centrales del marco de asignacin estratgica de activos, lo
cual puede resultar difcil, o incluso imposible, para incorporar
directamente como limitaciones de inversin. Por lo tanto, estos
parmetros sern a menudo tratadas como decisin variables exgenas,
elegido por los directivos de la institucin en cuestin. Entre los
parmetros de decisin exgenos son: la longitud del horizonte de
inversin; la frecuencia de revisin; la composicin del universo de
inversin; la especificacin de la funcin objetivo de inversin; y el
margen de riesgo/presupuesto dadas a la tctica de las capas de
inversin. Un resumen de la relacin entre stra- tegic y tcticas de
asignacin de activos, as como el marco fundamental de los parmetros de
diseo se proporcionan en la Tabla 1.1.
El horizonte de inversin especifica el perodo durante el cual las
expectativas de rendimientos y riesgos estn formadas y, por
consiguiente, el perodo durante el cual la optimizacin de cartera es
ptima ex ante. Una cuantificacin precisa de la longitud del horizonte
de inversin es, pues, un requisito previo necesario para la generacin
de explcito de retorno y riesgo las medidas pertinentes para el universo
de inversin elegida. Por ejemplo, el horizonte de inversin para la
asignacin estratgica de los activos podra ser definido como uno, cinco
o diez aos. El lapso de tiempo elegido realmente naturalmente debe
seguir desde la institucin de la definicin de "larga
4 Introduccin
cuando se haya completado, coincide con el perfil de riesgo-retorno
(terica) de la asignacin estratgica de los activos.
Volviendo a la cuestin de la "frecuencia" de equilibrio, considere un
ingreso fijo portfo- lio como un ejemplo: supongamos que la duracin
modificada ptimo para la asignacin estratgica de los activos de la
organizacin se ha encontrado 3. Cuando esta cartera es apli- ted,
digamos el 1 de enero en el ao X, se garantiza que los instrumentos
seleccionados de forma que la cartera de activos tiene una duracin
modificada de 3. Supongamos adems que el rgano- progresiva en cuestin
tiene una frecuencia de revisin anual. Como resultado, si la cartera se
queda sin cambios entre las revisiones anuales, las caractersticas de
riesgo de la asignacin estratgica cambiarn con el tiempo a medida que
los vnculos incluidos en el enfoque de cartera de su redencin del da,
y la cartera de caractersticas centrales, por lo tanto, perder ms y ms
lejos de sus objetivos especficos. Si no se hace nada entre el 1 de
enero en el ao x y 1 de enero en el ao X+1, y dependiendo del nivel de
rendimiento de los cultivos en el ao X+1, la cartera tendr
aproximadamente una duracin modificada de 2, a
2 hora del reajuste anual en el ao X+1. Para evitar el acortamiento de
madurez, y para asegurar que las caractersticas de los instrumentos
seleccionados cumplen con los requisitos de la organizacin en cuestin,
son a menudo rebalancings cartera regular establecido a una frecuencia
mayor que la frecuencia de revisin elegida. Renta fija una asignacin
estratgica de los activos puede, por ejemplo, tienen una frecuencia
mensual de reequilibrio, donde se garantiza que las caractersticas de
riesgo de la actual composicin de la cartera estn en consonancia con el
objetivo de caractersticas encontradas en la ms reciente revisin de la
asignacin de activos estratgicos.
Tradicionalmente, el universo de inversin pertinentes para la asignacin
estratgica de los activos ha sido acciones, bonos y dinero en efectivo,
posiblemente con una separacin de la categora de bonos hacia la madurez
baldes, tales como 0-1, 1-2,..., 29-30 aos de vencimiento segmentos. De
cualquier modo, esto ya no es generalmente el caso. Incluso las
organizaciones que antes se consideraba como aversin a los riesgos en
sus decisiones de inversin estratgica ahora parecen tomar exposiciones
a bordo para clases de instrumentos que pueden considerarse relativamente
riesgosos.
En su sentido ms amplio, el universo de inversin comprenden las
acciones, los bonos del Tesoro y bonos corporativos (nacionales y
extranjeros, as como de alto y bajo grado de crdito), los productos
bsicos, la exposicin a mercados emergentes (esta categora podra ser
tambin naturalmente sumed sub- en la categora de activos extranjeros),
hedge funds, Inversiones ticas, y efectivo.
En lo que respecta a las consideraciones de poltica general de mercado,
de crdito, de liquidez y headline exposiciones al riesgo de que la
organizacin est dispuesta a asumir en sus operaciones de inversin
determinar la composicin del universo de inversin elegibles para
inversiones estratgicas y tcticas. En el resto de este libro nos
concentraremos exclusivamente en un universo de inversin de renta fija.
2 Este cambio en la duracin modificada se deriva de la madurez del
acortamiento de los instrumentos de renta fija, de la que hablaremos ms
sobre en captulos posteriores.
6 introduccin
para la lectura, sino que debe servir como punto de referencia, cuando
sea necesario. Aparte de esto, se puede decir que el libro se divide en
dos partes. La primera parte establece una (suelto) encontrados- acin de
asignacin estratgica de los activos (captulo 1), el uso de MATLAB
(captulo 2) en inversiones de renta fija (captulo 3) y en la medicin
del riesgo (captulo 4). La segunda parte contiene material ms complejo:
Captulo 5 trata la estructura a plazo mod- els por medio de ejemplos de
arbitraje libres y no necesariamente libre de arbitraje modelos; el
captulo 6 explica los modelos de asignacin de activos utilizando la
frontera eficiente como un concepto central; y en el captulo 7 presenta
diversas tcnicas economtricas tales como vectores autoregresivos y
modelos de cambio de rgimen.
Introduccin 9
1,5
1
0,5
0
Valor -0,5
-
1,5
-1 -21 2 3 4 5 6 7 8 910 Nmero de observacin
Figura 2.1 Ejemplo del comando 'Imprimir'
al ejecutar las lneas del ejemplo anterior, usted podra obtener algo
que no es exactamente igual que el grfico mostrado. Esto es porque
queremos llamar nmeros aleatorios y cada sorteo ser diferente, debido a
la aleatoriedad.
Ms informacin sobre el generador de nmeros aleatorios en MATLAB pueden
obtenerse a travs de la funcin de ayuda incorporada. Simplemente
escriba:
.........................................................................
...
[1] help randn
.........................................................................
...
y MATLAB trae el siguiente mensaje (slo una parte del mensaje de ayuda
real se reproduce a continuacin):
.........................................................................
...
Normalmente distribuidos RANDN nmeros aleatorios.
R = RANDN(N) devuelve una N-por-N que contiene la matriz de pseudo-
valores aleatorios procedentes de una distribucin normal con una media
de cero y una desviacin estndar. RANDN(M,N) o RANDN([M,N]) devuelve un
M-por-n matriz. RANDN(M,N,P, ...) o RANDN([M,N,P,...]) devuelve un M-por-
N-por-P-por- ...matriz.
Sin argumentos RANDN devuelve un valor escalar. RANDN(tamao(A) devuelve
una matriz del mismo tamao como A.
.........................................................................
...
10 elementos esenciales de MATLAB
es una caracterstica general de MATLAB: para cada funcin de MATLAB se
puede ver el acompaamiento de texto de ayuda mediante el comando 'help'.
A este respecto cabe mencionar tambin que existe una funcin de ayuda
con funcin de bsqueda. Este puede ser activado mediante el siguiente
comando:
.........................................................................
...
[1] helpdesk
.........................................................................
...
Volviendo a lo anterior conspirando ejemplo, podran surgir situaciones
donde es deseable mostrar varios grficos en una ventana, grficas
distintas en diferentes ventanas de parcela al mismo tiempo, o grficas
distintas en diferentes ventanas de parcelas pero reunidas en una
pantalla. Con este fin los comandos 'En espera', 'figura' y 'subplot' son
tiles; los ejemplos a continuacin demuestran esto.
.........................................................................
...
Elimina todas las variables en el entorno de trabajo % [1] borrar todo el
vector columna de los valores introducidos [5] parcela(r1) [6] de [7]
hold parcela(r2) % genera variables aleatorias uniformes [4] r2 =
[5;4;3;0;-1;-1;-10]; % borra la vista en el rea de [3] r1 = rand(7,1); %
[2]
.........................................................................
... clc
Estas lneas de cdigo generar el grfico en la Figura 2.2.
Figura 2.2: Ejemplo de la 'Retener'
11 Introduccin de comandos
Eliminar la parcela, como es habitual en Windows, haciendo clic en la
esquina derecha de la ventana de trazado (es decir, cerrar la ventana de
trazado). A continuacin, prosiga con el siguiente:
.........................................................................
...
[1] parcela(r1)
[2] La Figura [3] parcela(r2)
.........................................................................
...
Estas lneas de cdigo trazan los vectores en r1 y R2 en dos ventanas
separadas (no mostrado aqu). Si el comando "figura", omitido es decir
dos (o ms) declaraciones de trazado se repiten uno tras otro, Matlab
imprimir todos los grficos en la misma ventana y slo la ltima grafica
permanece visible.
El ltimo grafico del ejemplo a continuacin muestra cmo cuatro grficos
pueden aparecer juntos en una ventana utilizando el comando 'subplot'.
cerrar figuras abiertas (para ello tambin puede utilizar el comando close
all)) y continuar con el siguiente ejemplo.
.........................................................................
...
[1] Clear all
muestra las variables en el rea de [5] subparcela(2,2,1), plot(r1) [6]
subparcela(2,2,2), plot(r2) [7] subparcela(2,2,3), plot(r3) [8]
subparcela(2,2,4), plot(r4) % [2] [3] clc r1=rand(10,1); r2=rand(10,1);
r3=randn(10,1); r4=randn(10,1); [4] whos
.........................................................................
...
3 Estas lneas generan una figura similar a la mostrada en la Figura 2.3.
Existen bsicamente tres maneras en las que el usuario puede comunicarse
con MATLAB, dos de los cuales han sido ilustrados arriba:
a travs de la lnea de comandos. Es decir, escribiendo un comando en
el indicador de comandos de MATLAB '>>'.
A travs de una funcin escrita en un archivo y se llama desde la lnea
de comandos. Esta tcnica se ilustra a continuacin.
A travs de un archivo de script. Un archivo de script es una serie de
comandos recopilados en un archivo independiente que se puede ejecutar
desde la lnea de comandos de MATLAB. La practicidad de un archivo de
script es que invoca a muchos comandos de MATLAB uno despus del otro y
se pueden incluir llamadas a funciones. De esta manera, un script sirve
como un medio til para agrupar y seguir la pista de los comandos
enviados a MATLAB.
2 Ms informacin sobre vectores y matrices siguiente en la seccin 2.3.
3 La "whos' en la lnea de comandos [4] en el anterior, naturalmente, no
es necesario generar el ejemplo parcelas.
Considerando:
.........................................................................
...
.........................................................................
...
4 5 6]; ;3 [1] = [1 2
3 3 3]; [3] A+B ans = 3 4 5 ;2 [2] B = [2 2
4 Tenga en cuenta, sin embargo, que otros paquetes de software, por
ejemplo, Gauss, le permiten realizar este tipo de elemento por elemento
multiplicacin incluso si las dimensiones no coinciden. Esto es as
porque el paquete de software est pre-programado para asumir que desea
realizar el clculo de todos los elementos y, por lo tanto, se ampla
automticamente la dimensin de q para que coincida con el de P. En
nuestro ejemplo, esto podra lograrse mediante la construccin de
q como una matriz donde q se repite tres veces. Esto puede lograrse en
MATLAB, por ejemplo, utilizando el comando 'repmat'.
organizacin de datos 17
5 Los estudios de simulacin, o simplemente como una manera cmoda de
organizar los datos. Como insinuado en los objetivos de aprendizaje en la
introduccin a este captulo, existen varias maneras de hacerlo. Aqu se
ilustran dos maneras: (i) en una variable estructurada y (ii) en una
matriz tridimensional.
Acerca de (i), una variable estructurada es una construccin
extremadamente potente similar a una estructura de rbol, donde el tronco
del rbol es el nombre de la variable estructurada y las ramas y las
hojas del rbol son sub-nombres de variables y valores. Imaginemos que
queremos organizar los datos utilizados en el ejemplo de arriba en una
variable de estructura denotada por suma_data. A continuacin, los
nombres de variables y valores que se pueden agregar a esta estructura de
la siguiente manera:
.........................................................................
...
7 8 9]; ;6 4 5 ;3 [1] Q = [1 2
[6] Suma_data.r1 = R1; [7] Suma_data.r2 = R2; [8] Suma_data.r3 = R3; ;P
[2] r1 = P(2,:); [3] r2 = P(3,2); [4] r3 = Q(1:2,3); [5] Suma_data.Q =
.........................................................................
...
Ahora es posible investigar el contenido de la variable estructurada de
datos_suma escribiendo:
.........................................................................
...
[1] Suma_data
.........................................................................
...
Invocando el comando anterior muestra las variables contenidas en la
estructura denominada Suma_data.
Como complemento a almacenar datos en una variable estructurada es
posible utilizar una matriz tridimensional. Esto puede ser
particularmente til, por ejemplo, en estudios de simulacin. El ejemplo
siguiente ilustra el uso de matrices tridimensionales y estructuras
indexadas como contenedores de salida. La eleccin del mtodo depende de
las preferencias individuales, aunque el uso de variables estructuradas
indexado es ms flexible porque la dimensin de la matriz de datos que se
almacena no necesariamente tienen que ser idnticos de iteracin a
iteracin.
5 Esto ser demostrado ms adelante.
creacin de funciones ms
avanzadas de 19 calculadoras de bolsillo, Matlab tambin permite que los
programas se cre; en MATLAB terminologa tales programas son
calledfunctions. Las funciones son por ejemplo til cuando una
determinada tarea tiene que ser realizada varias veces. En lugar de
escribir las instrucciones a MATLAB como lneas individuales, tal como
hara en modo de lnea de comandos, las instrucciones pueden ser
recogidos en una funcin.
Antes de escribir una funcin es necesario echar un vistazo a algunos de
los bloques de creacin que puede utilizarse para crear funciones. Estos
se usan para realizar bifurcaciones condicionales, es decir, para hacer
algo especfico si se cumplen ciertos criterios, y en bucle, es decir,
repetir un conjunto de funciones de un determinado nmero de veces.
2.5.1 el bucle y ramificacin
ramificacin es necesaria cuando un determinado conjunto de instrucciones
se realiza slo si se cumplen ciertos criterios. Funciones y
programas/scripts puede ser ramificado por el uso del "si" y el "caso"
declaraciones: "caso" es til en el caso de que un determinado nmero
conocido de las ramas posibles existen, mientras que "si'es una
estructura ramificada ms universal. Las formas genricas de estas
declaraciones pueden ser vistos en MATLAB escribiendo:
.........................................................................
...
[1] Help si
.........................................................................
...
.........................................................................
... y:
[1] ayuda caso
.........................................................................
...
Para mayor comodidad, se repiten a continuacin, junto con la relacin de
operadores: el
operador explicacin
<, <= Menor que, menor que o Igual a >, >= Mayor que, mayor o
igual que == igual a (que no debe confundirse con el signo '=', que
asigna un valor)
= No es igual a
No
El 'if' tiene la siguiente estructura:
si expresin declaraciones declaraciones expresin elseif else final
creacin de funciones 21
y funciones y recuerde incluir esta carpeta en el path de MATLAB. Una
forma de hacerlo es escribir:
.........................................................................
...
[1] pathtool
.........................................................................
...
en la lnea de comandos. Esto le permite buscar y agregar la ruta
deseada(s) usando una herramienta basada en mens. La(s) ruta(s)
naturalmente tambin puede ser aadido directamente desde la lnea de
comandos.
Ahora estamos listos para hacer una funcin. En la ventana de edicin
Escriba el siguiente y gurdelo en el directorio en el que se han hecho y
se agrega a la ruta de bsqueda de MATLAB.Guarde siempre la funcin en un
archivo que tiene el mismo nombre que la funcin: en nuestro caso, que es
de
6 "EX_plot.m'.
.........................................................................
...
[1] funcin [] = EX_plot(,xx,YY ZZ)
[11] Si (nargin==3) [12] La Figura [13] surf(xx,yy,zz) [14] (nargin
elseif==2) [15] La Figura [16] parcela(yy,zz) [17] [18] Otro disp('por
favor proporcionar datos para conspirar") [19] fin % xx - datos del eje x
(nSeries-por-1, o dejarse vaca para grficos 2D) [10] % yy - eje y datos
(nObs-por-1) [9] % zz - datos que se van a trazar (nObs-por-nSeries) % de
entrada [8] [7] [6] % % sobre la base de los datos proporcionados por el
usuario [5] Funcin % que traza grficos en 2 y 3 dimensiones [4] % [3] %
[2]
.........................................................................
...
Una breve descripcin de la funcin EX_plot es proporcionada. Lnea [1]
contiene el nombre de la funcin y los argumentos de entrada, yy zz, xx;
stos se dan en 'revertir' para facilitar la creacin de grficos de 2D y
grficos 3D. La funcin no devuelve ningn valor para el usuario; esto es
visto por la salida vaca [] argumento despus de la palabra clave
function.
Lneas [2]-[10] contiene la cabecera de la funcin, que describe cmo se
puede utilizar la funcin, cules son los insumos y el producto. Cada
lnea en el encabezado
6 Como se ha indicado anteriormente, los nmeros entre parntesis a la
izquierda en el texto de la funcin no se debera escribir. Estos
representan los nmeros de lnea y se muestran a la izquierda de la
ventana del editor de MATLAB.
La regresin lineal 23
En este caso, la variable estructurada o la salida a los argumentos
contenidos en [productos] va a existir en el espacio de trabajo de
MATLAB. Un ejemplo de ello es la ejecucin del cdigo anterior para la
generacin de 2D/3D parcelas. Esta funcin puede ser llamada desde la
lnea de comandos invocando:
>> []=EX_plot(,xx,YY ZZ)
o por:
>>EX_plot(,xx,YY ZZ).
Esto ltimo es posible porque la funcin slo genera una cifra de parcela
y no devuelve ninguna salida argumentos. En segundo lugar, una funcin
definida por el usuario puede ser llamada desde otra funcin definida por
el usuario, programa o archivo de script. Llamar a una funcin en este
modo es similar a invocar desde el modo de lnea de comandos; la
diferencia es que en el primer caso, los argumentos de la funcin de
salida pueden ser utilizados directamente dentro de la funcin, programa
o script desde el que se llama. En tercer lugar, una funcin definida por
el usuario puede ser llamado desde un construido en funcin de MATLAB.
Por ejemplo, si un usuario ha escrito una funcin que calcula el valor de
un modelo condicional a un conjunto determinado de parmetros, y tiene un
inters en la estimacin de los valores de los parmetros que maximizar o
minimizar esta funcin, entonces la funcin puede llamarse desde una
funcin MATLAB construido- en funcin de rutina para la minimizacin de
problemas: fmincon restringida; sin restricciones los problemas pueden
resolverse utilizando la funcin: fminunc. En los captulos siguientes
veremos numerosos ejemplos de ello. Aqu slo un aperitivo es dado por
mostrar las dos asas de la funcin '' que reconoce de MATLAB. Supone que
la funcin de inters se llama mi_ diversin, definida como una funcin
en lnea o como una funcin externa; esta funcin puede ser pasado a
fmincon en cualquiera de estas formas:
[...]= fmincon( mi_ diversin ,...)
o:
[...]= fmincon(@my_ diversin,...).
Regresin lineal 2.6
Esta seccin muestra cmo los conceptos presentados anteriormente puede
ser usado en la prctica. Se presentan dos ejemplos: el primero se
refiere a la solucin de los mnimos cuadrados ordinarios (MCO) regresin
calculada por el lgebra matricial y el segundo muestra cmo los mismos
resultados pueden obtenerse a travs de una funcin que minimiza la suma
del cuadrado de los residuos.
2.6.1 La instalacin bsica de
una relacin lineal entre las variables, una variabley en funcin de
otras variables xi, puede formularse como:
Y= b0+B1+B1x2 x2++
La regresin lineal 25
cuando se supone que las columnas de X, es decir, cuando X tiene el
rango, el inverso de X no muestran relaciones lineales exacto,
T X existe y puede encontrarse como:
t -1 T = X X X y.
T una forma taquigrfica para obtener esta relacin es por pre
multiplicando (2.1) por X y sustituyendo las estimaciones de y b:
T T T X y= x X +X e.
Desde T E X e = 0, obtenemos:
T T X y= x
y X: t -1 T = X X X y.
Ahora est claro cmo los valores for puede ser calculada. Sin embargo,
tambin es interesante ver cmo estas estimaciones son exactas, cuando se
utilizan datos reales. Con este fin, la matriz de varianzas-covarianzas
de tiene que ser derivada. Desde Y= Xb+e, podemos escribir:
T T T -1, -1 T = X X X X X X Y= (Xb+e) t -1 -1 T T T = X X X
Xb+ X X X e
t -1 T = b+ X X X e, de
modo que
t -1 T -E []= X X X e
Y cuadratura este resultado genera la matriz de varianza-covarianza de
los parmetros estimados:
T var []= E ( -E [])( -E []) -1 T T T T -1 = E X X X X X X EE
T 1 T 2 -T -1 = X X X X X
2 IX t -1 = X X .
2 El trmino de error varianza es desconocida en la mayora de las
aplicaciones prcticas y, en consecuencia, es necesario
aproximar/estimado. Esto generalmente se realiza de la siguiente manera:
2 t -1 Te e t -1 var []= s X X = X X , n-k
donde e= Y -X, es decir, utilizando los residuos obtenidos a partir de
los datos de la varianza del trmino de error aproximado. n es el nmero
total de observaciones y k el nmero de parmetros estimados.
3 Fixed-Income preliminares
3.1 INTRODUCCIN En
este captulo se ofrece una introduccin muy general a los mercados de
renta fija. Presenta los bloques de construccin bsicos que vamos a
llamar ms adelante en el texto, como los rendimientos y las tasas spot,
y muestra cmo calcular los precios de los bonos.
Objetivos de aprendizaje
Comprender los bloques de construccin bsicos de los mercados de renta
fija.
Ser capaz de trabajar con rendimientos y de contado.
Saber cmo determinar el precio de los bonos.
3.2 LAS TASAS SPOT y produce
un primer principio en finanzas es que el tiempo tiene un valor
monetario. No es, en s misma, sino en el sentido de que si uno tiene la
posibilidad de consumir hoy mejor que maana, o en cualquier otro momento
en el futuro, cualquier persona (tambin llamado un agente econmico)
tendra una preferencia por consumir ahora y no ms tarde. En
consecuencia, los agentes de la economa han de ser recompensados para
posponer el consumo. Si, adems, los agentes asumir riesgos cuando
posponer el consumo, es decir, no se sabe a ciencia cierta cunto consumo
futuro que reciben una compensacin adicional, en forma de una prima de
riesgo, se aplica. La razn por la que algunos agentes aceptan posponer
el consumo, por ejemplo, depositar dinero en un banco o a travs de la
compra de instrumentos financieros es que otros agentes de la economa
estn dispuestos a pagar la tasa de compensacin (la tasa de inters)
para obtener fondos lquidos (es decir, dinero). La economa se dice que
est en equilibrio, y una tasa de inters comn surge, cuando este ltimo
grupo de agentes (pensar de bancos y empresas que emiten bonos y acciones
para financiar sus proyectos de inversin) ofrece una tasa de inters en
que su demanda de liquidez agregada se ha cumplido. Cuanto mayor sea la
tasa de inters que ofrece, ms agentes estn dispuestos a posponer el
consumo, y viceversa. Cuanto mayor sea la tasa de inters requerida,
menor es la demanda de liquidez de las empresas, y viceversa. Cuando la
demanda de liquidez y la oferta de liquidez se renen, el equilibrio es
encontrado, y un tipo de inters nico borra la oferta y la demanda de
liquidez. Un argumento similar se presenta a menudo en el campo de la
macroeconoma, donde slo un inters
40 Fixed-Income preliminares
a una determinada tasa de madurez, a menudo muy corto de la curva de
rendimientos, es analizada.
En finanzas, sin embargo, miramos a los tipos de inters a diferentes
plazos y, por lo tanto, resulta pertinente para describir cmo las
tarifas de todos los vencimientos emerge. Varias hiptesis son planteadas
en este mbito y que estn vagamente descritos a continuacin:
La segmentacin del mercado de hiptesis establece que los distintos
agentes tienen diferentes preferencias para prstamos o prstamos en
diferentes segmentos de la curva de rendimientos. Por ejemplo, las
operaciones de inversin del banco central puede estar ms centrado en el
segmento a corto plazo de la curva de rendimientos, los bancos de
inversin en el mediano plazo y fondos de pensiones en el largo plazo los
segmentos. La oferta y la demanda dentro de cada segmento determina la
velocidad a la que se observa en ese segmento en particular. Si un
segmento es "sub-representados" en trminos de la oferta o la demanda,
los precios en esta rea se ajustar as como para atraer a los agentes
de otros segmentos. As pues, supone implcitamente que los agentes, a
pesar de tener una preferencia por un determinado segmento, pueden ser
atradas a invertir en otro segmento si la indemnizacin por segmento de
conmutacin es lo suficientemente alto.
La expectativa de hiptesis establece que hoy por hoy las tasas de
inters (de contado) son deter- ined sobre la base de lo que en el futuro
se espera que las tasas de corto, ms una prima de riesgo; en otras
palabras, hoy en da la curva de rendimientos se determina como el
promedio del futuro realisa- nes de la tasa de corto. De esta manera, el
segmento de dos aos de hoy, la curva de rendimientos es el promedio de
la tasa de corto de hoy y la velocidad de avance de un ao (ms una prima
de riesgo).
Este argumento tambin funciona a la inversa; por lo tanto, si hoy la
curva de rendimientos se inclinan hacia arriba- ing, indica que en el
futuro se espera que la tasa de corto aumento (olvidando por un momento
que los ajustes se han hecho para los tamaos de las primas de riesgo).
La preferencia de liquidez hiptesis establece que los agentes en
promedio prefieren invertir en activos a corto plazo, esto limita su
exposicin al riesgo de tasa de inters. "Liquidez" es un trmino
utilizado por la cercana de las tenencias de activos deben ser lquida,
en el sentido de dinero en efectivo, si los bienes son mantenidos hasta
el vencimiento. Ms fecha bonos pueden ser naturalmente ms "lquido" de
menor fecha bonos, en el sentido de la palabra "lquido", que normalmente
se utiliza en las finanzas, es decir, la velocidad con la que un activo
puede venderse en el mercado sin tener un impacto sobre los precios de
mercado vigentes. En el antiguo sentido de la palabra, esta hiptesis
supone que los agentes pueden ser convencidos de que invertir en los
ttulos ms largos si son compensados a travs de una prima de riesgo, lo
que implica que las tasas ya son superiores a las tasas de corto.
La "tasa de inters" viene en diferentes formas. Por ejemplo, la tasa de
inters real es la indemnizacin que compensa el aplazamiento del consumo
para el futuro, sin tomar en cuenta que los bienes tienden a aumentar en
el precio cuando pasa el tiempo (es decir, la tasa de inflacin). La tasa
de inters nominal comprende la tasa real y la tasa de inflacin. Las
tasas de inters no suelen ser idnticos para diferentes horizontes de
tiempo (tambin llamado de vencimientos). A menudo, la curva de tipos de
inters (tambin conocida como la curva de rendimientos) est inclinada
hacia arriba, lo que refleja que los agentes requieren de una mayor tasa
de compensacin el largo en el futuro el consumo se pospone; sin embargo,
despus de un cierto punto en el tiempo, los agentes parecen dejar de
preocuparse por la dimensin de tiempo del aplazamiento, el consumo y la
curva de rendimientos, por lo tanto, converge a un cierto nivel. Es casi
como decir, los agentes
42
20
15
10 eliminatorias Fixed-Income
Rendimiento (%)
5
0
meses de vencimiento (100)
50 200 100 0 500 400 300 700 600
# (tiempo de observacin)
Figura 3.2Example de curva de rendimiento las formas y lugares
reflejan mejor la tasa de inters implcita de menos bonos
comercializados. Por lo tanto, es importante utilizar bonos/lquido
altamente comercializados en el clculo de la curva de tasas de inters
de mercado.
Un bono tasa fija es como un prstamo: la fianza promesas del vendedor al
comprador a pagar cupones fijos a lo largo del tiempo, hasta el
vencimiento del bono, y cuando lo hace el vendedor pagar el monto del
capital prestado. Los bonos pueden ser emitidos en diferentes tamaos
(prstamo
3 cantidades nocionales).Para el propsito de este texto asumimos que
todos los bonos se emiten con un importe nocional de 100 (inserte su
moneda preferida, por ejemplo, euros) y pagos anuales. Antes de su
vencimiento el precio de un bono se determina por su flujo de caja y los
factores de descuento:
C C C+100 T Pt = 1 + ++ , (3.1) C D (1+r2)2 (1+r n = (1+r1) n)
donde C recoge los flujos de caja (es decir, los cupones) y d los
factores de descuento, es decir, D-
-j mantiene los trminos (1+rj) Para j ={1,2,..., n}. El valor actual de
cada intermedio
3 Otros tipos de bonos tambin existen, como bonos de tasa flotante,
donde los pagos de cupn prometido ajustar al nivel actual de las tasas a
lo largo del tiempo; paso de bonos donde el cupn es corregido si la
calificacin crediticia de los bonos cambia a travs del tiempo; bonos de
lotera, donde el tiempo de madurez depende de la lotera (normalmente es
el estado el que ofrece estos bonos) y el valor de amortizacin puede ser
superior al valor nominal de los bonos, bonos de cupn cero que no tienen
cupones intermedios sobre el vencimiento del bono; bonos perpetuos que no
tienen fecha de vencimiento; y bonos convertibles que pueden permitir una
amortizacin anticipada por el tenedor del bono, o Si emitido por una
compaa incluyen un derecho incrustadas para convertir los bonos en
acciones. Estos tipos de bonos no son tratadas en el texto, slo bonos de
tasa fija.
46 Fixed-Income preliminares
.........................................................................
...
[1] j = (1:1:5)";
[8] para ( j=1:5 ) [9].P = P(j,1); [10].CF = CF(j,1:j); [11].t =
(1:1:j)"; [12] [out] = precio2yield(en); [13] el rendimiento(j,1)=out.Y;
[14] [15] el rendimiento final' ;] [2] [P = 100,00; 99,50; 93.75; 89.45;
91]; [3] CF = [105.0 0.0 0.0 0.0 0.0; [4] 5.5 105.5 0.0 0.0 0.0; [5] 4.0
4.0 104.0 0.0 0.0; [6] 3.5 3.5 3.5 103.5 0.0; [7] 4.5 4.5 4.5 4.5 104,5
.........................................................................
...
Lneas [1]-[7] asignar la entrada a variables locales. El bucle 'for' en
lneas [8]-[14] realiza los clculos para cada uno de los bonos de
Tesorera y almacena el rendimiento en el vector llamado rendimiento.
[15] la lnea imprime los rendimientos para los aos 1 a 5.
Es interesante comparar el perodo tasas (tambin llamados tipos cupn
cero) calculado siguiente (3.1) a los rendimientos calculados segn
(3,3). La figura 3.3 muestra la comparacin.
6.8
Tasa de cupn cero 6,6
6,4
6,2
6
5,8 Tasa de Rendimiento (%) 5,6
5,4
5,2
1,5 51 2 2,5 3 3,5 4 4,5 5
ao
figura 3.3 Comparacin de un cero de la curva de rendimientos y una curva
de
48 Fixed-Income preliminares
utilizando las tasas spot se ilustra en la figura 3.3 y 3.4, el
correspondiente perodo las tasas de avance puede ser determinada. Esto
se hace en el siguiente ejemplo, donde R contiene las tasas spot y F
contiene los tipos de inters a plazo:
.........................................................................
...
[1] k = (1:1:5)";
[8] %... Calcular las tasas spot [9] D = inv(CF)*P; [10] R = D.(-1/k)-1;
[11] %... Calcular hacia delante [12] F =
((1+R(2:final,1).k(2:final,1)/(1+R(1:final-1,1).k(1:final-1,1))-1; [13]
F = [R(1,1);F];] [2] [P = 100,00; 99,50; 93.75; 89.45; 91]; [3] CF =
[105.0 0.0 0.0 0.0 0.0; [4] 5.5 105.5 0.0 0.0 0.0; [5] 4.0 4.0 104.0 0.0
0.0; [6] 3.5 3.5 3.5 103.5 0.0; [7] 4.5 4.5 4.5 4.5 104,5
.........................................................................
...
3.4 Funciones de precios de bonos
una vez que el rendimiento de los bonos pagan un cupn es conocido, es
posible escribir la
funcin de precios de bonos en un corto camino de mano, en lugar de
utilizar la frmula sumador en (3,5):
n C 100 Pt = J + n . (3.5)
j=1 (1+y) (1+y)
para obtener esta funcin de precios de la mano cortos es una herramienta
necesaria que permite (3.5) a
5 m j reescrito. Dicha herramienta se obtiene de la siguiente manera.
Deje que g= j=k q j m+1 y multiplique ambos lados de esta expresin
por q. Esto da qg= j=k+1 q . A continuacin, calcular g-q m j m+1 j
k m+1 g= j=k q - j=k+1 q , que es el mismo como (1-p)g= q -q , donde el
LHS sigue directamente despus de tomar g fuera de los corchetes, y el
RHS sigue porque todos los
k trminos superposicin en las dos sumas que se sustraen, aparte de los
trminos que impliquen q
m+1 y q . Ahora, dividiendo ambos lados por (1-p) da:
m k m+1 -j q q q = .
j=k 1 q
5 Vase tambin Tuckman (2002, p.42).
53 Medidas de Riesgo
del rea grafica muestra que cuando x es alto y tiende a ser alta, y
cuando x es baja y tiende a ser baja. Si no hay una relacin lineal entre
x e y, a continuacin, la parcela pasaran a ser circular. La varianza y
la desviacin estndar y la covarianza son amplias medidas de riesgo si
las variables subyacentes se distribuyen normalmente; e incluso cuando
las variables analizadas no son normales, que es el caso de la mayora de
variables financieras, la covarianza suele ser una medida informativa,
aunque no captura todos los aspectos de riesgo relevantes.
4.2.1 Value-at-risk y dficit previsto
1 El riesgo mide el valor en riesgo (VaR) y el dficit previsto (ES) a
menudo se complementan, y a veces se sustituye, la desviacin estndar
como medida de riesgo.
Considerando una distribucin de retorno para x, el VaR figura es el ms
grande posible (a menudo negativo), retorno a un determinado nivel de
confianza y a lo largo de un determinado perodo de tiempo, que una
experiencia; el es el dficit esperado ms all del nivel de VaR. Las
siguientes definiciones son aplicables para el retorno la distribucin de
x:
1 VaR (x)= max{l :Pr[x l] 1-}= -fx (1-) (4.1)
ES = E [x|x VaR (x)]. (4,2
%) de confianza es llamado el nivel de confianza, por ejemplo = 0,99
se refiere a un
nivel de 99 -1. Fx se refiere a la inversa de la rentabilidad acumulada
distribucin de x. La intencin de (4.1) es expresar VaR como la cola
izquierda de la distribucin de retorno (que probablemente ser un nmero
negativo), de modo que no hay ms que (1-) masa de probabilidad en la
cola ms all de l. Esto es equivalente a la inversa de la funcin de
distribucin acumulativa de la devuelve al (1-) nivel de confianza. La
ecuacin (4.2) define el es como el retorno promedio ms all del nivel
de VaR. La figura 4.2 ilustra estas medidas del riesgo sobre la base de
una funcin de densidad de probabilidad de devoluciones/cartera de
valores.
A veces, el VaR se define en la distribucin de las prdidas, L. En este
caso figura 4.2 se invierte, de forma que la cola es de inters el uno a
la derecha de la figura. En este caso, el VaR puede ser definida como:
VaR (L)={l min :Pr[l l] 1-}
En el ejemplo a continuacin, estos conceptos de riesgo se calculan
mediante el ndice Dow Jones de acciones contenidas en el archivo de
Excel: Data.xls.
.........................................................................
...
[1] por ciento --- carga y ordenar datos ---
[2] Dat = xlsread('C:\proyectos\UN_un_libro\Data\Data','la equidad'); [3]
stepp = 0,5; [4] [nObs junk] = tamao(Dat);
1 el valor en riesgo (VaR) no debe confundirse con VAR, que es un
acrnimo para el modelo economtrico: Vector autorregresiva.
0,02 VaR es
0 -20 -15 -10 -5 0 5 Vuelta / Valor
Figura 4.2 medidas del riesgo
Riesgo mide 55
Este script genera la siguiente salida en VaR y es as como la figura
4.3.
La figura muestra la distribucin de retorno emprico provisto recubierto
con una distribucin normal.
0,12
0,1
0,08
0,06
0,04
0,02
0-30 -25 -20 -15 -10 -5 0 5 10 15 La
Figura 4.3 emprica y distribucin normal
.........................................................................
...
[1]...Los resultados...
[2]VaR(99)= -11,00 basado en Normal Dist: -9.25 [3]VaR(95)= -6.44 basado
en Normal Dist: -6.37 [4]ES(99) = -16.58 ES(95) = -9.47
.........................................................................
...
niveles de confianza. La palabra se usa la funcin para redondear el
nmero de observacin en un valor entero, desde el nmero de observacin
por definicin es un nmero entero. Con planta en lugar de ceil produce
una estimacin ms conservadora del nmero VaR. Para el caso que nos
ocupa, % y el 99 % de los puntos de cola de la distribucin de retorno.
El retorno real observaciones en estos nmeros son la observacin
emprica en VaRs el 95 % y el 5 % en el script para el ejemplo anterior,
las lneas [2]-[4] cargar los datos, definir un parmetro de longitud de
paso y encontrar el nmero de observaciones de los datos cargados. Lneas
[6]-[12], realice los clculos central del archivo de comandos. [6] Lnea
ordena el retorno serie desde el valor menor a mayor valor; lnea [7]
calcula la media y la norma devi- acin de las devoluciones; lnea [8]
busca el nmero de observacin que corresponde al 1
1-C
1-C 1 1 1 ESc (x) Qx (s) ds (s) DS (4.4) 1-C 0 1-C 0
-Fx
peores resultados de la variable bajo investigacin. Naturalmente, la
definicin en (4,4) es idntica a (4.2). Suponiendo que x N (0,1), la
expresin de forma cerrada para el es dado por: donde q es el % funcin
cuantil y F es la funcin de distribucin acumulativa. La variable c es
el intervalo de confianza, por ejemplo, c= 99% implica que el es
calculado para 1
2 VaR(1-c) ESc (x)= exp - . (4.5) (1-c
-1 ) 2 2
3 para derivar (4.5) Los siguientes bloques son necesarios:
-1 -1 [1] F (s)=2erf (2-1), s (4,6)
w
-1 -1 2 [2] fer (s) ds= exp - -1 0
erf (w) . (4.7)
2 Vase, por ejemplo, Meucci (2005, p.293).
3 Ver el captulo 9 para una descripcin de la funcin error (ERF).
1-c -1 ESc =
2 fer (2s-1) ds 1-c 0
-1 2 2 -1 2
F (1-c) VaR(1-c), el FER (1-2c) = = , 2 2
lo cual equivale (4,8) y (4,5).
Para validar la expresin derivada, la secuencia de comandos de MATLAB a
continuacin compara la aplicacin de (4.5) a valores es calculado sobre
la base de simulaciones.
.........................................................................
...
;] [1] [ IC = 0,90; 0,95; 0,975; 0,99; 0.999; 0,9999
[2] x = randn(1e6,1); [3] nCI = longitud(ci); [4] ES_sim = ceros(nCI,1);
[5] ES_calc = ceros(nCI,1); [6] para ( j=1:nCI ) [7] c = CI(j,1); [8]
ES_sim(j,1) = SUM((x<=norminv(1-C).*x)/Sum(X<=norminv(1-c); [9]
ES_calc(j,1) = -1/((1-c)*(2*pi)0,5)*exp(-(norminv(c)2)/2); [10] Fin [11]
disp('Ssimulada y calcularon los nmeros") [12] disp('CI sim es_ES_calc")
[13] disp([IC ES_ES_sim
.........................................................................
... calc])
Lnea [1] define los niveles de confianza en que los clculos deben
realizarse. En lnea [2] Volver realizaciones son generados, como 1
millones de dlares se basa en el estndar normal
4 el carcter G denota la funcin primitiva de g tal que G
(x)= g(x).
58 medidas de riesgo y retorno de la
distribucin. Estos dibuja se almacena en una variable llamada x, que
constituye la base para el clculo de la estimacin de la simulacin es.
Lnea [3] encuentra el nmero de niveles de confianza para los que se
realizan los clculos. Esta lnea no es estrictamente necesaria, ya que
debemos ser capaces de recordar cuntos niveles de confianza hemos
entrado en lnea [1]. Sin embargo, solicita la longitud (es decir, el
nmero de entradas) de la variable CI el script hace ms flexible y fcil
de adaptar, si queremos volver a ejecutar el experimento para un nmero
mayor o menor de los niveles de confianza. En este caso slo es necesario
realizar cambios en la secuencia de comandos en lnea [1]. De lo
contrario, tendramos que cambiar lneas [1] y [3]-[6].
j abarca los enteros del 1 al NIC, como se ha visto en lnea [6]. En el
ejemplo anterior, el nCI = 6. [8] Lnea genera la estimacin basada en la
simulacin de la ES. Esto es hecho por encontrar primero las
realizaciones de x que estn por debajo del umbral especificado por el
VaR del respectivo intervalo de confianza. Nota que en MATLAB la relacin
de los operadores puede ser utilizado en los vectores para generar
variables indicadoras; en efecto, la expresin (z<= Z) genera un
vector de unos y ceros, de la misma longitud que la z y z, donde un valor
de uno representa la 'Prueba', en nuestro caso "menor o igual que", es
verdadera y un valor de cero representa un falso resultado de prueba. A
continuacin, se puede ver que la lnea [8] calcula un indicador variable
para todos los resultados de x que entran en la cola izquierda de la
distribucin, donde la cola izquierda est definido por el VaR(1-C). El
producto del indicador y variable, es decir, x((x<=norminv(1-C).*x),
es un vector de cero y xi, donde xi representa un determinado elemento de
ith x cayendo en la cola izquierda. La suma de este vector se aproxima a
la integral de la cola y el denominador de la lnea [8] contiene el
nmero de observaciones en la cola. De esta manera la lnea [8], se
calcula el promedio de las ocurrencias de x que entran en la cola
izquierda, es decir, se calcula basado en la simulacin es. [9] Lnea de
implementos (4.5). Lneas [11]-[13] Los resultados de impresin.
Ejecutando el script genera la siguiente salida: ;j lneas [4]-[5] claro
los vectores que almacene las cifras estimadas, que son generados por el
bucle en lneas [6]-[10]. Lnea [7] asigna un nivel de confianza dado a
la scalar c, tomada desde el vector de todos los niveles de confianza,
IC, sobre la base de la variable de bucle
.........................................................................
...
Simulado y calcularon los nmeros
CI sim es_ES_calc -1.755 -1.755 0.9000 0.9500 0.9750 -2.065 -2.065 -2.340
-2.339 -2.669 -2.665 0.9900 0.9990 0.9999 -3.947 -3.366 -3.367 -3.959
.........................................................................
...
Evidentemente, el simulado y calcularon los nmeros estn cerca unos de
otros. Cualquier discrep.- ancy entre los nmeros surge de aproximacin
errores en el clculo de la derivada de la simulacin es basada en el
clculo.
Medidas del riesgo 59
4.2.2 Duracin y duracin modificada
una de las principales medidas del riesgo en el universo de inversin de
renta fija es la duracin modificada. Esta medida tiene por lo menos dos
interpretaciones:
5 1. Un promedio ponderado del valor actual de los futuros pagos y flujos
de caja.
2. El precio del bono de la sensibilidad a un cambio en la curva de la
tasa de inters subyacente.
Es la segunda de estas interpretaciones es ms frecuentemente aplicados
en el anlisis de la renta fija y la que nos centraremos en esta seccin.
Para ilustrar el concepto de la duracin modificada es instructivo
examinar la relacin entre el precio de un bono y su rendimiento. Para
ello debemos ejecutar el siguiente script que calcula el precio de cuatro
bonos para diferentes niveles de rendimiento. Los resultados se
representan en la Figura 4.4.
.........................................................................
...
;] [1] Bond1 = [ 3 3 3 3 103
[8] Por ( j=1:300 ) [9] y = j/1000; [10] D1 =
(1/(1+y).pt1).*queridos(5,1); [11] D2 = (1/(1+y).pt2).*queridos(10,1);
[12] P1(j,1) = Bond1*D1; [13] P2(j,1) = Bond2*D2; [14] P3(j,1) =
Bond3*D1; [15] P4(j,1) = Bond4*D2; [16] Fin [17] xx = [0.1:0.1:30]"; [18]
figura [19] parcela(xx,P1,'k'); [20] mantener; plot(xx,P2,'k:") [21]
mantener; plot(xx,P3,'k') [22] mantener; plot(xx,P4,'k:'), xlabel('%'),
ylabel('precio') ;0 0 ;P4 = P3 = ;0 P2 = ;0 [5] pt1 = [1:5]"; [6] pt2 =
[1:10]"; [7] P1 = ;] [4] Bond4 = [ 15 15 15 15 15 15 15 15 15 115 ;] [3]
Bond3 = [ 15 15 15 15 115 ;] [2] Bond2 = [ 3 3 3 3 3 3 3 3 3 103
.........................................................................
...
Los cuatro bonos pagan cupones anuales. Segundo, bond1 y bond3 son bonos
a cinco aos mientras 007 2 y bond4 son bonos a diez aos. Lneas [8]-
[16] contiene el bucle que se deriva de los precios de los bonos
diferentes niveles de rendimiento. La variable contador j va de 1 a 300
en pasos de 1. .% Y Bond3 y bond4 tienen cupones del 15 % en el script,
lneas [1]-[7] ofrecen varias definiciones. En primer lugar, lneas [1]-
[4], establecen los flujos de efectivo de los cuatro bonos: Bond1, bond2,
bond3 y bond4. Bond1 y bond2 tienen cupones de 3
Cuando el rendimiento y se calcula en lnea [9] es igual a j dividido por
1000. Este
5 Esta es realmente la interpretacin de 'duracin'; la duracin
modificada es la duracin dividida por uno ms el rendimiento.
ny
1
1 (
) = * 2 P (1+y) 2C 1 - n-2 3 +
N+1)n c
n 100- (1+y) y n 2C
(1+y) y
un par de bonos de aproximacin a la expresin de la convexidad se
obtiene suponiendo que
+ . (4.16) (1+y)y2 y3
C = 100y y que P = 100, similar a la derivacin de (4.14). Cuando se
inserta en (4.16) estos supuestos dan la siguiente frmula aproximada:
2 MConv 1- y2 (1
1 ns
n - n+1 . (4.17)
8 +y tenga en cuenta que 1 1 1 -n 1 a n = 1-(1+y) =
) (1+y)
1/(1+y) -n
s (1+y) y
1-(1+y -n) = (1+y (1)/(1+y)
1-(1+y) y/(1+y)
-n -1 de 1-(1+y) -1 (1+y) =
-n 1-(1+y) = -1 (1+y
1+y -1 (1+y)
1 + y -(1+y)
-1 de
1-(1+y)
Esta expresin tiene la forma a veces encontradas en los libros de texto.
Por ejemplo, Campbell, Lo y MacKinlay (1997,
) .
p.408) presentan una aproximacin a la duracin de bonos, cuya duracin
se expresa como la duracin de Macaulay. Recordando que DMacaulay =(1+y)
MD deja claro que dividir la expresin derivada por Campbell et al. una
transformacin de Macaulay de duracin para la duracin modificada y por
lo tanto es idntico (4.14).
.Por(1+y) constituye
9 Nota que (4.14) no constituyen una aproximacin para los bonos a la
par. En el caso de los bonos a la par, (4.14) tiene exactamente,
porque para un bono par y= r.
67 Fixed-Income devuelve
el primer elemento de la fianza en retorno (4.21) puede representarse
mediante (4.18), por lo tanto:
1 2 cambio de precio=-MD MConv y+ y . (4.22) 2
cupones, respecto al precio, recibi durante un determinado intervalo de
tiempo se definen por:
cupones C= * t, P (4.23)
donde el intervalo de tiempo t coincide con el intervalo de tiempo
durante el cual el cambio de rendimiento se
calcula en 11 (4.22) y se administra como una fraccin del perodo del
cupn. La ltima parte de (4.21) se refiere al paso del tiempo. Para
medir este componente, considere la posibilidad de un vnculo en el
tiempo t tener madurez n. En el momento t+1 este bono tendr un
vencimiento igual a n-1.
Por lo tanto, todo lo dems igual, la aproximacin al paso del tiempo
puede hacerse calculando la diferencia de precio entre el mismo bono en
el tiempo t+1 y t utilizando por ejemplo (3,6). Se pretende en este
clculo para derivar una expresin similar a P/t:
Pt+1-Pt 1 C 1 100 = 1- 1 + -1 Pt Pt y (1+y (1+ C 1
n-) 100
ny) -- n * 1 + n (1+y) (1+y) 1
y C C 100 100 = n - n-1 + n-1 - n Pt y*(1+y) y*(1+y) (1+y) (1+y) 1 C
C*(1+y) 100*(1+y) * 100 = n - n + n - n Pt y*(1+y) y*(1+y) (1+y) (1+y)
100y-C = n . (4.24) Pt (1+y)
12 Combinando (4.22), (4.23) y (4.24) proporciona una aproximacin al
retorno de Bond:
bond 1 2 C 100y-C R =-MD MConv y+ y + + n * t . (4,25) * 2 *(1 )
cambio en el precio
* t P cupn P +y paso del tiempo,
como se ha visto anteriormente, el factor que determina el precio de los
bonos y, por ende, la rentabilidad de los bonos, es la forma de la curva
de rendimientos y la ubicacin, vase, por ejemplo, la ecuacin (3.1) o
(3.6). Cuando el emisor de los bonos se supone para ser libres
predeterminados, es decir, siempre capaz de pagar
11 los precios de los bonos que ignore este cupn corrido pago son
mencionadas como "limpia", mientras que los precios cuando el cupn
corrido parte est incluido en los precios, se hace referencia a ellos
como "sucios de precios".
En efecto, el 100 en el numerador de la expresin (4.24) por el paso del
tiempo sirve para que el rendimiento y el cupn de tamao comparable. .%
Mientras que el cupn es denominados en una unidad monetaria, por
ejemplo, C = 5, si la tasa de cupn es de 5% a 12 , el rendimiento es
denominado como una fraccin, por ej. y= 0.05 si el rendimiento es de 5
75 Modelos Arbitrage-Free
axioma 1 P: El precio de un bono, en el tiempo t, con vencimiento ,
puede escribirse como:
Pt(t)= exp[A(t)+B()Xt] (5.5)
donde A y B son funciones de la madurez y Xt recoge los factores que
explican los precios de los bonos y los rendimientos. Comparando (5.5)
con, por ejemplo, (5,1), se ve que B sirve el papel de H, es decir, B es
un factor de sensibilidad, y una matriz es un vector de constantes. Como
veremos ms adelante, resulta que las expresiones, ya sea de forma
cerrada soluciones o frmulas iterativas, pueden encontrarse para A y B.
En esta seccin se asume que slo hay una curva de rendimiento el factor
X y que es igual a la tasa de corto, es decir, la tasa de inters de =
0. Por lo tanto, establecemos Xt = rt.Una implicacin del axioma 1 es que
el rendimiento al vencimiento puede escribirse como:
1 yt ()=- *[A(t)+B()Xt], (5.6)
si los rendimientos se definen como:
-log[Pt ()] yt ()= . Axioma 2: Se supone que el proceso seguido por
la corta tasa bajo la medida de obtencin de datos puede ser escrito
como:
dr = m(r) dt+s(R)dz,
donde d representa el primer operador diferencia en tiempo continuo en
tiempo discreto; esto sera igual a . Por lo tanto, estamos expresando
cmo el proceso de cambios en r evoluciona durante un intervalo de tiempo
corto, dt. La variable m(r) es la media del proceso, que es permitido
dependen del nivel de la tasa de corto en el tiempo t y s(R) es la
inestabilidad del proceso, que, al igual que la media, puede depender del
nivel de tipo corto. La variable z representa el movimiento browniano, es
decir, el generador de ruido aleatorio alrededor de la media la ruta
seguida por el dr, donde z= e t y e N (0,1).
En la ausencia de arbitraje puede demostrarse que el PDE, fundamental que
la
3 precio del bono debe obedecer, puede escribirse como:
2 1 P 2 P P S + {m- s}+ -RP = 0, (5.7) 2 r2 r t
donde el precio del bono en la fecha de caducidad se supone para el pago
del principal, por lo tanto, P(T)= 1 y denota el precio de mercado del
riesgo. Con el fin de uso (5.7) que necesitamos para poder calcular la
primera y segunda derivadas parciales de p con respecto a la tasa de
corto r y la primera derivada parcial de P con respecto al tiempo t.
MATLAB puede utilizarse para validar los derivados encontramos al hacer
los clculos a mano. Para ello, la herramienta de clculo simblico puede
ser utilizado.
3 El clculo de los precios fundamentales PDE puede hacerse utilizando el
lema de Ito y argumentos especulativos entre dos bonos con vencimientos
diferentes, consulte Bjrk (2004)[Seccin 21.1].
4.55
4.45 4.35 4.3 4.5 4.4 4.2 4.25 4.15 4.10 10 20
Figura 5.3 Ejemplo Vasicek curva de rendimiento
la tasa inicial rt en la ecuacin (5.11) en torno a este nivel de
rendimiento de madurez infinita. Esto es
Arbitrage-Free modelos 79
30 40 50 60
hecho abajo:
1 lim y(t)t = - *[A(
+ lim
+
1 = lim - Un (
)+B()]
1 rt
+
buscando primero en el lmite con B(t), se puede observar que:
- ) + B()rt .
lim+
1 lim - Un (
+ -
()
1 e = lim -
+
2 a -
1 - +
e + * - 4
2 - -1 2 2 2 e - + + 2
2 - 2
2 - e -1 2 e -2 + 4 * - * 4 2
2 2 - (5.13) 4
2 = 0+ - +0 0- 2 2
2 = - - 2 2 .
Combinando los resultados de (5.13) y (5.12) podemos derivar el nivel que
la curva tiende a la madurez cuando tiende a infinito como:
2 y(+)t = - - 2 2 . (5.14)
Este es el nivel en torno al cual se debe variar la tasa inicial en
nuestro esfuerzo para calcular la pendiente hacia arriba, as como las
curvas de rendimiento Vasicek inversa. Para ilustrar, el cdigo anterior
se extiende a generar una superficie de parcela de esas curvas de
rendimiento.
.........................................................................
...
[12] y_inf = theta - p*s/k - s2/(2*k2);
[17] z = z+1; [18] Fin [19] figura [20] surf(r_[1:1:60]',Y_) ;r [14] para
( r=y_inf-1:0,05:y_inf+1 ) [15] Y_(:,z) = -(1/Tau).(A+B*r); [16] R_(z,1)
= ;1 [13] z =
.........................................................................
...
[12] la lnea implementa la ecuacin (5.14), la lnea [13] inicializa una
variable contador para facilitar el almacenamiento de los resultados
generados en el bucle, y lneas [14] a [18] contiene el bucle repitiendo
el clculo de curvas de rendimiento Vasicek a diferentes tipos iniciales
(r).
puntos. Lneas [19] y [20] de trazar los resultados que se muestran en la
Figura 5.4. % Lnea [14] define los tipos iniciales al rango de 1%
puntos alrededor de la media a largo plazo de la curva de rendimientos,
como se deriva de arriba. El tamao de paso para las tasas de arranque
est configurado para ser 0.05
5.3.2 modelos multifactoriales: un ejemplo
Amajor ventaja de la curva de rendimientos sin arbitraje modelos es que,
por construccin, garantizar la coherencia entre las series cronolgicas
de la evolucin de la curva de rendimientos subyacentes
modelos Arbitrage-Free 81
5.5
5
4.5
Rendimiento (%) 4 6
5
3.5 4 60 50 40 30 20 10 la tasa inicial de 3 meses de vencimiento (0)
Figura 5.4 hacia arriba y curvas de rendimiento Vasicek inversa
factores como, por ejemplo, la tasa de corto, y la forma y ubicacin de
las curvas de rendimiento de hoy como son observados a lo largo del
tiempo. Vagamente hablando, esta coherencia encarna el arbitraje sin
restricciones. Coherencia entre la dinmica y el factor de forma y
ubicacin de las curvas de rendimientos no es necesariamente garantizada
por toda la curva de rendimiento de los modelos. En este contexto, es muy
instructivo que eche otro vistazo a, por ejemplo, la curva de rendimiento
de Nelson y Siegel modelo.
Al reexaminar este modelo, es claro que es completamente silencioso sobre
la relacin entre la forma de la curva de rendimientos y las series
cronolgicas de la evolucin de la curva de rendimientos de los factores
subyacentes. Si el modelo de Nelson y Siegel est establecido en un
modelo dinmico contexto, como por ejemplo sugerido por Diebold y Li
(2006), este punto es an ms evidente. Primero queremos repetir la curva
de rendimiento las ecuaciones (5.1) y (5.2) de la seccin anterior para
mayor comodidad:
yt ()= H t +et (5.15)
y: 1- 1- 1
exp(-1) exp(- 1) -exp(-1)
1- 1- 1
1
exp(-2)
1
exp(-2) -exp(-2) H = 22 , (5.16)
... ... ...
1- 1- 1 -T
exp( ) exp(-T)
T T -exp(-T)
modelos Arbitrage-Free 83
H en el Nelson-Siegel modelo. La evolucin dinmica de la curva de
rendimientos de los factores que se supone que se rigen por el siguiente
modelo autorregresiva de primer orden:
T =
t + t-1+ut, ut N 0, . (5.19)
Los parmetros de (5.18) se definen de la siguiente manera:
A a = (5.20) B b =- ,
6 donde A y B pueden ser encontrados a travs de frmulas recursivas:
T 1 T T+1 = A A +B (- 0)+ B B -A1 2 (5.21)
T+1 = B TB (
- 1)- TB1 ,
y donde A1 y B1 se determina a partir de lo que se denomina la tasa corta
ecuacin, ya que se vincula a la evolucin de la tasa de corto
vencimiento, r, a la curva de rendimiento de los factores de la siguiente
manera:
Rt = A1+B1t +vt. (5.22)
en el modelo libre de arbitraje la forma funcional de la instalacin el
precio de mercado del riesgo es formulada explcitamente como una funcin
lineal de la curva de rendimientos factores:
t = 0+1t. (5,23)
es la estructura recursiva y el hecho de que A1 y B1 depende de los
parmetros que gobiernan la evolucin dinmica de la curva de
rendimientos factores, as como el precio de mercado del riesgo de que
garantizar la coherencia interna del modelo y, por lo tanto, excluir el
arbitraje, como fue el caso de la modelo Vasicek.
En los programas de MATLAB a continuacin mostramos cmo esta multi-
factor no-arbitraje modelo puede ser estimado. Se trata de un proceso
complicado y hacemos la aplicacin en pequeos pasos. En resumen, el plan
de juego es la siguiente:
1. Extraer Nelson-Siegel curva de rendimiento factores.
2. Estimar ,
y de (5.19).
3. Estimacin a1 y B1 (5,22).
4. Calcular y a b usando (5.20), (5.21) y (5.23) para calcular el
precio de mercado de los parmetros de riesgo, 0 y 1.
5. Repetir el paso 4 para minimizar el cuadrado de los residuos obtenidos
de (5.18).
6 Entre otros, Ang y Piazzesi (2003)[apndice A] y Moncho (2006)[apndice
A] mostrar cmo estos formulacin recursiva- lae puede derivarse.
84 modelos de estructura a plazo
ya sabemos cmo solucionar el paso 1 de la seccin 5.2.1. La estimacin
involucrados en el paso 2, estrictamente hablando, en primer lugar,
presentarse en la seccin 7.2. Sin embargo, por ahora, es suficiente para
saber que los involucrados pueden solucionarse mediante modelo de
regresin de Mnimos Cuadrados Ordinarios (MCO). Por lo tanto, el paso 2
puede completarse aplicando las tcnicas aprendidas en la seccin 2.6.
Paso 3 tambin puede resolverse usando regresin de Mnimos Cuadrados
Ordinarios (MCO). En la siguiente vamos a suponer que los pasos 1, 2 y 3
se han realizado y los resultados pertinentes han sido almacenados en
matrices llamado: beta = Nelson-Siegel factores, m = , F=
, S= , a1= A1 y A2=B1.
Al examinar los programas llamados NA_est.m, NA_a_band NA_y_optim que
aloja- pany el libro, el lector puede ver cmo el descrito no-arbitraje
modelo de curva de rendimiento puede ser estimada. NA_est.m es el
programa principal, que completa los pasos 1-3. Tambin realiza el paso 5
utilizando la funcin fmincon MATLAB para estimar los parmetros del
modelo. En particular, la funcin NA_y_optim es mnimo, como se ha visto
por la llamada a fmincon
.........................................................................
... en:
[1]
[2] %% estima un multi-factor No-Arbitrage modelo de curva de rendimiento
[3]% programa NA_est.m [64] [ out_p, fval, exitfflag ] =
fmincon(@NA_y_optim, pstart,...
[] [] [] [], Lb, ub [], opciones_);
.........................................................................
...
Los rendimientos observados
20
10
00 100 200 300 400 500 600 700
calcula los rendimientos 20
10
00 100 200 300 400 500 600 700
1
0 errores de estimacin
-10 100 200 300 400 500 600 700 La
Figura 5.5 los rendimientos observados y estimados de no-arbitraje modelo
modelos Arbitrage-Free 85
La funcin NA_y_optim contiene el clculo de (5.18). Para ello, llama a
la funcin NA_a_b, que calcula la recursividad indicada por (5.21). Por
ltimo, NA_y_optim devuelve el cuadrado de los residuos entre los
rendimientos observados y estimados, que es el objeto que es minimizado
por fmincon. Un ejemplo de la salida generada mediante el anteriormente
descrito no-arbitraje modelo se muestra en la Figura 5.5. Esta figura
muestra los rendimientos observados y estimados, y el error de
estimacin.
6 La asignacin de activos
6.1 INTRODUCCIN En
este captulo se presenta y se aplica algunas de las ideas centrales de
la teora financiera. Las herramientas y tcnicas presentadas ayudan al
proceso de toma de decisiones informadas y aumenta nuestra comprensin de
los mercados financieros. En particular, el captulo muestra cmo aplicar
los principios de optimizacin de cartera en MATLAB.
Objetivos de aprendizaje
comprender qu es la diversificacin.
Podr derivar frontera eficiente de carteras.
Conocer los principales modelos de precios de activos.
Aplicar los principios de la cartera de valores de renta fija.
6.2 portafolios eficientes
1 Media-varianza de la teora de la cartera fue desarrollado por Harry
Markowitz en 1950.
l mostr cmo las carteras de inversin eficiente formaran una frontera
en el esperado retorno/desviacin estndar espacio sujeto a los
siguientes supuestos:
no hay fricciones como impuestos y costos de transaccin; vehculos
de inversin son infinitesimalmente divisible para que las fracciones de
estos pueden ser negociados; corto venta est permitida; slo los
inversionistas estn preocupados acerca de la rentabilidad esperada y
riesgo, este ltimo se define como la desviacin estndar o varianza de
los retornos esperados; la rentabilidad de los activos de la economa
son individualmente diferentes, y no puede ser expresada como
combinaciones lineales de otros bienes comercializados en la economa; de
lo contrario, la matriz de covarianza devuelve sera singular (en otras
palabras, la matriz de covarianza se supone invertible); N 2 Los
activos se comercializan en la economa.
1 El material presentado en esta seccin se basa en particular en Huang y
Litzenberger Luenberger (1988), (1998) y Campbell et al. (1997).
88 La asignacin de activos
nos permiten definir r para ser el vector de retornos esperados, C para
ser la matriz de covarianza del rendimiento de los activos, y w para ser
el vector de la cartera de pesos, es decir, cunta riqueza que se
invierte en cada activo. Mucho del trabajo que conduce al xito de la
aplicacin de las decisiones de asignacin de activos estratgicos, as
como las decisiones tcticas, radica en la correcta estimacin de r y C,
por lo que w, la decisin variable, puede ser determinada. Sin embargo,
en cuanto a la derivacin de las matemticas por debajo de la frontera
eficiente, r y C se supone que se conoce con certeza. La estimacin
actual de r y C es una cuestin aparte.
Dado que los inversores se supone que se trate slo de retorno esperado y
riesgo, las carteras de inversin que parece atractiva puede ser
representada como una frontera en el esperado retorno/desviacin estndar
del espacio. Se muestra en la Figura 6.1 que para cada nivel de riesgo de
una cartera con el retorno ms alto es la ms atractiva; asimismo, para
cada nivel de rentabilidad esperada de la cartera con menor desviacin
estndar es el ms atractivo. La frontera eficiente es derivado de
cualquiera de estos enfoques, es decir, maximizando la rentabilidad
esperada para todos los niveles de riesgo, o minimizando el riesgo para
todos los niveles de retorno. Cada posible combinacin de cartera se
identifica por una cruz en la figura y la frontera eficiente por la audaz
lnea cncava.
20
15
10
portafolios eficientes 89
Esta idea tambin se refiere a veces como "La restriccin total de
inversin". .% Cartera suma contrapesos a la unidad. O, Puesto de otra
manera, la cartera pesos se expresa siempre en puntos porcentuales o como
fracciones - por lo tanto, suma a 100
es un reto para el inversor para elegir la cartera pesas sabiamente. En
primer lugar, esta opcin depende de la rentabilidad esperada, la
desviacin estndar y la covarianza que uno espera que se materialice en
el futuro. En segundo lugar, depende de las preferencias de riesgo del
inversionista/aversin. De hecho, gran parte de la teora financiera
afecta al clculo y a la eleccin de estos pesos. La "eleccin" que se
supone que debe hacerse en una forma ptima, donde "ptimo" se refiere a
la adhesin de las caractersticas de la cartera de riesgo-retorno a las
preferencias de los inversores.
Las dos entradas centrales para el proceso de inversin, la rentabilidad
esperada de la cartera y su desviacin estndar, se definen a
continuacin. La rentabilidad esperada de una cartera es un promedio
ponderado de los rendimientos de instrumentos, donde las ponderaciones
son definidos por la cartera de pesas. Por lo tanto:
N T RP = wn rn=w r. (6.1)
n=1
La cartera varianza no es un promedio ponderado de las variaciones de los
activos -si no lo estaba, sera ignorar los efectos de covarianza, es
decir, el movimiento de las articulaciones de los activos a lo largo del
tiempo.
2 La definicin estadstica de la varianza de dos variables es:
2 2 Var(aX1+bX2)= un Var(X1)+b Var(X2)+2unbCov(X1,x2),
donde las X son variables, por ejemplo, series de tiempo de las
devoluciones de dos bonos, y a, b son pro- stants. La varianza de una
cartera de varias variables puede ser escrita como una generalizacin de
las anteriores:
N N T Var rp = 2p = wnwm n,m = w Cw. (6.2)
n=1 m=1
Expresiones (6.1) y (6.2) se manifestaron con sumas y en forma matricial.
En lo que sigue, principalmente el formulario matriz ser utilizado.
Como se ilustra en la figura 6.1 la optimizacin problema enfrentado por
los inversores pueden estar igualmente bien formuladas en los dos
siguientes maneras, donde el subndice p significa 'portfolio':
T max rp = r wp
S.T.
Twp Cwp = 2p Twp 1= 1
2 Vase, por ejemplo, Greene (1993, p.65).
90 La asignacin de activos
o:
2 1 T min p = Cwp wp (6.3) 2 S.T.
Twp r = rp Twp 1= 1
El primer problema de optimizacin afirma que el retorno de la cartera
debe maximizarse para un determinado nivel de riesgo, aunque tambin el
cumplimiento de la restriccin de la inversin total, es decir, que la
suma de los pesos de la cartera suma a la unidad; el 1 se refiere a un
vector de dimensin apropia- do. Esto corresponde a la flecha vertical en
la Figura 6.1, y es fcil ver que la frontera eficiente puede ser trazada
repitiendo el ejercicio
2 optimizacin para distintos niveles de riesgo de la cartera p . El
segundo problema de optimizacin cor- responde a la flecha horizontal en
la figura 6.1 y encuentra la cartera de riesgo mnimo para un determinado
nivel de destino de retorno, mientras que tambin cumple la restriccin
total de inversin. 1 La constante 2 se agrega por comodidad; al
maximizar o minimizar una fun- cin es naturalmente la misma para
optimizar f (x) y kf(x), k > 0. Es igualmente fcil de ver que un
conjunto discreto de puntos en la frontera eficiente puede calcularse
variando el nivel de retorno de destino. Sin embargo, a raz de
Markowitz, existe una manera ms elegante de caracterizar la frontera
eficiente en lugar de resolver los problemas mencionados para diferentes
niveles objetivo de 2p y rp.
Esta solucin se obtiene mediante el Enfoque de Lagrange de la siguiente
manera: (i) equat- miento de las restricciones a cero; (ii) la
sustitucin de cada restriccin en la funcin objetiva y multiplicando
cada restriccin de una positiva constante; (iii) el clculo de la
primera derivada de la funcin con respecto a las incgnitas y equiparar
la primera deriv- atives a cero; (iv) y luego resolver las ecuaciones
para los desconocidos. Este proceso se completa a continuacin:
1 T T T min L{w,,} = wp wpC+p rp-wp r +p 1-wp 2
1 , (6.4)
y la solucin se obtiene calculando la primera derivada de (6.4) con
respecto a
3 (w,,). L se compone de tres trminos y cada trmino puede calcularse
por separado:
L = C(n,n)w(n,1)-(1,1)r(n,1)-(1,1)1(n,1) = w 0(n,1) (6.5) L T =
r(1,1)-w(1,n)r(n,1) = 0(1,1) (6,6) L T = 1(1,1)-w(1,n)1(n,1) =
0(1,1). (6,7)
3 para facilidad de notacin que omitimos el subndice p, refirindose a
una cartera concreta, es decir, en las restantes derivaciones escribimos
w,, en lugar de wp,p,p.
Carteras eficientes 91
puede ser visto desde los subndices mostrando las dimensiones de las
variables incluidas que la lista anterior de primeras derivadas forman un
sistema de ecuaciones de n+2 con n+ 2 incgnitas, donde n es el nmero de
activos cubiertos por el universo de inversin subvencionable. La
ecuacin (6.5) puede ser resuelto por el activo, los pesos w de la
siguiente manera:
C = w r+ 1
-1 -1 w=C r+ C 1. (6.8)
C sern, en general tienen rango completo porque los activos incluidos en
el universo de inversin no sern sustitutos perfectos (de lo contrario
no seran diferentes activos para empezar) y por la misma razn no ser
posible formar combinaciones lineales de los bienes que son idnticos.
Cuando C tiene el rango es invertible y el clculo anterior es posible.
La ecuacin (6.8) muestra los pesos de cartera como una funcin de
c,r,,).
Los dos primeros son insumos directos para el proceso de inversin, y
aunque pueden ser muy difciles de estimar un razonable nivel de
precisin, con el propsito a mano pueden ser consideradas como
'observados' variables. No se sabe cules son los valores de y ,
desde estos parmetros, siga el camino de la optimizacin se resuelve el
problema. No tenemos ninguna manera de estimar sus valores o su
estimacin de otras
4 variables observadas. En lugar de sus valores tienen que ser derivadas.
Una idea en este sentido es formar dos ecuaciones con dos incgnitas.
Comenzando
con T (6.8) y premultiplying por r da:
T T T -1, -1 r w=r c r+ r C 1 t -1 t -1 rp = r c r + r C 1
rp =X + Y.
Teniendo T (6.8) nuevamente y premultiplying por 1 da:
-t 1 -T 1 T1 w=1 C r+ 1 C 1
-1 t -1 1= T1 C r + 1 C 1
t 1=Y + Z.
4 En la teora de la optimizacin econmica y se denominan precios
sombra para las restricciones impuestas.
92 La asignacin de activos
para resumir, los dos ecuaciones con dos incgnitas puede ser escrito
como:
rp = X , Y Y Z 1
puesto que se observ que las entradas de la matriz 2 por 2 en el RHS son
todos escalares, as
TY = Y. nos permiten definir:
t -1 X = r c r
T 1 -T -1 Y = r 1 C= 1 C r
-1 Z = T1 C 1
2 D= X Z -Y .
Este sistema de ecuaciones puede resolverse mediante la regla de Cramer
que dice:
X: det rp
x -y rp = = . D det
Y 1
X, Y Y Z
basado en este ahora es posible expresar la cartera ponderaciones como
funciones de C y r solo. Una expresin para w puede encontrarse
insertando las expresiones de y en (6,8):
-1 -1 wp =p C r+C p1
Z -x -1 y -1 RP = rp-Y C r+ 1 C D D 1 -1, -1, -1, -1 = X C 1 y C
r+Z C rrp-Y C 1 rp D 1 -1, -1, -1, -1 = X C 1-Y C r + Z C R-Y
C 1 rp D = G+Hrp,
94 Asset Allocation
[34] Si ( sum(w_bf)==1 ) [35] zz = Zz+1; [36] W_BF(zz:) = w_bf"; [37]
R_BF(zz,1) = w_bf'*r; [38] S_BF(zz,1) = sqrt(w_bf'*C*W_BF); [39] [40] el
final final final [41] [42] [43] el extremo final [44] figura [45]
parcela(S_P,R_p'k-','linewidth',2), ... ;] [29] para ( j=-1:0.1:1 ) [30]
para ( k=-1:0.1:1 ) [31] ( l=-1:0.1:1 ) [32] ( m=-1:0.1:1 ) [33] w_bf = [
j;k;l;m ;0 [26]% --- clculo de fuerza bruta --- [27] nObs = 10; [28] zz
=
[46] xlabel('Standard'), desviacin ylabel('esperado retorno'); [47]
mantener en [48] parcela(S_bf,R_BF,'kx','linewidth',0,25);
.........................................................................
...
20
15
10
5
retorno esperado
0
-54 6 8 10 12 14 16 20 22 18 24 desviacin estndar
Figura 6.2 La inversin posible
diversificacin de frontera 95
la clara desventaja de la fuerza bruta como los clculos presentados por
lneas [26]-[43] es que el nmero de bucles de 'for' se incrementa en uno
para cada activo adicional que se incluye en el universo de inversin
subvencionable. Adems, se calcula algunos informar- cin que no es
especialmente til, a saber, todos los puntos del interior de carteras,
es decir, las carteras que no se encuentran en la frontera eficiente. La
aplicacin de (6.9) elude ambos de estos inconvenientes slo por el
clculo de carteras de frontera y, como tal, slo requiere un bucle que
se ejecuta a travs de la devolucin de destino. Esto se ilustra en
lneas [19]-[25]. Lneas [9]-[14] define las variables de entrada
facilitando los clculos como se ilustra arriba y lneas [15]-[17] para
definir objetivos de retorno que la frontera eficiente debe ser calculado
y en el que el tamao de paso. Dentro de cada uno de los bucles en el
clculo de la mtrica de la cartera se realiza siguiendo las definiciones
en (6,1) y (6,2). La figura 6.2 ilustra los resultados generados por el
archivo de script. Las cruces en la figura representan los clculos de
fuerza bruta y la lnea en negrita los resultados obtenidos al aplicar
(6,9).
6.3 La diversificacin
el otro proviene de la covarianza de efectos, es decir, de los elementos
fuera de la diagonal de C, cuando n = m. La expresin (6.2) puede ser
reescrito para reflejar esto ms claramente: ;m Como puede verse en la
expresin de la varianza de la cartera en la ecuacin (6.2), hay dos
trminos en el clculo: uno proviene de la variacin de los activos de
inversin subvencionable, es decir, desde la diagonal de C, cuando n=
N N N 2 2 2 p = + (6.10)
n=1
w n
n n=1
wnwm n,m
m=1
96 Asignacin
de Activos de (N - 1)/N fuera de la doble sumatoria en la segunda mitad
de la segunda lnea
5 deja el resto igual al promedio de covarianza. Dejar n enfoque infinito
da los siguientes lmites:
1 2 lim = 0
N N lim n -1 n,m = n,m.
N N
En otras palabras, cuando el capital del inversor est bien distribuida
entre los vehculos de inversin subvencionable, el riesgo que se deriva
de los activos individuales es diversificada fuera y lo que queda se
aproxima al promedio de covarianza. Se ve que la covarianza trminos, en
este caso el promedio de covarianza, no puede ser diversificados de
distancia. Esta parte del riesgo tambin se conoce como riesgo
sistemtico de la cartera.
En realidad es (naturalmente) no es posible distribuir el capital entre
un nmero infinito de activos, ni es necesario para el logro de ventajas
de diversificacin. En la mayora de los casos, el efecto de
diversificacin es considerable, incluso cuando slo 15 activos estn
incluidos en la cartera y el beneficio marginal de la inclusin de ms de
50 activos es
6 para todos los propsitos prcticos iguales a cero.
Para ilustrar la cuestin de la diversificacin de la secuencia de
comandos de MATLAB siguiente simula una matriz de covarianza y calcula la
varianza de carteras con un nmero cada vez mayor de activos incluidos.
.........................................................................
...
[1] nObs = 100;
[3] xx = (bgn+1:1:nObs)"; [4] temp = tril(rand(nObs,nObs); [5] temp =
temp+temp"; [6] std = rand(nObs,1)+1; [7] corr = temp-Diag
(Diag(temp))+diag((nObs,1); [8] = (COVstd std").*corr; [9] para (
j=1:nObs-bgn ) [10] C = Cov(1:J+bgn,1:J+BGN); [11] w = 1/j.(j+bgn,1);
[12] sig2(j,1) = w'*C*w; [13] Fin [14] sig2pct = sig2./sig2(1,1).*100;
[15] figura [16] parcela(xx,sig2pct),xlabel('Nmero de activos en
cartera'),... ;2 [2] bgn =
;)'% [17] ylabel('Riesgo
.........................................................................
...
5 Nota que hay N *(n - 1) fuera de la diagonal de la matriz de covarianza
trminos, a fin de dividir la suma de las covarianzas por
este factor da el promedio de covarianza.
6 Esta afirmacin slo es cierto cuando se trata de un universo de
inversin donde hay uno de los principales factores de riesgo, como es el
caso de las acciones y los bonos del gobierno. Esta declaracin es, por
ejemplo, no es cierto cuando se investiga un activo universo compuesto de
bonos corporativos.
La diversificacin 97
la salida del script se muestra en la Figura 6.3, lo cual confirma la
mencionada diversificacin aumentos cuando incluyendo activos adicionales
en la cartera. Vale la pena recordar, sin embargo, que la secuencia de
comandos de MATLAB utiliza una matriz de covarianza simulado que no
reflejan plenamente las matrices de covarianzas estimada a partir de
datos de la vida real. An as, el ejemplo demuestra el punto y muestra
cun importante es ser conscientes de los beneficios de la
diversificacin.
40 30 20 10 00 10 20 30 40 50 60 70 80 90 100 el nmero de los activos en
cartera % 100 90 80 70 60 50 Riesgo
Figura 6.3 Ejemplo del efecto de diversificacin
una descripcin de la secuencia de comandos de MATLAB se da aqu. Lneas
[1]-[3] definir el nmero de entradas en la matriz de covarianza, es
decir, el nmero de activos que estn contenidos en el universo de
inversin subvencionable. El valor de la variable 'bgn' en lnea [2]
indica que dos bienes deben incluirse en el primer clculo. El 'xx' en
lnea [3] es simplemente una variable de recuento utilizado al trazar el
resultado. Lneas [4]-[8] simular la matriz de covarianza. Lnea [4]
genera la matriz triangular inferior desde una matriz de variables
aleatorias distribuidas uniformemente entre cero y uno. Una matriz de
covarianza es simtrica y, por lo tanto, la parte triangular inferior de
la matriz se toma para que una matriz simtrica puede generarse en lnea
[5]. Lnea [6] genera un vector de desviaciones estndar, uno para cada
activo; un lmite inferior de unidad de la desviacin estndar es
escogido arbitrariamente. En lnea [7], se asegura que la diagonal de la
matriz de correlacin es igual a la unidad. Lnea [8] genera la matriz de
covarianza tras el clculo de Cov(X1,x2)=(x1) std std(x2)corr(x1,x2).
Esto se realiza a travs de uno de sus elementos la multiplicacin de
matrices de Correlacin y Covarianza. Lneas [9]-[13] calcular
98 Asset Allocation
la cartera la varianza de un universo de inversin que aumenta de tamao
por uno activo de una iteracin a la siguiente. El resto del cdigo traza
los resultados.
6.4 LA CARTERA DE VARIANZA MNIMA
recuerdan que la frontera eficiente comprende las carteras que tienen la
menor varianza para un nivel dado de retorno (vase la ecuacin (6.3).
Una pregunta pertinente es:
Cules son los pesos de la cartera de varianza mnima mundial? Esta
cartera es interesante porque nos dice, sobre la base de una determinada
inversin universo, cul es el nivel de riesgo y retorno es menos
riesgoso para la opcin de inversin, aparte del curso desde el
7 de activos exenta de riesgo, si existe tal activo. Utilizando la
definicin de la cartera global de la varianza, la cartera de riesgo
mnimo puede ser identificado:
2p = Twp Cwp
-1 -1 = Twp C*(C r+C 1 )
T T =wp r+ wp 1
=rp+ Z * X -Y RP = rp-Y rp+ D D 1 2 = Z -RP 2 y rp +X (6.11) D
donde la segunda lnea se desprende de (6.8), la quinta lnea materna en
el expre- siones de y obtenidos anteriormente, y en la ltima lnea
aparece cuando la reorganizacin de los trminos. Claramente, (6.11) es
una ecuacin cuadrtica en rp con el siguiente punto de variacin mnimo:
2
4 Z x -4 S S 2mvp,rmvp = Z t1,2 = *(Z X -Y 2 , 1 y 4) Z
= , . (6.12) Z Z utilizando este resultado para calcular las coordenadas
(x,y) de la varianza mnima port- folio (MVP) en el ejemplo utilizado
para producir la figura 6.2 da mvp = 1/Z = 4,78; rmvp = 2,44.
7 En los modelos de precios de activos el concepto de activos exenta de
riesgo se utiliza como un punto de ancla y, a menudo, el retorno de un
bono del gobierno a corto plazo/cuenta bancaria es utilizada como un
proxy. Sin embargo, cabe destacar que los fuertes suposiciones sobre el
horizonte de inversin son implcitas por la eleccin de una alternativa
de inversin libre de riesgo. Por ejemplo, si el horizonte de inversin
es de un ao (o ms) y un mes de depsito tasa se utiliza como proxy de
la tasa libre de riesgo, entonces este instrumento no est realmente
libre de riesgo porque el depsito vence despus de un mes, y por lo
tanto debe ser renovada en un nuevo depsito que posiblemente una tasa de
inters diferente. Por lo tanto, riesgo-gratuidad debe considerarse en el
contexto del horizonte de inversin elegida.
100
lneas de asignacin de activos [1]-[7] Determinar los valores de
entrada. Lneas [9]-[11] aplicar las frmulas; los resultados aremvp=
4.78 andrmvp= 2,44, exactamente como se indica arriba. Los pesos para el
MVP se encuentran wmvp=(1.0127, 0.1938, 0.1203, 0.0861- T) , donde la
cartera de pesos negativos activos 3 y 4 indican que estos dos activos
deberan venderse a corto.
6.5 Restricciones de peso activo
todas las anteriores conclusiones y derivaciones que suponemos que no
existen restricciones sobre los pesos de activos y que es posible vender
los activos a corto plazo, es decir, tener pesos negativos en uno o ms
activos cubiertos por el universo de inversin subvencionable.
Aplicaciones prcticas de optimizacin de cartera suelen imponer
restricciones sobre determinados bienes, en la forma del general mximo
y/o mnimo mantiene restricciones en activos individuales y/o grupos de
activos. Por ejemplo, una restriccin impuesta comnmente es un "no-
corto-restriccin de ventas' para todos los activos. Una vez que tales
limitaciones estn permitidas es bastante difcil obtener expresiones de
forma cerrada de la frontera eficiente, si es posible en absoluto. En
efecto, la solucin al problema de la frontera eficiente tiene que
recurrir a tcnicas numricas.
De una forma general de la optimizacin de la cartera de problema se
indica a continuacin:
2 = Twp minp Cwp (6.13) S.T.
Twp r = rp Twp 1= 1 lb wp ub Gwp ubg.
He aqu la tercera y cuarta limitaciones adicionales permiten que los
lmites inferior y superior (lbandub, respectivamente) en los distintos
pesos de cartera, y para un lmite superior sobre grupos de activos. La
definicin de grupo est contenida en la matriz G, que tiene su nmero de
filas igual al nmero de definiciones de grupos activos y columnas igual
al nmero de activos.
MATLAB contiene un mdulo de optimizacin de la cartera denominada
frontconthat viene con la caja de herramientas financieras. Sin embargo,
para ilustrar cmo la optimizacin de cartera sujeta a restricciones
pueden aplicarse, y a ayudar a quienes no poseen la caja de herramientas
financieras, una alternativa al frontconis construido debajo. Esta
funcin se llama horteras- tierand utiliza las ecuaciones derivadas en la
seccin 6.2, aplicable cuando no se imponen restricciones al problema de
optimizacin, y una solucin numrica para la funcin objetivo cuando las
limitaciones impuestas. Para producir las soluciones numricas que facil-
itate los clculos en el ltimo caso, optimizador del MATLAB fminconis
utilizado junto con la siguiente estrategia: clculo de
B= .
0 1 0 1 0 1 0 1
8 Para obtener ms informacin sobre esto, investigar la funcin de ayuda
de 'optimset', por lo tanto, escriba "help optimset' en el indicador de
comandos de MATLAB.
10 frontera ilimitada
frontera restringida [R]E
5
mvp
04 6 8 10 12 14 16 18 Riesgo
Figura 6.4 Ejemplo de un desenfrenado y limitada frontera eficiente
6.6 El Capital Asset Pricing Model
la piedra angular de la moderna teora financiera es la respuesta a cmo
los precios de equilibrio de los contratos financieros estn decididos en
la economa. El modelo de Precios de Activos de Capital (CAPM)
proporciona una respuesta. En trminos de un argumento verbal el CAPM
dice que si los agentes de la economa slo se preocupan por los dos
primeros momentos de devolver las distribuciones y tienen idnticas
expectativas en estos momentos, es decir, estn de acuerdo en las
caractersticas de riesgo y rendimiento de los activos que el comercio en
la economa, si tienen horizontes de inversin similares, si son adversos
al riesgo y prefieren ms volver al menos, si un activo sin riesgo
existe, y si pueden recibir y otorgar prstamos a la tasa libre de
riesgo, entonces todos los agentes celebrar una cartera de dos activos:
uno de los rendimientos de los activos el tipo de inters libre de
riesgo, el otro es el mercado de la cartera. Los agentes mantendrn
diferentes porciones de estos dos activos: ms agentes de aversin al
riesgo se espera mucho ms de los activos libres de riesgo y mucho menos
el mercado de la cartera de los agentes menos reacio al riesgo. La
cartera de mercado se define sobre la base de la capitalizacin del
mercado pesos de los activos individuales que el comercio en la economa.
La capitalizacin de mercado de peso para un determinado activo se define
como la relacin entre el valor total del activo y el valor total de
todos los activos, es decir k wj = Vj/ k=1 Vk, donde j se refiere a un
activo especfico, V de valor de un activo, y K para el nmero total de
activos que el comercio en la economa. El valor de un activo es igual a
la cantidad de 'piezas' del activo que el comercio en la economa, por
ejemplo, el nmero de acciones de una empresa determinada haya expedido o
el nmero de bonos de un determinado gobierno ha emitido,
108
desviacin estndar de asignacin de activos no es una medida perfecta de
riesgo de la cartera. Adems, dado que todos los inversores en equilibrio
slo ocupan una cartera riesgosa, es tentador hypothesise que una mejor
medida de riesgo debe ser de algn modo relacionados con esta cartera de
mercado.
Estas ideas provienen del CAPM, el cual fue desarrollado
independientemente por W. Sharpe, Lintner y Mossin J. J.. Es intuitivo
pensar en el CAPM es un modelo de un solo factor, es decir, un modelo que
slo tiene un componente de riesgo subyacente.
En el CAPM este componente riesgoso es el mercado de la cartera. El resto
de carteras y activos individuales puede ser descrito por sus co-
movimiento con el mercado nico factor. En particular, esta co-movimiento
es definida por:
cov rj,rM ,M = = j j . (6.17) var(rM) 2M
utilizando esta definicin de riesgo el CAPM Relacin est escrito como:
rj = +rf j rm -rf +ej. (6,18),
como es el caso de la LMC en (6,16), la relacin en el CAPM (6.18) es una
re- lacin lineal entre la rentabilidad y el riesgo, tambin llamado el
mercado de seguridad de lnea (SML); sin embargo, en (6.18) el riesgo es
definido por j y no por j. La antigua () se refiere a menudo como el
riesgo sistemtico de activos individuales y carteras, ya que sta es la
parte del riesgo que no puede ser diversificados de distancia, mientras
que la segunda() se conoce el riesgo total de la cartera y la seguridad
individual. La variacin de (6,18) es:
2 2 = J + . 2j
M
riesgo total riesgo sistemtico
2ej
Riesgo no sistemtico de
los mercados financieros no se van a premiar a los agentes de riesgos del
cojinete no necesitan soportar. Dado que el riesgo no sistemtico puede
diversificarse fuera, los agentes no van a recibir ninguna compensacin
por tener una cartera que contiene esta fuente de riesgo. El MFPAC
relacin refleja este principio bsico.
7 Herramientas Estadsticas
7.1 INTRODUCCIN En
este captulo se presentan algunas de las herramientas y tcnicas que
pueden ayudar a proyectar el modelado y la devuelve. Como tales, estas
herramientas pueden ayudar en el proceso de estimacin de la rentabilidad
esperada para los valores de renta fija, acciones y divisas, y ayudar a
modelar y prever otras variables de inters. La presentacin es aplicada
en la naturaleza: esto significa que cuanto ms orientada matemticamente
los lectores probablemente se sentirn decepcionados y sentirse obligado
a quejarse de la falta de rigor. Sin embargo, cabe esperar que la
presentacin servir de ayuda a otros lectores que puedan estar
interesados en ver la aplicacin real de los mencionados instrumentos.
Objetivos de aprendizaje
Master modelos bsicos de series de tiempo.
Comprender la utilidad de las tcnicas de cambio de rgimen y sus
aplic- nizaciones.
Obtener ms ideas sobre cmo las curvas de rendimiento puede ser
modelada en la madurez y dimensiones de series de tiempo.
7.2 autorregresiva de vectores de
la futura evolucin de la mayora de las series de tiempo financieras y
econmicas depende de su propia evolucin pasada y correlaciones cruzadas
con observaciones anteriores de otras variables.
El proceso vectorial para una serie de vectores puede ser descrito por:
modelos autorregresivos explotar tales estructuras de dependencia por
caracterizar la obser- vacin en el tiempo t de un vector X en funcin de
las observaciones pasadas XT-1,XT-2,...,XT-j .
p Xt = c+ Xt-j Aj +et. (7.1)
j=1
Esto se llama un modelo VAR(p) donde p se refiere al nmero de rezagos
incluidos en el modelo, y Aj recopila los parmetros autorregresivos en
lag. j. En la formulacin anterior, XT es de dimensin (nObs-p) por
nVarsrefers nVars, donde el nmero de variables contenidas en X.
1 2 0 St a d s t i c a l a o l s
End; [45] [46] [row_lik,ol] = tamao(lik); [47] lik = log(lik(2:row_lik-
1,1); [48] lik = -1sum(lik); [49] Pr = Pr'; ;1 [43] [44] fin; I = I + ;1
[ 4 ] 2 c = c + 4 ; [ 1 ] e n d ; [ 4 ] 0 P r ( c , i ) = 0
.........................................................................
...
Lneas [2]-[17] Preparar los datos de entrada e iniciar los vectores y
matrices nece- sario para calcular la probabilidad de funcin. Lneas
[18]-[20] hacer llamadas sucesivas a la funcin calcular la densidad
normal (esta funcin se muestra a continuacin: el
rgimen_normaldensity). El bucle, la variable j se cuenta el nmero de
regmenes seleccionadas por el usuario para ser estimados y el bucle
'for' en lneas [18]-[20] y, a continuacin, calcula la densidad normal
de ajuste para los datos dado a cada uno de los medios para que los
regmenes que se estim- ciada, es decir, implementa la ecuacin (7.7).
Lnea [22] introduce un bucle 'for' que termina en lnea [45]. Esta
estructura se repite a lo largo del nmero de observaciones contenidas en
la muestra de datos y ejecuta la Ecuacin (7.8A) en lnea [24] y la
Ecuacin (7.8b) en lnea [31]. La funcin de probabilidad se calcula en
lnea [23] y el registro de valores de probabilidad en lneas [47]-[48].
El resto del cdigo se refiere a la verificacin de errores que garantice
que el cdigo funciona incluso si tiene un mal arranque o valores
numricos en el caso de desperfectos.
Por ejemplo, lneas [25]-[30] implementar una vlvula de seguridad para
los casos donde el estado prob- habilidades no puede ser calculada. En
tales casos el estado probabilidades son iguales a uno dividido por el
nmero de miembros. Lneas [32]-[45] cuidar de sucesos anormales, donde
las probabilidades son calculadas para ser mayor que uno o menor que
cero.
Naturalmente, esto no sucede en aplicaciones normales del modelo; sin
embargo, es aconsejable aplicar tales comprobaciones de error para
asegurarse de que el cdigo es resistente a la entrada errnea de datos y
similares.
La funcin rgimen_normaldensity, como su propio nombre indica, calcula
los valores de densidad de la distribucin normal.
.........................................................................
...
[1] [Funcin] = rgimen lik_normaldensity(significa_,sigma_,dat)
[2] [3] %% de densidad normal con media y varianza1 sigma12 [4]% datos
figura en dat [5%] [6] La eps = dat - significa_; [7] lik =
inv(sqrt(2*pi*sigma_2))*exp(-(eps .*eps)./(2*sigma_2));
.........................................................................
...
j j -0,5 1 1 J LT () ft|t-1
- exp - t|t-1 ft|t-1t|t-1 . (7.19) 2 para completar el filtro de
Kalman, as como su varianza necesitan ser actualizados. Mientras que
la actualizacin de la varianza se desarrolle de acuerdo con el filtro de
Kalman ordinario desde el rgimen de clasificacin no aparece en (7.18),
la actualizacin tiene que tener en cuenta el rgimen conmutacin como
en (7.14). Como en Kim y Nelson (2000) la actualizacin
7 para una presentacin detallada del filtro de Kalman vase, por
ejemplo, Hamilton (1994)[ch. 13] y para una buena presentacin de modelos
de cambio de rgimen vase, por ejemplo, Hamilton (1994)[ch. 22].
(2,2
...
Un (r,r)
9.2.2 Suma
(r,c)+B(r,c) =(r,c)+b(r,c)
(A+B)+C = A + B + C).
9.2.3
Un producto(r,c)B(c,q) = C(r,q)
UnB = BA.
Tr (A)= ajj
j
Tr (A+B)=(A)+tr tr(B) UnTr (B)= BTr (A).
9.3 DESCOMPOSICIONES
Descomposiciones 153
9.3.1 Triangular
= L T D L
es vlida y nica para cualquier simtrica definida positiva matriza. L
es inferior triangular y D es una matriz diagonal:
1 00 0 l21 1 0 0
L = l 1 ... y D
d11 0 0 0 0 d22 0 0
=
.
l31
...
32
... ... .. 0
LR1 LR2 LR3 1
9.3.2 Cholesky
un= P
0 0 ... .
. ... ...
0 0 0
d33
... .. 0
drr
T P
1/2 donde P = LD , utilizando la notacin de la factorizacin triangular
anterior. Por lo tanto,
,
P es triangular inferior como L, pero su diagonal est poblada por la
raz cuadrada de los elementos de D:
l21
P = L31
LR1
11d
D11 D11
...
d11
d22 0 0 0 l32 D22 D33
.. .
. ..
LR2 LR3 D22 D33
0 0
... .
...
9.3.3
Un Eigenvalue= C*
0
1 drr -C
es la descomposicin eigenvalue cuando tiene valores propios que son
distintos de cada
,
otros. Recoge los valores propios a lo largo de la Diagonal y C recopila
los vectores propios:
1 0 0 0 0 2 0 0
(r,r) = 0 0 ... y
c c c c c
. ... ...
0 0 0
3
... .. 0
r
(r,r) = .
1
...
2
...
3
... ...
R
...
xe x ke
xa xa
1
x pecado
-1 = x
1/2 x = x (x) cos(x)
-1 1 -2 -x2
-x 1 =
1 -1/2 2 x = 2 x cos(x)
(a).
f(x) 0
1 xxe
x k ke
xa ln(a) unx
-sin(x)
Definicin:
df f(x)= = dx lim
h0
Linealidad:
d +g(x) =
Reglas Bsicas 155
f(x+h)-f(x). h
df (x) La DG(x) +
f(x) dx d dx Dx
f(x) dx c
producto regla: d
(x)g(x) = f (x
df (x) = c . dx
dx f
cociente regla:
d f(x) f(x)
)g(x)+f (x)g (x).
g - x = dx g(x)
Cadena regla: d
= f(g(x) = f d (x)
g
)g (x). (X) g(x
f ( 2)
df dg (x) g (x)= * .
9.4.4 Simple integrales
f(x) F
DG DX
0 k
(x)
k kx ln(x) x ln
xe e (x) x
x
x 1 ke k
kx e
xa
ax
ln(1
) una xa
f (x) la
integracin es lineal:
(x)+c.
f(x)+g(x) dx = f(x)dx+ g(x)dx
Funciones 157
- 1, donde N es el inverso de la distribucin normal. La funcin de
distribucin acumulativa es dada por: -1 -1 1- N )-N (p) f (x;p,)= N
. (X
la distribucin de prdidas est definida en el intervalo 0 X 1, por
lo que x puede interpretarse como el porcentaje de la cartera que se
pierde.
9.6 Funciones
9.6.1 afn (lineal) de la funcin f (x)= c+bx,
donde c y b son constantes escalares. c es el valor de la funcin cuando
x = 0 y, por lo tanto, donde la funcin cruza el eje y; esto tambin se
conoce como la interseccin. b es la pendiente de la funcin, es decir,
cunto se expresa el valor de la funcin responde a un cambio en la
variable x. En un contexto de matriz la ecuacin lineal de muchas
variables puede ser expresada en una forma compacta como:
unidades de 1,2 x1,c b1
x x b y(r,1) = c+ = c(1,1)+x(r,c)b(c,1),
x1,1 x2,1 . ..
2,2
...
2,c
...
2
...
xr,1 xr,2 xr,c bc
donde Xr,c representa los diferentes variables y la vectorb recoge la
vertiente coeficientes para cada variable.
9.6.2 funcin cuadrtica
2 f(x)= c+b+ax x ,
donde c, b y a son constantes escalares. Las soluciones:
eff r m
r = 1+ -1. m
En el caso de tasas de inters compuesto continuamente, es decir, cuando
m, la tasa efectiva puede ser calculada por:
eff r r = e -1 y por varios perodos se convierte en:
eff n r1,n = re -1.
9.8.6 estadsticas de cartera
que w es el vector de las cantidades invertidas en cada uno de los j
valores cubierto por el universo de inversin subvencionable. Deje que r
es el vector de retornos esperados, C La espera- ted matriz de
covarianza, MD el vector de duraciones modificadas y Conv el vector de
2 convexities. A continuacin, dejar p denotan el nivel de cartera y la
varianza, se aplica lo siguiente:
T = w rp r
T 2p = w Cw
t MDp = W
T Convp MD = w Conv.
Bibliografa
Ang, A. y M. Piazzesi (2003): "Un vector No-Arbitrage autorregresiva de
expresin dinmica estructural con variables latentes y macroeconmicas",
Revista de Economa Monetaria, 50(4), 745-787.
Ang, A. M. Piazzesi, y M. Wei (2006): "Qu hace la curva de rendimientos
Cuntanos sobre el crecimiento del PIB?", Revista de la econometra, 131,
359-403.
Bernadell, C. P. Cardn, Coche, J. F. X. Diebold, y S. Manganelli (eds.)
(2004):
La gestin del riesgo para las reservas de divisas del Banco Central.
Banco Central Europeo
Www.ecb.int/pub/pdf/other/riskmanagecbreserves2004en.pdf, Frankfurt am
Main.
Binseil, U., F. Gonzlez y E. Tabakis (eds) (2008, de prxima
publicacin): La gestin del riesgo de los Bancos Centrales y otras
entidades pblicas de los inversores. Cambridge University Press,
Cambridge.
Bjrk, T. (2004): Teora del arbitraje en tiempo continuo. Oxford
University Press, Oxford.
Brandimarte, P. (2002): Mtodos numricos en las finanzas. John Wiley
& Sons, Inc., de Nueva York.
Brigo, D. y F. El Mercurio (2001):modelos de tasa de inters, la teora y
la prctica. Springer Finanzas, Berln.
Cairns, A. J. G. (2004): Tasa de inters modelos - una introduccin.
Prensa de la Universidad de Princeton, Princeton, Nueva Jersey.
Campbell, J.Y.,A. W. Lo, andA. C. MacKinlay (1997):La Econometra de los
mercados financieros.
Prensa de la Universidad de Princeton, Princeton, Nueva Jersey.
Campbell, J. Y., y L. M. Viceira (2002):asignacin estratgica de los
activos. Oxford University Press, Oxford.
Chen, R. R. y L. Scott (1993): "Estimacin de mxima verosimilitud para
un modelo de equilibrio de factor mltiple de la estructura temporal de
los tipos de inters'', Oficial de Renta Fija, 3, 14-31.
Christensen, J. H. E., F. X. Diebold y Rudebusch, G. D. (2007): "El
arbitraje afn- Clase gratuita de Nelson-Siegel modelos de estructura a
plazo", documento de trabajo nm. 13611 NBER, Cambridge, Massachusetts.
Coroneo, L., K. Nyholm, y R. Vidova-Koleva (2007): "Cmo es el Nelson
Arbitrage-Free- Siegel modelo", la Divisin de Gestin de Riesgos, el
Banco Central Europeo.
Cox, J. C., J. E. Ingersoll, Ross y S. A. (1985): "Una teora de la
estructura de plazos de las tasas de inters", Econometrica, 53, 385-407.
Dai, P., y K. Singleton (2000): "Anlisis de especificacin de modelos de
estructura trmino afn", Oficial de Finanzas, de 55 aos, 1943-1978.
Diebold, F. X., y C. Li (2006): "el pronstico de la estructura de plazos
de los rendimientos de los bonos gubernamentales", Revista de la
econometra, 130, 337-364.
162 Bibliografa
Diebold, F. X., G. D. Rudebusch, y B. Aruoba (2006): "La macroeconoma y
la curva de rendimiento: un enfoque dinmico factor latente'', Revista de
la econometra, 131, 309-338.
Abajo, K. (2005): La medicin del riesgo de mercado. John Wiley &
Sons Ltd, Chichester.
Duffie, D., y R. Kan (1996): "un modelo de tipos de inters Yield-
Factor'', las matemticas financieras, 6, 379-406.
Glasserman, P. (2004): Mtodos de Monte Carlo en la ingeniera
financiera. Springer, New York.
Greene, W. H. (1993): el anlisis economtrico. Macmillian, Londres.
Hamilton, J. D. (1994): Anlisis de series de tiempo. Prensa de la
Universidad de Princeton, Princeton, Nueva Jersey.
Huang, C. F., y H. R. Litzenberger (1988): Fundamentos de Economa
Financiera. Prentice Hall, Englewood Cliffs, New Jersey.
El FMI (2004): Directrices para la gestin de las reservas en moneda
extranjera. Fondo Monetario Internacional, en Washington, DC.
Jaeckel, P. (2002): Mtodos de Monte Carlo en Finanzas. John Wiley &
Sons Ltd, Chichester.
James, J. y N. Webber (2000):Modelado de tasa de inters. John Wiley
& Sons Ltd, Chichester.
Johnson, R. A., y D. W. Wichern (1992):aplicar el anlisis estadstico
multivariado. Prentice Hall, Londres.
Kim, C. J. y C. R. Nelson (2000): Modelos de espacio de estado con
interruptores de rgimen. MIT Press, Cambridge, Massachusetts.
Lipschutz, S. y M. L. Lipson (2001): Schaum's outline de lgebra lineal.
McGraw-Hill, Nueva York.
Litterman, R. y J. Scheinkman (1991): "La rentabilidad de los bonos
FactorsAffecting comn'',Oficial de renta fija, Junio 54-61.
Luenberger, D. G. (1998):la inversin Ciencia. Oxford University Press,
Nueva York.
Lund, J. (1998): revisin de modelos www.jesperlund.com. Continuous-Time
Term-Structure.
McLeish, D. L. (2005): simulacin de Monte Carlo y las finanzas. John
Wiley & Sons, Inc., Hoboken, Nueva Jersey.
Merton, R. C. (1973): "la teora de la opcin racional de precios'', Bell
oficial de Economa y Gestin de la Ciencia, 4, 141-183.
Merton, R. C. (1992): Continuous-Time Finance. Blackwell, Oxford.
Meucci, A. (2005): Riesgo y asignacin de activos. Springer Finanzas,
Berln.
Mills,T. C. (1999):Los modelos economtricos de FinancialTime Series.
Cambridge University Press, Cambridge.
Moncho, E. (2006): "el pronstico de la curva de rendimientos en un
entorno Data-Rich: UN ENFOQUE No-Arbitrage Factor-Augmented var'', la
serie de documentos de trabajo del BCE, n 544.
Nelson, C. R. y A. F. Siegel (1987): "Modelizacin mesurado de las curvas
de rendimiento'',revista de negocios, 60, 473-489.
Rebonato, R. (1998): opcin Interest-Rate modelos. John Wiley & Sons
Ltd, Chichester.
Sderlind, P. y L. Svensson (1997): "Nuevas tcnicas para extraer las
expectativas del mercado de instrumentos financieros'', Revista de
Economa Monetaria, 40, 383-429.
Taylor, J. B. (1993): "Las reglas de la poltica frente a la
discrecionalidad en la prctica", Serie de Conferencias Carnegie-
Rochester sobre polticas pblicas, 39, 195-214.
Tuckman, B. (2002): Los ttulos de renta fija. John Wiley & Sons,
Inc., de Nueva York.
Vasicek, O. (1977): "un equilibrio de caracterizacin de la estructura a
plazo", Revista de Economa Financiera, 5, 177-188.
Adems del ndice de matrices 14-15, 149, 157 funcin afn el criterio de
informacin de Akaike (AIC) 110 solucin analtica 26 REVISIN ANUAL 3, 4
Frecuencia de muestreo diferente 129 libre de arbitraje 6, 69, 74, 75,
80, 81 asset allocation 1, 3, 87-108 activo-pasivo y activo de gestin 5
limitaciones de peso 100-6 activos 3-5, 36, 40, 51, 65, 68, 87, 89, 91,
93, 95-7, 100, 104-7 autorregresiva 27, 83 (modelo autoregresivo de orden
p) 111 media aritmtica media geomtrica 159 Retorno retorno axioma 160
74 75
funcin de bond 63, 64 39 Precios Los precios de los bonos Bonos
funciones 48 9 bonos de descomposicin de retorno 68 bootstrapping 32
condiciones de frontera 76 lmites de 28, 30, 100, 103, 104, 117, 118,
145, 146 19 ramificacin romper 124, 125 la fuerza bruta de 93-5, 130-133
19, bloque de creacin 38, 39, 51, 56, 147 funcin incorporada de 8, 9,
22, 23, 30, 45, 118
, 145 142 call back llamando a funciones 22-3 Capital Asset Pricing Model
51, 106-8 lnea del mercado de capitales (LMC) 107
"case" declaracin 19, 20 ceil funcin cadena 55 Regla 76, 155 Cholesky
descomposicin 36-8, 133, 153 'limpiar' los precios 67 'cerrar todos los
comandos de las formas cerradas de 11 a 30, 31, 49, 56, 75-7, 100, 112
vector columna 12, 149 comandos 8, 11, 18, 19, 21, 3, 30, 102, 122, 135,
ramificacin condicional 19 Intervalo de confianza de 56 nivel de
confianza 5, 53, 55, 57, 58, 129 limitadas fronteras eficiente 105, 106
de la curva de rendimientos en tiempo continuo modelos 76 control vara
129 bonos convertibles 42 convexidad 60-4 bonos corporativos 68 nmeros
aleatorios correlacionadas 36, 37, 133 Coeficiente de correlacin 52
matriz de correlacin 36, 37, 38, 97 variable contador 18, 73, 67, 68, 80
cupones covarianza 25, 36-8, 51-3, 87-9, 95-7, 99, 104, 107, 112, 126,
132, 160, matriz de covarianza 36, 37, 52, 70, 97 la regla de Cramer 92
aritmtica acumulativa volver 159 funcin de distribucin acumulativa 56,
157 volver 160 curvatura geomtrica acumulativo de 70, 71, 73, 74, 124,
125, 141-3
datos del proceso de generacin de 75, 114 153-descomposiciones 6
integral definida 156 funcin de densidad 26, 28, 34, 53, 115, 130,
164 ndice
ndice de densidad 130, 133 31, derivado de 62, 75, 76, 90, 91, 130, 154,
150 111 determinante de Dickey-Fuller estadstica de prueba 111 152
matrices de diferenciacin de precios 'sucia' 67 disclaimer 74 factor de
descuento distribuciones 43, 45 156-7 diversificacin 5, 87, 95, 8, 107.
Dividendos dsolve 108 68 76 77 duracin 59-65
frontera eficiente 6, 87, 88, 90, 93, 95, 98, 100, 103-5 carteras
eficientes 87-95 autovalores 152, 153-4 vectores propios 152, 153
elemento por elemento operacin 13-15, 22, 43, 97, 114, 115, 127 104
declaracin 'else' 55 distribucin de retorno emprico las acciones 1, 3,
4, 53, 65, 66, 68, 109 la funcin error (ERF) 56, 158 error de varianza
plazo 25, 30, 114 "EX_sim' 33 Decisin 2 variables exgenas expectativa
hiptesis establece 40 retorno esperado 65, 89, 93, 65 riesgo esperado
dficit previsto 53-9, 129, 130 en forma cerrada 56-9 funcin exponencial
158 "figura" comando, el algoritmo de filtrado 10 11 123 la renta fija 4,
39, 51, 59, 65, 87, 109 devoluciones de renta fija 65-8 bonos de tasa
fija 42 bonos de tasa flotante 42 Funcin 55 fmincon piso 23, 28, 30, 31,
45, 84, 85, 100, 104, 118 fminunc 23, 28 'para' LOOP 20, 34, 46, 104, 120
tipos de inters 47-8 100 frontcon frontier 100, 104, 105 "restriccin
total de inversin' 89 de
rango completo de 25, 91, 151, 157-funciones 8 creacin de 18-23
fundamental de ecuaciones diferenciales parciales (PDE) 69, 75 la
bondad de ajuste de una regresin 28 Interfaz grfica de usuario (GUI) 5,
135-48-136 Edificio 8 creacin de 138-48-135 del entorno de desarrollo 8
y curva de rendimiento factores 143-8
filtro Hamilton 114, 123, 126, 127 maneja 23, 30, 45, 140, 142, 143, 145-
8 encabezado de funcin 20, 21 'ayuda' 10 Funcin de texto de ayuda 22,
63, 31, 32 Hess Hessian matrix 31 "hObject' 140, 142 'Retener' 10
comandos 'identidad' matrix 13, 150 'if' 19, 104 muestreo por importancia
129 33 'en lnea' 22 funciones integral indefinida 155-6 154 reglas de
ndice variable estructurada indexado 17 carteras ineficientes 88 madurez
infinito nivel de rendimiento 79 tasa de inflacin 40 Matriz de
informacin 31, 32 30 funcin inline simple integral 155-6 de la
distribucin normal estndar 158 integracin, orden de 111-12 tasa de
inters 5, 27, 39, 43, 59, 61, 74, 106, 159-60 curva de tipos de inters
ver la curva de rendimiento la funcin inversa de la matriz inversa 158
151 limitaciones de inversin 2, 5, 89, 90 horizonte de inversin de 2,
5, 106 universo de inversin 2-5, 43, 59, 66, 91, 95, 97, 98, 100, 104,
160 44 tir el lema de Ito 75
166 ndice
Regla 155 producto "Inspector de propiedades' 136, 137, 139 Pull-a-par
efecto 68 157 funcin cuadrtica funcin cuantil 56 cociente Regla 155
botones de radio 138, 147, 148 el radn-Nikodym derivado 130, 133 la
generacin aleatoria de nmeros 8, 36-8 paseo aleatorio modelo 111, 125
el rango de la matriz de 25, 91, 151 40 tasa de inters real de
equilibrio "frecuencia" 3, 4 cambio de rgimen 6, 109, 112-22, 123-
Rgimen 7.m 115, 116-17, 122 Rgimen likeli_118, 121 Rgimen_likeli.m
115, 119 Rgimen normaldensity_115, 120 Rgimen_pmat 115, 121 Rgimen
varianza dependiente 114 volver 1-5, 36, 44, 51, 53, 55-57, 65-68, 87-90,
159 revisin frecuencia 2, 3 agentes de aversin al riesgo 106-7 activos
libres de riesgo 106 la tasa libre de riesgo 106, 107 medidas del riesgo
51-65 de la prima de riesgo 39 activos exenta de riesgo 98 root 44 vector
fila 12, 149
24 escalar el criterio de informacin de Schwarz (BIC) 110 archivo de
script 11, 22 23, 29, 30, 33, 34, 43, 58, 95, 132 script 60 parcelas de
mercado de la seguridad de la lnea (SML) matriz de sensibilidad 108 71
precios sombra 91 'shifted' densidad 130, 133 corta tasa ecuacin 83
simulaciones 32-8 matriz singular 151 singular rank 151 Factor de
inclinacin 128 tasas spot 39-47
matriz cuadrada de 16, 149, 150, 151, 152, desviacin estndar de 51, 53,
56, 93, 97, errores estndar de 24, 31, 32, 73, 113, 117, 118, 120
valores de inicio 30 ecuacin de estado 123, 124, 125, 126 probabilidades
de estado 114, 115, 128 de espacio de estado modelo 123, 124 111 de
estacionalidad factor estadstico modelo 70 Paso de bonos 42 decisin de
asignacin estratgica de activos 2 definicin 1-2 Marco 2 "estrategia",
definicin 1 muestreo estratificado de variable estructurada 129 17, 18
"comando ubplot" 10, 11, 12 la sustraccin 14-15 de matrices suma de
matrices 14-15, 149 Suma del cuadrado de los residuos 23 surf 22
Svensson-Soderlind modelo 69, 73-4 clculos simblicos 75-7, 99 150
matriz simtrica riesgo sistemtico de activos individuales y carteras
108 de la cartera 96
tactical asset allocation 2, 3 la regla de Taylor de 124 series de Taylor
aproximacin 159 series de Taylor 61 ampliacin de plazo modelos de
estructura de 69-85 matriz tridimensional 17, 18 111 anlisis de series
de tiempo total de la cartera de riesgo/seguridad individual 108 rastro
de matriz Matriz de transicin de 151 a 113, 115, 118, 122, las
probabilidades de transicin 114 transposicin de matrices 150 operador
de transposicin 12 tendencia estacionalidad 111 descomposicin
triangular 153 'tst' 148
"convenientes" 136-7, 139, 146
2 R 28 uncentered
ilimitada fronteras eficiente 105, 106 densidades unshifted 133 funcin
definida por el usuario 22, 23 utility Funcin 5, 30
Value-at-Risk (VaR) 27, 53-8, 129, 133 VAR(1) Modelo 110, 123 VAR(3)
Modelo 110 VAR(p) Modelo 109, 110, 111, 112 varianza 30, 51, 52, 53
Matriz de varianzas-covarianzas 25, 112 Vasicek shortrate modelo 77-9,
82, 83 Vasicek la distribucin lmite 156-7 Vector autorregresiva (VAR)
27, 53, 109-12, 123
'tiempo' declaracin 20
ndice 167
rendimiento 63 Curva de rendimiento 40-2, 44, 47, 123-125 70 9 curvatura
descomposicin ecuacin nivel 123 125 140-trazado 3 cuesta 125 Rinde 39-
47 rendimiento al vencimiento 44, 45-6, 75 avp2beta.m 128 avp2beta.xls
127 avp2beta_likeli.m 128 avp2beta_programa shell 128 avp2beta_shell.m
128
bonos de cupn cero 42 curva cupn cero 47 tasas de cupn cero 46
ndice elaborado por Annette Musker