Apencon7 PDF

INTRODUCCIN AL CLCULO
DEL VALOR EN RIESGO
Julio Csar Alonso C.
No. 7
Julio 2005
Apuntes de Economa No. 7_________________________________________
DEPARTAMENTO DE ECONOMA
APUNTES DE ECONOMA
ISSN 1794-029X
No. 7, Julio de 2005
Editor
Julio Csar Alonso C.
jcalonso@icesi.edu.co
Asistente de Edicin
Stephanie Vergara Rojas
Gestin Editorial
Departamento de Economa - Universidad ICESI
www.icesi.edu.co
Tel: 5552334 ext: 398. Fax: 5551441
Calle 18 #122-135 Cali, Valle del Cauca Colombia
1
INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO
Julio Csar Alonso1
Julio de 2005
Resumen
Este documento tiene como objetivo brindar al estudiante una breve introduccin a la
interpretacin y el clculo del Valor en Riesgo (VaR) de un portafolio. Se presenta el
clculo del VaR bajo el supuesto de una varianza constante as como bajo la posibilidad
de una varianza no constante. Adicionalmente a la exposicin terica, se presentan
ejemplos y una hoja de Excel que le permite al lector seguir la exposicin. El documento
est dirigido principalmente a estudiantes de ltimos semestres de pregrado, pero por la
sencillez del lenguaje, puede ser de utilidad para cualquier estudiante o profesional
interesado en el clculo del VaR.
Palabras claves: Valor en Riesgo, VaR, volatilidad no constante, valoracin del Riesgo
Apuntes de Economa es una publicacin del Departamento de Economa de la

Universidad Icesi, cuya finalidad es divulgar las notas de clase de los docentes y brindar
material didctico para la instruccin en el rea econmica a diferentes niveles. El
contenido de esta publicacin es responsabilidad absoluta del autor.
1
jcalonso@icesi.edu.co
ltima modificacin: 02/02/2007
2
Tabla de Contenido
1 Introduccin 4
2 Mtodos para el Clculo del VaR para un activo: Un ejemplo sencillo. 7
2.1 Mtodo paramtrico: El modelo Normal 8
2.2 Mtodos no paramtricos - Simulaciones Histricas 11
3 VaR para un portafolio con ms de un activo. 14
3.1 Mtodo paramtrico 14
3.2 Mtodo no paramtrico 19
4 Extenciones del VaR: Volatilidad no constante 21
4.1 Volatilidad histrica (Promedio Mvil) 22
4.2 Promedio Mvil con ponderaciones Exponenciales (RiskMetrics) 25
4.3 Modelos Univariados de series de tiempo con Varianza no constante. 27
4.3.1 Modelo ARCH(p). 27
4.3.2 Ejemplo de un ARCH(1). 29
4.3.3 Modelo GARCH(p,q) 30
4.3.4 Modelo TARCH 30
4.3.5 Modelo GARCH multivariado 31
5 Comentarios Finales. 31
6 Referencias. 32
7 Anexo. Estimacin de una Matriz de Varianzas y covarianzas con Excel. 32
3
1. Introduccin2
El Valor en Riesgo (VaR por su nombre en ingls)3 se ha convertido en una de las

herramientas ms empleadas para la medicin de riesgo por reguladores, agentes y
acadmicos. Esta popularidad, tiene su origen a principios de los 80 cuando las
principales firmas financieras de los pases desarrollados empleaban el VaR como
medida del riesgo de sus portafolios. A mediados de los 90 esta popularidad se
potencializ por el inters de los reguladores en el VaR como medida de riesgo. En
abril de 1995, el Comit de Basilea para la Supervisin Bancaria, propuso permitir a los
bancos calcular sus requerimientos de capital para cubrir su riesgo de mercado por
medio de sus propios modelos VaR. En junio de ese ao, la Reserva Federal de los
Estados Unidos adopt una medida similar. En diciembre de ese mismo ao, la US
Securities and Exchange Commission inici la discusin de una propuesta de emplear
medidas de riesgo corporativo, entre las cuales se inclua el VaR. Despus de la
segunda mitad de los 90, el VaR adquiri mayor reconocimiento en el mundo como
medida del riesgo de mercado de activos o portafolios.
Una de las razones para esta gran reputacin es la sencillez del concepto y, en
especial, lo intuitivo de su interpretacin al ser sta la medida (estimacin) de la
mxima prdida posible para un horizonte de tiempo y un nivel de significancia
determinados, bajo circunstancias consideradas como normales en el mercado.
Es decir, el VaR corresponde a algo as como el peor escenario posible para un activo
o portafolio dadas unas condiciones normales de mercado, un horizonte de tiempo
determinado y un nivel de confianza determinado. En palabras de Benninga (2000) el
VaR responde la pregunta: Cunto puedo perder con una probabilidad (1- ) en un
horizonte preestablecido? (Pg. 209). O, como lo expone Hull (2002), el VaR permitir
realizar afirmaciones como: estamos seguros en (1- )% que no perderemos ms de
2
Este documento puede ser replicado con los datos del archivo Apuntes1.xls, disponible en la Pg. del
Departamento de Economa de la Universidad Icesi:
http://www.icesi.edu.co/~econego/depto/publicaciones/apuntes.htm
3
Tambin es conocido como VeR, por sus siglas en espaol (Valor En Riesgo).
4
X dlares en los prximos N das" (Pg. 378).
As, el VaR sintetiza en una nica medida el riesgo total de un portafolio, facilitando la
toma de decisiones. Por ejemplo, el VaR servir a los reguladores como la
Superintendencia Financiera para determinar el capital que deben mantener los
intermediarios financieros de tal forma que sus reservas concuerden con el riesgo que
estn asumiendo. Similarmente, los mismos intermediarios financieros pueden emplear
el VaR para determinar el riesgo que corre cada uno de sus portafolios o traders.
Antes de entrar en el detalle del clculo del VaR, es necesario resaltar la importancia
de escoger dos parmetros para nuestros clculos:
El horizonte de tiempo ( N )
El nivel de confianza (1- )%
El horizonte de tiempo es escogido dependiendo del uso que se le vaya a dar a esta
medida. Por ejemplo, si estamos calculando el VaR para una mesa de dinero bastante
activa que tranza un gran volumen de activos en cuestin de horas, entonces el
horizonte del VaR puede ser de un par de horas. Si por el contrario, estamos
analizando el riesgo de un fondo de pensiones, el horizonte puede ser de hasta un ao.
Cmo se discutir ms adelante, la seleccin del horizonte de tiempo puede afectar el
modelo y los supuestos que se empleen al momento del clculo del VaR.
As mismo, la seleccin del nivel de confianza tambin depende del uso que se le vaya
a dar al VaR. Por ejemplo, si lo que se desea es satisfacer los requerimientos de un
regulador, normalmente el nivel de confianza es alto: 99%. Por otro lado, si lo que se
desea es emplear el VaR para control interno del manejo del riesgo y su exposicin a
ste, tpicamente se emplea un nivel de confianza del 95% (Benninga (2000)). En la
prctica, los niveles de confianza ms empleados corresponden al 95%, 99% y 99.9%.
En la jerga del VaR, se escuchan afirmaciones como: un administrador de un portafolio

tiene un VaR diario de US$1 milln con 99% de confianza. Esta afirmacin es
equivalente a decir que slo existe un chance de 100 de obtener una perdida diaria
5
mayor a US$1 milln cuando el mercado se encuentra en condiciones normales.
Antes de entrar en los detalles del clculo, es importante reafirmar la intuicin detrs
del VaR. Recuerden que lo que deseamos es poder responder a la pregunta: cunto
podremos perder con una probabilidad de (1- )% en los prximos N das? Noten que
esta pregunta es equivalente a determinar el percentil ms bajo de la distribucin de
las posibles prdidas que pueden ocurrir durante un horizonte de tiempo especfico. Por
ejemplo, supongamos que consideraremos un horizonte de un da y un nivel de
confianza del 99% ( =1%), entonces al final del periodo el valor ms bajo que podra
tomar el portafolio con un 99% de confianza est dado por el punto Vc (valor de corte)
Ver Grfica 1-1. Por lo tanto, si el portafolio tiene un valor de V0 hoy, lo que se podra
perder es VaR = V0 Vc .
Grfica 1-1. Representacin Grfica del VaR para diferentes distribuciones
6
Grfica 1-2. Representacin Grfica del VaR para diferentes distribuciones (Cont).
Del anterior ejemplo grfico, queda claro que el VaR no slo depender del horizonte
de tiempo y el nivel de confianza, sino tambin de la distribucin que siguen los
posibles valores que tomara el portafolio. En la prctica, se emplean diferentes
mtodos para calcular el VaR que bsicamente pueden ser clasificados en dos grandes
tipos: mtodos en los que se supone una distribucin de los datos (mtodos
paramtricos) y mtodos basados en la historia que no suponen ninguna distribucin
(mtodos no paramtricos). En este capitulo, se discutir cmo calcular el VaR para un
portafolio con los dos tipos de mtodos, pero antes discutiremos un ejemplo sencillo
para un portafolio de un solo activo.
2. Mtodos para el clculo del VaR para un activo: Un ejemplo sencillo.
Supongamos que usted es un administrador de un portafolio de un activo cuya

rentabilidad media es del 15% anual con desviacin estndar del 20%. El portafolio se
7
encuentra hoy valorado en $100 millones de pesos ( V0 =$100M.) y usted desea
responder a la siguiente pregunta:

Con un 99% de confianza, cul es la mxima prdida posible al final del ao?
Para responder esta pregunta necesitamos conocer los posibles valores que puede
tomar nuestro portafolio al final del ao y la probabilidad asociada a cada uno de estos
posibles valores; es decir, su distribucin de probabilidad. Para conocer la funcin de
probabilidad, podemos adoptar dos opciones:
suponer un comportamiento, o
emplear los datos histricos para inferir de ellos un comportamiento.
En el caso de suponer que una distribucin, o ms bien una familia de distribuciones,

replican el comportamiento de los posibles valores del portafolio, tendremos que
estimar o conocer unos parmetros (como por ejemplo la media y la varianza) que
permitirn hacer los clculos requeridos para responder nuestra pegunta anterior. Dado
que con este tipo de mtodos es necesario suponer una distribucin y estimar o
conocer unos parmetros de la distribucin, a esta aproximacin se le conoce como
mtodo paramtrico.
Por otro lado, si no suponemos una distribucin y se emplea la informacin histrica

para determinar de forma emprica la distribucin, no ser necesario conocer los
parmetros y por tanto se conoce esta aproximacin como no paramtrica. En este
caso, dejamos que los datos "cuenten" por si mismos qu tipo de distribucin siguen. A
continuacin se discuten ambas aproximaciones.
2.1. Mtodo paramtrico: El modelo Normal
Como se acaba de mencionar, los mtodos paramtricos implican suponer una

distribucin o modelo que sigue el comportamiento del valor del portafolio. Noten que
esta distribucin puede ser muy diferente dependiendo de cada caso; pero, en general,
es la distribucin ms usada.
8
Supongamos que los rendimientos del prximo periodo ( Rt +1 ) del nico activo que
compone nuestro portafolio sigue una distribucin normal, es decir, dado nuestro
(
problema inicial tendremos que: Rt +1 ~ N 15%, ( 20% )
2
).
Dado que nuestro valor inicial es de $100M. ( V0 =$100M), entonces tenemos que el
valor esperado del rendimiento al final del prximo periodo ser:
E [ Vf ] =E V0 (1 + R f )
Dado que V0 es un valor conocido en t y por tanto:
E [ Vf ] =V0 E (1 + R f )
( )
E [ Vf ] =V0 1+E R f =V0 (1+ )
Para nuestro caso, dado que E Rt +1 = 15% , tendremos:
E [ Vf ] =100 (1+15% ) =115

En otras palabras, el valor medio del valor del portafolio para el siguiente ao ser de
$115 millones.
Similarmente, tenemos que la respectiva varianza del valor del portafolio ser:
Var [ Vf ] =Var V0 (1 + R f ) = Var V0 R f
Var [ Vf ] =V02 Var R f
Y por tanto, la desviacin estndar ser:
Var [ Vf ] =V0 Var R f
Lo cual implica, para nuestro ejemplo, que la desviacin estndar del valor del
portafolio para el siguiente ao ser:
Var [ Vf ] =100 Var R f = 100 20% = 20
Es decir, la desviacin estndar del valor del portafolio ser de $20 Millones. Por lo
tanto, el valor final del portafolio ( V f ) seguir una distribucin normal con media $115
9
M. y desviacin estndar de $20M., es decir:
(
V f ~ N 115, ( 20 )
2
)
Ahora, responder nuestra pregunta es muy sencillo. Noten que la respuesta implica
encontrar un valor de corte ( Vc ) tal que exista una probabilidad del 1% de que los
valores del portafolio caigan por debajo de ella (Ver el primer panel de la Grfica 1-1);
es decir, el Vc corresponde a encontrar el mnimo valor del portafolio que garantice que
de 100 veces slo una el portafolio puede tomar un valor menor a este. Una vez
conocido este nmero, se lo podemos restar al valor actual de nuestro portafolio
( V0 =$100M) para encontrar la mxima prdida posible al final del ao con un 99% de
confianza, es decir, el VaR.
Estos clculos se pueden realizar de forma sencilla en Excel por medio de la funcin
DISTR.NORM.INV (Ver Recuadro 1). En este caso, tenemos que Vc corresponde a
$68.47 millones. Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
VaR = V0 Vc = 100 68.47 = 31.53
Es decir, slo existe un chance de 100 de obtener una perdida anual mayor a $31.53
millones cuando el mercado se encuentra en condiciones normales.
Recuadro 1.
10
2.2. Mtodos no paramtricos - Simulaciones Histricas
Ahora consideremos el caso en que no se desee hacer ningn supuesto sobre la

distribucin de los rendimientos, en este caso dejaremos que los datos nos cuenten
qu distribucin siguen. Para emplear estos mtodos normalmente ser necesaria una
buena cantidad de informacin.
Supongamos que contamos con los precios de rendimientos de un portafolio

conformado por un nico activo. Es decir, contamos con una serie de rendimientos
como la siguiente:
R1 , R2 ,..., Rn (1)
Adems, supongamos que el valor actual del portafolio es de V0 . Observen que cada
uno de estos rendimientos corresponden a un escenario diferente, en otras palabras,

corresponden a un posible estado del mundo.
Ahora, podemos a partir de estos T escenarios, determinar cul sera el valor de

nuestro portafolio para el prximo perodo bajo los diferentes escenarios, es decir,
tendremos:
V0 (1 + R1 ) ,V0 (1 + R2 ) ,..., V0 (1 + Rn ) (2)
Esto nos provee de una distribucin emprica de posibles valores que puede tomar el
portafolio en el prximo perodo. A partir de esta distribucin, podemos detectar el valor
de corte ( Vc ) tal que este sea superior al % de los escenarios.
Empleemos un ejemplo para ilustrar el anterior clculo. Suponga que cuenta con 250
datos del rendimiento diario de un activo (Ver nota de pgina numero 2) y que cuenta,
adems, con un portafolio de un nico activo por valor actual de $100M ( V0 =$100M)
(Ver
Recuadro 2. Se han escondido varias filas). Adems, deseamos responder la pregunta:
Con un 99% de confianza, cul es la mxima prdida posible al final del prximo da?
11
Recuadro 2.
A partir de estos rendimientos podemos calcular el valor que tomar nuestro portafolio
bajo estos 250 diferentes Escenarios (Ver Columna D del Recuadro 3).
Recuadro 3.
Como lo discutimos anteriormente, esto permite tener una distribucin emprica de los
12
posibles valores futuros del portafolio. Intuitivamente, noten que el histograma de estos
250 valores futuros del portafolio puede dar una idea del comportamiento esperado del
portafolio a partir de la historia de los rendimientos (Ver Grfica 2-1).
Grfica 2-1. Histograma del Valor del Portafolio bajo 250 diferentes escenarios
90
80
70
Frecuencia
60
50
40
30
20
10
0
98.7 98.9 99.1 99.4 99.6 99.8 100.0 100.3
Posibles Valores del Portafolio
As, el valor de corte ser aquel que asegure que el 1% de los escenarios (valor del
portafolio bajo cada escenario) estn por debajo de l. En este caso, dado que tenemos
250 datos, el 1% de los datos corresponden a 2.5; podemos redondear este nmero
por lo bajo a 2. Es decir, el valor de corte ( Vc ) corresponde, en este caso, al portafolio
que garantice que nicamente existen dos portafolios con menor valor que l.
Para encontrar este portafolio, podemos emplear Excel para ordenar los datos de
menor a mayor empleando el criterio Portafolio bajo diferentes Escenarios. De esta
manera, el Vc corresponder al tercer escenario ordenado, pues este garantiza que dos
observaciones estn por debajo de l. En este caso, tenemos que Vc = 99.309 . Otra
opcin ms rpida es calcular el primer percentil de la distribucin de los posibles

escenarios.
Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
VaR = V0 Vc = 100 99.309 = 0.691
13
Es decir, slo existe un chance de 100 de obtener una perdida diaria mayor a $691 mil
si el mercado se encuentra en condiciones normales.
3. VaR para un portafolio con ms de un activo.
3.1. Mtodo paramtrico
En principio, la idea detrs del clculo de un VaR es muy sencilla, tal como lo
estudiamos en las secciones anteriores y en especial en la seccin 2.1. Cuando
consideramos un portafolio conformado por ms de un activo, tendremos que tener en
cuenta no slo los rendimientos esperados y sus correspondientes desviaciones
estndar, sino tambin las relaciones que existen entre ellas. As mismo, no solamente
se necesitar asumir un comportamiento (distribucin conjunta) de las series sino
tambin necesitaremos calcular ms parmetros, pues no solamente requeriremos las
medias y desviaciones estndar sino tambin de las covarianzas. As, en este caso
existe un problema prctico al momento de implementar el clculo del VaR para un
portafolio: La estimacin de los parmetros de la distribucin conjunta de cada uno de
los activos que componen el portafolio.
En este caso, supongamos que contamos con tres activos: A1 , A2 y A3 ; cada uno con
media y varianzas dadas por 1 , 2 , 3 , 12 , 22 y 32 , respectivamente. As mismo,
tendremos que la matriz de varianzas y covarianzas para cada uno de los tres
portafolios corresponde a:
12 12 13

S = 12 22 23 (3)
13 23 32

donde ij = Cov Ai , Aj . Adems, supongamos que la participacin en cada uno de
los tres activos en el portafolio de valor inicial V0 corresponde respectivamente a: q1 ,
q2 y q3 .
14
As, tenemos que el rendimiento esperado del portafolio ( E R portafolio ) ser:
E R portafolio = q11 + q2 2 + q3 3 (4)
Es decir, el rendimiento esperado del portafolio corresponder al promedio ponderado

de las rentabilidades esperadas de cada uno de los activos. En este caso, ser mucho
ms fcil emplear una notacin matricial para expresar (4), es decir,
1
E R portafolio = [ q1 q2 q3 ] 2 = q1 1 + q2 2 + q3 3 (5)
3
Tambin es fcil demostrar que la varianza del rendimiento del portafolio
( Var R portafolio ) ser:
12 12 13

Var R portafolio = [ q1 q3 ] 12 22 23 [ q1 q3 ]
T
q2 q2 (6)
13 23 32

Ahora, suponiendo que los rendimientos de los tres activos siguen una distribucin
normal multivariada, podemos concluir que el rendimiento del portafolio seguir una
distribucin normal con media E R portafolio y varianza Var R portafolio , es decir,
(
R portafolio ~ N E R portafolio , Var R portafolio
i
) (7)
A partir de este resultado podemos calcular el VaR de la misma manera que lo

habamos hecho anteriormente.
Para ilustrar este mtodo, supongamos que se cuenta con un portafolio cuyo valor
inicial es de $100M ( V0 =$100M). Adems, supongamos que (corresponden a
mediciones diarias).
[ q1 q2 q3 ] = [ 0.4 0.25 0.35]
1 0.1 0.1 0.04 0.03

= 0.12 y S = 0.04 0.2 0.04
2
3 0.15 0.03 0.04 0.6
Recuerden que queremos responder a la pregunta: Con un 99% de confianza, cul es
15
la mxima prdida posible al final del ao? Para responder esta pregunta, ser
necesario encontrar el rendimiento medio y la desviacin estndar del rendimiento del
portafolio, en otras palabras necesitamos emplear las frmulas (5) y (6). Estas
operaciones las podemos realizar fcilmente por medio de Excel.
Empecemos por el clculo de la rentabilidad media, es decir:
1
E R portafolio = [ q1 q2 q3 ] 2 (8)
3
Esta operacin se puede realizar situndonos en la celda donde queremos reportar

este resultado (por ejemplo C11) y empleando la opcin para multiplicar matrices
(MMULT). En este caso tendremos MMULT(F3:H3,C5:C7), lo cual multiplicar la
matriz (fila) que se encuentra en las celdas F3 a H3 con la matriz (columna) que se
encuentra en las celdas C5 a C7 (Ver Recuadro 4).
Recuadro 4.
En este caso, tendremos que la media del rendimiento del portafolio ser 12.25%.
Ahora, para calcular la Varianza del rendimiento del portafolio, tendremos que realizar
el siguiente clculo:
16
12 13
2
1

Var R portafolio = [ q1 q3 ] 12 22 23 [ q1 q3 ]
T
q2 q2
13 23 32

Esto se puede realizar por medio de la siguiente frmula:
=MMULT(MMULT(F3:H3,F6:H8),TRANSPONER(F3:H3)). Dado que este corresponde
a una multiplicacin de matrices, ser necesario que despus de introducir esta frmula
usted haga clic simultneamente a las teclas Ctrl, Shift y Enter. Asegrese que
entiende la operacin que est realizando (Ver Recuadro 5). En este caso, tenemos
que la Var R portafolio = 0.1114 . Por tanto, la desviacin estndar del rendimiento del
portafolio ser la raz cuadra de este resultado, es decir, 0.1114 = 33.38% .
Recuadro 5.
Siguiendo la misma lgica empleada en la seccin 2.1, tenemos que el valor medio del
portafolio para el siguiente perodo ser:
(
E [ Vf ] =V0 1+E R portafolio )
En este caso tenemos que:
E [ Vf ] =100 (1+12.25% ) =112.25
17
Similarmente, la desviacin estndar del portafolio ser:
Var [ Vf ] =V0 Var R f = 100 33.38% = 57.77
De esta manera, la desviacin estndar del valor del portafolio ser de $57.77 Millones
y su media ser 112.25 Millones. Por lo tanto, tendremos que el valor final del portafolio
( V f ) seguir una distribucin normal con media $112.25M. y desviacin estndar de
$57.77M., es decir:
(
V f ~ N 112.25, ( 57.77 )
2
)
Ahora, responder a nuestra pregunta implicar encontrar el valor de corte ( Vc ) tal que
exista una probabilidad del 1% para que los valores del portafolio caigan por debajo de
ella (Ver el primer panel de la Grfica 1-1). Es decir, Vc corresponde al valor del
portafolio que garantiza que de 100 veces slo una el portafolio puede tomar un valor
menor a este.
Como lo discutimos anteriormente, estos clculos se pueden realizar de forma sencilla

en Excel por medio de la funcin DISTR.NORM.INV (Ver Recuadro 6).
Recuadro 6
18
3.2. Mtodo no paramtrico
Un mtodo no paramtrico, muy sencillo para calcular el VaR de un portafolio de ms

de un activo, implica una generalizacin del mtodo estudiado en la seccin 2.1.
Supongamos que contamos con un portafolio de valor V0 compuesto por tres activos:
A1 , A2 y A3 . Adems, la participacin de cada uno de los tres activos corresponde a
q1 , q2 y q3 , respectivamente. Ahora, suponga que cuenta con una serie lo

suficientemente grande de los rendimientos para cada uno de los tres activos, es decir:
R1,1 , R1,2 , R1,3
R2,1 , R2,2 , R2,3
(9)
M M M
Rn ,1 , Rn ,2 , Rn ,3
En otras palabras, contaremos con n diferentes escenarios de rendimientos, por lo
que slo necesitamos valorar el portafolio actual con las participaciones actuales en los
diferentes escenarios y seguir el mismo procedimiento indicado en la seccin 2.2.
Empleemos nuevamente un ejemplo para ilustrar este procedimiento. Supongamos que

contamos con 250 observaciones de la rentabilidad diaria de tres activos (Ver nota de
pgina nmero 2) y, adems, tenemos que el valor actual del portafolio es de $100M
( V0 =$100M) con una participacin de cada activo dada por:
[ q1 q2 q3 ] = [ 0.4 0.25 0.35]

(Ver Recuadro 7. Se han escondido varias filas)
A partir de esta informacin podemos encontrar el valor que tomara el portafolio para
los 250 diferentes escenarios. (Ver Recuadro 8)
19
Recuadro 7.
Recuadro 8.
Ahora contamos con una distribucin emprica para los posibles valores del portafolio
para el siguiente perodo (Grfica 3-1). A partir de esta distribucin, podemos encontrar
el valor de corte del portafolio que asegure que el 1% de los escenarios (valor del
portafolio bajo cada escenario) estn por debajo de l. Recuerden que dado que
20
tenemos 250 datos, el 1% de los datos corresponden a 2.5; podemos redondear este
nmero por lo bajo a 2. En este caso, el valor de corte ( Vc ) corresponde al portafolio
que garantice que nicamente existen dos portafolios con menor valor que l.
Anlogamente a lo realizado anteriormente en la seccin 2.2, podemos emplear Excel

para ordenar los datos de menor a mayor empleando el criterio Portafolio bajo
diferentes Escenarios. Entonces el Vc corresponder al tercer escenario ordenado,
pues este garantiza que dos observaciones estn por debajo de l. De tal caso que
Vc = 99.46522246 .
Por tanto, el VaR con un nivel de confianza del 99% esta dado por:
VaR = V0 Vc = 100 99.465 = 0.5348
Es decir, slo existe un chance de 100 de obtener una perdida diaria mayor a $534.8
mil si el mercado se encuentra en condiciones normales.
Grfica 3-1. Histograma del Valor del Portafolio bajo 250 diferentes Escenarios
70
60
Frecuencia
50
40
30
20
10
0
.2
.4
.6
.9
7
0.
0.
0.
0.
99
99
99
99
10
10
10
10
Posibles Valores del Portafolio
4. Extensiones del VaR: Volatilidad no constante
El gran supuesto que hemos realizado hasta el momento es que el comportamiento de

los rendimientos ser el mismo en el futuro que lo que ha sido en el pasado. Pero,
21
adicionalmente hemos supuesto que la volatilidad (desviacin estndar) de la

distribucin de los rendimientos es constante en el tiempo. Ahora bien, si observamos
el comportamiento de los rendimientos diarios de, por ejemplo, la Tasa Representativa
de Mercado (TRM) en el tiempo (Ver
Grfica 4-1) podemos rpidamente concluir que este supuesto no parece ser muy
realista (Ver Alonso y Arcos (2006) para una discusin de este hecho).
As, si bien parece ser conveniente seguir asumiendo que en el comportamiento de los
rendimientos provee suficiente informacin para determinar el futuro de la trayectoria,
en esta seccin consideraremos la posibilidad de que la volatilidad de los rendimientos
vare en el tiempo. Es ms nuestro principio inspirador en esta seccin ser que la
volatilidad de las trayectorias de serie de tiempo financieras puede ser predecible y
proviene de un comportamiento especifico que no necesariamente es lineal. As, los
modelos que estudiaremos permitirn la estimacin de una volatilidad no constante que
servir para actualizar nuestro clculo del VaR, tal como lo habamos estudiado
anteriormente.
Grfica 4-1 Rendimiento diario de la TRM (diaria) Ene-1-2000 / Dic-31-2003.
3%
2%
1%
0%
-1%
-2%
-3%
04/01/2000
04/04/2000
04/07/2000
04/10/2000
04/01/2001
04/04/2001
04/07/2001
04/10/2001
04/01/2002
04/04/2002
04/07/2002
04/10/2002
04/01/2003
04/04/2003
04/07/2003
04/10/2003
Fuente: Banco de la Repblica
4.1. Volatilidad histrica (Promedio Mvil)
Una de las maneras ms sencillas de capturar esta idea es calcular una varianza
22
mvil, es decir, una varianza que va cambiando de acuerdo a la nueva informacin

que se va acopiando en los ltimos m das, como se muestra en la formula:
(R Rm )
2
m
=
t i
2
t ,m
i =1 m
donde t2,m y Rm corresponden a la varianza estimada para el perodo t y la media de los
rendimientos ambos calculados a partir de los ltimos m datos, respectivamente. Sin

embargo, como normalmente, los rendimientos diarios exhiben una media muy cercana
a cero, supondremos que esta es cero y por tanto, tenemos que:
( Rt i )
2
m
2
t ,m = (10)
i =1 m
Por ejemplo4, en la Grfica 4-2 se presenta el clculo de la varianza diaria para
periodos de una semana ( m = 5 ) , dos semanas ( m = 10 ) , un mes ( m = 20 ) y dos meses
( m = 40 ) . Noten que, en este caso, ser difcil determinar cul de las cuatro opciones
describe de mejor forma la variabilidad de los rendimientos diarios de la TRM.
Grfica 4-2. Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM
(Ene-1-2000 / Dic-31-200)
Volatilidad Histrica (Media Mvil)

del Rendimiento diario de la TRM (1 semana)
Ene-1-2000 / Dic-31-2003
0.000400
0.000350
0.000300
0.000250
0.000200
0.000150
0.000100
0.000050
-
29-May-00
29-May-01
29-May-02
29-May-03
29-Nov-00
29-Nov-01
29-Nov-02
29-Nov-03
29-Feb-00
28-Feb-01
28-Feb-02
28-Feb-03
29-Aug-00
29-Aug-01
29-Aug-02
29-Aug-03
1 2 1 1
Noten que (10) implica t2, m = Rt 1 + Rt2 2 + ... + Rt2 m . Por tanto est varianza tambin es conocida
4
m m m
como volatilidad histrica con ponderaciones iguales.
23
Grfica 4-2. Volatilidad Histrica (Media Mvil) del Rendimiento diario de la TRM
(Ene-1-2000 / Dic-31-200) (Cont.)

del Rendimiento diario de la TRM (2 semanas)
Ene-1-2000 / Dic-31-2003
0.000250
0.000200
0.000150
0.000100
0.000050
-
29-Feb-00
29-Jun-00
29-Oct-00
28-Feb-01
29-Jun-01
29-Oct-01
28-Feb-02
29-Jun-02
29-Oct-02
28-Feb-03
29-Jun-03
29-Oct-03
del Rendimiento diario de la TRM (1 mes)
Ene-1-2000 / Dic-31-2003
0.000150
0.000100
0.000050
-
0 0 00 1 1 1 2 2
-0 -0
0
-0 -0 -0 -0 01 -0 -0
an pr Jul ct- eb ay ug ec- ar un
J A - - O F M A D M - J
1- 10
- 19 27 4- - - 1- 11
-
19
15 23

del Rendimiento diario de la TRM (2 meses)
Ene-1-2000 / Dic-31-2003
0.000100
0.000080
0.000060
0.000040
0.000020
-
2
01
0
0
01
01
0
01
02
0
-0
r-0
-0
-0
l-0
-
g-
-
n-
ar
ay
ec
an
eb
ct
Ap
Ju
Au
Ju
O
M
M
D
F
J
-
-
-
1-
-
19
4-
1-
-
-
10
27
11
19
23
15
Para determinar cul es la mejor opcin, se puede emplear una medida de bondad de
24
ajuste conocida como la Raz del Error Medio Cuadrado (RMSE por su nombre en
ingls Root Mean Squared Error):
1 T
( Rt2 t2 )
2
RMSE = (11)
T i =1
Donde T corresponde al nmero total de observaciones consideradas. Esta medida
recoge la diferencia que existe entre cada valor estimado y el observado, de tal manera
que un RMSE menor ser considerado mejor que uno grande. En la Tabla 4-1 se
reporta el clculo del RMSE para nuestro ejemplo. En este caso, tenemos que el menor
RMSE corresponde a la media mvil que considera un perodo de una semana.
Tabla 4-1. RMSE para los Cuatro Modelos de Volatilidad Histrica (Media Mvil)
del Rendimiento diario de la TRM (Ene-1-2000 / Dic-31-200)
Perodo RMSE
1 semana 0.000038317
2 semanas 0.000042559
1 mes 0.000044767
2 meses 0.000046062
4.2. Promedio Mvil con ponderaciones Exponenciales (RiskMetrics)
La opcin considerada anteriormente ponderaba de igual manera a todas las

observaciones, esta opcin conocida como el EWMA (por su nombre en ingles
Exponential Weighted Moving Average) pondera de manera diferente cada observacin
de tal forma que asigna mayor peso a las observaciones ms recientes.
Esta forma de estimar la volatilidad, fue empleada inicialmente por JP Morgan

denominndolo RiskMetrics, el cual fue hecho pblico en 1994. En general, de
acuerdo a la EWMA la varianza en el momento t ser:

t2 = (1 ) i 1 ( Rt i )
2
(12)
i =1
donde es un parmetro que se debe escoger por medio de un proceso de
25
optimizacin5. En especial, JP Morgan emplea en su RiskMetrics un de 0.94 para

datos diarios y 0.97 para datos mensuales. Noten que (12) implica:

t2 = (1 ) i 1 ( Rt i ) = (1 ) 0 ( Rt 1 ) + 1 ( Rt 2 ) + ...
2 2 2
i =1

= (1 ) Rt21 + (1 ) 0 ( Rt 2 ) + 1 ( Rt 3 ) + ...
2 2
(13)

= (1 ) Rt 1 + t 1
2 2
Es decir, la varianza de hoy ser igual veces la volatilidad del da anterior ms el

cuadrado de la rentabilidad del da anterior. En la Grfica 4-3 se presenta el clculo de
la volatilidad diaria a partir del modelo de RiskMetrics para el Rendimiento diario de la
TRM. En este caso el RMSE corresponde a 0.000046026 superior al encontrado con
nuestra aproximacin de media mvil y para un horizonte de una semana. As, para
este caso en particular sigue siendo un mejor modelo para estimar la volatilidad el
modelo de media mvil. Es importante anotar que este no es el caso general, por el
contrario nuestro resultado depende de los datos que estamos empleando.
Grfica 4-3. Volatilidad Histrica (EWMA - RiskMetrics) del Rendimiento diario de

la TRM (Ene-1-2000 / Dic-31-200)
0.000140
0.000120
0.000100
0.000080
0.000060
0.000040
0.000020
-
1
01
2
00
1
0
2
-0
-0
-0
-0
r-0
-0
-0
-0
b-
n-
ay
ar
ec
ug
ul
un
ct
Ap
Fe
Ja
-J
-O
-M
-M
D
-A
-J
-
1-
19
4-
1-
10
27
19
11
23
15
5
Por ejemplo, se puede escoger tal que el RMSE sea minimizado.
26
Esquema 4-1 Cmo predecir la volatilidad a partir del EWMA?

Suponga que cuenta con informacin de los rendimientos hasta el perodo t 1 .
Es decir se cuenta con la siguiente informacin Rt 1 , Rt 2 , Rt 3 ,...R1 , y se desea
encontrar la volatilidad para el perodo t ( t ) . En este caso, se puede emplear
fcilmente la frmula (13). Pero, qu tal si se desea encontrar la volatilidad del
perodo t + 1 ? En este caso, la frmula t2+1 = (1 ) Rt2 + t2 no servir pues nos
har falta Rt . La solucin ser emplear nuestra mejor adivinanza para Rt2 , es decir
t2 . As, la formula ser t2+1 = (1 ) t2 + t2 = t2 . As, tendremos que t2+ 2 = t2+1 y
as sucesivamente. Noten que est solucin implicar una misma prediccin para la
volatilidad, lo cul no implicar una dinmica!!
4.3. Modelos Univariados de series de tiempo con Varianza no constante.
En los modelos anteriores, la volatilidad se asume constante para un periodo. No

obstante, como lo indicamos anteriormente, el comportamiento de los rendimientos de
activos normalmente presentan una volatilidad variable. De hecho, grandes retornos
tienden a estar seguido de grandes retornos y pequeos retornos tienden a estar
seguidos por pequeos retornos. As, el anlisis emprico de las series permite intuir la
necesidad de considerar modelos en los que la variabilidad no sea constante, es decir,
que presenta heteroscedasticidad (varianza diferente).
4.3.1. Modelo ARCH(p).
Los modelos ARCH6 (Heteroscedasticidad Condicional Auto-Regresiva) relajan el

supuesto de la volatilidad constante y permiten detectar cambios en la volatilidad de
acuerdo a patrones preestablecidos en la historia de la serie.
Supongamos que la rentabilidad corresponde a un proceso como el siguiente:

Rt +1 = + t +1 (14)
6
Esta sigla proviene del nombre en ingles Autoregressive Contidional Heteroskedasticity.
27
donde es constante y t corresponde a innovaciones normales. Es importante
anotar que este tipo de modelo tiene ms como objetivo pronosticar la variabilidad de
los rendimientos y no tanto el rendimiento per se. As, en muchos casos y, en especial,
cuando se consideran periodos de tiempo muy cortos (10 das o menos), se emplea
como hiptesis que = 0 . Como se puntualiz anteriormente, la importancia de este
modelo se centra en la variabilidad y por tanto en la distribucin de t . La varianza
condicional ( t2+1 ) se supone que seguir el siguiente patrn:
t2+1 = 0 + 1t2 + 2t21 + ... + pt2( p 1) (15)
En otras palabras, se supone que la varianza condicional es la suma del promedio

ponderado de los cuadrados de las p innovaciones anteriores y una constante. Noten
que de este supuesto surge el nombre del modelo, pues la varianza condicional es
diferente para cada periodo y esta depende de sus valores anteriores (ARCH).
Es importante resaltar que hemos empleado el trmino condicional, pues la varianza

depende del conjunto de informacin que en este caso corresponde a las innovaciones
aleatorias en los p periodos anteriores. En otras palabras, tenemos que
t +1 t ~ N ( 0, t2+1 ) (16)
donde t representa el conjunto de informacin con que se cuenta hasta el momento
t , que incluye todos los sucesos relevantes que se han producido hasta la fecha.
Retornando al modelo definido por (14) y (15), a partir de una muestra de tamao T se
necesitar estimar los parmetros poblacionales , 0 , 1 , 2 ,..., p . Los valores
estimados los denotaremos por , 0 , 1 , 2 ,..., p , respectivamente.
A partir de los valores estimados, podemos encontrar los residuos7 basados en la

siguiente expresin:
t = Rt (17)
7
Nuestra mejor estimacin de las innovaciones.
28
As, la varianza condicional estimada para el perodo T + 1 (fuera de la muestra) viene

dada por:
T2+1 = 0 + 1T2 + 2T21 + ... + pT2( p 1)
(
T2+1 = 0 + 1 ( RT ) + 2 ( RT 1 ) + ... + p RT ( p 1) )
2 2 2
(18)
y por tanto la rentabilidad en T + 1 seguir una distribucin con media estimada dada
por y varianza condicional T2+1 . Es decir8,
Rt +1 ~ ( , T2+1 ) . (19)
4.3.2. Ejemplo de un ARCH(1)
Consideremos la tasa de cambio nominal diaria (pesos por dlar americano) en

Colombia para los aos 2000 a 2003. Para este activo el Modelo ARCH(1) es:
Rt +1 = -0.000167 + T +1 (20)
donde la varianza condicional de la innovacin viene dada por

t2+1 = 0.00008 + 0.16t2 (21)
Ahora supongamos que la rentabilidad en el da T es excepcionalmente alta, por

ejemplo 5%. En este caso tendremos que la varianza condicional para el perodo T+1
ser:
T2+1 = 0.00008 + 0.16 ( RT ) = 0.00008 + 0.16 ( 0.05 0.00041)

2 2
= .0004735
Por tanto, la correspondiente desviacin estndar es ST2+1 = .0004735 = 0.022 = 2.2% .
Es decir, para el periodo T+1 se tendr que Rt +1 : ( -0.000167, 0.0004735) y esto nos
permitir calcular el VaR paramtrico a partir de la aproximacin paramtrica vista en la

seccin 2.1.
8
Noten que a partir de esta expresin usted puede emplear las tcnicas aprendidas en el capitulo anterior
pero con varianza heteroscedstica.
29
4.3.3. Modelo GARCH(p,q)
Otro modelo muy empleado es el de heteroscedasticidad condicional auto-regresiva

generalizado, GARCH(p,q) por su nombre en ingls. En este caso tenemos que:
Rt +1 = + t +1 (22)
Donde la varianza condicional ( t2+1 ) se supone que seguir el siguiente patrn:

q 1 p 1
t2+1 = 0 + i t2i + it2i (23)
i =0 i =0
con p, q, i , i 0 y 0 > 0 . Noten que este modelo es una generalizacin del modelo
ARCH donde la varianza condicional depende no solo de los p cuadrados anteriores de

las innovaciones, sino tambin de los q valores pasados de la misma varianza.
4.3.4. Modelo TARCH
Un modelo un poco menos usado pero mucho ms potente corresponde al TARCH

(Treshold ARCH). Este tipo de modelo intenta capturar la presencia de
comportamientos asimtricos en la varianza, es decir, a rentabilidades negativas se
asignan mayores varianzas condicionales con respecto a rentabilidades positivas. En
este caso el modelo corresponde a:
Rt +1 = + t +1 (24)
t2+1 = 0 + 1 t2 + 1t2 + dtt2 (25)
Y,
1 t < 0
dt = (26)
0 t 0
Cuando t < 0 , la varianza condicional ser: t2+1 = 0 + 1 t2 + (1 + )t2 . En caso
contrario, sta ser t2+1 = 0 + 1 t2 + 1t2 . As, podemos capturar el mayor riesgo
asociado a rendimientos negativos que positivos.
30
4.3.5. Modelo GARCH multivariado
El modelo GARCH se puede generalizar al caso donde contamos con ms de un

activo. Un modelo GARCH multivariado proporciona una estructura ms rica que en el
caso univariado. Sin embargo, el nmero de parmetros que hay que estimar crece
rpidamente y obliga a introducir ciertas hiptesis ad hoc, tanto para facilitar la
estimacin como para garantizar ciertas caractersticas deseadas en la matriz de
varianzas y covarianzas.
Por simplicidad, consideremos dos activos, en este caso un modelo multivariado

GARCH(1,1) corresponde a:
R1,t +1 = 1 + 1,t +1 (27)
R2,t +1 = 2 + 2,t +1 (28)
1,2t +1 = 10 + 11 t2 + 111,2t (29)
2,2 t +1 = 20 + 21 t2 + 212,2 t (30)
1,2,
2
t +1 = 30 + 31 1,2,t + 311,t 2,t
2
(31)
As, la correspondiente matriz de varianzas y covarianzas condicional corresponde a:
2 1,2,
2

= 21,t +1 t +1
(32)
1,2,t +1 2,t +1
2
5. Comentarios Finales
En este documento hemos presentado una breve introduccin al concepto del VaR y al
clculo de l. En la seccin 2 se presenta un mtodo paramtrico que implica suponer
una varianza constante de los rendimientos. No obstante, un hecho muy comn en el
comportamiento de los rendimientos financieros es que la varianza o volatilidad de ellos
no es constante (Ver Alonso y Arcos (2005) para una discusin ms completa al
respecto). As, para considerar esta realidad ser necesario estimar la volatilidad del
31
siguiente periodo por uno de los mtodos (el ms adecuado) que se presentan en la
seccin 5. De igual manera se puede proceder para un portafolio. Esta conexin entre
las secciones de estas notas se dejan premeditamente al lector.
6. Referencias
Alonso, Julio Csar y Mauricio Arcos. 2005. 4 Hechos Estilizados de las series
de rendimientos: Una ilustracin para Colombia. Mimeo.
Benninga, Simon. 2000. Financial Modeling: MIT Press.
Hull, John C. 2002. Introduccin a los Mercados de Futuros y Opciones:
Prentice Hall.
7. Anexo. Estimacin de una Matriz de Varianzas y covarianzas con Excel
Existe una forma sencilla de calcular la matriz de varianzas y covarianzas de un grupo

de activos por medio de Excel. Para esto podemos emplear un truco de Excel, la
funcin DESREF. Ver recuadro para un ejemplo.
32

Apencon7 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apencon7 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

INTRODUCCIN AL CLCULO

DEL VALOR EN RIESGO

Julio Csar Alonso C.

INTRODUCCIN AL CLCULO DEL VALOR EN RIESGO

Julio Csar Alonso1

Apuntes de Economa es una publicacin del Departamento de Economa de la

El Valor en Riesgo (VaR por su nombre en ingls)3 se ha convertido en una de las

X dlares en los prximos N das" (Pg. 378).

En la jerga del VaR, se escuchan afirmaciones como: un administrador de un portafolio

mayor a US$1 milln cuando el mercado se encuentra en condiciones normales.

Grfica 1-1. Representacin Grfica del VaR para diferentes distribuciones

2. Mtodos para el clculo del VaR para un activo: Un ejemplo sencillo.

Supongamos que usted es un administrador de un portafolio de un activo cuya

encuentra hoy valorado en $100 millones de pesos ( V0 =$100M.) y usted desea

responder a la siguiente pregunta:

En el caso de suponer que una distribucin, o ms bien una familia de distribuciones,

Por otro lado, si no suponemos una distribucin y se emplea la informacin histrica

2.1. Mtodo paramtrico: El modelo Normal

Como se acaba de mencionar, los mtodos paramtricos implican suponer una

valor esperado del rendimiento al final del prximo periodo ser:

Dado que V0 es un valor conocido en t y por tanto:

Para nuestro caso, dado que E Rt +1 = 15% , tendremos:

E [ Vf ] =100 (1+15% ) =115

Var [ Vf ] =Var V0 (1 + R f ) = Var V0 R f

Var [ Vf ] =V02 Var R f

Y por tanto, la desviacin estndar ser:

Var [ Vf ] =V0 Var R f

Var [ Vf ] =100 Var R f = 100 20% = 20

M. y desviacin estndar de $20M., es decir:

confianza, es decir, el VaR.

2.2. Mtodos no paramtricos - Simulaciones Histricas

Ahora consideremos el caso en que no se desee hacer ningn supuesto sobre la

Supongamos que contamos con los precios de rendimientos de un portafolio

uno de estos rendimientos corresponden a un escenario diferente, en otras palabras,

Ahora, podemos a partir de estos T escenarios, determinar cul sera el valor de

opcin ms rpida es calcular el primer percentil de la distribucin de los posibles

3. VaR para un portafolio con ms de un activo.

3.1. Mtodo paramtrico

media y varianzas dadas por 1 , 2 , 3 , 12 , 22 y 32 , respectivamente. As mismo,

los tres activos en el portafolio de valor inicial V0 corresponde respectivamente a: q1 ,

As, tenemos que el rendimiento esperado del portafolio ( E R portafolio ) ser:

E R portafolio = q11 + q2 2 + q3 3 (4)

Es decir, el rendimiento esperado del portafolio corresponder al promedio ponderado

Tambin es fcil demostrar que la varianza del rendimiento del portafolio

( Var R portafolio ) ser:

distribucin normal con media E R portafolio y varianza Var R portafolio , es decir,

A partir de este resultado podemos calcular el VaR de la misma manera que lo

[ q1 q2 q3 ] = [ 0.4 0.25 0.35]

1 0.1 0.1 0.04 0.03

Recuerden que queremos responder a la pregunta: Con un 99% de confianza, cul es

Empecemos por el clculo de la rentabilidad media, es decir:

Esta operacin se puede realizar situndonos en la celda donde queremos reportar

portafolio ser la raz cuadra de este resultado, es decir, 0.1114 = 33.38% .

Similarmente, la desviacin estndar del portafolio ser:

Var [ Vf ] =V0 Var R f = 100 33.38% = 57.77

Como lo discutimos anteriormente, estos clculos se pueden realizar de forma sencilla

3.2. Mtodo no paramtrico

Un mtodo no paramtrico, muy sencillo para calcular el VaR de un portafolio de ms

A1 , A2 y A3 . Adems, la participacin de cada uno de los tres activos corresponde a

q1 , q2 y q3 , respectivamente. Ahora, suponga que cuenta con una serie lo

Empleemos nuevamente un ejemplo para ilustrar este procedimiento. Supongamos que

[ q1 q2 q3 ] = [ 0.4 0.25 0.35]

Anlogamente a lo realizado anteriormente en la seccin 2.2, podemos emplear Excel