Académique Documents
Professionnel Documents
Culture Documents
RESUMEN
Se inicia la ponencia con una sucinta revisin de los conceptos del VAR. A
continuacin, se consideran y valoran de forma crtica los distintos enfoques para medir
el VAR: Delta-Normal; Delta-Gamma; Simulacin histrica; Simulacin Monte Carlo y
Contraste Estrs. Finalmente, se hace referencia a algunas aplicaciones del VAR.
Con probabilidad.
En un intervalo de tiempo t.
Grficamente:
se manejan ms
Las Griegas, llamadas as porque 4 de las 5 son las letras del alfabeto griego, para
cuantificar las exposiciones de las carteras que contienen opciones. Cada una de ellas, mide cmo el valor
de mercado de la cartera debera responder a un cambio en alguna variable un subyacente, volatilidad
implcita, tanto de inters o tiempoHay 5 griegas: delta, medida de primer orden (lineal), sensibilidad a un subyacente; gamma,
medida de 2 orden (cuadrtica), sensibilidad a un subyacente, Kappa Vega, medida de primer orden
(lineal), sensibilidad a la volatilidad implcita de un subyacente, theta medida de primer orden (lineal),
sensibilidad al paso del tiempo; rho medida de primer orden (lineal), sensibilidad a un determinado
tanto de inters. Las Griegas, se definen como primeras en el caso de gamma, como segundasderivadas parciales
V0 = V (S 0 )
(2.1)
junto con las derivadas numricas. Definimos 0 como la primera derivada parcial, o
bien, la sensibilidad de la cartera a los cambios en los precios, valorada en el momento
actual V0 . sta se denominar duracin modificada para una cartera renta-fija, o bien,
delta para un derivado. Por ej., con una call a la par, = 0.5 y una posicin al alza en
una opcin se reemplaza simplemente por una posicin del 50% en una unidad del
activo subyacente. La cartera simplemente se puede calcular como la suma de las
deltas individuales. La prdida potencial en el valor dV, se calcula como:
dV =
V
S 0
dS = 0 .dS
(2.2)
lo cual implica el cambio potencial en los precios de dS . Puesto que sta es una
relacin lineal, la prdida mxima para V se alcanza en un valor extremo de S.
Si la distribucin es normal, el VAR de la cartera se puede deducir del producto
de la exposicin y el VAR de la variable subyacente.
VAR = 0 VARs = 0 ( S 0 )
(2.3)
dV = D * Vdy
(2.4)
(2.5)
(2.6)
dV = V (S1 ) V (S 0 )
(2.7)
XIII Jornadas de ASEPUMA
(2.8)
de
los
percentiles
de
la
distribucin
total
de
los
resultados.
V
1 2V
V
dS +
dS 2 +
dt + ...
2
S
2 dS
dt
1
= dS + dS 2 + dt + ...
2
(2.9)
1
(CV )dy 2 + ...
2
(2.10)
2
VAR = V (S 0 ) V (S 0 S 0 ) = V (S 0 ) V (S 0 ) + ( S ) + T ( S )
2
1
2
= ( S ) ( S )
2
XIII Jornadas de ASEPUMA
(2.11)
7
Esta frmula es vlida para posiciones al alza o a la baja en opciones calls y puts. Si
es positiva, lo que corresponde a una posicin al alza neta en opciones, el segundo
trmino decrecer el VAR lineal.
Desgraciadamente, el mtodo delta-gamma no es prctico con muchas fuentes de
riesgo porque la cantidad de datos requeridos crece geomtricamente.
R p ,t +1 = wi ,t Ri ,t +1
es:
(2.12)
i =1
donde los pesos wi ,t estn indizados por el tiempo para establecer la naturaleza
dinmica de la negociacin de las carteras.
Puesto que el rendimiento de la cartera es una combinacin lineal de variables
normales, tambin se distribuye normalmente. Utilizando la notacin matricial, la
varianza de la cartera viene dada por
donde
t +1
2 (R p ,t +1 ) = wt t +1 wt
(2.13)
El problema es que el VAR debe medirse para carteras grandes y complejas que
se desarrollan a lo largo del tiempo. El mtodo delta-normal, simplifica el proceso:
de todos los instrumentos para cada factor de riesgo y medida en u.m.. Entonces, el
VAR de la cartera es
VAR = xt t +1 xt
(2.14)
Dentro de esta clase de modelos, se pueden utilizar dos mtodos para medir la
matriz de varianzas-covarianzas . Slo puede basarse utilizando datos histricos, por
ej., un modelo que tiene en cuenta la variacin del tiempo es el riesgo.
Alternativamente, puede incluir medidas del riesgo implcitas en las opciones. O bien,
8
puede utilizar una combinacin de ambas. Como hemos visto, las medidas del riesgo
implcitas en las opciones son superiores a los datos histricos pero no son disponibles
para cada activo, sin tener en cuenta los pares de activos.
k = 1,2,..., t
(2.15)
i =1
(2.16)
( )
R p ,k =
Vk* V0
V0
(2.17)
exactitud de los estimadores pero podran utilizar datos irrelevantes, por eso pierden
importantes cambios en el proceso subyacente.
( )
completa como en el mtodo de simulacin histrica Vk* = V S i*,k . Cada una de estas
pseudo realizaciones se utiliza entonces para recopilar una distribucin de
rendimientos, de la cual se puede medir un nmero del VAR.
Por tanto el mtodo (MC) es similar al mtodo de simulacin histrica, excepto en que
los cambios hipotticos en los precios S i para el activo i en la ecuacin (2.15) se crean
mediante extracciones aleatorias de un proceso estocstico preesfecificado en lugar de
muestrados de los datos histricos.
3.1 Conclusiones
Mientras que el VAR se centra en la dispersin de las rentas, el contraste rpido,
examina las colas. El contraste rpido es un componente esencial de un sistema de
direccin del riesgo porque puede ayudar a asegurar la supervivencia de una situacin
en momentos de confusin del mercado. La metodologa del contraste rpido tambin se
aplica al crdito y a los riesgos de las operaciones.
En cierto sentido, el contraste rpido se puede considerar como una extensin
del mtodo de simulacin histrico a niveles de confianza crecientemente ms altos. Sin
embargo, el contraste rpido suministra un complemento til a los mtodos del VAR
estndar porque permite a los usuarios incluir escenarios que no se presentan en la
ventana del VAR pero no obstante son probables. Tambin permite a los directores del
riesgo valorar blind spots lugares sin visibilidad en su valoracin o sistemas de
direccin del riesgo. El principal benficio del contraste rpido es identificar las
vulnerabilidades en una posicin institucional.
El inconveniente del mtodo es que es altamente subjetivo. Los malos y poco
convincentes escenarios conducirn a medidas errneos del VAR. La historia de
algunas empresas han demostrado que la gente puede ser muy mala en lo que se refiere
a la prediccin de situaciones extremas. Generalmente, los resultados del contrasterpido se presentan sin una probabilidad asociada, lo cual les hace difcil de interpretar.
XIII Jornadas de ASEPUMA
11
A diferencia del VAR, el contraste rpido puede conducir a una gran cantidad de
informacin sin filtrar. Puede haber una tentacin por parte del director del riesgo de
producir grandes nmeros de escenarios para asegurar que cualquier posible escenario
sea cubierto. El problema es que esto hace ms difcil decidir a la direccin.
En resumen, el contraste rpido se debe considerar como un complemento ms
bien que un reemplazamiento de las otras medidas del VAR. El contraste rpido es til
para valorar el efecto del peor caso de grandes movimientos en las variables clave. Esto
es anlogo a extraer unos pocos puntos de las colas extremas: informacin til pero
solamente despus de que el resto de la distribucin se haya especificado. A pesar de
todo, el contraste rpido proporciona un recordatorio de que el VAR no es garanta de
una prdida mxima.
nmero de
13
4. REFERENCIAS BIBLIOGRFICAS
JORION, PH. (1997). Value at Risk: The New Benchmark for Controlling
Market Risk. Mc Graw-Hill.
14
15