Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

ENFOQUES DIFERENTES PARA MEDIR EL VALOR EN

RIESGO (VAR) Y SU COMPARACIN. APLICACIONES

Julio Garca Villaln

Universidad de Valladolid

Josefina Martnez Barbeito

Universidad de A Corua

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.

XIII Jornadas de ASEPUMA

Julio Garca Villaln, Josefina Martnez Barbeito

1. EL VALOR EN RIESGO (VAR)

Mide la posible prdida mxima esperada durante un determinado intervalo de
tiempo, bajo condiciones normales del mercado y dentro de un nivel de confianza
establecido. El VAR proporciona una medida resumida del riesgo de mercado. Podemos
distinguir entre el VAR absoluto (es decir, la cantidad absoluta en Riesgo) y el VaR
relativo (es decir, la cantidad absoluta en riesgo ms las ganancias esperadas). Tambin
cabe hablar de un procedimiento de estimacin del VAR, de una metodologa del VAR
y de un enfoque del VAR para el control y direccin del riesgo.
Formalmente, el VaR se define como:
La prdida que puede acaecer en una cartera.

Con probabilidad.

En un intervalo de tiempo t.

Matemticamente, el VAR es el (1- )-cuantil de la distribucin P/G

(Prdidas/Ganancias), es decir, que satisface la relacin: P[v(w) VAR ] = 1 donde
v(w) denota el cambio en el valor de la cartera llamado P/G- e implica que v(0)=0 y
suponemos que la distribucin de P/G es una funcin continua y estrictamente
montona. Una cuestin importante es que el valor de sea un nivel de confianza
adecuado.
Prcticamente, por ejemplo, una entidad bancaria podra considerar que el VAR
diario de una cartera operativa es de 50 millones de u.m. con un nivel de confianza del
90%. Esto quiere decir que solamente hay 10 posibilidades entre 100, en condiciones
normales del mercado, de que acaezca una prdida superior a los 40 millones de u.m.
Fijando un nivel de confianza p tal como el 99% y un horizonte temporal (p.e. 2
semanas) el VAR de una cartera dada es la prdida en el valor de mercado que es
excedido con probabilidad 1-p. Es decir, si p=0.99, entonces, con probabilidad del 99%,
la prdida excede el VAR con el 1% de probabilidad. Conviene observar que el VAR no
es la diferencia entre el Valor esperado y el Valor p-crtico de las prdidas, sino ms
bien es el valor p-crtico. No hay mucha diferencia en la prctica de la tolerancia del
error, de las tcnicas de modelacin corrientes y los horizontes temporales cortos.

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

Grficamente:

Por tanto, el VAR es interesante para la direccin de la empresa puesto que

valora

los riesgos de las operaciones de mercado y de inversin; proporciona

informacin a los accionistas respecto a los riesgos financieros de su empresa; se puede

utilizar para determinar lmites posicionales de los operadores y para la asignacin de
los recursos escasos de capital; los inversionistas utilizan el VAR para controlar lo
mejor posible los riesgos financieros; el VAR ha creado una metodologa para hacer
frente al riesgo permitiendo evitar posibles desastres financieros; el VAR da a conocer
la posible prdida mxima (PM) en un determinado horizonte temporal dentro de un
determinado intervalo de confianza.

2. MTODOS PARA MEDIR EL VAR

Debido a que el VAR ha llegado a constituir un elemento esencial en lo relativo
a la herramienta de los directores del riesgo, ya que proporciona una medida
cuantitativa de los perjuicios del riesgo, en la prctica, el objetivo debe ser proporcionar
un estimador del riesgo razonablemente exacto a un coste asequible. Esto implica elegir
entre las diversas normas industriales un mtodo que sea el ms apropiado para la
cartera que se posea. Para ayudar a esta seleccin, presentamos y valoramos
crticamente los diferentes enfoques de medir el VAR.
Los enfoques del VAR se pueden clasificar en dos grupos. El primero, se basa
en la valoracin local. Los mtodos de valoracin local miden el riesgo valorando la
cartera en la posicin inicial, y utilizando los

derivados locales para inferir los

movimientos posibles. El mtodo delta-normal utiliza derivadas lineales o delta y

XIII Jornadas de ASEPUMA

Julio Garca Villaln, Josefina Martnez Barbeito

supone las distribuciones normales. Debido a que el enfoque delta-normal es fcil de

poner en prctica, algunas veces, se utiliza, una variante, llamada las Griegas*.
Este mtodo consiste en aproximaciones analticas a las derivadas del primer y
segundo orden y es el ms apropiado para carteras con fuentes de riesgo limitadas. El
segundo grupo utiliza la valoracin total. Los mtodos de valoracin total miden el
riesgo revalorizando totalmente la cartera sobre un rango de escenarios. Los pros y
contras de la valoracin local versus global les discutimos a continuacin. Inicialmente,
consideramos una cartera sencilla dirigida por un solo factor de riesgo.
A continuacin consideramos los mtodos del VAR para carteras grandes. El
mejor ejemplo de valoracin local es el mtodo delta-normal que veremos
posteriormente. La valoracin Global se pone en prctica mediante el mtodo de
simulacin histrica y el mtodo de simulacin Monte Carlo.
Esta clasificacin refleja un intercambio fundamental entre la velocidad y la
exactitud. La velocidad es interesante para carteras grandes expuestas a muchos factores
de riesgo que implican un gran nmero de correlaciones. Estos

se manejan ms

fcilmente con el enfoque delta-normal. Sin embargo, la exactitud puede ser ms

importante, cuando la cartera tienen componente sustanciales no-lineales.
Ahora, presentamos un anlisis de los mtodos delta-normal y simulacin del
VAR, as como un mtodo relacionado, contraste rpido (stress testing).
2.1. Valoracin Local frente a la Global
2.1.1 Valoracin Delta-Normal
Los mtodos de valoracin local, generalmente se basan en la hiptesis
de normalidad para conducir los factores de riesgo. Esta hiptesis es particularmente

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

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

conveniente debido a la propiedad de invarianza de las variables normales: las carteras

de variables normales estn distribuidas normalmente.
Inicialmente, estudiamos la Valoracin delta, que considera solamente las
derivadas de primer orden. Para ilustrar los enfoques, tomamos un instrumento cuyo
valor depende de un solo factor de riesgo subyacente S. En primer lugar, valoramos la
cartera en el punto inicial

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)

donde es la desviacin tpica normal correspondiente al nivel de confianza

especificado, p.ej., 1,645 para un nivel de confianza del 95%. Aqu, tomamos (dS / S )
como la desviacin tpica de los tantos de cambios en el precio. La hiptesis, es que
los tantos de cambios estn normalmente distribuidos.
Debido a que el VAR se obtiene como una solucin de forma-cerrada, este
mtodo se denomina analtico. Observemos que el VAR se mide calculando el valor
de la cartera solamente una vez, en la posicin actual V0 .
Para una cartera renta-fija, el factor riesgo es el rendimiento y y la relacin rendimientoprecio es:

dV = D * Vdy

(2.4)

donde D* es la duracin modificada. En este caso el VAR de la cartera es

VAR = ( D * V ).( )

XIII Jornadas de ASEPUMA

(2.5)

Julio Garca Villaln, Josefina Martnez Barbeito

donde (dy ) ahora es la volatilidad de los cambios en el nivel de rendimiento. La

hiptesis es que los cambios en los rendimientos estn normalmente distribuidos,
aunque esto es una cuestin emprica.
Cmo es de buena la aproximacin? Depende de la opcionalidad de la cartera
as como del horizonte. Consideramos, por ej., un caso sencillo de una posicin al alza
de una opcin call. En este caso, podemos fcilmente describir la distribucin de los
valores de la opcin. Esto es debido a que hay una relacin biunvoca entre V y S. Es
decir, dada la funcin de valoracin, cualquier valoracin de S se puede traducir en un
valor de V y viceversa.
Ahora, el c-simo cuantil para V es la funcin valorada en el c-simo cuantil de
S. Para la opcin a largo plazo, la prdida mxima para V a un determinado nivel de
confianza, se obtendr en S * = S 0 S 0 y el VAR = V ( S 0 ) V (S 0 S 0 )

(2.6)

Si bien no es obvio, el efecto de no-linealidad, tambin depende del vencimiento

de la opcin y del rango de los precios al contado en el horizonte temporal. Aqu, la
distribucin de la opcin no es distinguible de la normal. Es decir, la mera presencia de
las opciones no necesariamente invalida el enfoque delta-normal. La calidad de la
aproximacin depende de la extensin de las no-liniaridades, que es una funcin del
tipo de opciones, de sus vencimientos, as como de la volatilidad de los factores de
riesgo y del horizonte del VAR. El horizonte ms corto del VAR, es la mejor
aproximacin delta-normal.
2.1.2. Valoracin Global
En ciertas situaciones, el enfoque delta-normal es totalmente inadecuado. Por
ej., este es el caso, cuando la prdida mxima puede no ser obtenida para realizaciones
extremas del tanto al contado subyacente. Tambin, opciones que estn prximas al
vencimiento y a la par tienen deltas inestables que convierten las distribuciones de
resultados en asimtricas.
Un ej. de este problema es el de una gran straddle (operacin compra-venta de
opciones) que implica la compra de una call y una put. El peor resultado, que es la suma
de las primas, se realizar si el tanto al contado no se mueve en absoluto. En general, no
es suficiente para valorar la cartera en los dos extremos. Todos los valores intermedios
deben ser chequeados.
El enfoque valoracin global considera el valor de la cartera para un amplio
rango de niveles de precios:
6

dV = V (S1 ) V (S 0 )

(2.7)
XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

Los nuevos valores S1 se pueden generar mediante mtodos de simulacin. El enfoque

simulacin MonteCarlo cuenta con distribuciones preespecificadas. Por ej., las
realizaciones se pueden extraer de una distribucin normal dS / S N (0, 2 )

(2.8)

Alternativamente, el enfoque simulacin histrica simplemente muestra datos

histricos recientes.
Para cada una de estas extracciones, la cartera se valora sobre los datos objetivo
utilizando el mtodo valoracin-global. Este mtodo es potencialmente ms exacto
porque tiene en cuenta pagos de la renta no-lineales e incluso efectos decadencia
temporal que generalmente se ignoran en el enfoque delta-normal. Entonces, el VAR se
calcula

de

los

percentiles

de

la

distribucin

total

de

los

resultados.

Computacionalmente, este enfoque es completamente solicitado porque requiere cada

da la cartera total sobre un gran nmero de realizaciones de las variables aleatorias
subyacentes.
El problema aqu es que los mtodos de simulacin requieren tiempo de clculo
sustancial cuando se aplica a carteras grandes. Como resultado, se han desarrollado
mtodos para acelerar los clculos.
2.1.3 Aproximaciones Delta-Gamma
Es posible extender el tratamiento analtico del mtodo delta-normal mediante
trminos de orden superior. Podemos poner en prctica la calidad de la aproximacin
lineal aadiendo trminos en el desarrollo de Taylor de la funcin de Valoracin:
dV =

V
1 2V
V
dS +
dS 2 +
dt + ...
2
S
2 dS
dt

1
= dS + dS 2 + dt + ...
2

(2.9)

donde es ahora la segunda derivada del valor de la cartera y es la tendencia

temporal, que es determinista.
Para una cartera de renta-fija la relacin rendimiento-precio es ahora:
dV = (D * V )dy +

1
(CV )dy 2 + ...
2

(2.10)

donde el coeficiente de segundo orden C se denomina Convexidad y es anlogo a .

Utilizando el desarrollo de Taylor para calcular el VAR para la opcin call al alza en la
ecuacin (2.6), obtenemos,
1

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

Julio Garca Villaln, Josefina Martnez Barbeito

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.

2.2 El Mtodo Delta-Normal

2.2.1 Planteamiento
Si la cartera consta de solamente ttulos con distribuciones conjuntamente
normales, la medida del VAR sera relativamente sencilla. El rendimiento de la cartera
N

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)

es la prediccin de la matriz de covarianzas en el horizonte del VAR.

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:

Especificando una lista de factores de riesgo.

Transformando la exposicin lineal de todos los instrumentos en la cartera

sobre estos factores de riesgo.

Agregando estas exposiciones mediante instrumentos.

Estimando la matriz de covarianza de los factores de riesgo.

Calculando el riesgo de la cartera total.

Esta transformacin produce un conjunto de exposiciones xi ,t agregadas a travs

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

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

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.

2.3 Mtodo de Simulacin histrica

2.3.1. Planteamiento

El mtodo de simulacin histrica proporciona una puesta en prctica sencilla de

valoracin total Organigrama II. Consiste en retroceder en el tiempo, tal como
durante los 250 das ltimos y aplicar pesos actuales a una serie temporal de
N

rendimientos de activos histricos R p ,k = wi ,t Ri , k

k = 1,2,..., t

(2.15)

i =1

Observemos que los pesos wt se mantienen en sus valores actuales. Este

rendimiento no representa una cartera real sino ms bien reconstruye la historia de una
cartera hipottica utilizando la posicin actual. El enfoque, a veces, se denomina
bootstrapping: autocontrolador porque implica utilizar la distribucin real de los
datos histricos recientes (sin reemplazamiento).
Ms generalmente, la valoracin global requiere un conjunto de precios
completos, tal como curvas de rendimiento, en lugar de rendimientos exactos. Los
precios futuros hipotticos para k escenarios se obtienen aplicando los cambios
histricos en los precios para el nivel actual de los precios:
S i*,k = S i ,0 + S i ,k , i = 1,2,..., N

(2.16)

Un nuevo valor de la cartera V p*,k se obtiene entonces del conjunto global de

( )

precios hipotticos, quizs incorporando relaciones no lineales Vk* = V S i*,k .

Observemos que para captar el riesgo vega, debido a las volatilidades cambiantes, el
conjunto de los precios puede incorporar las unidades de volatilidad implcita. Esto
crea el rendimiento hipottico correspondiente a la simulacin k.

R p ,k =

Vk* V0
V0

(2.17)

Entonces, el VAR se obtiene de la distribucin completa de los rendimientos

hipotticos donde a cada escenario histrico se le asigna el mismo peso (1/t).
Como siempre, la eleccin del periodo muestral refleja un intercambio entre usar
tamaos maestrales ms largos o ms cortos. Los intervalos ms largos incrementan la

XIII Jornadas de ASEPUMA

Julio Garca Villaln, Josefina Martnez Barbeito

exactitud de los estimadores pero podran utilizar datos irrelevantes, por eso pierden
importantes cambios en el proceso subyacente.

2.4 Mtodo de simulacin Monte Carlo

2.4.1 Planteamiento

Las simulaciones Monte Carlo (MC)

cubren un amplio rango de valores

posibles en variables aleatorias y de gran importancia para las correlaciones. En

breve, el mtodo procede en dos etapas. En primer lugar, el director del riesgo
especfica un proceso estocstico para las variables financieras as como para los
parmetros del proceso; los parmetros tales como el riesgo y las correlaciones se
pueden deducir de los datos histricos o de las opciones. En segundo lugar, la
trayectoria de precios ficticios se simulan para todas las variables de inters. En cada
horizonte considerado, la cartera se cotiza utilizando diariamente la valoracin

( )

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. EL CONTRASTE RPIDO (STRESS TESTING)

Debido a que las medidas del VAR basadas en los datos histricos recientes
pueden fallar en identificar las situaciones inusuales extremas que podran ocasionar
perdidas importantes, es por lo que los mtodos del VAR deben ser suplementados
mediante un programa regular de un contraste rpido (stress testing).
El contraste rpido es exigido por el Comitee Basel como una de las siete
condiciones que deben cumplir el uso de los modelos internos. Tambin es considerado
por el Grupo Poltico de Derivados y por el G-30.
El Contraste rpido se puede describir como un proceso para identificar y
manejar situaciones que podran ocasionar prdidas extraordinarias. Comparado con los
mtodos del VAR, se presenta simple e intuitivo. El primer paso es el anlisis del
escenario, que examina el efecto de los movimientos grandes simulados en las variables
financieras clave de la cartera. Debido a su sencillez, este enfoque debe preceder a los
mtodos del VAR.
10

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

La generacin de un escenario es anlogo a un punto particular en la distribucin

obtenida de los datos histricos.
El objetivo del contraste rpido es identificar escenarios inusuales que no
podran acaecer en los modelos tpicos del VAR. Berkowitz (2000) clasifica estos
escenarios en las siguientes categoras:
1.) Simular shocks que no han surgido nunca o son ms probables de acaecer que
sugiere la observacin histrica; 2) Simular shocks que reflejen cambios estructurales
permanentes, o bien, modelos estadsticos temporalmente cambiados.
La primera razn para el contraste rpido es que las

medidas del VAR

tpicamente utilizan datos histricos recientes. Por el contrario, el contraste rpido

considera situaciones que estn ausentes de datos histricos, o no bien representados
pero no obstante probables. Alternativamente, los contrates rpidos son tiles para
identificar estados de la naturaleza donde las relaciones histricas se rompen temporal o
permanentemente.

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

Julio Garca Villaln, Josefina Martnez Barbeito

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.

4. APLICACIONES DEL VAR

1.- Una institucin tiene establecida una seccin de renta fija y una caja/seccin de
opciones exticas. Se produjeron cuatro informes respecto al riesgo, cada uno con una
metodologa diferente. Con las cuatro metodologas fcilmente disponibles. Cul de
las siguientes se debera utilizar para distribuir el capital econmico?
a)Simulacin aplicada a ambas cajas; b)Delta-Normal aplicada a ambas cajas;c)DeltaGamma para la caja de opciones exticas y la delta-normal para la caja de renta fija;
d)Delta-Gamma aplicada a ambas cajas.
Solucin: c) La Delta-Normal es la apropiada para la caja renta-fija, a no ser
que contenga muchos ttulos hipotecarios. Para la caja de opciones, al menos las
derivadas segundas deberan ser consideradas; por tanto, el mtodo adecuado es el
delta-gamma.
2.- Teniendo en cuenta que existen varios mtodos para calcular el VAR; DeltaNormal; Simulacin histrica y Monte-Carlo. Si los rendimientos subyacentes estn
normalmente distribuidos, entonces:
a) El mtodo Delta-Normal del VAR ser idntico al simulacin-histrico del VAR; b)
El mtodo Delta-Normal del VAR ser idntico al Monte-Carlo del VAR; c)El MonteCarlo del VAR ser el enfoque delta-normal del VAR cuando el

nmero de

reproduccin (extracciones) crece; d)El VAR Monte-Carlo ser idntico al VAR

simulacin histrica.
Solucin: c) En muestras finitas, los mtodos Simulacin, en general, sern
diferentes del mtodo delta-normal. Sin embargo, cuando el tamao de la muestra crece,
12

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

el mtodo Monte-Carlo debera converger hacia el VAR delta-normal cuando los

rendimientos estn normalmente distribudos.
3.- Qu metodologa del VAR es menos efectiva para medir los riesgos de las
opciones?
a) El enfoque varianza-covarianza; b)Delta-Gamma; c)Simulacin histrica; d) MonteCarlo.
Solucin: a) El enfoque varianza-covarianza no tiene en cuenta los efectos de
curvatura de segundo orden.
4.- El VAR de un activo es 300 y el VAR de otro activo es 500. Si la correlacin entre
los cambios en los precios de los activos es 1/15. Cual es el VAR combinado?
a) 435; b) 825; c) 600; d) 915.
Solucin: c) El VAR sera=

300 2 + 500 2 + 2 x300 x500 x1 / 5 = 600 u.m.

5.- El anlisis del VAR debera complementarse mediante el contraste-rpido porque el

contraste-rpido.
a) Proporciona una prdida mxima, expresado en unidades monetarias; b) Resume la
prdida esperada en un horizonte fijado dentro de un intervalo de confianza mnimo; c)
Valora el comportamiento de la cartera en un 99% de nivel de confianza; d) Identifica
las prdidas que exceden a las prdidas normales medidas mediante el VAR.
Solucin: d) El contraste rpido identifica las prdidas de probabilidad baja
ms all de las medidas usuales del VAR. Sin embargo, no proporciona una prdida
mxima.
6.- El uso de anlisis de escenarios nos permite:
a) Valorar el comportamiento de las carteras sometidas a grandes movimientos; b)
Investigar shocks de mercado que acaecieron en el pasado; c) Analizar la distribucin
de P/G histricas en la cartera; d) Realizar contraste-retroactivo efectivo.
Solucin : a) El contraste rpido valora la cartera sometida a grandes
movimientos en las variables financieras.
7.- Las medidas de VAR deberan ser suplementadas por el contraste-rpido de la
cartera:
a) Las medidas del VAR indican que la prdida mnima ser el VAR; no indican cmo
de grandes pueden ser; b) El contraste rpido proporciona un nivel de prdida mximo
preciso; c)Las medidas del VAR solamente son correctas en el 95% del tiempo; d) Los
escenarios del contraste rpido incorporan sucesos razonablemente probables.
XIII Jornadas de ASEPUMA

13

Julio Garca Villaln, Josefina Martnez Barbeito

Solucin: a) El objetivo del contraste rpido es identificar las prdidas que se

encuentran por encima de las prdidas normales medidas mediante el VAR.

4. REFERENCIAS BIBLIOGRFICAS

BASAK, S. and SHAPIRO, A. (1999). Value-at- Risk Based Risk

Management: Optimal Policies and Asset Prices. Working paper, Wharton
School, University of Pennsylvania, Philadelphia.

Basel Committee on Banking Supervision (1998). Frame work for the

Evaluation of Internal Control Systems, BIS, Basel, Switzerland.

BEDER, T. (1995). VAR: Seductive But Dangerous. Financial Analysts

Journal 51, 12-24.

BERCOWITZ, J. (2000), A Coherent Framework for Spress Testing. Journal

of Risk 2 (winter), 5-15

BOYLE, PH., BROADIE, M. and GLASSERMAN, P. (1997). Monte Carlo

Methods for Security Pricing. Journal of Economic Dynamic and Control 21,
1267-1321.

DANIELSSON, JON, and CASPER DE URIES (1997). Value-at-Risk and

Extreme Returns. LSE: Financial Markets Group Discussion Paper 273,
London School of Economics.

DUAN, J. (1995). The GARCH option Pricing Model. Mathematical Finance

5 (1995), p. 13-32.

DUFFIE, D. (1997). An Overview of Value at Risk. The Graduate School of

Business, Stanford University. Stanford CA 94305-5015 USA.

FINNERTY, J. (1998). Financial Engineering in Corporate Finance: An

Overview. Financial Management 17, 14-33.

GARMAN, M. (1996). Improving on VAR. Risk 9 (May), 61-63.

JORION, PH. (1997). Value at Risk: The New Benchmark for Controlling
Market Risk. Mc Graw-Hill.

KUPIEC, P. (1998). Stress Testing in a Value at Risk Framework. Journal

Derivatives 6 (Fall), 7-24.

KUPIEC, P. (1999). Risk Capital and VAR. Journal of Derviative 7 (winter),

41-52.

14

TURNER, C. (1996). VAR as an Industrial Tool. Risk 9 (march), 38-40.

WILSON, D. (1995). VAR in Operation. Risk 8 (Dic), 24-25.

XIII Jornadas de ASEPUMA

Enfoques diferentes para medir el valor en riesgo (VAR) y su comparacin. Aplicaciones.

XIII Jornadas de ASEPUMA

15