Tarea N4.

Integrantes: Miguel Arosemena, Orlando Rivera Escobar, Angelo Hernndez.

1. Introduccin
Utilizando de la serie del Nikkei indicador burstil de la bolsa de Japn, para el taller
N1, se obtenan lo siguientes resultados en software Matlab.
Figura 1. NIKKEI periodo 2010-2016.

Elaboracin propia con informacin de https://finance.yahoo.com

Figura 2. Retornos Log NIKKEI periodo

2010-2016. Fuente: Elaboracin Propia

Figura 3. Histograma de los Retornos

Como ya ha sido
Logartmicos Fuente: Elaboracin Propia
mencionado en la
entrega del Taller 1,
las anteriores grficas proporcionan un acercamiento grafico a los patrones o hechos
estilizados de las series de tiempo financieras; para el caso de la serie estudiada en este
documento, los retornos poseen distribuciones que no son normales, aunque como se
ver ms adelante, el calculo tanto del VaR como del ES se hace bajo este supuesto.
De acuerdo a las anteriores entregas (Taller 2) se concluy que los modelos que mejor
se ajustan para la modelacin tanto de la media como la varianza condicional
corresponden a un proceso ARMA (2,2) y GARCH (1,1) respectivamente; los resultados

procedentes de estos modelos sern de utilidad para la construccin del anlisis respecto
al nivel de exposicin al riesgo presentado por la serie en cuestin.
Para la obtencin de las medidas de riesgo ya descriptas se utilizan los mtodos tanto no
paramtricos como paramtricos y la simulacin de Monte Carlo; para el caso del
mtodo paramtrico se presentan tanto el normal esttico como el dinmico condicional,
este ultimo, bajo la implementacin de un modelo ARMA-GARCH para el pronstico
de la media y la varianza. El mtodo no paramtrico se realiza a partir de un anlisis
histrico del comportamiento de los retornos; mientras que el mtodo por simulacin,
implementa un proceso generador de datos que sigue una distribucin normal estndar,
al cual se le realizar el respectivo anlisis tanto paramtrico como no paramtrico.

2. Valor en Riesgo- VaR

Se conoce por VaR (Value at Risk, por su siglas en ingls) como la mxima perdida
esperada para un horizonte de tiempo y nivel de confianza alfa () determinado, con
probabilidad de ocurrencia de (1- ) para un portafolio fijo; o de la misma forma, es la
mnima perdida esperada en el % de las peores casos para un horizonte de tiempo
determinado.
En efecto el VaR es una medida de riesgo coherente solo si est basado en la desviacin
estndar de distribuciones normales, no es susceptible de optimizacin, ya que al
optimizarse se generan varios ptimos locales que dificultan hallar el ptimo global de
un portafolio.
3. Propiedades de las Medidas de Riesgo Coherente
Las medidas de riesgo deben cumplir con las propiedades coherentes de riesgo
desarrolladas por Artzner et al (1999); el cual postul los siguientes axiomas:

Subaditividad:

Y
( X +Y )

Homogeneidad:

( tX ) t ( X )

Monotonicidad:

( X ) ( Y ) si X Y

Riesgo libre Condicional:

( X +n ) ( X )n

La propiedad ms importante es la subaditividad, esto nos dice que un portafolio hecho

de subportafolios de activos, no puede ser menor que la suma de sus riesgos. Este
axioma es el criterio ms importante que una medida de riesgo razonable debe cumplir.
Esto refleja el efecto de la expectativa cuando se agrega el riesgo individual, se
diversifica, es decir no se incrementa, por lo tanto, la suma del riesgo de un portafolio es
siempre menor o igual a la suma de los riesgos. (Dow, 2005).

Por ejemplo, la suma de dos portafolios puede ser ms grande que la suma individual de
sus componentes. El VaR viola esta propiedad y por lo tanto sus riesgos individuales no
se pueden sumar. (Dow,2005). Por otra parte, el VaR no tiene en cuenta la gravedad de
eventos de perdidas severas. (Acerbi, 2002)
Si los riesgos son sub-aditivos, entonces aadiendo riesgos se puede estimar el riesgo
combinado, y esto significa que la suma del riesgo es una estimacin conservadora del
riesgo combinado. Al no ser sub-aditivos por lo tanto se hace menos til y menos
conservativo,(Dow, 2005).
4. Mtodos para la estimacin del riesgo de mercado
El valor en riesgo, se puede construir desde tres enfoques, utilizando tanto los mtodos
no paramtricos como los paramtricos y la simulacin por Montecarlo. La diferencia
radica en que la primera aproximacin no emplea ningn supuesto sobre la distribucin
de los valores, ni supone ningn tipo de comportamiento de los parmetros, mientras
que el otro (paramtrico) posibilita trabajar con distribuciones de probabilidad. En
cuanto a la simulacin de Montecarlo, sobre esta se implementan tanto el mtodo
paramtrico como no paramtrico.
4.1 Mtodos no paramtricos: Simulacin Histrica
Uno de los mtodos no paramtricos ms utilizados es el de la de simulacin histrica,
tcnica intuitiva y fcil de implementar a partir del histograma de prdidas y ganancias;
el cual no supone ninguna funcin de distribucin de probabilidad y se apoya en el
comportamiento histrico observado, se parte que se pueden repetir escenarios del
pasado de los factores de riesgo histricamente observados. La desventaja de este
mtodo es la posible sobrestimacin o subestimacin del riesgo (Dowd, 2005), ya que al
no suponer una distribucin no permite actualizar la volatilidad.

4.2 Mtodos paramtricos:

4.2.1

Distribucin Normal (No Condicional)

Figura 1. Ilustracin del Valor en Riesgo

Fuente: Adaptado de Dow, 2005.

Bajo el supuesto de normalidad, para el VaR en una funcin de densidad de
probabilidad comn de ganancias o prdidas durante un perodo especfico, Los valores
positivos corresponden a prdidas y los negativos a ganancias. Para un nivel de
confianza determinado alfa (), el VaR viene dado por el punto en el eje x que corta a ,
en la funcin de densidad. La limitacin presente en este mtodo subyace en el supuesto
de estabilidad en las funciones condicionales de la funcin de prdidas que contempla,
lo cual es poco plausible en las series financieras.
4.2.2

Distribucin Normal (Condicional)

Este mtodo a diferencia del anterior presenta un mejor acercamiento a la que debera
ser la conducta de dos primeros momentos de la distribucin de los datos, a travs de la
implementacin de modelos que permiten hacerse de pronsticos tanto de la media
como de la varianza; para el propsito de este documento se acudi a la elaboracin de
un modelo ARMA para la media y GARCH para la varianza. De esta forma se obtiene
un pronstico condicional para el clculo del VaR. En cuanto a la falencia de este
mtodo se atribuye a la contrastacin emprica en cuanto a la distribucin que siguen las
series de tipo financiero pues rara vez se distribuyen normal; ms bien estn presenta
distribuciones con presencia de leptocrtosis y con sesgo negativo, es decir que los
eventos extremos negativos tienen un mayor peso que los eventos positivos.
4.3 Mtodos Semi-Paramtricos: Simulacin de Monte Carlo
La Simulacin de Monte Carlo corresponde al grupo de mtodos semi-paramtricos,
permite realizar anlisis de riesgo cuantitativos, basados en el muestro de miles de
situaciones hipotticas bajo un supuesto de distribucin terica paramtrica.
5. Expected ShortFall ES
Tambin conocido como la perdida esperada en las colas, VaR Condicional (CVaR), se
refiere a la media esperada del exceso de perdidas, o la perdida media esperada en las

colas que exceden el VaR para un nivel de confianza y horizonte de tiempo

determinado; esta medida funciona como un complemento del VaR que satisface todas
las propiedades exigidas para ser una mediad de riesgo.
EL VaR enuncia la mxima prdida esperada en la distribucin a un nivel de confianza
de una distribucin normal, sin embargo, no nos dice que pasa si un evento ocurre en las
colas; el ES indica cunto se espera perder si un evento extremo efectivamente ocurre
(ms all del nivel de confianza del VaR, en las colas de la distribucin).

Fig. 1 Ilustracin VaR y CVaR

Fuente: Franco & Franco, 2011.
El Es adems de ser una medida de riesgo ms coherente que el VaR, ofrece la ventaja
de poder ser modelado mediante expresiones de variables discretas, lo cual es una
ventaja para modelos dentro del mercado de la energa por ejemplo (Hongling,
Chauwen & Zhang, 2008). Cumple adems la propiedad de convexidad, que permite
optimizar el CVaR de un portafolio, bajo mtodos de programacin lineal y simulacin
de Montecarlo, obteniendo un ptimo global (Rockafellar y Uryasev, 2000).
6. Resultados Calculo VaR ndice Nikkei
Tabla 2. Ilustracin Resultados Serie Nikkei.

7. Conclusiones
Si se tiene en cuenta que los retornos de la serie del Nikkei no se distribuyen
normalmente, como se ha demostrado con anterioridad, se podra llegar a la conclusin

de que la medida adecuada de modelacin del riesgo, para la serie es el ES, debido a
que la serie presenta una mayor probabilidad de ocurrencia de los eventos extremos
(leptocrtosis); y por tanto, de las medidas presentadas en este documento la que
obedecera a una medida acorde ante la presencia de agentes adversos seria claramente
la presentada por la ES.
La posibilidad del ES de trabajar con distintas distribuciones, permitira establecer una
medida de riesgo adecuada para la serie del Nikkei, en la cual entre mayor es el nivel de
confianza se cumple que la mxima perdida es mayor, demostrndose por medio de la
comparacin entre ES y el VaR para cada nivel respectivo de confianza.
Es importante mencionar que hasta el momento se ha mostrado una comparacin entre
el VaR y Es para distintos niveles de confianza, sin embargo cual es la medida adecuada
de riesgo para la serie depender de la prueba de Backtesting.

Mientras que el VaR estima lo mximo que se espera perder si un evento de prdidas
extremas no ocurre, es decir la peor prdida esperada en caso de una relativa regularidad
financiera, el ES indica cunto se espera perder si un evento extremo efectivamente
ocurre (ms all del nivel de confianza del VeR, en las colas de la distribucin). Se
define ES como el valor esperado de las prdidas, , en caso tal que stas sean
superiores al VeR:
El VeR no cumple con ser subaditivo, lo cual se suma a su pobre desempeo como
medida de riesgo en situaciones extremas, que se presentan con un bajo nivel de
probabilidad pero con resultados altamente costosos para el sistema y por ende para los
inversionistas financieros y la economa en su conjunto.
Una alternativa terica para la estimacin de riesgo son los mtodos de prdidas
esperadas en las colas (ES).
El mtodo normalidad esttico, el cual supone estabilidad en las funciones
condicionales de la funcin de prdidas, lo cual es poco plausible en las series
financieras.
A pesar de que este mtodo tiene a su favor la concrecin y simplicidad, presenta una
falencia significativa toda vez que empricamente las series de tipo financiero rara vez
se distribuyen normal. Por el contrario se trata de series leptocrticas (de colas pesadas)
y con sesgo negativo (los eventos extremos negativos tienen mayor peso que sus
homlogos positivos).
Referencias:
Acerbi, C., & Tasche, D. (2002). On the coherence of expected shortfall. Journal of
Banking and Finance, 26(7), 14871503. http://doi.org/10.1016/S0378-4266(02)002832
Artzner, P., Delbaen, F., Eber, J. M., & Heath, D. (1999). Coherent measures of risk.
Mathematical finance, 9(3), 203-228.

Franco, L. C., & Franco, L. E. (2005). El valor en riesgo condicional CVaR como
medida coherente de riesgo. Revista Ingenieras Universidad de Medelln, 4(6), 4354.
Hongling, L., Chuanwen, J., & Yan, Z. (2008). A review on risk-constrained
hydropower scheduling in deregulated power market. Renewable and Sustainable
Energy Reviews, 12(5), 1465-1475.
Dowd, K. (2005). Measuring market risk. John Wiley & Sons.
Notas del Curso, modelos de Simulacin en Finanzas (2016), Universidad del Valle.
Complemento terico 3, y 4.
Rockafellar, R. T., & Uryasev, S. (2000). Optimization of Conditional Value-at-Risk.
Journal of Risk, 2, 2141

Pseudocdigo
I.

VaR: Valor en Riesgo

1. VaR: Distribucin Normal
Se empieza calculando el VaR usando el mtodo paramtrico, suponiendo que la
serie de rendimientos sigue el comportamiento de una Distribucin Normal. Se
dispone a hallarse con este mtodo, tanto el VaR condicional (dinmico) como el
no condicional (esttico).
1.1.

VaR Esttico
Se halla la media (M) y la desviacin estndar (S) de los retornos. De la misma
forma el valor (Z) de la distribucin normal inversa a los diferentes niveles de
confianza.
M = mean(ret);
S = std(ret);
Z = norminv([0.90 0.95 0.99],0,1);
VaRNormEst= M+S*Z

1.2.

VaR Dinmico

Se traen la media (M1) y la desviacin estndar (S1) pronosticadas de los

retornos1. Utilizando el valor de la distribucin normal a los diferentes niveles de
confianza, hallados en la seccin anterior.
M1 = yF(1,1);
S1 = sqrt(var(1,1));
VaRNormEstC=M1+S1*Z
2. VaR: Histrico
Seguimos con el VaR usando el mtodo no paramtrico, con base a los datos
histricos de la serie de los retornos, sin suponer ninguna distribucin. Primero
se debe multiplicar cada dato de la serie por -1 y luego oredenarlos de menor a
mayor, para cambiar el sentido de la distribucin y facilitar los anlisis, de esta
forma las prdidas quedaran en la cola derecha. Una vez ordenados los datos,
hallamos los percentiles segn los distintos niveles de confianza.
retn = (ret*-1);
retord= sort(retn);
VH = prctile(retord,[90 95 99])
3. VaR: Simulacin de Monte Carlo
Este mtodo es de ndole semi-paramtrico, ya que permite modelar escenarios
aleatorios, pero suponiendo una distribucin. En este caso se asigna una
distribucin normal, y se modela 10000 iteraciones.
dran=random('Normal',0,1,10000,1);
Luego, se halla el VaR similar al del mtodo histrico, se multiplican los datos
obtenidos mediante la simulacin por -1 y se ordenan de menor a mayor, y de la
mima forma hallamos los diferentes percentiles deseados.
dranneg = (dran*-1);
dranord = sort(dranneg);
cuartil= prctile(dranord,[90 95 99])
Tambin se halla el VaR esttico y el VaR dinmico, de acuerdo los dichos cuartiles
hallados.
Frmula

II.

Pseudocdigo
VaREstRand=M+S*cuartil
VaRCRand=M1+S1*cuartil

Expected shortfall o CVaR

1 La media se modelo con un modelo ARIMA (2,0,2) y la desviacin estndar con un GARCH
(1,1).

1. CVaR: Distribucin Normal

Procedemos a calcular el CVaR usando el mtodo paramtrico, suponiendo que
la serie de rendimientos sigue el comportamiento de una Distribucin Normal.
Se dispone a hallarse con este mtodo, tanto el VaR condicional (dinmico)
como el no condicional (esttico).
1.1 CVaR Esttico
1.2 CVaR Dinmico
Se llaman la media (M), la desviacin estndar (S) de los retornos y el valor (Z)
de la distribucin normal inversa a los diferentes niveles de confianza, as como
tambin la media y la desviacin pronsticadas (M1 y S1). A los valores de Z se
les halla la probabilidad mediante la funcin normal de densidad, y se divide por
los respectivos niveles de confianza.
df=normpdf(Z)
confi=[1/0.1 1/0.05 1/0.01]
q=df.*confi
Teniendo los parmetros necesarios se procede a hallar el CVaR condicionado y
no condicionado.
ESE=M+S*q
ESC=M1+S1*q

2. CVaR: Histrico
Seguimos con el CVaR usando el mtodo no paramtrico, con base a los datos
histricos de la serie de los retornos, sin suponer ninguna distribucin. Teniendo
la serie ordenada2, se halla la cantidad de datos en la misma, y se multiplico por
cada, esto con el fin de pararnos en la cola despus de cada VaR. Ubicados en
sta se calcula la media, y de esta forma se obtiene el CVaR mediante este
mtodo.
ctdret=numel(retord);
VaR_index=ceil([1-0.1 1-0.05 1-0.01]*ctdret);
Ret_SupVar90=retord((VaR_index(1,1))+1:end,1);
Ret_SupVar95=retord((VaR_index(1,2))+1:end,1);
Ret_SupVar99=retord((VaR_index(1,3))+1:end,1);

2 Se obtuvo cuando se hall el VaR histrico.

ESHist=[mean(Ret_SupVar90)
mean(Ret_SupVar99)]

mean(Ret_SupVar95)

3. VaR: Simulacin de Monte Carlo

Este mtodo es de ndole semi-paramtrico, ya que permite modelar escenarios
aleatorios, pero suponiendo una distribucin. En este caso volvemos a llamar la
variable dranord, la cual se haba simulado 100000 veces, segua una
distribucin normal, y haba sido ordenada. Se sigue los mismo pasos para
pararnos en las cola de la distribucin a los distintos niveles de confianza, como
se present en la seccin anterior, y se procede a hallar la media para cada uno
de stos.
ctdretmon= numel(dranord);
VaR_indexm=ceil([1-0.1 1-0.05 1-0.01]*ctdretmon);
Ret_SupVarm90=dranord((VaR_indexm(1,1))+1:end,1);
Ret_SupVarm95=dranord((VaR_indexm(1,2))+1:end,1);
Ret_SupVarm99=dranord((VaR_indexm(1,3))+1:end,1);
ESMon=[mean(Ret_SupVarm90)
mean(Ret_SupVarm95)
mean(Ret_SupVarm99)]
III.

Una vez se obtenga toda la informacin necesaria de los VaR y CVaR, al 90%,
95% y 99% de confianza, se dispone a resumirla en una tabla.
Resumen
=
{'Confi
%';'NormEst';'NormCon';'Hist';'MontEst/MontHist';'MontCon'};
VaR
=
[90
95
99;VaRNormEst(1,1)
VaRNormEst(1,2)
VaRNormEst(1,3);VaRNormEstC(1,1)
VaRNormEstC(1,2)
VaRNormEstC(1,3);VH(1,1)
VH(1,2)
VH(1,3);VaREstRand(1,1)
VaREstRand(1,2)
VaREstRand(1,3);VaRCRand(1,1)
VaRCRand(1,2)
VaRCRand(1,3)];
CVaR = [90 95 99;ESE(1,1) ESE(1,2) ESE(1,3);ESC(1,1) ESC(1,2)
ESC(1,3);ESHist(1,1) ESHist(1,2) ESHist(1,3);ESMon(1,1) ESMon(1,2)
ESMon(1,3);0 0 0];
Resumen_VaR_CVaR=table(VaR,CVaR,'RowNames',Resumen)