Académique Documents
Professionnel Documents
Culture Documents
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.
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.
Subaditividad:
Y
( X +Y )
Homogeneidad:
( tX ) t ( X )
Monotonicidad:
( X ) ( Y ) si X Y
( X +n ) ( X )n
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.
4.2.1
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
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 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
II.
Pseudocdigo
VaREstRand=M+S*cuartil
VaRCRand=M1+S1*cuartil
1 La media se modelo con un modelo ARIMA (2,0,2) y la desviacin estndar con un GARCH
(1,1).
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);
ESHist=[mean(Ret_SupVar90)
mean(Ret_SupVar99)]
mean(Ret_SupVar95)
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)