ADMINISTRACIN Y HEDGING DE

PORTAFOLIOS CON DERIVADOS

INTRODUCCIN

Knight Financial Services es una empresa especializada en

soluciones de Ingeniera Financiera
Derivados y Estructuras

Soluciones de
Tecnologa

Coaching y
Consultora

Modelamiento
de Riesgo

Optimizacin
de Portafolios

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

ADMINISTRACIN DE PORTAFOLIOS

La construccin de carteras ptimas es un problema recurrente de la gestin de

activos.

Aparece en retos como:

Planificacin financiera
Asesoramiento de inversiones
Banca personal o banca privada
Gestin de fondos de inversin o planes de pensiones.
Empresas del sector real necesitan optimizar su exposicin a riesgos
generados por:
Tasa de cambio
Precios de commodities y materias primas en general
Tasas de inters

CONTEXTO

Es necesario afrontar estos retos en un marco TERICO y PRCTICO desde el

cual abordar esta problemtica.

La globalizacin y desregulacin de los mercados expone a las compaas,

inversionistas, asesores, etc. a nuevos mercados voltiles.

Los avances TERICOS y PRCTICOS en la gestin de activos en el mundo

son cada vez ms acelerados.

CONTEXTO

El uso de derivados financieros es una gran herramienta para mejorar la

eficiencia de los portafolios, pero su uso requiere altos niveles de conocimiento
y tcnicas sofisticadas.

Esta presentacin busca enumerar diferentes tcnicas de optimizacin de

portafolios y administracin de riesgo de los mismos cuando existen
instrumentos derivados y mostrar los avances de KFS en este tema.

Este es un tema en el que todo el tiempo debe haber investigacin y desarrollo

que parte desde la academia pero debe mantener un enfoque aplicado y
prctico.

OBJETIVO DE LA PRESENTACIN

El objetivo de la presentacin es mostrar la evolucin que han tenido las

tcnicas de optimizacin de portafolios, comenzando por
Markowitz: mean-variance
Black-Litterman: cmo estimar los retornos esperados e incorporar los
views del inversionista.
Uryasev, et al.: optimizacin con CVaR, como lo exigen diferentes
derivados.
Meucci: incorporar views al enfoque de Uryasev, et al.
Corredor: medidas dinmicas de riesgo y optimizacin dinmica,
incorporando los views dinmicos del inversionista.

Este tema esta estrechamente ligado a las medidas de riesgo como:

Volatilidad (desviacin estndar de los retornos).
VaR (valor en riesgo).
CVaR (valor en riesgo condicional).
DCVaR (meddas dinmicas de riesgo).

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

PORTAFOLIO
160
140
G Electric
Mac
MSFT
Morgan Stanley
Coca Cola
S&P

120
100
80
60
40
20

100

200

300

400

500

600

700

800

900

CORRELACIN PRECIOS
G Electric

Mac

MSFT

Morgan Stanley Coca Cola

S&P

38
36
34
32
30
100
50
60
55
50
45

Correlacin
variable?

80
60
50
45
40
150
140
130
120
110

3032343638 50

100 45 50 55 60

60

80

40 45 50 110
120
130
140
150

CORRELACIN RETORNOS TES

0.04
0.02
0
-0.02
-0.04
0.05
0
-0.05
0.04
0.02
0
-0.02
-0.04
0.05
0
-0.05
0.04
0.02
0
-0.02
-0.04
-0.06
-0.08
0.02
0
-0.02

G Electric

Mac

MSFT

Morgan Stanley Coca Cola

S&P

-0.04
-0.0200.02
0.04
-0.05 0 0.05
-0.04
-0.0200.02
0.04
-0.05 0 0.05
-0.08
-0.06
-0.04
-0.0200.02
0.04-0.02 0 0.02

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

MEAN-VARIANCE OPTIMIZATION

Propuesto por el Nobel Harry Markowitz in 1952:

"Portfolio Selection." Journal of Finance 7, no. 1 (March 1952): 77-91.
Portfolio Selection: Efficient Diversification of Investments. 1959. Reprint.
1970

Es una tcnica para obtener portafolios diversificados eficientes.

La DIVERSIFICACIN nace de la observacin que el riesgo de un portafolio

puede ser disminuido al combinar activos cuyos retornos estn correlacionados
negativamente.

Markowitz encontr que un inversionista puede reducir la volatilidad de un

portafolio y simultneamente aumentar el retorno del mismo.

MEAN-VARIANCE OPTIMIZATION (CONT.)

Retornos Histricos

Riesgos histricos

Correlaciones histricas

Retornos esperados

Riesgos esperados

Correlaciones esperadas

-4

Portafolios de la
frontera eficiente

-4

x 10

-0.5

-0.5

-1

-1

-1.5

Abr 2008 -1.5

x 10

Sep 2014

Sep 2014

Cmo incorporo mis views?

Los Jul 20s tendrn un retorno

de 5 bp
Abr 2008

Jul
El 2020
spread Jul 09-Jul 20
aumentar en 10 bp

Jul 2020
-2

-2
Jul 2009

-2.5

-3
1

-2.5
Ago 2008
2

-3
31

Jul 2009
Feb 2010

El butterfly Jul09-Sep14-Jul20
aumentar en 5 bp

Feb 2010

Ago 2008
42

53

64

75

86

97
-3

x 10

9
-3

x 10

PROBLEMAS DE ESTE ENFOQUE

El enfoque de Markowitz puede generar:

Portafolios altamente concentrados
Portafolios extremos

Es muy sensible a los inputs, lo cual genera una inestabilidad.

En muchos casos se obtienen portafolios no intuitivos:

No existe una formal de incluir los VIEWS del inversionista
No existe una manera de incorporar un nivel de confianza
No existe un punto de partida intuitivo para los retornos esperados
Es necesario definir todos los retornos esperados

Asume normalidad en los retornos de los activos.

ALGUNAS OBSERVACIONES SOBRE LOS PRECIOS

PRECIOS HISTRICOS

135
130
125

PRECIOS

120
115
110
105
100
95

50

100

150

200

250
300
TIEMPO

350

400

450

500

ALGUNAS OBSERVACIONES SOBRE LOS PRECIOS

PRECIOS HISTRICOS

0.06
0.05

LA VOLATILIDAD NO
ES CONSTANTE

CAMBIOS LOGARTMICOS

0.04
0.03
0.02
0.01
0
-0.01
-0.02
-0.03
-0.04

50

100

150

200

250
300
TIEMPO

350

400

450

500

ALGUNAS OBSERVACIONES SOBRE LOS PRECIOS

Histograma

0.35

Emprico
Normal

0.3
0.25

NO SE CUMPLE EL
SUPUESTO DE
NORMALIDAD

0.2
0.15
0.1
0.05
0
-0.04

-0.03

-0.02

-0.01

0.01

0.02

0.03

0.04

0.05

0.06

PROBLEMAS DE ESTE ENFOQUE

Para evitar los problemas enunciados del enfoque de Markowitz es muy comn
que el inversionista incorpore al modelo muchas restricciones

PARE

Si este es el caso, es mejor no utilizar este enfoque en la optimizacin de

portafolios

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

ENFOQUE DE BLACK-LITTERMAN (B&L)

B&L utilizan un enfoque Bayesiano para combinar:

Los VIEWS subjetivos del inversionista sobre los retornos esperados de
algunos activos
El vector de retornos esperados del equilibrio del mercado

Aplique sus views propios si no los tiene tendr el benchmark o portafolio de

mercado

Los resultados incorporarn tanto los retornos esperados como sus views, que
afectarn el portafolio dependiendo del nivel de confianza que tenga de ellos.

ESQUEMA DE B-L

INCORPORANDO LOS VIEWS

GE tendr un retorno de 150 bp
El spread Coca-Cola y Mac aumentar en 200 bp
El butterfly MSFT/CC/SP aumentar en 100 bp
G El

P=

1
0
0

Mac

MSFT

M St

0
-1
0

0
0
0
0
-0.5 0

CC

S&P

0 0
1 0
1 -0.5

0.0150
Q = 0.0200
0.0100

Cul es el nivel de confianza de los VIEWS?

150 bp 10 bp, (1-) = 80%

200 bp 20 bp, (1-) = 90%
100 bp 10 bp, (1-) = 80%

1.4E-6
0
0
= 0
2.4E-6
0
0
0
1.4E-6

DE MARKOWITZ A B&L
-4

x 10

Sep 2014

-0.5

-1

-1.5

Abr 2008
Jul 2020

-2
Jul 2009
-2.5

-3
1

8
Feb 2010

Sep 2014

Ago 2008
2

-4

x 10

-3

x 10

Jul 2020

Benchmark
Views
Nivel de confianza

0
Abr 2008

Feb 2010

Jul 2009

-2
Ago 2008
-4
0.5

1.5

2.5

3.5
-3

x 10

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

Repaso sobre derivados

CONTRATOS DE FUTUROS
DEFINICIN

Un contrato de Futuros es un acuerdo para comprar o vender una cantidad

especfica de un activo en un cierto momento futuro por un cierto precio.

El contrato de Futuros obliga al tenedor a comprar el activo especfico el da

en que el contrato madure o expire pagando el precio previamente pactado.
Igualmente, el vendedor est obligado a proveer el activo.

El comprador del contrato tiene una posicin larga en Futuros. El vendedor

tiene una posicin corta en Futuros.

El precio acordado al inicio del contrato se denomina el precio de Futuros.

El activo que se va a comprar o vender se denomina el activo subyacente.

COBERTURAS CON FUTUROS*

Distribution for Ganancias SIN coberturas/C26
25
Mean=1.144618E-02

20

Media 1%
15

PORTAFOLIO 1:
Activo + 0.5 Futuro

PORTAFOLIO 2:
Activo + 0.9 Futuro

10

-60

-25

10

45

80

Values in 10^-3
5%

90%

-21.7014

5%

42.4515

Distribution for Ganancias con Futuros/C28

Distribution for Ganancias con Futuros/C28

45

250
Mean=1.141849E-02

Mean=1.140298E-02

40
200

35

Media 1%

30

Media 1%

150

25

20
100
15

10

50

-60

-25

10

45

80

-60

-25

Values in 10^-3
5%

90%

-5.1553

10

45

Values in 10^-3
5%

26.9211

*Se supone que el precio del futuro es igual al precio esperado del activo

5%

90%

8.1526
14.4737

5%

80

CONTRATOS DE OPCIONES

Un contrato de Opciones es un acuerdo que le da al tenedor la opcin, ms no

la obligacin, de comprar o vender una cantidad especfica de un activo en un
cierto momento futuro por un cierto precio predeterminado.

El contrato de Opciones obliga al suscriptor a vender o comprar el activo

especfico el da en que la Opcin sea ejercida por el tenedor, recibiendo o
pagando el precio previamente pactado.

Una Opcin de compra se denomina Call. Una Opcin de venta se denomina

Put.

El comprador del contrato tiene una posicin larga en Opciones. El vendedor

tiene una posicin corta en Opciones.

CONTRATOS DE OPCIONES

Las Opciones tienen un precio, pagadero a la iniciacin del contrato, el cual se

denomina Prima.

El activo que se va a comprar o vender se denomina el activo subyacente.

La fecha hasta la cul la Opcin puede ser ejercida se denomina la fecha de

expiracin.

Las Opciones pueden ser Europeas, en cuyo caso se ejercen nicamente en la

fecha de expiracin, o Americanas, las cuales se pueden ejercer en cualquier
momento previo a su fecha de expiracin, inclusive.

COBERTURAS CON OPCIONES

Distribution for Ganancias SIN coberturas/C26
25
Mean=1.144618E-02

20

Media 1%

15

PORTAFOLIO 1:
Activo + 0.5 Opcin

PORTAFOLIO 2:
Activo + 0.9 Opcin

10

-60

-25

10

45

80

Values in 10^-3
5%

90%

-21.7014

5%

42.4515

Distribution for Ganancias con Opciones/C27

Distribution for Ganancias con Opciones/C27

50

25
Mean=5.435224E-03

Mean=6.02973E-04

45

40

20

35

15

Media 0.5%

30

Media -0.5%

25

20

10

15
5

10

5
0

-60

-25

10

45

80

-60

-25

10

Values in 10^-3
5%

90%

-19.4555

45

80

Values in 10^-3
5%

34.5262

5%

90%

-17.8233

5%

28.3777

CMO DEBO CUBRIRME?

Se ha visto que el supuesto de Normalidad de los retornos no se cumple.

La volatilidad no es una buena medida de riesgo.
Los retornos y las volatilidades no son constantes.
Cada jugador tiene sus propios Views.

Es necesario entender y saber manejar nuevos enfoques de gestin de activos.

Empecemos analizando qu medida de riesgo utilizar.

VaR ES LA MEDIDA MS POPULAR, PERO NO LA MEJOR

VaR est definido como:

el peor escenario predicho
con nivel de confianza dado (ej.
90%)
a un periodo dado de tiempo
(ej. 10 das).

Es una medida de riesgo universal

Es simple y fcil de implementar
Resume en un solo nmero en unidades monetarias el riesgo de un
portafolio, proyecto, flujo de caja, etc.

MEDIDAS COHERENTES

Una medida de riesgo esttica es una funcin

Se dice que la posicin L es aceptable si

Se interpreta
como la cantidad de dinero que se debe agregar (puede
retirar) a la posicin en t = 0 para que esta sea aceptable para un controlador
de riesgo dado si
Una medida es llamada coherente si cumple con los siguientes axiomas:
Invarianza bajo traslacin:
Reguladores: Evita
Lo que implica que

Subaditividad:
Homogeneidad positiva: si d > 0,
Monotonicidad: si

que los inversores

enmascaren riesgos
fraccionando el
portafolio
Portafolio:
Diversificacin

VALUE AT RISK (VAR) VS. CONDITIONAL VAR (CVAR)

VaR no es en general
una medida coherente
(Aunque s lo es para
prdidas elpticas, en
particular, normales)

VAR

CVaR es coherente
(convexa)
CVAR

1-

OPTIMIZACIN ESTTICA DE PORTAFOLIOS

Enfoque para optimizar o cubrir un portafolio, propuesto en Uryasev (2000),

Andersson et al. (2001) y Rockafellar y Uryasev (2000 y 2002):
Se busca en dicho enfoque minimizar el CVaR del portafolio, lo que
tambin reduce generalmente el VaR del mismo
Apropiado porque CVaR es coherente, a diferencia del VaR (convexo)
Adems, el enfoque encuentra el portafolio con mnimo CVaR y
simultneamente calcula el VaR del mismo
Ms aun, al combinarlo con mtodos basados en SIMULACIONES, se
puede llevar el problema de optimizacin a un problema de programacin
lineal

SIMULACIONES: MODELO GARCH(1,1)*

El modelo de estimacin de la volatilidad que se utilizar es el siguiente:

Sea St el precio Spot de la tasa de cambio.
Sea rt = ln(St / St-1), los retornos logartmicos.
Entonces se modelan los retornos logartmicos por:

rt C t ,

t se distribuye N 0, t2 , dada la informacin hasta t 1,

donde
t2 K G t21 A t21 ,
con
G A<1, K > 0, G 0, A 0.

Los parmetros del modelo se estiman por mxima verosimilitud.

* Uno de los modelo ms robustos y frecuentemente utilizados en la prctica

EJEMPLO: WALMART Y MAC

Idea: modelar la correlacin

tI , J K G tI,1J A tI1 tJ1 ,

con
G A<1, K > 0, G 0, A 0.

LA CANTIDAD DE PARMETROS EN UN GARCH MULTIVARIADO

PUEDE SER MUY ALTA

Para un modelo con 6 variables la cantidad de parmetros es 21*3

Entonces se utiliza un GARCH ORTOGONAL:

0.03
0.02
0.05

0.01

0.04
0

0.03

-0.01

0.02
0.01

-0.02

-0.03

-0.01
-0.04
-0.08

-0.06

-0.04

-0.02

0.02

0.04

0.06

0.08

-0.02
-0.03

Componentes principales

-0.04
-0.08

-0.06

-0.04

-0.02

0.02

0.04

0.06

IR AL MODELO

AL UTILIZAR ESTE ENFOQUE UTILIZA SIMULACIN

Se debe tener en cuenta que:

Los retornos deben ser simulados con mtodos robustos de mercado.
Similarmente, la volatilidad y las relaciones entre las variables se puede
simular con GARCH MULTIVARIADO, con COPULAS, ULTRA HIGH
FREQUENCY DATA, etc.

Pero

Cmo incorporar
los VIEWS en este
contexto?

EL ENFOQUE DE CVAR DEBE SER REFORZADO PARA

INCORPORAR VIEWS

Para incorporar los views del inversionista Meucci propone:

Utilizar las simulaciones hechas con modelos sofisticados, instrumentos no
lineales, colas gordas, asimetras, etc.
Generar simulaciones que reflejen mis views:

P
I) DATOS
SIMULADOS

II) DATOS EN
EL ESPACIO
DE LOS VIEWS

3800
3600

3400

0.9
3200

0.8
0.7

3000

0.6

2800

0.5
2600

0.4

2400
-25

-20

-15

-10

-5

0.3

0.2
0.1
0
-0.04

IV) SIMULACIONES
INCORPORANDO
LOS VIEWS
4200
4000
3800
3600
3400
3200
3000
2800
2600
-25

-20

-15

-10

-5

P-1

-0.03

-0.02

-0.01

III) DATOS
TRANSFORMADOS
ESPACIO DE LOS
VIEWS

0.01

0.02

0.03

0.04

MEUCCI PROPONE UNA METODOLOGA EN LA QUE LOS VIEWS

SE MODELAN COMO VARIABLES UNIFORMES
1
0.9
0.8
0.7
0.6

El enfoque de
Meucci disminuye la
volatilidad de los
retornos, lo cual
disminuye
artificialmente el
riesgo del portafolio

0.5
0.4
0.3
0.2
0.1
0
-0.04

-0.03

-0.02

-0.01

0.01

0.02

0.03

0.04

PROPONGO UTILIZAR TRANSFORMACIONES DE LOS DATOS

QUE REFLEJEN LA VOLATILIDAD HISTRICA
1
0.9
0.8
0.7
0.6
0.5
0.4

Buscamos optimizar
portafolios logrando
una medicin
apropiada del riesgo
del mismo

0.3
0.2
0.1
0
-0.04

-0.03

-0.02

-0.01

0.01

0.02

0.03

0.04

EJEMPLO DE SIMULACIONES HISTRICAS Y TRANSFORMADAS

SIMULACIONES HISTRICAS

SIMULACIONES POSTERIORES

3800

4200

3600

4000
3800

3400

3600

3200

3400
3000

3200

2800

3000

2600

2800

2400
-25

-20

-15

-10

-5

2600
-25

-20

-15

-10

-5

As el VIEW sea que el retorno es positivo, si no se tiene suficiente confianza de esto,

es necesario tener en cuenta que los datos histricos dicen lo contrario

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

ENFOQUE DE OPTIMIZACIN ESTTICA

CVaR

ENFOQUES DE OPTIMIZACIN DINMICA

CVaR,7
CVaR,5
CVaR,3

CVaR,9=CVaR,7
CVaR,10

CVaR,11

El riesgo del portafolio puede ser mayor en fechas

intermedias.
Si tengo un activo muy seguro se disminuye el
riesgo del portafolio, pero no desde hoy.

POR QU MEDIDAS DINMICAS Y OPTIMIZACIN DINMICA?

Con medidas estticas:

No se considera en el anlisis las prdidas potenciales o flujos de caja
acumulados en momentos entre 0 y T
No se consideran cambios en la posicin en momentos intermedios
No se tiene en cuenta que el riesgo de la posicin se debe medir en
momentos intermedios, ver en el tiempo 0 el comportamiento del riesgo
en t, t+1,

Si se utiliza la medida de riesgo en un problema de optimizacin dinmico se

debe trabajar preferiblemente con una medida dinmica (Wang, 2000).

Ms an, en KFS utilizamos incorporamos VIEWS DINMICOS.

VIEWS DINMICOS
0.12
Opcion 5

0.1
0.08

VIEW:
Los retornos sern
mayores al comienzo
del mes

Opcion 4

La optimizacin
esttica asume que
los retornos son
constantes

0.06
Opcion 1
0.04
Opcion 2

0.02
0
-0.02

VIEW:
Los retornos sern
mayores al final del
mes

Opcion 3
0

10

15

20

25

SIMULACIONES CON VIEWS DINMICOS

0.12

0.1

0.08

0.06

0.04

0.02

Simulaciones
histricas

44

10

12

14

16

18

Simulaciones
posteriores

20

48

43
46
42
41

44

40
42
39
38

40

37
38
36
35
-20

-15

-10

-5

36
-20

-15

-10

-5

SIMULACIONES CON VIEWS DINMICOS

0.3
0.25
0.2
0.15
0.1
0.05
0

Simulaciones
histricas

-0.05

10

66

15

20

25

30

35

40

Simulaciones
posteriores

45

70

64
62

65

60
58

60

56
54

55

52
50

50

48
46
-50

-40

-30

-20

-10

10

45
-45

-40

-35

-30

-25

-20

-15

-10

-5

IR AL MODELO

CUL MEDIDA DE RIESGO UTILIZAR?

Markowitz y B&L se basan en la varianza.

Uryasev, et al, se basan en el CVaR.
Ante el siguiente escenario, cul medida se debe utilizar?
CVaR,7
CVaR,5
CVaR,3

VPN?

CVaR,9=CVaR,7
CVaR,10

PROMEDIO PONDERADO?

CVaR,11

MXIMO?

SE ENCONTRARON PROBLEMAS CON LAS EXTENSIONES DE

COHERENCIA AL CONTEXTO DINMICO

Invarianza Bajo Traslacin:

Posibles extensiones:

O se tiene certeza de un flujo en el futuro:

cmo definir dicha extensin?

Se propuso el concepto de medida fuertemente coherente y la medida DCVaR

Este tipo de medidas son muy aplicables a empresas del sector real

GRFICA DE LA EVOLUCIN DEL RIESGO-RETORNO

600
500
Evolucin
Ganancias
Esperadas

400
300

Evolucin VaR

200
100

0.0081813

Evolucin CVaR

0.004171

40
20
Ganancias en pesos

0
-20

10

15

20
Tiempo

GRFICA DE LA EVOLUCIN DEL RIESGO-RETORNO

Histogramas
Ganancias en
el Tiempo

600

500

400

300

200

5
10

0.004171

100

15
0

20

0.0081813
-30

-20

Evolucin CVaR

-10

Evolucin VaR

10

20

30

Ganancias Esperadas

40

Tiempo

SE UTILIZA LA MEDIDA PROPUESTA DCVaR

40
30

Retornos

20
10

Ganancias

0.0081813

0.004171

Evolucin
Ganancias
Esperadas

Evolucin VaR

-10
-20

Evolucin CVaR
-30
2

10

12

Tiempo

14

16

18

20

AGENDA

11

INTRODUCCIN
INTRODUCCIN

22

ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS

33

II

MEDIA
MEDIA--VARIANZA
VARIANZA

IIII

INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES

III
III

CONDITIONAL
CONDITIONALVAR
VAR

III
III

OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES

EJEMPLO VIEWS DINMICOS

G El

P=

1
0
0

Mac

MSFT

M St

0
-1
0

0
0
0
0
-0.5 0

CC

S&P

0 0
1 0
1 -0.5

SE MINIMIZA CVAR CON LA RESTRICCIN QUE EL RETORNO SEA

MAYOR O IGUAL QUE 1%

SE MINIMIZA LA MEDIDA DINMICA DE RIESGO CON LA

RESTRICCIN QUE EL RETORNO SEA MAYOR O IGUAL QUE 1%

Se asumen cambios en la composicin del portafolio cada 5 das

COMPARACIN

CONCLUSIONES

Se ha mostrado un enfoque de optimizacin dinmica de portafolios

desarrollado por Knight en el cual:
Se simularon precios de acciones e ndices que presentan
Varianzas variables en el tiempo (heterocedasticidad)
Correlaciones variables en el tiempo
Se introdujo el concepto de VIEWS DINMICOS
Se permite el cambio en la composicin de la cartera en el tiempo

La simulacin es necesaria para el enfoque de seleccin ptima de carteras

presentado y @RISK es una gran herramienta para esto.

Al utilizar las herramientas de optimizacin de @RISK se mejoran los

resultados.

El enfoque de optimizacin dinmica es una posibilidad interesante para lograr

portafolios estables y con bajo riesgo.

REFERENCIAS

Markowitz, H.M. (1952). Portfolio Selection, Journal of Finance, 7 (1), 77--91.

Meucci, A. (2006). Beyond Black-Litterman in Practice: a Five-Step Recipe to Input Views on non-Normal
Markets. Lehman Brothers, Inc., New York

Rockafellar, R.T., Uryasev, S. (2002) Conditional Value-at-Risk for General Loss Distributions, Journal of
Banking and Finance, 26/7, 1443-1471

Rockafellar, R.T., Uryasev, S. (2000) Optimization of Conditional Value-At-Risk, The Journal of Risk, Vol.
2, No. 3, 21-41

Uryasev, S. (2000) Conditional Value-at-Risk: Optimization Algorithms and Applications, Financial

Engineering News, No. 14, 1-5

Riedel F. (2004). Dynamic Coherent Risk Measures. Processes and Applications, 112, 185--200.

RiskmetricsTM - Technical Document, 4th ed., Morgan Guaranty Trust Co. (1996).

Wang, T. (2000). A Class of Dynamic Risk Measures. Working paper, University of

British Columbia.

Zhu, S.S., Fukushima, M. (2005) Worst-Case Conditional Value-at-Risk with Application to Robust
Portfolio Management, Technical Report 2005-6, Department of Applied Mathematics and Physics,
Graduate School of Informatics, Kyoto University, http://www.amp.i.kyoto-u.ac.jp/tecrep/.

REFERENCIAS

http://www.lchclearnet.com

Hull J.C. (2003). Options, Futures & other Derivatives, Prentice Hall.

McNeil A. J., Frey, R., Embrechts P. (2004). Quantitative Risk Management: Concepts, Techniques and
Tools, Princeton University Press.

Jarrow R. (1998). Volatility, New Estimation Techniques for Pricing Derivatives, Risk Books.

Florenzano M., Le Van C. (2001). Finite Dimensional Convexity and Optimization, Springer-Verlag.
Berlin and Heidelberg GmbH & Co. K.

Shreve S. (1997). Stochastic Calculus and Finance, Carnegie Mellon University.

Andersson, F., Mausser, H., Rosen, D. y S. Uryasev. (2001) Credit Risk Optimization with Conditional
Value-At-Risk Criterion, Mathematical Programming, Series B 89, 273-291

Artzner, P., Delbaen, F., Eber J-M. y Heath D. (1999). Coherent measures of risk, Mathematical
Finance, Vol. 9, No 3, 203--228.

Artzner, P., Delbaen, F., Eber J-M., Heath D. y Ku Hyejin (2003). Multiperiod Risk and Coherent
Multiperiod Risk Measurement, working paper, ETH Zurich.

Artzner, P., Delbaen, F., Eber J-M., Heath D. y Ku Hyejin (2004). Coherent Multiperiod Risk Adjusted
Values and Bellman's Principle, Manuscript, Institut de Recherche Mathmatique Avance, Strasbourg.

REFERENCIAS

Balbs A., Garrido J., Mayoral s. (2002) Coherent risk measures in a dynamic framework, Working Paper,
Madrid Carlos III University.

Cheridito, P., Delbaen, F., Kupper, M. (2004) Dynamic monetary risk measures for bounded discrete-time
processes. Working Paper. ETH-Zrich

Delbaen, F (2000). Coherent Risk Measures on General Probability Spaces, Advances in Finance and
Stochastics. Essays in Honour of Dieter Sondermann, in: K. Sandmann and P. J. Schnbucher (eds.),
Springer-Verlag (2002), 1-37.

Delbaen, F. (2002). Coherent risk measures, Monograph, Scuola Normale Superiore, Pisa.

Detlefsen K., Scandolo G. (2005) Conditional and dynamic convex risk measures, Humbold University.

Hardy, M., Wirch, J. L. (1999). A Synthesis of Risk Measures for Capital Adequacy, Insurance:
Mathematics and Economics, 25, 337--347.

Hardy, M., Wirch, J. L. (2004). The iterated CTE: A dynamic risk measure, North American Actuarial
Journal, 62--75.

Huang, D., Zhu, S-S., Fabozzi, F. J., Fukushima, M. (2006). Robust CVaR Aproach to Portfolio Selection
with Uncertain Exit Time, Technical Report 2006-1, Department of Applied Mathematics and Physics,
Graduate School of Informatics, Kyoto University, http://www.amp.i.kyoto-u.ac.jp/tecrep/.

Contacto:
nicolasc@knightfs.com
Tel: 57 (1) 255 3452
Cel: 313 852 1880