La Gestin de Riesgo de Liquidez en Economas Emergentes: Un Modelo Valor-en-Riesgo ( Paramtrico de Calibracin Indirecta y una Aplicacin al Sistema Financiero Boliviano

VaR )

Rolando Gonzales Martnez *

Resumen
Las series de tiempo de las cuentas relevantes para la gestin de riesgo de liquidez del sistema nanciero boliviano son heteroscedsticas y no siguen una distribucin gaussiana (normal). Por lo anterior,un modelo V aR paramtrico tradicional sera impreciso para medir el riesgo del liquidez. Por tanto, en este estudio se propone un modelo V aR paramtrico de calibracin indirecta (V aR-i) que se caracteriza (1) porque tiene los dos primeros momentos estadsticos mviles para modelizar los periodos de mayor y menor volatilidad, y (2) porque el valor del multiplicador se calibra de acuerdo a la distribucin emprica de los datos (no necesariamente la distribucin de Gauss), de forma que el modelo V aR-i supere los test de backtesting y sea adecuado por construccin para medir los riesgos de liquidez. Desde la perspectiva del regulador, este modelo proporciona a entidades nancieras en economas emergentes que se caracterizan por su diferente grado de desarrollo en la gestin de riesgos una herramienta de medicin de riesgos fcil de calcular y adaptable a su contexto nanciero, mejorando uniformemente la gestin de riesgos y reduciendo las asimetras corporativas entre entidades.

Clasicacin JEL: G21, G32, C40, C12 Palabras Clave: Value-at-Risk, Riesgo de Liquidez

* Divisin de Aplicacin de Basilea, Superintendencia de Bancos y Entidades Financieras de Bolivia. Las opiniones vertidas por el autor no comprometen la posicin ocial de la institucin. Contacto: rgonzalesm@sbef.gov.bo

ndice
1. Introduccin 2. Deniciones
2.1. Modelos Valor en Riesgo (V aR) . . . . . . . . . . . . . . 2.1.1. Denicin genrica de V aR . . . . . . . . . . . . 2.1.2. Denicin paramtrica de V aR . . . . . . . . . . 2.2. Backtesting . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Un modelo V aR Paramtrico de Calibracin Indirecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 4
4 4 4 5 6

3. Una Aplicacin a Economas Emergentes 4. Conclusiones Referencias

7 9 10

1. Introduccin
La medicin de los riesgos es una etapa indispensable del proceso de gestin de riesgos. Los modelos Valor-en-Riesgo (Value-at-Risk, en adelante V aR) se han constituido en una herramienta estndar utilizada en la etapa de medicin del riesgo, debido a que ofrecen una medida resumida e intuitiva de la magnitud del riesgo1 , particularmente el modelo V aR paramtrico basado en la densidad normal (gaussiana) es la forma ms difundida de clculo del V aR. Para una aplicacin rigurosa de un modelos V aR paramtrico gaussiano es necesario vericar que se cumplan los supuestos estadsticos que subyacen a este modelo, e.g. gaussianidad de los retornos. Si los retornos no aproximan una distribucin normal, el V aR paramtrico gaussiano puede subestimar o sobre-estimar el verdadero riesgo nanciero, y sera necesario utilizar mtodos ms avanzados para calcular con precisin el V aR2 . Sin embargo, debido a que el sistema nanciero en economas emergentes puede ser es heterogneo, la aplicacin rigurosa de un modelo V aR puede ser exigente para muchas de las entidades que componen el sistema3 . Si el regulador del sistema nanciero introduce normas de gestin de riesgos genricas que exigieran demasiados recursos humanos y pecuniarios a las entidades, creara distorsiones que podran profundizar las asimetras en el mercado de intermediacin nanciera. Por esto, es importante que el regulador no slo sugiera y de lineamientos generales en la utilizacin de modelos para la gestin de riesgos, sino que provea a las entidades de herramientas de medicin rigurosas pero fcilmente ajustables a sus caractersticas particulares. En el contexto de la gestin de riesgo de liquidez, este estudio propone una herramienta de medicin de riesgos rigurosa pero fcilmente ajustable: un modelo V aR paramtrico de calibracin indirecta, diseado para que por construccin supere las pruebas de backtesting que evalan la precisin de los modelos V aR. La seccin 2 dene los modelos V aR, las pruebas de adecuabilidad de los modelos V aR (backtesting ) y el modelo regulador V aR paramtrico de calibracin indirecta propuesto en este estudio (en adelante V aR-i). La seccin 3 ejemplica la aplicacin del modelo V aR-i en economas emergentes, en base a los datos del sistema nanciero boliviano y para la medicin del riesgo de liquidez. Este riesgo es importante porque la falta de liquidez puede causar el fallo de una institucin, aunque sea tcnicamente solvente, y la industria an lucha por encontrar una medicin precisa del riesgo de liquidez a partir de medidas de tipo V aR (Jorion, 2007). La seccin 4 concluye.
1 Si bien a partir de las proposiciones de Artzner et al. (1998) se ha criticado que los modelos VaR no son una medida coherente de riesgo porque no cumplen el principio de subaditividad. 2 Mtodos no-paramtricos (simulacin histrica y el modelo hbrido) y semiparamtricos (e.g. teora de valores extremos). Vese Manganelli y Engle (2001). 3 Existen entidades nancieras principalmente entidades bancarias con un alto nivel de conocimientos y recursos pecuniarios enfocados en la gestin de riesgos; en contraste, los recursos humanos y pecuniarios para la gestin de riesgos son limitados en otras entidades

2. Deniciones
2.1. Modelos Valor en Riesgo (V aR)
V aR bt bt1
T

2.1.1. Denicin genrica de

Sea4 ,

rt =

(1)

las variaciones extraidas de la b-base de datos histrica {bt }t=1 de las cuentas relevantes para la gestin de riesgo de liquidez; el menor valor de estas cuentas con un nivel de conanza c ser,

b = b(t=T ) (1 + r ) ,

(2)

y la estimacin de una medida de riesgo, e.g. V aR, es equivalente a identicar el valor mnimo b o las variaciones del punto de corte r de los datos de las cuentas de liquidez relevantes. En su forma ms general, el V aR puede ser derivado de la distribucin de probabilidad del valor futuro de los datos relevantes f (b). Con un nivel de conanza c, se busca encontrar la peor realizacin posible de b tal que la probabilidad de exceder el valor de c sea:

c=
b

f (b)db,

(3)

o de forma equivalente que la probabilidad de encontrar un valor menor a b , p = P (b b) sea 1 c:

b

1c=

f (b)db = P (b b) = p,

(4)

de forma que el rea desde a b debe ser igual a p = 1 c. El nmero b ser el cuantil de la distribucin, i.e. el V aR (relativo) con una probabilidad dada de ser excedido respecto al valor esperado de b,

V aR = E(b) b ,

(5)

que puede ser expresado tambin con la variacin de corte (cuantil r ) respecto a un estimador de la tendencia central ,

V aR = E(b) b = b0 (r )

(6)

En base a esta denicin, en aplicaciones prcticas el clculo del V aR puede ser simplicado con la denicin paramtrica5 .

2.1.2. Denicin paramtrica de

V aR

Si se aplica una transformacin estandarizada a r se tiene el nuevo conjunto de datos iguales a, r , (7) =
4 Esta seccin y la siguiente estn basadas y siguen de cerca a Jorion (2001) 5 En el que se estiman diferentes parmetros, como por ejemplo la desviacin estndar.

que es equivalente a,
|r |

1c=

f (r)dr =

(r)dr.

(8)

Retomando la ecuacin 7 la variacin de corte ser,

r = + ,
y utilizando la ecuacin 6 el V aR paramtrico ser,

(9)

V aR = b0 (r ) = b0 ,

(10)

expresin que suele generalizarse a diferentes -horizontes temporales con el factor de escala de la volatilidad cuando las variaciones no se encuentran correlacionadas, (11) V aR = b0 . Es decir, el V aR paramtrico en las ecuaciones 10 y 11 es simplemente un mltiplo de la desviacin estndar de la distribucin emprica por un factor de ajuste relacionado con el nivel de conanza y un horizonte temporal. Si bien la anterior expresin se generaliza para varias distribuciones de probabilidad acumuladas, una prctica comn es utilizar valores de la funcin de densidad gaussiana estndar acumulada (aka distribucin normal acumulada) para . Por ejemplo, con un nivel de conanza de 95 %, el valor beta en tablas es = 1,645 y el V aR gaussiano (V aRg ) tiene la forma: V aRg = 1,645 . (12) Sin embargo, es comn tambin que las series nancieras no aproximen una distribucin gaussiana (normal), por lo que resulta inadecuado utilizar valores de extraidos de la tabla de cuantiles de una distribucin normal estndar. Este hecho hace necesario evaluar la adecuabilidad del modelo V aR con tcnicas denominadas backtesting.

2.2.

Backtesting

Las pruebas de backtesting se utilizan para evaluar si el modelo V aR es adecuado o si es que sobre-estima o subestima los riesgos nancieros. El criterio ms popular para evaluar la adecuabilidad de un modelo V aR es el propuesto por Comit de Basilea para la Supervisin Bancaria, que consiste en contar el nmero de fallas (veces que el modelo V aR subestima las variaciones de los retornos) y aplicar un factor de ajuste multiplicativo al V aR en un valor que depende del nmero de fallas (vase [9]). Kupiec formaliz en un test estadstico la nocin del nmero de fallas y propus un estadgrafo que evala la hiptesis nula de que el modelo V aR es adecuado. Formalmente, sea la funcin dicotmica de fallas del modelo V aR,

It () =

1 si rt V aRt () 0 si rt > V aRt ()

(13)

que ser igual a uno si el modelo V aR subestima las variaciones en cualquiera de los momentos t = 1, . . . , T . La suma de los resultados de esta funcin (de las fallas

del modelo V aR) sobre el total de los datos disponibles ser la proporcin de fallas del modelo V aR,
T

p=T

1 t=1

It ()

(14)

y el estadgrafo del test de proporcin de fallas de Kupiec () es,

= 2 ln p= 1 I (p) T
T

1p 1p

T I(p)

p p

I(p)

(15)

I (p) =
t=1

It ()

que se distribuye asintticamente como una distribucin chi cuadrado con un grado de libertad bajo la hiptesis nula de que el valor de probabilidad p es el correcto6 ,

H0 : p = p 2 g.l.=1

(16)

Por ejemplo, en un modelo V aR calculado con 100 observaciones a un nivel de conanza de c = 95 %, se esperar que las variaciones de la serie nanciera excedern el valor del V aR con una probabilidad de p = 1 c = 5 % , por lo que el modelo V aR debera equivocarse slo 5 veces o de forma equivalente la proporcin de errores debera ser aproximadamente 5 % (p = 5 % en la ecuacin 14). Ntese que este test evala la adecuabilidad de cualquier modelo V aR, independientemente del mtodo de clculo.

2.3.

Un modelo V aR Paramtrico de Calibracin Indirecta

struccin adecuado y no se requerir ajustar ni establecer la distribucin de probabilidad de los datos.

6 Se ha sugerido que el test de Kupiec puede perder potencia en muestras pequeas. Por tanto, es importante contar con un nmero signicativo de datos para considerar como completamente vlidos los resultados de la evaluacin de la hiptesis nula del test de Kupiec.

De las anteriores deniciones se observa que para calcular adecuadamente el modelo V aR es necesario conocer la distribucin de probabilidad de los datos y encontrar un valor de adecuado a la distribucin de probabilidad emprica de los datos analizados. Esto impone la restriccin de evaluar la normalidad de los datos, y si se rechaza la normalidad, (1) ajustar una distribucin de probabilidad (batcht), (2) estimar los parmetros desconocidos de esta distribucin ajustada, (3) calcular el modelo V aR en base a esta distribucin y (4) evaluar la adecuabilidad del modelo V aR con pruebas de backtesting. En economas emergentes, si el regulador deja la tarea a las entidades nancieras de calcular el V aR siguiendo los anteriores pasos, es posible que se creen asimetras por la heterogeneidad del sistema nanciero (vase la seccin 1). Un enfoque diferente puede ser aplicado si se aplica un mtodo indirecto para el clculo del V aR, que implica escoger el valor de (calibrar el valor beta) para que el modelo V aR supere las pruebas de backtesting. De esta forma, el modelo V aR de calibracin indirecta (V aR-i) ser por con-

Formalmente,el modelo V aR-i en el momento t ser7 :

V aR-it =

2 t

(17)

Donde el estimador del segundo momento estadstico es mvil en el tiempo para considerar los periodos de mayor o menor volatilidad en las cuentas de liquidez relevantes (i.e. el modelo V aR es dinmico):
2 t = E (bt t ) 2

t =

1 tm1

t1

b
=tm

1 (t m)

t1

(18)

b
=tm

ya que el primer momento es tambin mvil,

t = E (bt )
t1

t = (t m)1
=tm

b,

(19)

dado un valor de rezago o retardo de la varianza y media mvil de m-periodos. De esta forma, debe escogerse un valor de para que la probabilidad p escogida sea T aproximadamente igual a la proporcin de fallas p = T 1 t=1 It () del modelo V aR-i: p p, (20) o en caso de que se cuente con una base de datos lo sucientemente extensa8 , escoger un multiplicador de forma que no se pueda rechazar la hiptesis nula del test de Kupiec que evala la adecuabilidad del modelo V aR-i,

H0 : p = p 2 g.l.=1

(21)

En ambos casos, el valor escogido con este criterio asegurar por construccin que el modelo V aR mida con precisin el riesgo nanciero. La siguiente seccin ejemplica la aplicacin prctica del modelo V aR-i en una economa emergente, en base a la informacin de las cuentas corrientes en el sistema nanciero boliviano.

3. Una Aplicacin a Economas Emergentes

En esta seccin se ejemplica la aplicacin del modelo V aR i en economas emergentes, utilizando los datos de la serie de tiempo mensual de las obligaciones con el pblico a la vista del sistema de intermediacin nanciera en Bolvia. Este sistema compuesto por cuatro subsistemas (1) bancos, (2) fondos nancieros privados (FFPs), (3) cooperativas de ahorro y crdito, y (4) mutuales de ahorro y prstamo se caracteriza por su heterogeneidad, debido a que las entidades bancarias tienen un mayor grado desarrollo y recursos pecuniarios en relacin con su gestin de riesgos nancieros, respecto al resto de los subsistemas.
7 La extrapolacin temporal de la varianza es adecuada en la medida de que los retornos no presente covarianza intertemporal, i.e. autocorrelacin estadsticamente signicativa. 8 Debido a que se ha sugerido que el tests de Kupiec pierde potencia en muestras pequeas

Tabla 1:

Est. Descriptivas y Test Jarque-Bera (Obligaciones)

Sesgo Curtosis 11.83336 12.26965 3.469016 11.83336 Estadgrafo Jarque-Bera 393.4575 297.8191 1.048153 22.12095 Probabilidad (p-value) 0.000000 0.000000 0.592102 0.000016

Bancos FFPs Mutuales Cooperativas

-0.40720 1.826659 0.179867 -0.40720

Tabla 2: V aR-i

de obligaciones (en porcentaje, a 30 das)

Moneda nacional

A la Vista

Moneda extranjera 15.11 21.33 53.76 35.82

Moneda nacional 4.58 4.49 5.04 6.57

Cuenta de Ahorros
8.73 12.86 13.82 14.32

Moneda extranjera

Bancos FFPs Mutuales Cooperativas

11.67 33.90 46.66 61.29

Como se puede observar en la tabla 1, las series cronolgicas de las obligaciones con el pblico a la vista no aproximan una distribucin de Gauss (la hiptesis nula de normalidad del test Jarque-Bera puede rechazarse con un nivel de signicancia menor al 1 por ciento) en el caso de los bancos, fondos nancieros privados y cooperativas de ahorro y crdito, por lo que sera impreciso utilizar un modelo Valor-en-Riesgo paramtrico gaussiano para medir el riesgo de liquidez en estas series. (Slo en el caso de las Mutuales de Ahorro y Prstamo no se puede rechazar la hiptesis nula de normalidad del test Jarque-Bera a niveles de signicancia convencionales.) Visualmente, este fenmeno es evidente al observar las distribuciones de probabilidad empricas (aproximadas con kernels de Epanechnikov) de las obligaciones al pblico a la vista, que muestran una marcada leptocurtosis (Grco 3) y un alejamiento de los cuantiles de la distribucin normal teortica, sobre todo en los extremos (colas) de la distribucin (Grco 3). Debido a que las series de tiempo relevantes para la gestin de riesgos no aproximan una distribucin normal, mostrando de hecho leptocurtosis y colas anchas, el V aR paramtrico gaussiano subestimara los verdaderos riesgos de liquidez del sistema nanciero. En el Grco 3 se observan tres modelos V aR calculados para las obligaciones del pblico a la vista del sistema bancario en el periodo (mensual) enero de 1999 a diciembre de 2008. En la parte superior del Grco 3 se observa el modelo V aR no calibrado: los puntos de color celeste muestran las fallas del modelo V aR; en aproximadamente un 20 por ciento de los casos el modelo V aR subestima los retiros de las obligaciones a la vista. En el grco 3(b) el modelo V aR fue calibrado en base a la puntuacin de la densidad gaussiana estndar: para un nivel de conanza de 95 por ciento, el valor del multiplicador beta ser = 1,64 (Jorion, 2001) y el valor del V aR gaussiano es de 10.77 por ciento. Sin embargo, dado que los datos no aproximan una distribucin normal, el V aR gaussiano subestima el verdadero riesgo de liquidez dado que en las pruebas de backtesting el modelo V aR gaussiano tiene un 10 por ciento de fallas (se esperara un 5 por ciento) y la hiptesis nula de un modelo V aR adecuado se 8

rechaza con un nivel de signicancia de 5 pero no 1 por ciento (el estadgrafo de Kupiec es de 5.066). Por ltimo, en la parte inferior del grco 3 (grco 3(c)) se encuentra el modelo V aR-i de calibracin indirecta, calibrado para un nivel de conanza de 95 por ciento. El valor de beta de = 2,30 no fue extrado de ninguna distribucin teortica, sino que fue escogido para satisfacer el criterio de proporcionalidad de las pruebas de backtesting y superar este test. La proporcin de fallas del modelo V aR i es de 5.04 por ciento, un valor muy cercano al valor de probabilidad de 5 por ciento esperado para un nivel de conanza de 95 por ciento. La hiptesis nula del test de Kupiec no puede rechazarse a niveles de signicacin convencionales, por lo que el modelo V aR-i es estadsticamente adecuado para medir el riesgo de liquidez. En esta especicacin, el valor del V aR-i es 15.11 por ciento, por lo que puede esperarse con un horizonte temporal de un mes con y un nivel de conanza de 95 por ciento que los retiros de las obligaciones con el pblico del sistema bancario alcanzarn como mximo un 15.11 por ciento. En la tabla 2 se extiende la aplicacin del modelo V aR-i para las obligaciones del pblico mensuales de los diferentes subsistemas, tanto en moneda nacional como en moneda extranjera. Debido a los altos valores del V aR-i de las Mutuales de Ahorro y Prstamo y las Cooperativas de Ahorro y Crdito, el riesgo de liquidez es mayor en stas entidades. El V aR i de las Mutuales de Ahorro y Prstamo, aproxima un V aR paramtrico gaussiano, debido a que las obligaciones del pblico a la vista de las entidades que componen este subsistema aproximan una densidad de Gauss.

4. Conclusiones
En este estudio se desarroll un modelo V aR paramtrico dinmico de calibracin indirecta (V aR-i) que tiene los dos primeros momentos estadsticos mviles para modelizar los periodos de mayor y menor volatilidad, y en el que el valor del multiplicador es calculado (calibrado) para que el modelo V aR-i sea adecuado por construccin sin necesidad de establecer la distribucin de probabilidad de los datos (para establecer el valor de slo se recurre al criterio de proporcin de fallas o a evaluar la hiptesis nula de adecuabilidad del modelo V aR-i con el estadgrafo del test de Kupiec). Este modelo proporciona a las entidades nancieras en economsi emergentes una herramienta bsica, rigurosa y fcil de calibrar para medir con mayor precisin el riesgo de liquidez, mejorando la gestin de riesgos y reduciendo las asimetras corporativas entre entidades. En el espritu de la gestin de riesgos del Nuevo Acuerdo de Capital (Basilea II) el modelo V aR-i bsico puede ser utilizado en su especicacin original o tambin puede ser extendido con pronsticos de la volatilidad a h-pasos mediante modelos internos como e.g. la familia de modelos autoregresivos de heteroscedasticidad condicional como los propuestos en Engle (1982), generalizados en Bollerslev (1986), y extendidos para considerar asimetras en Nelson (1991).

Referencias
[1] Artzner, Phillippe, Freddy Delbaen, Jean-Marc Eber, David Heath (1998), Coherent Measures of Risk, Mathematical Finance 9 no. 3, 203-228. [2] Bollerslev, Tim (1986), Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics 31, pp. 307-327. [3] Campbell, Sean D. (2005), A Review of Backtesting and Backtesting Procedures, Finance and Economic Discussion Series 2005-21, Division of Research and Statistics and Monetary Aairs, Federal Reserve Board Washington D.C. [4] Engle, Robert F. (1982), Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Ination, Econometrica Vol. 50, No. 4, pp. 987-1007. [5] Jorion, Phillipe (2001), Value-at-Risk: The New Benchmark for Managing Financial Risk, 2nd. Edition McGraw-Hill USA. [6]  (2007), Financial Risk Manager Handbook, 4th. Edition, John Wiley & Sons Inc., USA, pp. 713. [7] Manganelli, Simone and Robert F. Engle (2001), Value at Risk Models inf Finance, Working Paper No. 75, European Central Bank. [8] Nelson, Daniel B. (1991), Conditional Heteroskedasticity in Asset Returns: A New Approach, Econometrica, Volume 59, Issue 2, pp. 347-370. [9] Bank for International Settlements - Basel Committe on Banking Supervision (1996), Supervisory Framework for the Use of Backtesting in Conjunction with the Internal Models Approach to Market Risk Capital Requirements, disponible en: http://www.bis.org/publ/bcbs22.pdf?noframes=1

10

Sistema Bancario .08 .07 .06 .05 Density .04 .03 .02 .01 .00 -30 -20 -10 0 10 20 30

Cooperativas de Ahorro y Crdito .016 .014 .012 .010 Density .008 .006 .004 .002 .000 -300 -200 -100 0 100 200 300

Kernel (Epanech., h=3.798) Normal (mu=0.007023, sigma=6.181)

Kernel (Epanech., h=21.47) Normal (mu=-1.287, sigma=40.45)

Fondos Financieros Privados .020

.028 .024

Mutuales de Ahorro y Prstamo

.016
.020

Density

.012

Density
.008 .004 .000 -200 -100 0 100 200

.016 .012 .008 .004 .000 -80 -40 0 40 80

Kernel Normal (mu=1.888, sigma=32.95)

Kernel (Epanech., h=11.85) Normal (mu=0.3555, sigma=19.65)

Grfico 1. Distribuciones de Probabilidad empricas (aproximadas con Kernels de Epanechnikov) y densidad teortica de Gauss: Obligaciones con el Pblico a la Vista del Sistema Bancario, Fondos Financieros Privados, Cooperativas de Ahorro y Crdito, y Mutuales de Ahorro y Prstamo de Bolivia. La leptocurtosis es notoria en todas las distribuciones empricas de las obligaciones del pblico a la vista.

11

100 75 50

20 15 10

Quantiles of Normal

Quantiles of Normal

25 0 -25 -50 -75 -100 -100 -50 0 50 100 150 200

5 0 -5 -10 -15 -20 -20 -10 0 10 20 30

Quantiles of FONDOS

Quantiles of BANCOS

120

60

80

40

Quantiles of Normal

Quantiles of Normal
-300 -200 -100 0 100 200

40

20

-40

-20

-80

-40

-120

-60 -60 -40 -20 0 20 40 60

Quantiles of COOPERATIVAS

Quantiles of M UTUALES

Grfico 2. QQplots (densidad teortica de Gauss) para las observaciones de las obligaciones con el Pblico a la Vista del Sistema Bancario, Fondos Financieros Privados, Cooperativas de Ahorro y Crdito, y Mutuales de Ahorro y Prstamo de Bolivia. Slo las obligaciones del Pblico a la Vista de las Mutuales de Ahorro y Prstamo aproximan la distribucin Gaussiana; el resto de las series divergen particularmente en la cola de las distribuciones.

12

3(a)
Modelo VaR-i sin calibrar ( = 0.73 )

3(b)
Modelo VaR parmetrico tradicional ( = 1.64 )

3(c)
Modelo VaR-i calibrado para superar el test de bakctesting de Kupiec ( = 2.30 )

Grfico 3. Modelo VaR de calibracin indirecta (VAR-i) para la serie cronolgica mensual de las variaciones de las Obligaciones del Pblico a la Vista del Sistema Bancario (enero 1999 a diciembre 2008). En el grfico 3(a) se observa que el modelo VaR-i sin calibrar tiene un nmero considerable de fallas. En el grfico 3(b) el modelo calibrado segn la densidad de Gauss (VaR parmetrico tradicional) produce un nmero excesivo de fallas. En el grfico 3(c) el modelo VaR-i calibrado tiene slo las fallas suficientes (5%) para sobrepasar el test de backtesting de Kupiec.

13