UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

POSGRADO DE INGENIERA

Metodologa del Clculo del VaR

Trabajo de investigacin que presentan:

Magnolia Miriam Sosa Castro Fabiola Peto Ramrez

Dr. Guillermo Sierra Jurez

Metodologas para el clculo del VaR.

INDICE
Objetivo. Hiptesis. Introduccin. 1 Importancia del VaR. 2 Definicin general de VaR. 3 VaR histrico. 4 VaR obtenido a partir de la matriz de Varianza-Covarianza. 5 VaR calculado a travs del mtodo de Monte-Carlo. 6 Resultados obtenidos del programa, de acuerdo a cada metodologa. 7 Descripcin del programa Conclusiones Bibliografa.

Objetivo Analizar y comparar algunas de las principales metodologas de la medicin del Valor en Riesgo (VaR)1. Encontrando ventajas y desventajas, as como las principales aplicaciones de cada una de ellas. Por otro lado, elaborar un programa que sea capaz de obtener el VaR para una cartera hasta de hasta n activos, en un periodo determinado, por medio de las metodologas: Histrica, Varianza-Covarianza. Mientras que para l mtodo de Monte Carlo el programa funcionara para dos activos Hiptesis: Existen diferentes metodologas para medir el VaR y cada una de ellas tiene distintas aplicaciones, debido a su naturaleza y caractersticas especficas. Por lo cual, aunque algunas de ellas sean ms completas, tienen que ser complementadas con otro tipo de anlisis y de igual manera, se complementan entre ellas mismas. Introduccin. El uso de mtodos para cuantificar el riesgo de mercado con base en modelos analticos, tiene su gnesis en la dcada de los treintas con el trabajo de Macaulay (1939). As, desde ese momento el concepto de duracin ha desempeado un gran papel en la construccin de dichos modelos. Pero no fue hasta la aparicin del primer documento tcnico en 1995 por J. P. Morgan que se propuso un mtodo novedoso para cuantificar el riesgo de mercado, asociado a todas las posiciones de su banco a travs del clculo de un solo nmero, lo que se conoce como valor en riesgo VaR. A partir de ese momento, el VaR se volvi uno de los mtodos ms utilizados por los intermediarios financieros, principalmente para el clculo de: I) estimacin de prdidas potenciales; II) en el rendimiento de un portafolio, en un periodo de tiempo y con un nivel de confianza dado.2 Algunas de las extensiones del modelo son las siguientes: VaR de un portafolio de acciones, VaR incremental (o marginal), VaR Promedio, VaR Delta-Gamma, VaR de portafolios de bonos, entre otros por mencionar a los ms importantes.

1 Importancia

1 Por

sus siglas en ingls Value at Risk

2 VENEGAS Martnez Francisco. Riesgos financieros y econmicos. Productos derivados y decisiones econmicas bajo incertidumbre . Ed. Cengage Learning. 2da edicin. Mxico. 2008.

Desde la aparicin del libre mercado, la regulacin ha sido necesaria para la promocin efectiva y eficiente de la acumulacin de capital, as como para la asignacin de recursos, de manera segura y garantizando la solidez de las diferentes instituciones financieras. Dicho objetivo es logrado, debido a que las autoridades que supervisan y regulan a las instituciones financieras, as como por medio de la imposicin de diferentes restricciones a la exposicin a riesgos, las prcticas contables y de presentacin de informes continuos, que reflejen la situacin actual de cada una de ellas. La regulacin financiera, desde otro punto de vista, es aquella que equilibra y media los intereses entre los inversionistas (accionistas) y el depositante, encontrando un punto en el cual el riesgo no sea tan alto como para volver muy vulnerable la seguridad de los depsitos, ni para que la rentabilidad sea muy baja. Es por ello que se crean estrategias para la obtencin del rendimiento ms alto posible a un nivel de riesgo determinado.3 El VaR es una de ellas, debido a sus caractersticas y utilidad ha sido el mtodo ms aceptado y avalado por un gran nmero de instituciones, autoridades financieras y acadmicas, para calcular las mximas perdidas esperadas, en un horizonte de tiempo dado y dentro con un nivel de confianza dado. A pesar de que el mtodo del VaR puede llegar a ser utilizado en cualquier entidad expuesta al riesgo, es usado mayormente por bancos comerciales y de inversin, para calcular la prdida de valor potencial en distintos portafolios adversos a los movimientos inesperados del mercado, que no sean favorables. Este clculo, a la vez permite otros ms como el capital disponible y las reservas para asegurar que las perdidas pueden ser cubiertas, sin poner a las instituciones en riesgo.

2 Valor en Riesgo. Para que este presente la nocin de riesgo, es necesario conocer los diversos rendimientos que potencialmente podemos conseguir al realizar una inversin determinada, as como la probabilidad de obtener cada uno de estos. Es de ah donde se deriva la estimacin del rendimiento medio esperado y la posible desviacin hacia arriba o hacia abajo. La medida ms popular de riesgo es la volatilidad, pero esta no nos permite conocer si el movimiento ser a favor o en contra (hacia arriba o hacia abajo).4

3 Regulacin

4 MASCAREAS Juan.

financiera y microfinanzas Introduccin al VaR . Universidad Complutense de Madrid. Mayo del 2008. www.ucm.es/info/jmas/mon/29.pdf

As, el concepto de VaR mide la perdida mxima esperada en un horizonte de tiempo y con un nivel de confianza dado, bajo circunstancias consideradas como normales en el mercado.

Es decir, para un horizonte de un periodo (k=1):

5

La popularidad de este concepto, radica en la sencillez del mismo y lo intuitiva que puede llegar a ser su interpretacin. Como puede observarse, el nmero VaR1-q es una estimacin estadstica del peor valor de X con cierto grado de confianza en un intervalo de tiempo dado, como se puede apreciar en la grfica 1.1.

VaR

X 1-q

Grfico 1.1 Valor en riesgo de X al nivel 1-q6 El VaR tiene tres componentes: y y y Un periodo de tiempo (da, mes, ao..) Un nivel de confianza (95% 99%) Una perdida mxima (expresada en porcentaje).

Otra caracterstica importante, es que le VaR no est limitado ni a determinadas categoras de activos ni a ciertas fuentes de riesgo. A continuacin se presentan tres metodologas para el clculo del VaR, las cuales son descritas y se presentan los resultados de la aplicacin de cada mtodo.

F. Luis, Joan Granados. Regulacin y Valor en Riesgo . Banco de la Republica de Colombia. 2010. http://www.banrep.gov.co/documentos/seminarios/2010/espe6.pdf 6 Ibid. VENEGAS Martnez Francisco.

5 MELO

3 Mtodo histrico. Este mtodo consiste en reorganizar los datos de menor a mayor y de izquierda a derecha, suponiendo anteriormente que la historia se repetir desde una perspectiva de riesgo. En otras palabras, se utilizan los datos histricos actuales para predecir los rendimientos de los factores de riesgo, en lugar de suponer que los de dichos factores tienen una distribucin normal, es decir, asume que la volatilidad de los precios de las acciones es constante por largos periodos de tiempo y toma la estimacin de la volatilidad anterior como una buena aproximacin de los valores dada la volatilidad futura7. Bajo esta aproximacin el VaR es definido como el percentil emprica de prdidas y ganancias de un activo. El VaR de esta metodologa esta dado por: de la distribucin

Donde PE es el cuantil de la distribucin emprica asociado a distribucin no cambia a travs del tiempo. 4 Mtodo de Varianza-Covarianza

y suponiendo que la

Este mtodo a diferencia del histrico supone que los rendimientos del activo se distribuyen normalmente, lo que implica que con que sepamos su rendimiento medio esperado y su desviacin tpica podemos representar dicha distribucin. En s la idea es la misma que para el mtodo anterior, pero utiliza la curva de campana de la distribucin normal, en lugar de los datos. Permitiendo detectar donde estn los peores 5% y 1%: Nivel de confianza No de desviaciones tpicas 95% (alto) -1.65* 99% (ms alto) -2.33* Es decir, es una metodologa para hallar el VaR de forma paramtrica, suponiendo que 2 la distribucin de prdidas y ganancias es normal. Entonces el VaR por normalidad es:

7 Ibid.

MASCAREAS Juan.

La justificacin de utilizar el supuesto de normalidad, se basa en el principio de que conforme se incrementa el nmero de observaciones las diferentes distribuciones de probabilidad convergen a la distribucin normal (Teorema del lmite central). La diagonal de la matriz est formada por las varianzas de los rendimientos de los factores de riesgos y los elementos de fuera de la diagonal por las covarianzas de los rendimientos de los factores de riesgo: Matriz de varianza-covarianza de los rendimientos de dos factores de riesgo. Son las observaciones histricas de los dos factores de riesgo:

Sabemos que:

Y cuando

En ambos casos, la matriz de Varianza-Covarianza de los factores de riesgo est dada por:

Como se puede observar, para calcular la matriz, basta calcular las covarianzas de los rendimientos de los dos factores de riesgo.8 5 Mtodo de la simulacin de Monte Carlo.
8 Hernndez

Hernndez Gaudencio. Fundamentos estadsticos para calcular el Valor en Riesgo VaR . 2009. http://www.capacitacionempresarialintegral.com.mx/capacitacion/wp-content/uploads/2009/08/calcular-varfundamentos-estadisticos.pdf

Implica el desarrollo de un modelo, que muestre el comportamiento futuro del rendimiento diario de las acciones. A travs de un gran nmero de pruebas o simulaciones generadas aleatoriamente.9 La base inicial de este mtodo, son dos teoremas centrales, por un lado La Ley Dbil de los Grandes Nmeros y el Teorema del Limite Central. Ambos respaldan el uso de esta metodologa, ya que indican que con un nmero suficientemente alto de experimentos es posible estimar el parmetro deseado incurriendo en un error mnimo, con alta probabilidad 10 Las simulaciones Monte Carlo (MC) cubren un amplio rango de valores posibles en variables aleatorias y de gran importancia para las correlaciones. En el esquema ms bsico, el mtodo de MC puede suponerse el caso de desear calcular un cierto valor
, y conozco una variable X aleatoria con distribucin Fx tal que As, los pasos a seguir son: 1. Sortear11 valores para un conjunto X(1), X(2), ., X(n), de variables aleatorias i.i.d. (independientes e identicamente distribuidas ) a X. 2. Calcular 3. Calcular 4. Calcular    .   , la suma de los n valores sorteados

Se dice que es un estimador de Es sabido que:

Mascareas Juan. DE INVESTIGACIN OPERATIVA. Cursos mtodos de Monte Carlo. Unidad 1. Sesin 2. Conceptos bsicos . Facultad de ingeniera. Universidad de la Repblica, Montevideo, Uruguay. 2010. http://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion02/transp.pdf . 11 Generar aleatoriamente, siguiendo la funcin de probabilidad Fx.
10 DEPARTAMENTO

9 Ibid.

Generalmente, el Var (X) no se conoce. Como alternativa, podemos emplear la propia muestra para obtener un estimador de Var (X), el estimador insesgado ms habitual es:

A travs del tratamiento de la formula, se llega al siguiente estimador de la varianza de :

Es por ello que esta metodologa, se enfoca en los posibles shocks de mercado, utilizando modelos matemticos para predecirlos.12

6 Resultados obtenidos del programa, de acuerdo a cada metodologa.

12

Ibid. DEPARTAMENTO DE INVESTIGACIN OPERATIVA.

Descripcin del programa. Se elabor una macro en Visual Basic, la cual calcula el VaR a travs de tres metodologas, en el caso del VaR histrico y paramtrico, el usuario puede elegir el nmero de opciones en el portafolio, en el caso de Monte Carlo, para simplificar el modelo solo se realiza a partir de dos opciones, creando 10, 000 escenarios por cada uno de los activos. Los inputs son: y y y y y No. de datos histricos que se desean incluir. Nivel de confianza. Metodologa a utilizar. Nmero de activos del portafolio que se quiere. Posicin por activo.

Es importante destacar que los precios de las acciones se encuentran en pesos y actualizadas al 15 de junio del 2011. Los outputs: y y y El VaR de cada activo. El VaR del portafolio. Para el caso del mtodo de Monte Carlo, obtenemos el histograma de las prdidas y ganancias.

El cdigo se encuentra ubicado en el archivo precios.xls, titulado como Calcula_VaR y est presente en este dispositivo archivado en la carpeta Programa .

Conclusiones.
Ventajas y desventajas de cada mtodo. Cada metodologa de las anteriormente analizadas es diferente y presenta ventajas y desventajas en su implementacin.

En el caso del mtodo de Varianza- Covarianza, existen algunas ventajas, entre las que resaltan: la facilidad con la cual se puede llegar a entender; computacionalmente es un mtodo poco intensivo y; es muy usado en la industria, en gran parte debido a la facilidad de su implementacin. Mientras que por el otro lado: no captura plenamente los riesgos no lineales; no captura colas muy gruesas; y tiene algunas deficiencias al asumir normalidad en la distribucin y constante la volatilidad. Por el lado de la simulacin histrica de igual forma que el mtodo de varianzacovarianza es fcil de entender, pero a diferencia de ese mismo puede capturar riesgos no lineales e incorporar colas gruesas, otra ventaja es que utiliza la distribucin actual. Desafortunadamente, el manejo de datos es intensivo y asume que el pasado es una fiel representacin del presente, lo cual podra afectar el clculo y restarle confianza, ya que no siempre es de este modo. Por ltimo, en el caso del mtodo de Monte Carlo tiene la capacidad de adaptarse a una gran variedad de modelos estadsticos y supuestos; puede capturar riesgos no lineales, distribuciones no normales, parmetros implicados y mltiples periodos de tiempo o escenarios. Mientras que por otro lado, la ejecucin computacional es intensiva y limitada, debido a que usa pseudo aleatorios y la naturaleza cclica de estos hace que no sea posible obtener una cantidad arbitraria de muestras independientes. De igual modo, es menos transparente y por lo tanto ms difcil de entender; y no captura colas muy gruesas. 13 Por otra parte, las estimaciones de errores a partir del Teorema del Lmite Central slo son vlidas asintticamente, pero su calidad para un valor de n dado depende de la velocidad de convergencia de la distribucin de a la distribucin normal, lo 14En ocasiones, el anlisis se complementa qu introduce una nueva fuente de error. con pruebas de sensibilidad para saber si el resultado es robusto. 15

Mtodo Simulacin histrica

Ventajas Desventajas Fcil de entender El manejo de datos es Puede capturar riesgos no intensivo. lineales Asume que el pasado es

13 CAPITAL 14 Ibid.
15

MARKET RISK ADVISORS. 3 VaR Methodologies. http://www.almprofessional.com/Articles/3var.pdf

DEPARTAMENTO DE INVESTIGACIN OPERATIVA.

KONDAPANENI Rajesh. A study of the Delta Normal Method of Measuring VaR. Tesis para obtener el grado de maestro. Worcester Polytechnic Institute. Mayo 2005. http://www.wpi.edu/Pubs/ETD/Available/etd-050905104553/unrestricted/Rajesh_Thesis.pdf

Usa la distribucin actual Incorpora colas pesadas

una fiel representacin del futuro. Y no siempre es as

Varianza/Covarianza

Fcil de entender Ejecucin en computadora poco ardua. Muy usado en la industria Fcil de implementar Tiene la capacidad de adaptarse a una gran variedad de modelos estadsticos y supuestos. Puede capturar riesgos no lineales, distribuciones no normales, parmetros implicados y mltiples periodos de tiempo o escenarios.

Monte Carlo

No captura los riesgos no lineales. Asume normalidad en la distribucin y constante la volatilidad. No captura colas pesadas. La ejecucin computacional es intensiva y limitada, debido a que usa pseudo aleatorios y la naturaleza cclica de estos hace que no sea posible obtener una cantidad arbitraria de muestras independientes. Es menos transparente y por lo tanto ms difcil de entender. No captura colas muy gruesas

BIBLIOGRAFA. VENEGAS Martnez Francisco. Riesgos financieros y econmicos. Productos derivados y decisiones econmicas bajo incertidumbre . Ed. Cengage Learning. 2da edicin. Mxico. 2008. KONDAPANENI Rajesh. A study of the Delta Normal Method of Measuring VaR . Tesis para obtener el grado de maestro. Worcester Polytechnic Institute. Mayo 2005. http://www.wpi.edu/Pubs/ETD/Available/etd-050905104553/unrestricted/Rajesh_Thesis.pdf CAPITAL MARKET RISK ADVISORS. http://www.almprofessional.com/Articles/3var.pdf 3 VaR Methodologies.

Hernndez Hernndez Gaudencio. Fundamentos estadsticos para calcular el Valor en Riesgo VaR . 2009. http://www.capacitacionempresarialintegral.com.mx/capacitacion/wpcontent/uploads/2009/08/calcular-var-fundamentos-estadisticos.pdf DEPARTAMENTO DE INVESTIGACIN OPERATIVA. Cursos mtodos de Monte Carlo. Unidad 1. Sesin 2. Conceptos bsicos . Facultad de ingeniera. Universidad de la Repblica, Montevideo, Uruguay. 2010. http://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion02/transp.pdf MASCAREAS Juan. Introduccin al VaR . Universidad Complutense de Madrid. Mayo del 2008. www.ucm.es/info/jmas/mon/29.pdf MELO F. Luis, Joan Granados. Regulacin y Valor en Riesgo . Banco de la Republica de Colombia. 2010. http://www.banrep.gov.co/documentos/seminarios/2010/espe6.pdf