Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
1
XI Congreso Internacional de la Academia de Ciencias Administrativas A.C. (ACACIA)
MODELOS DE VOLATILIDAD ESTOCÁSTICA PARA EL CÁLCULO DEL VALOR EN RIESGO
MESA DE TRABAJO: FINANZAS Y ECONOMIA
AUTORES:
PEDRO ALEJANDRO RAMIREZ RAMIREZ (INSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY CAMPUS
CIUDAD DE MEXICO)
ELIAS RAMIREZ RAMIREZ (INSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY CAMPUS
CIUDAD DE MEXICO)
DIRECCION:
Huizaches 350 – 19 Arboledas del Sur, CP. 14376 México D.F. Tels. 5603 50 29 Fax: 54832337
email: [email protected]; [email protected]
Mayo 2225, ITESO, Guadalajara Jalisco
2
MODELOS DE VOLATILIDAD ESTOCÁSTICA PARA EL CÁLCULO DEL VALOR
EN RIESGO
RESUMEN
Estimar y predecir la volatilidad es una actividad en constante evolución y es
preponderante para los administradores de riesgo a fin de evitar que una institución
o inversionista pueda sufrir pérdidas económicas inaceptables. Años atrás, los
analistas preferían cantidad a calidad (cuantos más datos históricos mejor) y
proyectaban rutinariamente las volatilidades a meses e incluso años. Sin embargo,
hoy se sabe que datos recientes tienen mucha más relevancia en la predicción de la
volatilidad futura.
En este trabajo se estimó el VaR de un portafolio compuesto por acciones que
integran el IPC a partir de las metodologías financieras clásicas y a partir de la
actualización de la matriz de varianzacovarianza con diferentes modelos de
volatilidad estocástica discretos y continuos.
La estimación se realizó para dos periodos diferentes, el primero de ellos con alta
volatilidad y el segundo con baja volatilidad. En general se encontró que el VaR
estimado es mayor en los periodos de alta volatilidad que en los periodos de baja
volatilidad y que de acuerdo a la clasificación del Banco Internacional de Pagos
todas las metodologías utilizadas se encuentran en la zona de aceptación para un
99% de confianza, por lo cual no necesitan corrección alguna los modelos.
3
MODELOS DE VOLATILIDAD ESTOCÁSTICA PARA EL CÁLCULO DEL VALOR
EN RIESGO
1. INTRODUCCIÓN
En los últimos años se ha tenido un desarrollo importante en la administración de
riesgos, convirtiéndose en uno de los temas preponderantes para diferentes
instituciones financieras, ya sea del sector público o del sector privado; la
administración se lleva a cabo mediante la identificación, medición, monitoreo y
control de los riesgos derivados de fluctuaciones en los precios de mercado, índices,
tipos de cambio, tasas de cambio y otros factores de riesgo en los mercados de
dinero, mercados cambiarios y productos derivados a los que se encuentra
expuesto.
El desarrollo de métodos para cuantificar el riesgo no es un tema nuevo, sin
embargo, no fue sino hasta 1994, cuando se publicó el documento técnico de J.P.
Morgan donde se proponía un método para cuantificar el riesgo de mercado
asociado a instrumentos financieros o portafolios con varios tipos de instrumentos a
través del cálculo de un solo número, lo que se conoce como “valor en riesgo”. A
partir de entonces, el valor en riesgo es una de las medidas que se utilizan con
mayor frecuencia, por los intermediarios financieros, en la estimación de pérdidas
potenciales en el rendimiento de un portafolio, en un periodo de tiempo y con un
nivel de confianza dados.
Jorion [1997] y Crouhy, Galai y Mark [2001], definen al Valor en Riesgo ó VaR
(Value at Risk por sus siglas en ingles) como la pérdida máxima esperada (o peor
pérdida) a lo largo de un horizonte de tiempo objetivo en un intervalo de confianza
dado.
El Valor en Riesgo es una de las herramientas más empleadas para la medición de
riesgo. Algunas de las razones para su popularidad son la sencillez y su versatilidad
al aplicarse a todas las posiciones de riesgo o carteras de inversión y a todos los
niveles de una institución financiera.
4
El VaR es una medida del riesgo de mercado, es decir de la probabilidad de sufrir
pérdidas como consecuencia de cambios en los precios de los activos financieros
que conforman un portafolio de inversión, además de que una de sus principales
características es que es una medida homogénea del riesgo asumido, agregando
todos los factores de riesgo y ofreciendo un único dato que es comparable.
En este contexto, nos vamos a referir a riesgo como la medida de la volatilidad de un
activo y el objetivo de la administración de riesgos es evitar que una institución o
inversionista sufra pérdidas económicas inaceptables ocasionadas por esta
volatilidad, y como consecuencia mejorar el desempeño financiero de dicho agente
económico basado en límites conocidos de riesgo.
La volatilidad es una medida de la fluctuación de los rendimientos de un activo.
Cuanto más volátil es un activo, mayor es la posibilidad de realizar grandes
beneficios o pérdidas. Puesto que el VaR está relacionado con el riesgo, mide la
volatilidad para estimar la pérdida máxima que puede sufrir un portafolio, en un
período de tiempo particular.
Por esta razón es esencial estimar la volatilidad de un portafolio y a medida que sea
modelada de una mejor forma, también será más realista y mejor la estimación del
VaR. Actualmente existen diferentes modelos entre los que podemos diferenciar los
modelos discretos en el tiempo y los continuos; entre los discretos se encuentran los
modelos GARCH, IGARCH, PARCH, etc. y entre los continuos se encuentra el de
Heston, CIR, Jacquier, Polson and Rossi, etc.
Los modelos continuos de volatilidad estocástica, tienden a aproximar lo que ocurre
en la realidad ya que consideran un parámetro de incertidumbre, que es el
movimiento geométrico browniano. En estos modelos la volatilidad está cambiando a
través del tiempo de acuerdo a una ecuación diferencial estocástica, donde S
satisface el precio del activo.
( ) ( ) s dS S t dt S t dw α σ = + (0.1)
5
Desde el punto de vista econométrico son complicados este tipo de modelos porque:
• La varianza no es observada
• El modelo no es Gaussiano y es difícil la estimación de la función de máxima
verosimilitud debido a múltiples integrales.
Por ello requiere simulaciones y cálculos computacionales los cuales suelen ser muy
extensos.
Para calcular el valor en riesgo se tienen tres metodologías generales, las primeras
dos basadas en simulaciones, simulación Monte Carlo y simulación histórica, en
donde el objetivo en ambas es simular el valor del factor de riesgo t ∆ ; la tercera
incluye a las metodologías paramétricas que incluyen el cálculo de una matriz de
varianzacovarianza.
Para la obtención del VaR de forma paramétrica necesitamos una previsión de las
volatilidades de los rendimientos del activo, no obstante las series financieras son
heteroscedasticas, bajo algunos supuestos puede pronosticarse la volatilidad de
manera eficiente.
La estructura de este artículo es la siguiente, en la siguiente sección se describirán
las metodologías para el cálculo del VaR y los modelos de actualización de la matriz
de varianzacovarianza, en la tercer sección se explicarán los fundamentos de
estadística Bayesiana y los modelos de Cadenas de Markov con Simulación Monte
Carlo, en la cuarta sección se mostrarán las pruebas de backtesting para la
verificación del modelo; en la quinta sección se construirán los portafolios y
describiremos la metodología del trabajo; en la sexta sección se discutirán los
resultados preliminares y resultados esperados y en la séptima sección se
presentarán las conclusiones preliminares
2. MARCO TEÓRICO
El valor en Riesgo se define como la máxima pérdida esperada dado un nivel de
confianza c y un horizonte de tiempo N . De esta forma el VaR es la distancia que
6
se tiene del percentil ( ) 1 % c − a la media de la distribución del cambio en el valor del
portafolio p ∆ . En su forma más general, el VaR puede derivarse de la distribución de
probabilidad del valor futuro del portafolio f(w). Dado un nivel de confianza c , se encuentra la peor realización posible de w tal que la probabilidad de exceder dicho
valor sea c :
( ) w
c f w dw ∞
= ∫ (0.2)
Visto de otra forma, se busca que la probabilidad de un valor inferior al cuantil W ,
( ) p P w W = ≤ sea 1 c − :
1 ( ) ( ) W
c f w dw P w W p −∞
− = = ≤ = ∫ (0.3)
Para el cálculo del VaR existen tres metodologías principalmente: simulación
histórica, simulación Monte Carlo y modelos paramétricos.
2.1 Simulación histórica
Consiste en generar escenarios de los factores de riesgo sobre la información
observada en un determinado número de días. Para aplicar esta metodología se
deben identificar primero los componentes de los activos de los portafolios y reunir
los datos de los precios diarios históricos considerando un periodo que oscila entre
250 y 500 datos. A partir del histograma de frecuencias de los rendimientos
simulados se calcula el cuantil correspondiente de dicho histograma.
Para esta aproximación no se emplea ningún supuesto sobre la distribución de los
rendimientos, ni se supone ningún tipo de comportamiento de los parámetros. Para
calcular el VaR se busca el percentil empírico de los rendimientos históricos, o
cambios porcentuales. Por el hecho de que no supone ninguna distribución en
específico, este método tiene en cuenta posibles distribuciones nonormales y colas
pesadas. Dado que no se basa en modelos de valuación, no está propenso al riesgo
del modelo. Además permite no linealidades y captura los riesgos gamma y vega.
7
Por otro lado, al utilizar el supuesto de que el pasado representa acertadamente el
futuro inmediato, no toma en cuenta la predecible variación en el tiempo omitiendo
situaciones con volatilidad temporalmente elevada.
2.2. Simulación Monte Carlo
La simulación Monte Carlo 1 consiste en obtener de manera repetida los valores de
los precios o rendimientos de un activo o portafolio de activos a partir de la
distribución de probabilidad conocida que gobierna el comportamiento de un activo
subyacente. Cada valor generado aleatoriamente, conocido como intento, paso o
escenario, nos da un valor posible para nuestro activo o portafolio de activos en el
horizonte de tiempo establecido. El propósito es generar una cantidad
“suficientemente” grande de escenarios, de manera tal que la distribución simulada
de los valores del activo o portafolio converja hacia su distribución de probabilidad
real. Una vez inferida la distribución del activo o portafolio, el paso siguiente es
calcular el Valor en Riesgo.
La simulación Monte Carlo tiene la ventaja de que se puede utilizar cualquier
distribución de probabilidad para los factores de riesgo, incluyendo sus
dependencias entre ellos, pudiéndose modelar cualquier portafolio compuesto por
instrumentos no lineales. Sin embargo su desventaja principal radica en el uso
intensivo de los recursos de cómputo para realizarla.
2.3 Modelos paramétricos
Realizan la estimación del VaR con ecuaciones que especifican parámetros como la
volatilidad y la correlación, además implican suponer una determinada función de
distribución.
Para calcular el Valor en Riesgo de un portafolio se utilizan técnicas de estadística
para portafolios de activos:
[ ] [ ][ ][ ] C σ σ Σ = (0.4)
[ ] Σ : Matriz de Varianza Covarianza que incluye las correlaciones entre los factores
que afectan el valor del portafolio ( ) n n × .
1 Usada por Boyle, P.[1977] por primera vez para valuar opciones.
8
[ ] σ : Matriz diagonal de desviaciones estándar de los cambios porcentuales de los
factores de riesgo
[ ] C : Matriz de correlaciones
Con lo cual la desviación estándar del cambio porcentual del valor del portafolio es:
[ ] [ ][ ] T p w w σ = Σ (0.5)
p σ =Volatilidad del cambio porcentual del valor del portafolio (1 x 1).
[ ] T w =Vector transpuesto de los pesos de las posiciones del portafolio (1 x n)
[ ] w =Vector de los pesos de las posiciones del portafolio (n x 1)
Una vez conocida la desviación estándar del cambio porcentual del valor del
portafolio, el Valor en Riesgo es simplemente una constante que depende del nivel
de confianza c , multiplicada por la desviación estándar del portafolio, P P σ .
1 ( ) c p VaR c z P σ − = − (0.6)
Donde 1 c z − corresponde al cuantil apropiado de la distribución normal estándar. A
pesar de que el supuesto de normalidad simplifica los cálculos del VaR, esto implica
un costo relativamente alto pues las rentabilidades diarias poseen colas pesadas,
(Alonso y Arcos [2005])
De esta manera al analizar precios y rendimientos a través del tiempo para la
estimación del VaR, comúnmente se encuentra que existen colas anchas, asimetría
en los rendimientos, formación de Clusters de volatilidad y correlación negativa entre
el rendimiento y la volatilidad. No obstante que las series de tiempo financieras son
heteroscedásticas a través del tiempo, bajo algunos supuestos puede pronosticarse
la volatilidad de manera eficiente.
Los modelos GARCH han tenido éxito al modelar la volatilidad en retornos
financieros (Bollerslev [1986]), además existen diversos estudios que muestran que
9
hay mejoras en la estimación del VaR asociados con modelos GARCH. (Mittnik y
Paolella [2000]).
Estimar el valor de la volatilidad de los factores de riesgo es fundamental para la
administración de riesgo en los portafolios de instrumentos financieros, para ello se
utilizan comúnmente varias metodologías para calcular la volatilidad entre las que se
encuentra el promedio móvil ponderado exponencialmente o proceso EWMA por sus
siglas en inglés, utilizado entre otros por RiskMetrics, en donde dan más peso a las
observaciones recientes. También se usan modelos GARCH (Generalized
Autorregresive Conditional Heteroscedasticity) y sus derivaciones que suponen que
la volatilidad es un proceso estocástico. A continuación se hará una breve
descripción de estos modelos:
2.3.1 GARCH(1,1)
Un modelo GARCH (Engle [1982] y Bollerslev [1986]) tiene como propósito estimar
la varianza no condicional de los rendimientos de los activos financieros. Estos
modelos son procesos autorregresivos generalizados con heteroscedasticidad
condicional, es decir modelos que suponen que la varianza cambia a través del
tiempo.
2 2 2 0 1 1 2 1
t t t
t t t
t t t
r a a
a
µ σ ε
σ β β β σ − −
= +
=
= + +
(0.7)
Con : [ ] 0,1 t IID ε ≈ y 1 2 1 β β + <
La primera ecuación en (0.7) es para estimar los rendimientos, de la cual la media
de los rendimientos puede estimarse como un ARMA ( , p q ), la segunda muestra
como se comportan las perturbaciones y la tercera ecuación sirve para modelar la
varianza.
La varianza se explica solo por un valor rezagado de la varianza y un valor rezagado
de los residuales. La distribución de los rendimientos es normal y el pronóstico de
largo plazo incluye al valor de la varianza no condicional.
10
2.3.2 MGARCH 2
Es similar a los procesos GARCH al estimar la varianza de los datos, sin embargo
introduce un premio al riesgo en la estimación de los rendimientos. Para estimar los
rendimientos puede tomarse la media como un ARMA ( , p q ) 2
2 2 2 0 1 1 2 1
t t t t
t t t
t t t
r c a a
a
µ σ σ ε
σ β β β σ − −
= + +
=
= + +
(0.8)
Con [ ] 0,1 t IID ε ≈
2.3.3 EGARCH 3
La volatilidad se estima mediante un modelo logarítmico de tal forma que no se
requiere que el valor de los coeficientes sea positivo. El modelo supone que la
distribución de los errores es normal. Este modelo es similar a los AGARCH en
donde se incorpora la asimetría en la volatilidad en condiciones a la baja o a la alza
en los mercados.
( ) ( ) 2 2 1 0 3 4 5 1
1
ln ln
t t t
t t t
t t k t t
t t k
r a a
a a
µ σ ε
σ β β β β σ σ σ
− − −
− −
= +
=
= + + +
(0.9)
Con [ ] 0,1 t IID ε ≈
2.3.4 PARCH 4
Ding, Granger y Engle (1993) propusieron un modelo más general en donde se hace
endógena la potencia de los parámetros. Por lo que 6 β introduce un término de
asimetría en respuesta a los shocks pasados y δ corresponde a la óptima potencia
estimada de los datos.
t 0 1 1 2 1 6 1
t t t
t t t
t t t
r a a
a a δ δ δ
µ σ ε
σ β β β σ β − − −
= +
=
= + + +
(0.10)
Con [ ] 0,1 t IID ε ≈
2 Mean GARCH 3 Exponential GARCH 4 Power ARCH
11
Se propone modelar un valor potencial de la desviación típica que aproxime al
máximo de la función de autocorrelación del valor absoluto del proceso.
Teóricamente al hacer endógena la potencia y al introducir un parámetro de
asimetría, la dinámica de la estimación del modelo PARCH mejora significativamente
la estimación de la volatilidad.
2.3.5 TARCH 5
Algo interesante en las series de tiempo financieras es que las malas noticias tienen
un mayor efecto en la volatilidad que las buenas noticias, para muchos activos hay
una correlación negativa entre los rendimientos y la futura volatilidad, es decir
cuando en una serie existen rendimientos negativos van a generar un aumento en la
volatilidad, así como al tener rendimientos positivos la volatilidad va a disminuir.
Glosten, Jaganathan and Runkle (1994) muestran que los efectos de las buenas y
malas noticias tienen diferentes efectos en la volatilidad y existirían dos regímenes.
2 2 2 2 0 1 1 2 1 7 1
1
1
1 0 0 0
t t t
t t t
t t t t
t
t
r a a
a a
a a
µ σ ε
σ β β β σ β ρ
ρ
− − −
−
−
= +
=
= + + +
< =
>
(0.11)
Con [ ] 0,1 t IID ε ≈
La tendencia de la volatilidad a disminuir cuando los rendimientos aumentan y a
aumentar cuando los rendimientos disminuyen es llamada efecto de
apalancamiento.
2.3.6 IGARCH 6
Es un caso particular del GARCH, en el cual el pronóstico no converge al nivel de
equilibrio de largo plazo. La distribución es normal. Bajo ciertas condiciones el
modelo es parecido al EWMA.
5 Treshold GARCH 6 Integrated GARCH
12
2 2 2 0 1 1 1 1 (1 )
t t t
t t t
t t t
r a a
a
µ σ ε
σ β β β σ − −
= +
=
= + + −
(0.12)
Con [ ] 0,1 t IID ε ≈
La varianza condicional es una función decreciente en forma geométrica. Los
modelos IGARCH se calculan de forma similar que los GARCH.
2.3.7 EWMA
Si las ponderaciones decrecen exponencialmente conforme nos movemos hacia
observaciones más lejanas en el pasado; en específico 1 i i α λα − = , con λ una
constante entre cero y uno; se tiene el modelo conocido como EWMA (Exponentially
Weighted Moving Average), cuya fórmula es: 2 2 2
1 1 (1 ) t t t a σ λ λ σ − − = + − (0.13)
La cual puede interpretarse en el sentido de que el valor estimado para la varianza
en la fecha t se puede calcular usando la información de la varianza en la fecha 1 t −
y el rendimiento obtenido en la fecha t .
Una de las ventajas más importantes del modelo EWMA es que para estimar la
varianza del día t sólo es necesario conocer la varianza pasada y el rendimiento en
el día t . Es decir que conociendo la varianza del tiempo anterior y el nuevo dato del
valor del rendimiento del factor se puede actualizar el valor de la varianza al tiempo t .
El modelo EWMA permite darle seguimiento a los cambios en la volatilidad del factor
de mercado; el parámetro λ da la sensibilidad de respuesta del estimado de la
volatilidad diaria a la nueva información disponible, es decir, determina el grado de
reacción de la volatilidad a los eventos de mercado, mientras que ( ) 1 λ − , el
coeficiente de la varianza del tiempo anterior, determina la persistencia en
volatilidad. Una alta λ (cercana a uno) produce estimados que responden
rápidamente a la nueva información de los cambios relativos del factor, en cambio
13
una baja λ (cercana a cero) produce estimados de volatilidad que responden
lentamente a la nueva información
2.3.8 MODELOS CONTINUOS DE VOLATILIDAD ESTOCÁSTICA
La volatilidad de un portafolio no es constante, por lo tanto requiere de un
tratamiento adecuado modelándola como un proceso estocástico continuo, en un
modelo de Volatilidad estocástica, la volatilidad va cambiando de forma aleatoria de
acuerdo a una ecuación diferencial estocástica en forma continua, del siguiente tipo:
( ) ( ) s t dS S t dt S t dW α σ = + (0.14) Donde :
t 0 , 0 y W t t µ σ
≥ ∈ℜ > es un movimiento Browniano.
La dinámica de la ecuación diferencial estocástica del precio del subyacente, implica
que la media y la varianza condicional dependen exclusivamente del nivel actual de
los precios, los cuales siguen un proceso de Markov, es decir, su evolución futura
depende únicamente de su valor actual y no de su comportamiento pasado.
Un proceso estocástico es un modelo matemático del comportamiento en el tiempo
de un fenómeno aleatorio y es fundamental para el desarrollo de la teoría financiera
en tiempo continuo y en ambientes de riesgo e incertidumbre. Los procesos
estocásticos son útiles para describir el comportamiento aleatorio de las variables
financieras en el tiempo: los precios de los activos, las tasas de interés, los tipos de
cambio, los índices bursátiles, etc.
El modelo de Hull & White considera el siguiente modelo de volatilidad estocástica
en donde:
( ) ( ) s
L v v
dS r q Sdt S VdW dV a V V dt dW ξσ
= − +
= − + (0.15)
Donde a, L V ,ξ y α son constantes, s W y v W son movimientos Brownianos
independientes.
14
En este contexto V es la volatilidad del activo con reversión a la media l V con tasa
a .
Los modelos de Volatilidad LogEstocástico, suponen el comportamiento del
logaritmo de los precios a través de una ecuación diferencial estocástica, en donde:
( ) ( ) ( ) ( ) 1
log
log log
s t t t t
v t v v t v t
d S dt V dW
d V k V dt dW
µ
θ σ +
= +
= − + (0.16)
Donde v k , L V son constantes, s W y v W son movimientos Brownianos
independientes.
Este tipo de modelos tienen dificultad para su estimación debido a que son no
Gaussianos, tienen un espacio de estado no lineal, y en pocas ocasiones se puede
encontrar una solución única; por ello es que se usan modelos de simulación entre
los cuales se encuentran los modelos MCMC.
3. FUNDAMENTOS DE ESTADÍSTICA BAYESIANA Y MODELOS MCMC
En estadística Bayesiana es prácticamente imposible obtener analíticamente la
distribución a posteriori así como obtener su media y varianza de una serie de datos;
debido a que los métodos analíticos son limitados se usa simulación Monte Carlo sin
embargo la simulación directa de distribuciones de altas dimensiones suele ser difícil
y en ocasiones imposible.
Por ello es que se va a construir una cadena de Markov la cual tiene una distribución
estacionaria para asistir a las iteraciones de Monte Carlo y así generar datos de la
distribución posteriori, a esto se le conoce como Modelos MCMC (Markov Chain
Monte Carlo simulation)
3.1 Estadística Bayesiana
La mayor parte de los métodos estadísticos están basados en la estadística clásica
(frecuentistas); en donde en los modelos paramétricos, los parámetros del modelo
15
son fijos y desconocidos, entonces se usan los datos para hacer inferencia de los
parámetros.
En los modelos paramétricos con estadística Bayesiana, se van a asumir que los
parámetros son variables aleatorias por lo que vamos a suponer una distribución a
priori que va a reflejar cualquier información que se tenga de ellos. La distribución en
la que nos vamos a interesar es la a posteriori que va a depender del modelo
paramétrico usado, los datos y la distribución a priori.
Vamos a considerar un modelo paramétrico con parámetros θ , la función de
distribución a priori de probabilidad de θ va a denotarse con ( ) π θ , los datos
observados se denotarán con ( ) 1 2 , , ..., n x x x x = y la función de distribución de
probabilidad conjunta de los datos y los parámetros va a ser ( ) , x π θ . Entonces
usando el teorema de Bayes:
( ) ( ) ( ) , x x π θ π θ π θ = (0.17)
Y
( ) ( ) ( ) , x x x π θ π θ π = (0.18)
Pero los datos son observados y fijos, por lo que ( ) 1 x π = , entonces:
( ) ( ) ( ) x x π θ π θ π θ ∝ (0.19)
Y nuestro objetivo va a ser encontrar el comportamiento de los parámetros a partir
de los datos, tomando en cuenta la función de distribución de probabilidad de los
datos y la distribución a priori de los parámetros.
3.2 Cadena de Markov
Una cadena de Markov , 0 n X n ≥ es un proceso estocástico que satisface la
propiedad de pérdida de memoria:
( ) ( ) 1 1 2 2 0 0 1 1 , ,..., n n n n n n n n P X A X x X x X x P X A X x − − − − − − ∈ = = = = ∈ = (0.20)
16
El futuro es independiente del pasado, dado el estado presente del proceso.
Una cadena de Markov tiene las siguientes características:
• Irreducible, si para toda i y j , existe n tal que 0 nij P > .
• Aperiódica, si el mayor de los divisores comunes de ; 0 1 nij n P > = .
• Recurrente, si ( ) La cadena de Markov regresa a inicio en 1, para toda P i i i = y es
recurrente positiva, si es irreducible, aperiódica y recurrente y j π es la
colección de probabilidades, tal que:
lim nij j n P π
→∞ =
Y
i ij j i
P π π = ∑
Los algoritmos de las Cadenas de Markov con Simulación Monte Carlo (MCMC)
generan parámetros de distribuciones condicionados a algunos datos, la
condicionalidad viene de las cadenas de Markov y la generación de los parámetros
de la simulación Monte Carlo.
3.3 GENERACIÓN DE LOS PARÁMETROS
La generación de los parámetros en la simulación se realizará mediante el
generador de Gibbs, el cual generará sucesiva y repetidamente de la distribución
condicional de cada componente dado los otros componentes, el algoritmo de Gibbs
es:
1. Inicializar con ( ) (0) (0) 1 ,..., d θ θ θ = .
2. Simular (1) 1 θ de la condicional ( ) (0) ( )
1 2 ,..., od θ θ θ .
3. Simular (1) 2 θ de la condicional ( ) (1) (0) (0)
2 1 3 , ,..., d θ θ θ θ .
4. ...
5.Simular (1) d θ de la condicional ( ) (1) (1)
1 1 ,..., d d θ θ θ −
6. Hacer iteraciones de este procedimiento.
17
Bajo condiciones poco rigurosas, la convergencia de la cadena de Markov a la
distribución estacionaria ( ) 1 2 , , ..., d P θ θ θ está garantizada, de tal forma que después
de algún número de iteraciones:
( ) ( ) ( ) ( ) ( ) ( ) 1 1 , ..., , ..., ,..., k k n n
d d θ θ θ θ
4. Verificación Del Modelo
El comité de Basilea recomienda realizar pruebas de backtesting con el fin de
verificar si el modelo de VaR es adecuado, y en su caso realizar ajustes y calibrarlo.
Es importante para la institución y las autoridades regulatorias verificar
periódicamente que el riesgo se esté midiendo adecuadamente. Para realizar un
backtesting es necesario comparar el valor en riesgo observado con las pérdidas y
ganancias reales y contar las observaciones de pérdidas y ganancias que fueron
mayores al VaR.
Uno de los métodos más utilizados es el desarrollado por Kupiec en 1995, el cual
consiste en contar las veces que las pérdidas y ganancias exceden el VaR durante
un periodo, se asume que N es el número de observaciones que exceden la
pérdida o ganancia. Para un nivel de confianza dado c se prueba si la N observada es estadísticamente diferente a la probabilidad de error p que se considera para el
cálculo del VaR. Kupiec desarrolló unas regiones de confianza con base en una
distribución Chi cuadrada con un grado de libertad. Las cuales presentó en una tabla
de región de no rechazo para el número de observaciones que excedan el VaR
(Anexo B Tabla B1).
5. METODOLOGIA
5.1 Conformación Del Portafolio
Siguiendo los resultados de Elton, E.J. y Gruber, M.J. [1977] y a Ramírez E.,
Ramírez P. [2006] en los cuales se analizan portafolios con ponderaciones iguales
con un valor de $10,000, cada portafolio se conformó con 8 acciones, cantidad con
la cual se diversifica aproximadamente el 83% de la desviación estándar respecto
del máximo.
18
Respecto a la información histórica, se analizaran los datos en dos épocas: la
primera del 20 de diciembre de 1994 al 31 de diciembre de 1996, de la cual se
obtuvieron 511 datos de precios diarios de 19 acciones que conforman el IPC y la
segunda del 10 de Noviembre del 2004 al 9 de Noviembre del 2006 con 511 datos
diarios de precios de 27 acciones que conforman el IPC, siendo la razón de escoger
estas dos fechas la disponibilidad de los datos; y la segunda y más importante la
crisis ocurrida en México en 1995 comparada contra un periodo de estabilidad
económica en México. Dichos datos fueron obtenidos a partir de la base de datos de
Economática omitiendo los fines de semana y días festivos. El comportamiento del
índice de precios y los rendimientos de ambas series a través del tiempo pueden
verse en las gráficas 1 y 2. En el Anexo A se presentan los histogramas y los datos
estadísticos.
Como terminología de este trabajo, adoptaremos el término de “crisis económica” al
periodo comprendido entre 1994 y 1996, así como “estabilidad económica” al
periodo de “20042006”
1200
1600
2000
2400
2800
3200
3600
50 100 150 200 250 300 350 400 450 500
CRISIS
(a)
.08
.04
.00
.04
.08
.12
50 100 150 200 250 300 350 400 450 500
RENDCRISIS
(b)
Grafico1. (a) Comportamiento del IPC en el periodo de 19941996 , (b)Rendimientos
del IPC en el periodo de 19941996.
19
10000
12000
14000
16000
18000
20000
22000
24000
26000
50 100 150 200 250 300 350 400 450 500
ESTABILIDAD
(a)
.06
.04
.02
.00
.02
.04
.06
.08
50 100 150 200 250 300 350 400 450 500
RENDESTAB
(b)
Grafico2. (a) Comportamiento del IPC en el periodo de 20042006, (b) Rendimientos
del IPC en el periodo de 20042006.
En los gráficos 1(a) y 2(a) se muestra el crecimiento del IPC en los periodos de
tiempo establecidos, mostrándose en ambos casos un crecimiento irregular. En los
gráficos 1(b) y 2(b) se grafican los rendimientos del IPC en donde claramente
podemos ver que para ambos periodos los rendimientos son heteroscedásticos y
estacionarios, sin embargo para el periodo de estabilidad (20042006) los rangos de
volatilidad son menores que para el periodo que hemos denominado crisis (1994
1996).
La volatilidad mayor en los rendimientos en el periodo de crisis económica está dada
por una desviación estándar de 0.018702 (Anexo A, tabla A3) mientras que la
volatilidad menor en el periodo de estabilidad económica está dada por una
desviación estándar de 0.012509 (Anexo A, tabla A4).
Para llevar a cabo la simulación de los portafolios de acciones compuestos por ocho
acciones con ponderaciones iguales, se diseñó un programa en Mathematica
Versión 5, en el cual, en cada paso de simulación se seleccionaban aleatoriamente
8 acciones del conjunto de acciones disponibles en los datos históricos.
20
5.2 Modelos
A fin de calcular el Valor en Riesgo del portafolio compuesto por acciones
mexicanas, se utilizaran las siguientes metodologías: Método de Simulación
Histórica, los métodos de VarianzaCovarianza basado en ponderaciones iguales
para cada una de las observaciones pasadas, los métodos de actualización de la
matriz de varianzacovarianza con GARCH(1,1), MGARCH, EGARCH, PARCH,
TARCH, IGARCH y EWMA y la actualización de la matriz de varianza covarianza a
partir de los modelos de volatilidad estocástica de Hull & White y de Volatilidad log
estocástico haciendo uso de Cadenas de Markov con Simulación Monte Carlo
(MCMC).
El parámetro que se utilizó para analizar el modelo de VarianzaCovarianza con
EWMA, es el valor que recomienda RiskMetrics para rendimientos diarios de
0.94 λ = . Con respecto a los parámetros de los modelos econométricos, estos se
obtuvieron mediante estimaciones de máxima verosimilitud en el paquete
Econometric Views 5.0 aplicándolo a los datos del IPC para los periodos históricos
mencionados, los parámetros del modelo MCMC serán calculados mediante el
paquete Mathlab.
Además se realizó el Backtesting contando el número de excepciones sobre los
resultados de Valor en Riesgo obtenidos de cada paso comparados contra los
cambios reales en el valor del portafolio seleccionado.
6. RESULTADOS PRELIMINARES
En las tablas 1 y 2, se muestran los parámetros para media y varianza de los
modelos econométricos para los dos periodos diferentes de tiempo, en la primera
cuando existe una crisis económica y la volatilidad de los rendimientos es muy alta y
la segunda cuando hay una estabilidad económica y la volatilidad de los
rendimientos es menor. También se presentan el índice de Schwarz, el criterio de
Akaike y máxima verosimilitud los cuales dan una idea para seleccionar que modelo
puede ajustarse mejor a las series de rendimientos.
21
Tabla 1. Parámetros de los modelos econométricos, para el periodo de 19941996
GARCH (1,1) MGARCH EGARCH TARCH IGARCH
Parámetros de la media
Constante : 0 a 0.172028 (4.0992)*
0.167179 (3.8055)*
0.149642 (3.9869)*
0.16266 (4.1847)*
0.001225 (1.8072)
Sensibilidad: 1 a 5.1451 (1.8609)
Parámetros de la Varianza
Constante: 0 β 4.43xE(6) (3.4162)*
5.07xE(6) (3.0881)*
0.06248 (4.4873)*
5.40xE(7) (0.8905)
3.53xE(5) (5.1578)*
Parámetro: 1 β 0.06380 (4.5219)*
0.08354 (4.08251)*
0.00698 (1.1823)
0.381367 (11.5595)*
Parámetro: 2 β 0.917992 (65.4566)*
0.8999 (52.5283)*
0.968355 (233.745)* 0.618633
Parámetro: 3 β 0.03993 (3.5970)*
Parámetro: 4 β 0.07793 (5.3941)*
Parámetro: 5 β 0.99610 (478.2783)*
Parámetro: 6 β
Parámetro: 7 β 0.08438 (5.3388)*
Exponente: γ
Criterio de Schwarz 5.3302 5.3123 5.353185 5.3607 5.1749
Criterio de Akaike 5.3634 5.3538 5.394699 5.4022 5.1999
Log likelihood 1371.684 1370.228 1380.648 1382.568 1326.372
Para ambas series comprendidas en los periodos de estudio, el modelo de TARCH
es el que mejor estima la serie de rendimientos, de acuerdo a los criterios de
Schwarz, de Akaike y de Máxima Verosimilitud.
Tabla 2. Parámetros de los modelos econométricos, para el periodo de 20042006
GARCH (1,1) MGARCH EGARCH TARCH IGARCH
22
Parámetros de la media
Constante : 0 a 0.122930 (2.3440)*
0.094819 (1.7705)
0.113503 (2.2237)*
0.098730 (1.9005)
0.002275 (4.6169)*
Sensibilidad: 1 a 14.5841 (3.7281)*
Parámetros de la Varianza
Constante: 0 β 7.00xE(6) (2.0506)
8.65xE(6) (2.3355)*
0.588554 (3.4400)*
7.81xE(6) (2.7235)
2.92xE(5) (6.5703)*
Parámetro: 1 β 0.109304 (3.1754)*
0.121580 (3.3809)*
0.002148 (0.0887)
0.566729 (15.4539)*
Parámetro: 2 β 0.845034 (16.5920)*
0.818386 (14.9827)*
0.0851625 (17.2121)* 0.433271
Parámetro: 3 β 0.166352 (2.9546)*
Parámetro: 4 β 0.146257 (4.9246)*
Parámetro: 5 β 0.947137 (61.2402)*
Parámetro: 6 β
Parámetro: 7 β 0.219460 (3.8572)*
Exponente: γ
Criterio de Schwarz 6.0473 6.0592 6.0703 6.0840 5.9155
Criterio de Akaike 6.0805 6.1008 6.1178 6.1255 5.9405
Log likelihood 1554.553 1560.695 1565.042 1566.997 1514.864
En la tabla 3 se reportan los cálculos del Valor en Riesgo con las diferentes
metodologías, en donde encontramos que para el periodo de 19941996 se
encuentra en un rango de 357.61 con el método de VarianzaCovarianza con
actualización EWMA y 573.246 con el método de VarianzaCovarianza con pesos
iguales. Y para el periodo de 20042006 los rangos se encuentran entre 218.894 con
el método de Varianza Covarianza con pesos iguales y 330.756 para el método de
Varianza Covarianza con actualización IGARCH.
Tabla 3. Valor en Riesgo del portafolio en diferentes periodos de tiempo con
diferentes metodologías.
Periodo 1994 Periodo 2004
23
1996 2006 Media del VaR
(pesos) Media del VaR
(pesos) Simulación histórica 466.577 325.264 Varianza Covarianza pesos iguales 573.246 218.894 Varianza Covarianza con actualización GARCH
397.726 252.321
Varianza Covarianza con actualización MGARCH
367.939 267.46
Varianza Covarianza con actualización EGARCH
571.34 227.306
Varianza Covarianza con actualización EWMA
357.61 275.983
Varianza Covarianza con actualización IGARCH
452.915 330.756
El número de excesos para los valores de riesgo se realiza comparando el valor del
riesgo observado con las pérdidas y ganancias reales y contando las observaciones
de pérdidas y ganancias que fueron mayores al VaR, de tal forma que pueda
verificarse que el modelo es adecuado o no al periodo de estudio. Para el periodo de
crisis económica todos los modelos se encuentran dentro de la región de no rechazo
para 510 observaciones y un nivel de significancia del 99% para el criterio de
Kupiec y son clasificados en la zona verde de acuerdo a la clasificación del Banco
Internacional de Pagos (Ver tabla 4). Para el periodo de estabilidad económica los
modelos de Simulación histórica, de Varianza covarianza con pesos iguales y de
Varianza Covarianza con actualización EGARCH son rechazados para 510
observaciones y un nivel de significancia del 99% sin embargo son no rechazados
para un nivel de significancia del 97.5% de acuerdo al criterio de Kupiec y todos los
modelos son clasificados en la zona verde de acuerdo al Banco Internacional de
Pagos por lo que no requieren modificación alguna (Tabla 5).
24
Tabla 4. Excesos del VaR, para el periodo de 19941996
Periodo 19941996 Promedio de
Excesos del VaR Simulación histórica 3.764 Varianza Covarianza pesos iguales 0.806 Varianza Covarianza con actualización GARCH (1,1)
5.67
Varianza Covarianza con actualización MGARCH
5.436
Varianza Covarianza con actualización EGARCH
0.854
Varianza Covarianza con actualización EWMA
6.228
Varianza Covarianza con actualización IGARCH
5.252
Tabla 5. Excesos del VaR, para el periodo 20042006
Periodo 20042006 Promedio de
Excesos del VaR Simulación histórica 13.659 Varianza Covarianza pesos iguales 14.116 Varianza Covarianza con actualización GARCH (1,1)
7.126
Varianza Covarianza con actualización MGARCH
7.386
Varianza Covarianza con actualización EGARCH
14.14
Varianza Covarianza con actualización EWMA
5.994
Varianza Covarianza con actualización IGARCH
6.592
7. CONCLUSIONES
En este trabajo se calculó el VaR de portafolios formados por acciones que
conforman el IPC en dos periodos de tiempo, incorporando metodologías
econométricas para su cálculo y comparándolas con la simulación histórica, tal como
fue realizado por Ramírez y Ramírez (2006), los resultados fueron similares sin
embargo encontramos más excesos para el periodo de estabilidad en donde de
25
acuerdo al criterio de Kupiec no se rechazan las metodologías con un nivel de
significancia del 97.5%.
De acuerdo a las series de rendimientos de ambos periodos de tiempo, el modelo
que mejor aproxima de acuerdo a los criterios de Akaike, Schwarz y de Máxima
verosimilitud es el de IGARCH, en donde la varianza condicional es una función
decreciente en forma geométrica.
Tal como se esperaba, todos los modelos discretos de Volatilidad estocástica fueron
aceptados en el periodo de Crisis económica, en donde sabíamos que era un
periodo heteroscedástico.
De acuerdo a los resultados obtenidos al actualizar la matriz de varianza covarianza
con los modelos discretos de volatilidad estocástica y al criterio de clasificación del
Banco Internacional de Pagos, no hace falta hacer algún tipo de corrección en la
estimación del VaR, sin embargo se pretende en trabajos posteriores realizar la
estimación usando modelos continuos de Volatilidad estocástica para actualizar la
matriz de varianzacovarianza, en donde se espera una considerable mejora en las
estimaciones.
Para realizar el cálculo de la volatilidad de un portafolio de acciones a partir de los
modelos continuos de volatilidad estocástica, se pretende en trabajos posteriores
hacer uso de simulaciones con estadística Bayesiana para poder inferir la varianza,
a través de los modelos de Cadenas de Markov con iteraciones Monte Carlo ó
MCMC (Markov Chain Monte Carlo por sus siglas en Ingles), y obtener el VaR con la
actualización de la matriz de varianzacovarianza.
8. BIBLIOGRAFÍA
Alonso C., Arcos A. [2005, "4 Hechos Estilizados de las series de rendimientos:
Una ilustración para Colombia." Mimeo. Bams D., Lehnert T., Wolff C., (2005), “An evaluation framework for alternative VaR
models”, Journal of International Money and Finance, No 24, 944958
26
Basle Committee on Banking Supervision [1996], “Supervisory Framework for the
use of backtesting in conjunction with the internal models approach to market
risk capital requirements”, Bank For International Settlements, Enero.
Basle Committee on Banking Supervision [2003], The New Basel Capital Accord,
Bank For International Settlements (BASLE II), Julio.
Bollerslev, T. [1986], “Generalized Autoregressive Conditional Heteroscedasticity”,
Journal of Econometrics, 31 , 307327.
Boyle, P.P. [1977], “Options: A Monte Carlo Approach”, Journal of Financial
Economics, 4, 323338.
Campbell J., Lo A., MacKinlay A., [1997], “The Econometrics of Financial Markets”.
First Edition, Princetosn. USA.
Crouhy M, Galai D., Mark R. [2001], Risk Management , First Edition, Mc Graw Hill,
New York.
De Lara, A. [2001], Medición y Control de Riesgos Financieros, Limusa, México.
Ding Z., Granger W., Engle R., [1993], “A long memory property of stock market
returns and a new model”. Journal of Empirical Finance, 1 , 83106.
Elton E., Gruber M., [1977], “Risk Reduction and Portfolio Size: An Analytical
Solution”, The Journal of Business, 50, 4, 415.
Engle, R., [2001], “GARCH 101:The Use of ARCH/GARCH Models in Applied
Econometrics”, Journal of Economic Perspectives, 15 (4), Fall, 157168.
Hull, J.C. & White, A. [1.987] ”The pricing of options and on assets with stochastic
volatilities”, Journal of finance,42,281300
Jorion, P. [1999], Valor en Riesgo, Ed. Limusa, México.
Kim, D., Kon, S. [1994], “Alternative models for the condicional heteroscedasticity of
stock returns”, Journal of Business, 67 (4) , 563598.
Kupiek, P. [1995] “Techniques for Verifying the Accuracy of Risk Measurement
Models”, Journal of Derivatives, Vol. 2 (December), 7384.
Mina, J., Xiao J [2001]. “Return to Riskmetrics: The Evolution of a Standard”,
Riskmetrics, 2001.
Longerstaey, J, Spencer M. [1996]. Riskmetrics Technical Document, 4th edition,
December, JP Morgan/ Reuters, New York.
Ramírez E. (2004), “Valor en Riesgo no lineal”. Tesis doctoral
Ramírez E. (2004), “Valor en Riesgo con aproximaciones Cuadráticas”, Revista
Mexicana de Economía y Finanzas, Volumen 3, Número 3, Septiembre 2004.
27
Ramírez E., Ramírez P. [2006], “Valor En Riesgo: Modelos Econométricos Contra
Metodologías Tradicionales”, Working Paper.
Statman M., [1987], “The Journal of Financial and Quantitative Analysis”. Vol. 22, No.
3, 353363.
Thierry A., (2005), “Do Power GARCH Models Really Improve ValueAtRisk
Forescasts?”.Journal of Economics and Finance, Vol. 29, No. 3
28
ANEXOS
ANEXO A . Gráficas del IPC en los periodos de estudio
Tabla A1. Histograma y estadísticos del IPC para 511 datos del periodo de 1994
1996.
0
10
20
30
40
50
60
70
80
1600 2000 2400 2800 3200
Series: CRISIS Sample 1 511 Observations 511
Mean 2681.760 Median 2778.470 Maximum 3433.750 Minimum 1447.520 Std. Dev. 547.6458 Skewness 0.370298 Kurtosis 1.846691
JarqueBera 39.99859 Probability 0.000000
Tabla A2. Histograma y estadísticos del IPC para 511 datos del periodo de 2004
2006.
0
10
20
30
40
50
12000 14000 16000 18000 20000 22000 24000
Series: ESTABILIDAD Sample 1 511 Observations 511
Mean 16591.72 Median 16051.02 Maximum 23941.80 Minimum 11739.99 Std. Dev. 3377.522 Skewness 0.246566 Kurtosis 1.759185
JarqueBera 37.95880 Probability 0.000000
Tabla A3. Histograma y estadísticos de los rendimientos del IPC para 510 datos del
periodo de 19941996.
0
10
20
30
40
50
60
70
80
0.05 0.00 0.05 0.10
Series: RENDCRISIS Sample 1 511 Observations 510
Mean 0.000942 Median 0.000283 Maximum 0.102733 Minimum 0.071449 Std. Dev. 0.018702 Skewness 0.440661 Kurtosis 6.561342
JarqueBera 286.0225 Probability 0.000000
29
Tabla A4. Histograma y estadísticos de los rendimientos del IPC para 510 datos del
periodo de 20042006
0
20
40
60
80
100
0.025 0.000 0.025 0.050
Series: RENDESTAB Sample 1 511 Observations 510
Mean 0.001467 Median 0.002094 Maximum 0.067267 Minimum 0.042959 Std. Dev. 0.012509 Skewness 0.160711 Kurtosis 5.631391
JarqueBera 149.3350 Probability 0.000000
30
ANEXO B. Tablas para Backtesting
Tabla B.1. Tabla de Kupiec. Región de no rechazo para el número de observaciones
fuera del VaR.
( ) 1 c − T=255 T=510 T=1000
0.010 N<7 1<N<11 4<N<17
0.025 2<N<12 6<N<21 15<N<36
0.050 6<N<21 16<N<21 37<N<65
0.075 11<N<28 27<N<51 59<N<92
0.100 16<N<36 38<N<65 81<N<120
El Banco Internacional de Pagos (BIS) clasifica el resultado en tres zonas de colores
(verde, amarilla y roja), la zona verde indica que el modelo no tiene problemas de
calidad y no se requiere modificación alguna. La zona amarilla indica que se puede
concluir algo acerca del modelo, por lo que podría o no calibrarse. La zona roja
precisa que es necesario modificar el modelo ya que presenta problemas de calidad
y precisión.
Tabla B2. Clasificación de el Banco Internacional de Pagos
ZONA NÚMERO DE EXCEPCIONES
019
2039
4059
6079
Verde
8099
100119
120139
140159
160179
Amarilla
180199
Roja 200 ó más