You are on page 1of 27

Medidas coherentes de riesgo y funciones de distorsi¶ on

Silvia Mayoral Servicio de Estudios, Banco de Espa~ na 21 de Septiembre, 2005

1

Contenido:
1. 2. 3. 4. 5. 6. 7. Resumen y motivaci¶ on Valor en Riesgo Medidas coherentes de riesgo Propiedades de las medidas de riesgo: falta de consenso Medidas de riesgo basadas en distorsiones M¶ as all¶ a de la coherencia. Conclusiones.
2

Resumen Importancia de las medidas de riesgo • Necesidad de cuanti¯car el riesgo asumido • Las entidades ¯nancieras han fomentado la gesti¶ on del riesgo en los ¶ ultimos a~ nos • Estudio PricewaterhouseCoopers: 82% de los directivos de empresas ¯nancieras indican que el conocimiento del riesgo es un tema prioritario en sus organizaciones • 73% piensan que sus organizaciones de¯nen su nivel de aceptaci¶ on al riesgo de forma m¶ as clara. 3 . • Acuerdo de Basilea II.1.

Principales objetivos: • >Por qu¶ e el CVaR funciona mal?. • No existe consenso en la literatura sobre qu¶ e medida de riesgo es la m¶ as adecuada. • De¯nir propiedades \m¶ ³nimas". 4 .• Existen muchas medidas de riesgo. • >Qu¶ e propiedades debe tener? ⇔ No hay acuerdo • La medida CV aR puede llevar a toma de decisiones incorrectas.

• El VaR responde a >C¶ ual es la m¶ ³nima p¶ erdida en que incurrimos en los 100(1 − α)% peores casos de la cartera? 5 .2. el Valor en Riesgo es la p¶ erdida en el valor de mercado sobre el horizonte temporal T que s¶ olo es superada con una probabilidad 1 − α.Valor en Riesgo • La medida m¶ as utilizada en la pr¶ actica: Valor en Riesgo (VaR) • Du±e y Pan (1997). el Valor en Riesgo se puede de¯nir como: Dado un horizonte temporal T y un nivel de con¯anza 100α%.

000. • Valor en Riesgo: p¶ erdida asociada con el percentil α de la distribuci¶ on de p¶ erdidas de la cartera. 6 . T = 7 d¶ ³as V aR = 1. V aRα = inf {x ∈ R | P (X ≤ x) ≥ α} .X ≥ 0 indicar¶ a p¶ erdidas y X ≤ 0 indicar¶ an bene¯cios.99. • Si X indica las p¶ erdidas-bene¯cios de la cartera.• Ejemplo: α = 0.000: la p¶ erdida de la posici¶ on no deber¶ ³a ser superior a un mill¶ on de d¶ olares en 99 de 100 casos a lo largo de los siete d¶ ³as.

p¶ erdida 100 euros en los peores 5% casos. 7 . posici¶ on en futuros con p¶ erdidas no acotadas. Simplicidad 3. Se expresa siempre en \dinero perdido" 2. Universalidad • Paradoja { Cartera A: Valor 100 euros. { Se puede escoger B de tal forma que el V aR(B) = 100. { Cartera B: Valor 100 euros.• Las ventajas del VaR: 1.

• Medida no subaditiva: diversi¯caci¶ on puede aumentar el riesgo • Dif¶ ³cil de optimizar 8 .Problemas que presenta el VaR: • Si la distribuci¶ on de p¶ erdidas tiene una cola pesada nos podemos encontrar con dos carteras con igual VaR pero con p¶ erdidas superiores al VaR muy diferentes.

3. Positiva homog¶ enea: ρ(λX ) = λρ(X ). 2. Medidas coherentes de riesgo Artzner y otros (1997) intentan resolver estos problemas de¯niendo las medidas coherentes 1. Sub-aditiva: ρ(X + Y ) ≤ ρ(X ) + ρ(Y ). Invariante por traslaci¶ on: ρ(X + a) = ρ(X ) + a. 4. a ∈ R Mon¶ otona: Si X ≤ Y entonces ρ(X ) ≤ ρ(Y ). 9 . 3.

1). • Por de¯nici¶ on: CV aRα ≥ V aRα. α ∈ (0. 10 . • Propiedades m¶ as atractivas: subaditiva y convexa. • Ejemplo de medida coherente: Valor en Riesgo condicionado (CVaR) • CVaR responde: >C¶ ual es la p¶ erdida esperada incurrida en los (1 − α)% peores casos de una posici¶ on? CV aRα(X ) = EP [X | X ≥ V aRα].• Artzner y otros (1999): Caracterizaci¶ on de estas medidas.

Relajan las condiciones positiva homog¶ enea y subaditiva por convexidad: Convexidad:: ρ((1 − λ)Y + λX ) ≤ (1 − λ)ρ(Y )+ λρ(X ) para todo λ ∈ [0. medidas de desviaci¶ on. etc.. acotadas en media. 11 .4. 1]. espectrales. Medidas convexas de riesgo: Follmer y Schied (2002) sugieren que el riesgo puede crecer de forma no lineal respecto al tama~ no de la posici¶ on. Propiedades de las medidas de riesgo: Falta de consenso Se de¯nen muchos conjuntos de medidas: medidas convexas.

1] y FX inf {x ∈ R | P [X ≤ x] ≥ p}.Medidas espectrales de riesgo: Acerbi (2002) de¯ne las medidas espectrales: M φ (X ) = (1) − (p) = donde φ es una funci¶ on real sobre el intervalo [0. 1 −(p)dp . φ ( p ) F X 0 Kusuoka (2001) demuestra que las medidas espectrales son medidas coherentes que satisfacen las propiedades de invariante por ley y aditividad comon¶ otona. 12 .

No existe consenso sobre las propiedades que las medidas de riesgo deben poseer. Goovaerts y otros (2003) son bastante cr¶ ³ticos sobre las condiciones de coherencia: sub{aditividad. Estas medidas no son coherentes. 13 . para comparar primas de riesgo o para prop¶ ositos de regulaci¶ on. invariante por traslaci¶ on y positiva homog¶ enea.Rockafellar y otros (2002) de¯nen dos conjuntos diferentes de medidas de riesgo: medidas de desviaci¶ on y medidas acotadas en media. Las propiedades deseables di¯eren cuando una medida de riesgo se utiliza para requerimientos de capital.

5. 1] → [0. funci¶ on no-decreciente que cumple g(0) = 0 y g(1) = 1. (2) donde g es una funci¶ on de distorsi¶ on. 1]. g : [0. De¯nici¶ on Una funci¶ on de distorsi¶ on. es una 14 . ∞ ∞ ρg (Y ) = EP ∗ [X ] = 0 g(S (y))dy − 0 [1 − g(S (−y))]dy . Medidas de riesgo basadas en distorsiones Medida de riesgo: Valor esperado de las p¶ erdidas bajo una probabilidad distorsionada (Integral de Choquet).

Propiedades de las medidas basadas en distorsiones 1. 3. 4. 5. Non-exceding loading : ρ(X ) ≤ max(X ) 15 . 6. Monoton¶ ³a Homog¶ enea positiva Invariante por traslaci¶ on Aditiva comon¶ otona Subaditiva si g es c¶ oncava y superaditiva si g es convexa. 2.

• Valor esperado de una nueva funci¶ on de distribuci¶ on incorporando las expectativas o la aversi¶ on al riesgo del individuo. • Las medidas m¶ as utilizadas est¶ an basadas en distorsiones. 16 . • Una funci¶ on de distorsi¶ on repondera las probabilidades que asigna la funci¶ on de distribuci¶ on real de p¶ erdidas. • Medidas coherentes basadas en distorsiones: repondera de forma que la distribuci¶ on distorsionada tiene una cola m¶ as pesada que la inicial.

• No todas las medidas de riesgo coherentes son medidas basadas en distorsiones (aunque \si las m¶ as importantes").6. Valor en Riesgo  0 if y < 1 − α g(y) = 1 if y ≥ 1 − α (3) Funci¶ on de distorsi¶ on de¯nida a trozos y no{c¶ oncava (no coherente). 17 . M¶ as all¶ a de la coherencia • Medidas basadas en distorsiones son coherentes ⇔ la distorsi¶ on es c¶ oncava.

Ejemplo (CVaR inconsistente) P¶ erdida A B 0 0. 18 .600 0.390 5 0. 1 si y ≥ 1 − α (4) Funci¶ on de distorsi¶ on de¯nida a trozos.:Distribuci¶ on de las p¶ erdidas de las carteras A y B.025 | 11 | 0. continua y c¶ oncava (medida coherente).010 Tabla 1.600 1 0.375 0.Valor en Riesgo Condicionado  y  1−α si y < 1 − α g (y ) =  .

Se puede calcular la distribuci¶ on distorsionada de las carteras A y B. 5 dx = 3 = CV aR ( X ) . ∗ (x) P¶ erdida SA(x) SA X <0 1 1 0 ≤ X < 1 0.95(XA) = 1 5 dx + 0 . 95 B 0 1 19 .4 1 1 ≤ X < 5 0.5 5≤X 0 0 Tabla 2.: Distribuci¶ on distorsionada de la cartera A El CV aRα(XA). 0 .025 0.95. a nivel α = 0. viene dado por: CV aR0.

Ejemplo Supongamos que tenemos la siguiente funci¶ on de distorsi¶ on:   50x si 0 ≤ x < 0.01 g1(x) = 0.01. 0.5 x si 0.Problema de la medida CVaR: no utiliza toda la informaci¶ on de la distribuci¶ on inicial.01 ≤ x < 0.5 < x ≤ 1 g es una funci¶ on de distorsi¶ on continua y constante en el intervalo [0. 20 .5 si 0.5].

025 0.375 | 11 0.5) a ambas carteras. Distribuci¶ on de p¶ erdidas de las carteras A y B La medida de riesgo generada por g1 asigna el mismo valor (5.390 10 0.Consideramos dos carteras A y B: P¶ erdida A B 0 0. Problema: La funci¶ on de distorsi¶ on no utiliza toda la infor21 .010 Tabla 3.600 0.600 1 | 0. maci¶ on inicial.

22 .025 0.Se puede comprobar que da probabilidad cero a un conjunto de sucesos P¶ erdida 0 10 11 P(A) P ∗(A) 0.: Probabilidad distorsionada de la cartera A Soluci¶ on: La medida de riesgo debe utilizar toda la informaci¶ on de la distribuci¶ on inicial.5 0.5 Tabla 4.375 0 0.600 0.

x2 ∈ [0. (5) donde S ∗ es la funci¶ on de supervivencia de la probabilidad distorsionada. Soluci¶ on: La funci¶ on de distorsi¶ on que genera la medida de riesgo no puede ser constante.e. i. P ∗.De¯nici¶ on: Consideramos un riesgo X y una medida de distorsi¶ on ρ. 1]. ρ(X ) = EP ∗ (X ). La medida de riesgo ρ se dice que es completa si: S (x1) = S (x2) ⇔ S ∗(x1) = S ∗(x2). ∀ x1. Las medidas VaR y CVaR no son completas. 23 .

24 . for all x1. 1]. Teorema: Las siguientes condiciones son equivalentes 1. 2. El coe¯ciente de reponderaci¶ on se puede aproximar por la derivada de la funci¶ on de distorsi¶ on.No utilizar la informaci¶ on inicial es equivalente a realizar una reponderaci¶ on igual a cero. x2 ∈ [0. g es una funci¶ on de distorsi¶ on estrictamente creciente. S (x1) = S (x2) ⇔ S ∗(x1) = S ∗(x2).

25 . Caracterizaci¶ on de las medidas exhaustivas en funci¶ on de la derivada de la funci¶ on de distorsi¶ on.Si estamos interesados en medidas coherentes (concavidad de la funci¶ on de distorsi¶ on) de¯nimos la propiedad de exhautividad. La diferencia entre medidas de distorsi¶ on convexas y c¶ oncavas es que generan medidas super-aditivas o sub-aditivas. respectivamente. De¯nici¶ on: Una medida de riesgo basada en una distorsi¶ on es exhaustiva si es coherente y completa.

Las medidas deben ser completas.• La coherencia no es sufuciente para evitar inconsistencias. • Existe un punto donde la reponderaci¶ on cambia y el inversor decide asignar m¶ as importancia a p¶ erdidas superiores a ese valor que aquellas inferiores. 26 . • Las funciones c¶ oncavas reponderan las p¶ erdidas bajas por un coe¯ciente < 1 y las p¶ erdidas extremas por un coe¯ciente > 1.

Conclusiones • No existe consenso sobre que propiedades deben tener las medidas de riesgo.7. 27 . • Se de¯nen propiedades para evitar dichas inconsitencias: Completitud y exhaustividad. • Se observan inconsistencias en las medidas de riesgo m¶ as utilizadas en la pr¶ actica: VaR y CVaR. • Las inconsistencias son debidas a que la funci¶ on de distorsi¶ on que de¯nen dichas medidas son constantes. • El problema aparece al reponderar por cero las probabilidades iniciales.