Professional Documents
Culture Documents
RESUMEN
El Valor en Riesgo (VaR) es una medida estadstica de las prdidas potenciales de una cartera de instrumentos financieros.
En este trabajo presentamos dos procedimientos estadsticos alternativos para el clculo del Valor en Riesgo. El primero consiste en
aplicar la metodologa Bayesiana, confiando en su particular potencial
para el tratamiento de los problemas predictivos. Por otro lado, con el
objeto de prevenir la influencia por la presencia de observaciones atpicas, el segundo procedimiento consiste en la utilizacin de tcnicas
Robustas en la estimacin del VaR. Los modelos resultantes de la utilizacin de estas tcnicas son analizados mediante su aplicacin a la
cartera del IBEX, con datos diarios y un periodo observacional comprendido entre los aos 1993 al 1998, comparando sus resultados con
las tcnicas estndar.
120
ESTADSTICA ESPAOLA
Palabras clave: Valor en Riesgo, Inferencia Bayesiana, Tcnicas Robustas, IBEX, Emprico-Bayes.
Clasificacin AMS: 90A09, 62F15, 62C12, 62F35, 62G35.
1. INTRODUCCIN
Durante la ltima dcada se han desarrollado nuevos mtodos de medida y de
gestin del riesgo de mercado. Una de estas medidas, conocida como Valor en
Riesgo (VaR), ha cobrado especial importancia y tiende a convertirse en el patrn a
seguir por las instituciones financieras para el control de sus riesgos de mercado. El
enfoque VaR es atractivo porque es fcil de interpretar (el VaR est medido en
unidades monetarias) y puede ser utilizado para producir una estimacin de la
cantidad necesaria de fondos propios para cubrir el riesgo de mercado de las
actividades de negociacin desarrolladas por las entidades financieras. Adems,
tiene la ventaja adicional de poder incorporar los efectos de la diversificacin de las
carteras. En la actualidad, muchas entidades financieras basan sus prcticas sobre
estimacin y gestin de riesgos en el VaR.
A la consolidacin de este enfoque como herramienta de gestin del riesgo de
mercado entre las entidades financieras, ha contribuido de forma notable el grupo
J.P. Morgan al hacer pblica en octubre de 1994 la descripcin de su sistema de
medida del riesgo de mercado, denominado RiskMetrics, basado en la metodologa
VaR, as como el conjunto de datos necesarios para su aplicacin. Tambin ha
contribuido a la consolidacin de estos sistemas el hecho de que las autoridades
internacionales en supervisin bancaria (Comit de Basilea y Unin Europea),
hayan permitido a las entidades financieras la posibilidad de determinar la cantidad
de fondos propios necesarios para cubrir el riesgo de mercado de sus carteras de
negociacin mediante modelos propios basados en la metodologa VaR.
Las entidades supervisoras aconsejan especificaciones estadsticas concretas
para el clculo del VaR; sin embargo, las instituciones financieras no estn obligadas a utilizar ningn procedimiento concreto para estimar el VaR. Son las propias
entidades las que deciden el procedimiento estadstico en que se basarn. Esta
libertad de eleccin tiene sentido, ya que como indica Beder (1995) no existe hasta
el momento un determinado enfoque VaR que sea superior al resto.
En la prctica, las instituciones financieras utilizan sus modelos VaR sobre una
base diaria (horizonte temporal unitario), haciendo pblicos sus resultados. Segn
Hendricks y Hirtle (1997), esta informacin constituye una herramienta reguladora
til para comparar el nivel de riesgo asumido entre distintas entidades financieras a
121
lo largo del tiempo; sin embargo, la fuerte dependencia del VaR con los procedimientos estadsticos utilizados disminuye la capacidad comparativa de ste.
En este trabajo, pretendemos introducir nuevos procedimientos para el clculo
del VaR, de manera que constituyan una alternativa a las tcnicas estadsticas
clsicas utilizadas en la prctica. En la Seccin 2 se introduce el concepto de Valor
en Riesgo, se analizan las propiedades estadsticas de esta medida y se describen
someramente los principales enfoques utilizados habitualmente para su clculo. En
la Seccin 3 se expone una introduccin a los aspectos bsicos de la inferencia
bayesiana, aplicndolos al clculo del VaR mediante la utilizacin de dos modelos
alternativos. La Seccin 4 est dedicada a introducir las tcnicas robustas y al
desarrollo de estimaciones robustas del VaR. La Seccin 5 est constituida por una
aplicacin emprica de los procedimientos propuestos, cuyos resultados son comparados utilizando una batera de medidas habituales en este contexto. Finalmente,
en la Seccin 6 se resumen las conclusiones ms relevantes del trabajo.
2. EL VALOR EN RIESGO
En este apartado introducimos el concepto de Valor en Riesgo (VaR) y analizamos las propiedades estadsticas de esta medida del riesgo. Tambin hacemos una
breve referencia a la seleccin de los parmetros en los que se basa su clculo,
como el periodo de mantenimiento de la cartera y el nivel de confianza a utilizar.
2.1.
En un determinado instante del tiempo t, se define el VaRt como la mxima prdida monetaria que puede alcanzar un activo financiero o una cartera de activos, en
un horizonte temporal [t,t+1] con una probabilidad establecida c, lo que tambin se
conoce como nivel de confianza.
La definicin del VaRt se puede formalizar probabilsticamente de la siguiente
forma. Sea Pt el valor inicial de la cartera (usualmente Pt representa su valor presente) y sea Pt+1 el valor de la cartera transcurrido el horizonte temporal en consideracin. La definicin implcita del VaRt en trminos probabilsticos es
[1]
donde el signo negativo se usa porque generalmente el VaRt se expresa con signo
positivo. Alternativamente se puede definir el VaRt en funcin del rendimiento de la
cartera producido en el horizonte temporal, lo que denotaremos por Rt+1. De esta
122
ESTADSTICA ESPAOLA
forma es trivial observar que Rt+1 = (Pt+1 - Pt) / Pt, con lo que sustituyendo en [1]
encontramos que VaRt debe cumplir:
[2]
[3]
123
124
ESTADSTICA ESPAOLA
El enfoque Varianzas-Covarianzas
VaR VC
t = Pt z c
[4]
125
Rt =
w R
i
i t
i=1
w
i=1
2 2
i i
w w
+2
j ij
i< j
t
VaR VC
t = Pt z c
[5]
126
ESTADSTICA ESPAOLA
mente a desconocer las propiedades probabilsticas del VaRt resultante, puesto que
evidentemente estas caractersticas concretas no se conservan.
El tratamiento de Varianzas-Covarianzas permite obtener Intervalos de Confianza (IC) para la volatilidad 2 (supuestamente constante) de la cartera a partir de
2 . En efecto, es sencillo demostrar que a nivel de confianza (1-) el intervalo de
colas iguales que se obtiene es:
(v 1) 2 (v 1) 2
T
t
, 2
IC1 ( 2 ) = 2
v 1,1 / 2 v 1, / 2
siendo 2v , el percentil de la distribucin Chi-cuadrado con v grados de libertad.
2.2.2.
Simulacin Histrica
Este enfoque utiliza la funcin de distribucin emprica provista por las observaciones histricas de los rendimientos r={rt, rt-1, rt-2,...,rt-v+1} para estimar Q1-c(Rt+1) y
sustituirlo en [3], de manera que encaja en un tratamiento no paramtrico del
problema, ya que no supone ninguna distribucin para la variable rendimiento.
As, si llamamos Q
1c al percentil (1-c) de la muestra r, el VaRt es:
VaRSH
t = Pt Q1c
el cual posee un alto grado intuitivo y no tiene problemas de error en la especificacin del modelo observacional, pues ste no se explcita. Aunque a la metodologa
se le intuye robustez ante la aparicin de observaciones de rendimientos atpicos,
en trminos estadsticos las tcnicas no paramtricas suelen ser menos potentes
que las paramtricas.
Simulacin por Monte-Carlo.
Es un enfoque potente y flexible para la estimacin del VaR. En este caso, la
distribucin de las variaciones hipotticas en el valor de la cartera se simula mediante nmeros aleatorios a partir de un proceso estocstico. Sin embargo, la
complejidad de este procedimiento crea inevitablemente problemas. Por un lado, es
computacionalmente muy intenso, por otro, requiere de una dotacin de personal
muy cualificado.
127
3. EL ENFOQUE BAYESIANO
En este apartado proponemos una metodologa bayesiana para el clculo del
VaR. La versatilidad y la potencia del anlisis bayesiano convierten a esta tcnica
en una seria alternativa a la metodologa clsica. El objetivo del trabajo es fundamentalmente introductorio, por lo que describiremos las ventajas del uso de la
metodologa bayesiana (entre otras para su aplicacin en las finanzas) e introduciremos los conceptos mas importantes, materializando el uso de la estadstica
bayesiana para el clculo del VaR a travs de dos modelos univariantes.
3.1.
El VaR Bayesiano
La estadstica bayesiana constituye un entorno de trabajo propio e independiente de la estadstica clsica, cuyos fundamentos difieren de forma importante de
los fundamentos propios de la estadstica clsica.
De gran importancia (y en el contexto del clculo del VaR lo es) es la distribucin predictiva que caracteriza el comportamiento de una observacin futura de la
variable de inters, condicionada a las observaciones pasadas. Sea Xt+1 la observacin futura de la variable de inters X (pinsese en el rendimiento de la cartera
maana), cmo se comporta Xt+1 si en el proceso hemos observado
x={x1,x2,...,xt}? La respuesta a esta pregunta est en la distribucin de probabilidad
p(xt+1 | x) que se conoce como distribucin predictiva.
Aplicando sencillas leyes de probabilidad, se obtiene
128
3.2.
ESTADSTICA ESPAOLA
Dada una cartera de negociacin, hemos llamado Rt a la rentabilidad de la cartera en el instante t. Para calcular el VaRt a partir de [3], utilizaremos la distribucin
predictiva p(rt+1 | r) donde r={rt, rt-1,..., rt-v+1} son los v anteriores rendimientos de la
cartera.
Definicin 1. Dada una cartera y la muestra r={rt, rt-1,..., rt-v+1} de la variable
Rendimientos (R), donde Rt+1 es su Rentabilidad en el instante t+1, definimos el
Valor en Riesgo Bayesiano en el instante t ( VaRBt ) a un nivel de probabilidad c
como:
VaRBt = Pt Q1c (R t +1 | r)
siendo Pt el valor de la cartera en el instante t.
La interpretacin del VaRBt es muy sencilla. Con la informacin incorporada en
el procedimiento (incluye el modelo, la distribucin a priori y las observaciones), la
probabilidad de que la rentabilidad en el instante t+1 sea mayor que el VaRBt es
c.
La bondad en el clculo del VaRBt depende en gran parte de la buena eleccin
del modelo para describir el comportamiento de la rentabilidad en el tiempo. Cuanto
mejor refleje la realidad mejor ser el valor del VaRBt . En los modelos escogidos
tendr que haber compromiso entre fidelidad a la realidad y sencillez.
En los ltimos aos ha aumentado la produccin de material cientfico sobre
seleccin de modelos bayesiano (Berger y Perichi, 2000). Por el momento, la
seleccin de modelos (en trminos formales) queda fuera de nuestros propsitos.
Seguiremos el principio de evaluar los modelos segn su capacidad predictiva, lo
que creemos es un posicionamiento sensato del problema.
La distribucin a priori p() es importante, aunque en problemas con tamao de
muestra grandes (a diario se utilizan usualmente tamaos de muestra grandes) su
influencia en el resultado final ser pequea. Utilizaremos alternativas que permitan
un tratamiento automtico del problema, de tal forma que no sea necesario asignar
objetivamente la distribucin a priori. Concretamente, utilizaremos distribuciones a
priori mnimo informativas y tcnicas Emprico-Bayes.
3.3.
129
Rt | 2 ~ N(0, 2 )
2 ~ p(2 ) = 1 / 2
Este modelo es adecuado para describir carteras con rendimientos centrados en
0 (hiptesis usual en este contexto) y con volatilidades desconocidas pero constantes en el tiempo (hiptesis incumplida con frecuencia), adems el comporta2
miento de la variable rentabilidad condicionada a debe ser Normal. Como
2
distribucin a priori para hemos utilizado la mnimo informativa usual (Yang y
Berger, 1996), conocida como distribucin a priori de referencia (Berger y Bernardo,
1992).
El tratamiento analtico de este modelo es sencillo, por lo que se pueden encontrar frmulas explcitas de la distribucin predictiva que permitan definir el VaR
asociado.
Para una muestra de rendimientos r={rt, rt-1,..., rt-v+1}, la distribucin predictiva del
rendimiento en el instante t+1 asociada al Modelo 2 es(1):
R t+1 | r ~ St(0,1/ S2 , v)
donde S2 =
2
i
((v + 1) / 2)
(v / 2)(1 / 2)
[1 + v 1(y )2 ] (v 1) / 2
130
ESTADSTICA ESPAOLA
VaRBt,Norm = Pt t v,c S
[6]
denotando tv,c el percentil c de la distribucin St(0,1,v) y S = + S2 . Como la distribucin t-Student es similar a una Normal cuando el parmetro es lo suficientemente grande entonces si ste es grande (30),
VaRBt,Norm = Pt z cS
Este valor coincide numricamente con el VaRt propuesto desde un enfoque
clsico bajo hiptesis de normalidad. Esta coincidencia numrica, que no conceptual, explica la validez predictiva del procedimiento clsico.
3.3.2.
Rt | 2t ~ N(0, 2t )
2t | , ~ IG(, )
, ~ p(, )
con Rt independiente de {Rs, 2s ,,} condicionalmente sobre 2t , y 2t independiente de 2s condicionado a , para st.
La estructura jerrquica propuesta modeliza el comportamiento de las varianzas
2t como observaciones de una distribucin comn. La novedad es que aunque las
elasticidades tengan un comportamiento comn, sus valores varan con el tiempo,
lo que parece mas realista.
Aunque un tratamiento Bayesiano requiere modelizar el comportamiento de
(
,
), nosotros usaremos la tcnica del Emprico-Bayes (EB) (Carlin y Louis, 2000)
para tratar el Modelo 3 y as evitar asignar la distribucin a priori p(,).
Para usar el EB, encontraremos ( , ) , estimaciones MV de (,) provistas por
las observaciones de r, e incluiremos esta estimacin en el Modelo 3 como constante conocida. La funcin de verosimilitud L(,) que se debe maximizar para
obtener ( , ) a partir de una muestra r={rt, rt-1,..., rt-v+1} es:
L(, ) =
(( + 1) / 2)
2
+1 / 2
i / 2 + )
()(r
i= t v +1
[7]
131
La optimizacin de [7] se puede abordar por procedimientos numricos habituales, disponibles en cualquier paquete estadstico.
Condicionado a ( , ) , la distribucin predictiva del rendimiento en el instante
t+1 es:
Rt +1 | r, ( , ) ~ St(0, / ,2 )
por lo que el VaR utilizando el Modelo 3 es:
VaRBt,IG = Pt t 2 ,c
[8]
Esta segunda aproximacin del VaRt tiene una forma similar a la obtenida en [6]
aunque con caractersticas propias importantes. Comprobamos que es
aproximadamente la media a posteriori de 2t +1 , por lo que se puede considerar
este factor como un representante de la variabilidad prevista para el instante t+1.
Los grados de libertad del percentil de la t-Student cambian (no son constantes
como ocurra con el Modelo 2) y se autoajustan a las circunstancias propias de
cada periodo de observacin por lo que (8) se regula para ajustar el parmetro
grados de libertad a las circunstancias. Soluciones clsicas al clculo del VaR
proponen que la distribucin condicional de los rendimientos sea t-Student con
grados de libertad constantes y ajustados por el investigador. Al utilizar grados de
libertad constantes, las caractersticas de la distribucin no se ajustan a los datos y
los resultados no son buenos.
4. EL ENFOQUE ROBUSTO
Una posible alternativa a los procedimientos clsicos en el estudio del Valor en
Riesgo, es la utilizacin de tcnicas robustas para su clculo.
La estadstica robusta es una rama de la estadstica la cual pretende estudiar el
comportamiento de diferentes procedimientos cuando existe una pequea variacin
en los supuestos iniciales, o cuando existe la posibilidad de que el modelo est
contaminado por ciertas observaciones conocidas por el nombre de Outliers (que
llamaremos Observaciones Atpicas) que producen influencias en los resultados
que conllevan a resultados errneos.
La experiencia y los estudios de simulacin sobre los procedimientos propuestos en estadstica robusta, aconsejan el uso de estas tcnicas en toda modelizacin
132
ESTADSTICA ESPAOLA
133
n2a
1
x [i]
2n a i=a+1
[9]
Notar que un truncamiento a nivel 0 coincide con la media muestral, y si tiende a 50 entonces el concepto tiende a la mediana muestral, de manera que, tomando por convenio que 50_Truncada es la mediana, podemos definir las
_Truncada para todo en el intervalo cerrado [0,50].
Las propiedades de este estimador son estudiadas en Hoaglin y otros (1983).
De ellas, y utilizando propiedades de los Estadsticos Ordenados(2), es fcil demostrar que _Truncada es un estimador Insesgado. Por otra parte, respecto de
las propiedades en robustez de estos estimadores (ver Rousseeuw y Leroy, 1987)
(2) La propiedad necesaria se puede enunciar de la forma: Si x={x1,x2,...,xn} es una muestra aleatoria simple de tamao n de la variable X, que sigue una Distribucin Simtrica de
media , y recordando la notacin de x[i], entonces se cumple que: E[x[n-i+1]]+E[x[i]] = 2, , para
todo i=1,2,...,n.
134
ESTADSTICA ESPAOLA
son Equivariantes Afn, tienen Punto de Ruptura de valor (a+1)/n, con Punto de
Ruptura Asinttico de /100 y son B-Robustos siempre que a1. Adems, de la
controversia entre Robustez y Eficiencia (considerando Eficiencia Relativa con
respecto a la media), debemos hacer notar que la Eficiencia de estos estimadores
bajo el supuesto de Normalidad en la variable observada (siguiendo a Hampel y
otros, 1986) puede ser aproximada mediante la forma lineal (100-0.723)%, por lo
que los elementos de esta familia recorren los diferentes rangos de esta propiedades entre el 64% (de la mediana) y el mximo, el 100% (de la media).
Es fcil observar que la media (0_Truncada) tiene la mayor Eficiencia posible en
Distribuciones Normales, junto con el peor comportamiento ante Observaciones
Atpicas (Punto de Ruptura de valor 0, con Funcin de Influencia no acotada, es
decir no es B-Robusto,...), mientras que, en el otro extremo, la mediana
(50_Truncada) tiene una Eficiencia menor (del 64%) bajo Normalidad, siendo su
Punto de Ruptura Asinttico el mximo posible, con Funcin de Influencia acotada,
y en definitiva comportamientos ms idneos para el tratamiento de Observaciones
Atpicas.
Retomando el comentario inicial de esta seccin, en el que se expona el hecho
de que es habitual la construccin de estimadores de escala a partir de estimadores
de posicin, creemos que una buena eleccin para la construccin de estimadores
de escala sera la utilizacin de los elementos de la familia de Medias Truncadas.
Esta decisin generara una familia de estimadores de escala con elementos
recorriendo combinaciones de ambas propiedades genricas antes citadas.
4.1.2.
135
[10]
Dada la definicin de VaR en [4], donde bajo los supuestos del Enfoque de Varianzas-Covarianzas se construye mediante VaR VC
t = Pt z c , con Pt el valor inicial
de la cartera, en el intervalo temporal considerado, zc el percentil c de la Normal
estndar considerado y la estimacin mediante el estimador Mximo Verosmil,
ahora, utilizando las tcnicas robustas descritas en el apartado anterior, propone-
136
ESTADSTICA ESPAOLA
~ = [ _ Trun(r)]1 / 2
[11]
VaRRt = Pt z c ~
.
En definitiva, mediante la Definicin 2 proponemos una nueva aproximacin de
VaR basndonos en el Enfoque de Varianzas-Covarianzas y mediante tcnicas
robustas, que nos aseguran un comportamiento de dicho valor no influido por
posibles Observaciones Atpicas en la muestra utilizada para la estimacin.
137
5.1.
Planteamiento general
6,00%
Rentabilidad
4,00%
2,00%
0,00%
-2,00%
-4,00%
5/10/98
5/07/98
5/04/98
5/01/98
5/10/97
5/07/97
5/04/97
5/01/97
5/10/96
5/07/96
5/04/96
5/01/96
5/10/95
5/07/95
5/04/95
5/01/95
5/10/94
5/07/94
5/04/94
5/01/94
5/10/93
5/07/93
5/04/93
-8,00%
5/01/93
-6,00%
El periodo de anlisis se inicia el 5/01/93 y finaliza el 30/12/98. La toma de observaciones es diaria, por lo que el periodo considerado contiene 1490 observaciones.
La Figura 1 muestra la evolucin de los rendimientos diarios de dicha cartera
durante el periodo de anlisis. En dicho grfico se puede observar que el periodo
de anlisis incluye periodos de baja volatilidad y alta volatilidad. Intuimos dos
subperiodos bien diferenciados respecto al comportamiento de la cartera. Un primer
subperiodo caracterizado por poca volatilidad y un comportamiento regular de los
rendimientos, que abarca (aproximadamente) del da 5/01/93 al 29/12/95 y un
segundo subperiodo del 2/01/96 al 30/12/98 de alta volatilidad y mayor inestabilidad
en el comportamiento (especialmente las fechas de la moratoria Rusa cercanas al
30/12/98 aparece una gran variabilidad en la cartera).
Las caractersticas estadsticas de esta cartera se muestran en la Figura 2. En
esta tabla se distingui los dos subperiodos mencionados anteriormente. Encontramos que la desviacin tpica en el segundo subperiodo es aproximadamente un
40% mayor que en el primer subperiodo, lo que confirma lo que se puede apreciar
138
ESTADSTICA ESPAOLA
Figura 2
CARACTERSTICAS DE LA RENTABILIDAD DEL IBEX POR SUBPERODOS
Periodo
Total(05/01/93 a 30/12/98)
Primero (5/1/93 al 29/12/95)
Segundo (2/1/96 al 30/12/98)
Das
Media
D. Tpica
p-Valor(KS)
1490
0.0950%
1.2614%
0.0001
743
0.0600%
1.0271%
0.3292
747
0.1314%
1.4575%
0.0010
En consecuencia el comportamiento de la cartera no es homogneo en el tiempo. Considerando el total del periodo podemos apreciar en la Figura 2 que la hiptesis de normalidad es insostenible (p-valor de Kolmogorov-Smirnof de 0.001).
Figura 3
HISTOGRAMA DE LA RENTABILIDAD DEL IBEX (PERODO: 5/01/93 HASTA
30/12/98, DONDE SE HA SUPERPUESTO UNA CURVA NORMAL CON MEDIA Y
VARIANZA IGUALES A LAS ENCONTRADAS EN LA CARTERA EN EL PERODO
EN ESTUDIO
0,040
0,035
0,025
0,020
0,015
0,010
0,005
Intervalos de rendimiento
Ibex
Normal
0,045
0,041
0,037
0,034
0,030
0,026
0,022
0,018
0,015
0,011
0,007
0,003
0,000
-0,004
-0,008
-0,012
-0,016
-0,019
-0,023
-0,027
-0,031
-0,035
-0,038
-0,042
0,000
-0,046
Frecuencia
relativa
0,030
139
VaRBt,Norm = Pt t 75,cS
recordamos que la expresin de arriba coincide con la propuesta por la metodologa clsica (ver [5]), por lo que los resultados obtenidos en ambos
coinciden.
Bayesiano (B.GI): Tratamiento Emprico-Bayes al modelo jerrquico
Normal con varianzas distribuidas Gamma-Invertida. Da lugar a:
VaR Bt,IG = Pt t 2 ,c
VaRRt = Pt z c ~
140
ESTADSTICA ESPAOLA
Figura 4
-4.000.000
-5.000.000
-6.000.000
P rdida
-V aR 95%
-V aR 99%
23/10/1998
23/07/1998
23/04/1998
23/01/1998
23/10/1997
23/07/1997
23/04/1997
23/01/1997
23/10/1996
23/07/1996
23/04/1996
23/01/1996
23/10/1995
23/07/1995
23/04/1995
23/01/1995
23/10/1994
23/07/1994
23/04/1994
23/01/1994
23/10/1993
-8.000.000
23/07/1993
-7.000.000
23/04/1993
Prdidas(euros )
-3.000.000
141
Figura 5
COMPORTAMIENTO DEL VAR BAYESIANO CON MODELO NORMALGAMMAINVERTIDA (B.GI). SE REPRESENTAN LAS PRDIDAS Y EL VAR
(CAMBIADO DE SIGNO) PARA NIVELES c=0.95 (LNEA SUPERIOR) Y
c=0.99 (LNEA INFERIOR)
0
-1.000.000
-3.000.000
-4.000.000
-5.000.000
-6.000.000
-7.000.000
Prdida
-VaR 95%
-VaR 99%
23/10/1998
23/07/1998
23/04/1998
23/01/1998
23/10/1997
23/07/1997
23/04/1997
23/01/1997
23/10/1996
23/07/1996
23/04/1996
23/01/1996
23/10/1995
23/07/1995
23/04/1995
23/01/1995
23/10/1994
23/07/1994
23/04/1994
23/01/1994
23/10/1993
23/07/1993
-8.000.000
23/04/1993
Prdidas(euros)
-2.000.000
142
ESTADSTICA ESPAOLA
Figura 6
-1.000.000
Prdidas(euros)
-2.000.000
-3.000.000
-4.000.000
-5.000.000
-6.000.000
-7.000.000
Perdidas
-VaR 95%
23/10/1998
23/07/1998
23/04/1998
23/01/1998
23/10/1997
23/07/1997
23/04/1997
23/01/1997
23/10/1996
23/07/1996
23/04/1996
23/01/1996
23/10/1995
23/07/1995
23/04/1995
23/01/1995
23/10/1994
23/07/1994
23/04/1994
23/01/1994
23/10/1993
23/07/1993
23/04/1993
-8.000.000
-VaR 99%
5.3.
143
Evaluacin de resultados
144
ESTADSTICA ESPAOLA
sobre los dos subperiodos en los que se hemos dividido el periodo total (668 y 747
valores, respectivamente).
Figura 7
Excepciones
(nmero)
Excepciones
(porcentaje)
Mltiplo
medio
Mltiplo
mximo
Mltiplo
necesario
4,88% 1,427
4,81% 1,449
4,81% 1,450
3,855
3,941
3,946
0,984
0,987
0,996
35
34
33
5,24% 1,298
5,09% 1,318
4,94% 1,335
2,113
2,121
2,119
1,002
1,001
0,997
4,55% 1,560
4,55% 1,580
4,69% 1,559
3,855
3,941
3,946
0,950
0,950
0,979
1,77% 1,326
1,84% 1,325
1,77% 1,347
2,726
2,843
2,790
1,199
1,204
1,224
8
8
8
1,20% 1,261
1,20% 1,262
1,20% 1,275
1,494
1,511
1,498
1,088
1,078
1,068
2,28% 1,356
2,41% 1,353
2,28% 1,381
2,726
2,843
2,790
1,226
1,244
1,243
145
6. CONCLUSIONES
En este trabajo se han presentado los conceptos bsicos para calcular el VaR
utilizando metodologas bayesianas y metodologas robustas. El trabajo tiene un
alto componente divulgativo en las tcnicas presentadas, siendo su objetivo prioritario abrir posibles lneas de investigacin para futuros trabajos.
En la metodologa bayesiana, introducida en la Seccin 3, la prediccin se gestiona de manera muy natural, pudiendo introducir modelos muy realistas y precisos
para conseguir predicciones tan acertadas como se quiera. En este trabajo se
aplic la metodologa bayesiana a dos modelos sencillos. Un anlisis en detalle del
funcionamiento de los modelos permitir aprender sus debilidades para conseguir
asignar modelos alternativos que se ajusten ms a las caractersticas concretas de
la cartera en estudio. En particular, observamos en la Seccin 5, que en el estudio
del IBEX se requieren modelos con colas ms gruesas que la distribucin Student,
pues sta se manifiesta poco capaz de predecir correctamente los percentiles 0.05
y 0.01. En tratamientos no-bayesianos, modelos distintos al Normal dificultan muy
seriamente su tratamiento, lo que en la mayora de las ocasiones induce a la so-
146
ESTADSTICA ESPAOLA
REFERENCIAS
BEDER, T.S. (1995): VAR: Seductive but dangerous. Journal Financial Analysts.
BERGER, J.O. y BERNARDO, J.M. (1992): On the development of the reference prior
method. Bayesian Statistics, Vol.4.
BERGER, J.O. y PERICCHI, L.R. (2000): Objective Bayesian Methods for Model
Selection: Introduction and Comparison. Technical report, Duke University,
ISDS.
BERNARDO, J.M. (1979): Reference posteriors distributions for Bayes inference.
Journal of the Royal Statistics Society (Serie B),Vol.41.
CARLIN, B.P. y LOUIS, T.A. (2000): Bayes and Empirical Bayes Methods for Data
Analysis. Ed. Chapman and Hall. Segunda Edicin.
147
148
ESTADSTICA ESPAOLA