ESTADSTICA ESPAOLA

Vol. 46, Nm. 155, 2004, pgs. 119 a 148

Alternativas estadsticas al clculo del

Valor en Riesgo
por
PEDRO GENTO MARHUENDA
Facultad de Derecho y CC. Sociales de Ciudad Real
Universidad de Castilla-La Mancha

JUAN FCO. ORTEGA DATO

GONZALO GARCA-DONATO LAYRN
Facultad de C.C. Econmicas y Empresariales de Albacete
Universidad de Castilla-La Mancha

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

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

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.

Definicin del VaR

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

Pr(Pt+1 Pt < VaRt ) = 1 c

[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:

Pr(R t+1 < VaRt / Pt ) = 1 c

[2]

Si llamamos Q1-c (Rt+1) al percentil (1-c) de la variable rendimiento de la cartera

despus del horizonte temporal, entonces [2] nos conduce a la siguiente expresin
para VaRt

VaRt = Pt Q1c (R t +1)

[3]

por lo que en trminos estadsticos el VaRt se corresponde con el percentil (1-c)

de la distribucin de los beneficios y prdidas de la cartera.
La vocacin del VaRt es predictiva, ya que es una estimacin sobre el valor futuro de la cartera transcurrido el horizonte temporal.
Las ecuaciones anteriores asignan propiedades probabilsticas al VaR, sin embargo, tambin resultan interesantes sus posibles propiedades frecuentistas, ya
que stas pueden servir como herramienta de gestin a medio y largo plazo. Analizando [1] podemos intuir que si calculamos el VaRt sobre un alto nmero de periodos de negociacin (moviendo t), la proporcin de periodos donde el cambio del
valor de la cartera no ser superior al VaRt ser aproximadamente de (1-c). Pero
debemos considerar que esta propiedad frecuentista del VaRt slo es cierta bajo la
hiptesis de independencia entre los periodos, lo que no se cumple con generalidad.
Debido a que el VaRt es un clculo estadstico de las prdidas potenciales de
una cartera, independientemente de cul sea el mtodo utilizado para su estimacin, su valor depende de la eleccin del periodo de mantenimiento de la cartera
(holding period) y el nivel de confianza c seleccionado.
El periodo de mantenimiento es el horizonte temporal para el que queremos estimar la mxima prdida de nuestra cartera, con lo que implcitamente se supone
que las posiciones de la cartera se mantienen constantes durante dicho periodo.
Los periodos habitualmente utilizados oscilan entre un da y un mes, aunque se
puede utilizar otros periodos ms largos como trimestres e incluso aos. El Comit
de Basilea establece un periodo de dos semanas, aunque en la prctica se utilizan
periodos de un da, siendo posible trabajar con periodos inferiores a ste. En la
eleccin del periodo de mantenimiento deben considerarse diversos aspectos,
como la liquidez de los mercados en los que opera la institucin o la posibilidad de
que la entidad reajuste las posiciones de la cartera. En el primer caso, el periodo de

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

123

mantenimiento ideal sera el tiempo necesario para asegurar la liquidacin de las

posiciones en ese mercado. En cuanto al segundo aspecto, si el periodo de mantenimiento es demasiado largo, es ms que probable que los gestores realicen
cambios en la composicin de la cartera, de manera que stos hacen que la medida del VaR sea menos significativa. Por tanto, cuanto ms corto sea el periodo de
mantenimiento, ms real ser el supuesto de que la cartera se mantiene inalterada
durante dicho periodo.
La eleccin de c depender en parte del uso que queramos dar al clculo del
VaR. Bajo este punto de vista es importante distinguir entre los siguientes usos del
VaR:
1. Mecanismo para la determinacin de los fondos propios requeridos por las
autoridades supervisoras, para cubrir el riesgo de mercado de las posiciones de
negociacin de la entidad.
2. Como sistema interno, para la gestin de riesgos en la entidad.
Si la medida del VaR se utiliza para determinar los fondos propios requeridos
por los reguladores, los parmetros del VaR, incluido el nivel de confianza, vienen
determinados por el regulador. Por ejemplo, el Comit de Basilea establece que el
clculo del VaR debe realizarse diariamente sobre un horizonte de planificacin de
dos semanas (diez das de negociacin), utilizando un nivel de confianza del 99%
(c=0.99) y un periodo de observacin mnimo de un ao.
En la prctica, las entidades calculan diariamente el VaR y lo remiten peridicamente a los organismos supervisores, por lo que el VaR puede ser utilizado por
los supervisores para comparar el nivel de riesgo asumido por las distintas entidades. Dicha comparacin no ofrecer problema alguno si asumimos que los rendimientos de las distintas carteras se pueden describir a travs de una funcin de
distribucin de probabilidades normal, u otra asimilable, ya que el nivel de probabilidad se puede modificar para originar un valor del VaR comparable al de otra
institucin. En este caso, la eleccin del nivel de probabilidad no ofrece problema
alguno. Sin embargo, sin el supuesto de normalidad, el VaR calculado para un
determinado nivel de probabilidad nos dir muy poco del VaR correspondiente a
otro nivel de probabilidad distinto.
En el caso de que el VaR se utilice como sistema interno para la gestin de
riesgos, el nivel de confianza depender bsicamente de la aversin al riesgo del
gestor con respecto a los riesgos asociados a los casos extremos.
A modo de conclusin, podemos afirmar que pueden existir diferentes niveles de
probabilidad apropiados en funcin de cual sea el propsito para el que se calcule
el VaR. Igualmente, tampoco existen razones para que una institucin trabaje con

124

ESTADSTICA ESPAOLA

un nico nivel de probabilidad. En definitiva, la institucin debe utilizar un nivel de

probabilidad apropiado en funcin del objetivo marcado en cuanto a la estimacin
del VaR.
Hasta el momento se han propuesto en la literatura numerosos mtodos para
resolver aproximadamente [1], aunque la inmensa mayora de stos son variantes
de tratamientos estadsticos clsicos y tratamientos estadsticos no paramtricos.
Merece destacar entre los primeros citados el Enfoque de Varianzas-Covarianzas y
el de Simulacin de Monte-Carlo, y entre los segundos el enfoque de Simulacin
Histrica. Haremos una breve introduccin a estos mtodos actuales y los utilizaremos como referencia comparativa para las tcnicas alternativas propuestas en
este trabajo.
2.2.

Enfoques bsicos del clculo del VaR

En [3] se pone de manifiesto la necesidad de calcular un percentil de la variable

rendimiento para encontrar el VaR. A continuacin describiremos someramente
algunos de los exponentes de las tcnicas estadsticas utilizadas en la actualidad
para calcular el percentil mencionado.
2.2.1.

El enfoque Varianzas-Covarianzas

En este enfoque se asume para los rendimientos de la cartera considerada que

Rt ~ N(0, 2 ) , con Rt independiente de Rs para st. En definitiva se asume que los
rendimientos de la cartera son normales de media 0 (se asume que la media es
cero debido al supuesto de que la magnitud de la media es muy pequea en relacin a la desviacin tpica) y varianza 2 constante en el tiempo. Adems se supone
que los rendimientos son independientes entre s en el tiempo.
Denotando por zc el percentil c de la normal tipificada, encontramos que

Q1c (Rt ) = z1c = z c

por lo que sustituyendo en [3], tenemos el valor del VaRt propuesto por esta metodologa

VaR VC
t = Pt z c

[4]

Si la cartera est formada por N activos, el valor de se corresponde con una

combinacin de las varianzas y covarianzas de los rendimientos de los activos que
completan dicha cartera. As, llamando t = (R1t, R2t ,..., RNt) al vector formado por los
rendimientos individuales, con pesos la matriz columna w T=(w1, w2, ... ,wN) dentro

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

125

de la cartera, entonces Rt es la media ponderada con pesos wi de los rendimientos,

esto es,

Rt =

w R

i
i t

i=1

y por tanto 2 es:

2 =

w
i=1

2 2
i i

w w

+2

j ij

i< j

siendo i2 la varianza de Rit y ij la covarianza entre Rit y Rtj . Matricialmente

2 = w T w
con la matriz de varianzas-covarianzas de los rendimientos.
Cuando la cartera incluye una gran cantidad de activos o instrumentos mas
complejos, es necesario recurrir a tcnicas que permitan reducir el nmero de
factores de riesgo. La solucin habitual es reducir la dimensionalidad de mediante
la cartografa o descomposicin de los activos que componen la cartera mediante
activos de referencia para los que disponemos de datos necesarios. De esta forma
los distintos instrumentos pueden ser descritos mediante combinaciones de tales
activos de referencia.
Las frmulas vistas hasta ahora en este enfoque slo expresan la relacin entre
el VaRt y los parmetros del modelo (bsicamente ) que evidentemente deben ser
estimados pues son desconocidos.
Para obtener el VaRt se propone una estimacin de a partir de las ltimas v
observaciones r={rt, rt-1,..., rt-v+1}. Una estimacin de es la ofrecida por el estimador Mximo Verosmil que llamaremos . Es sencillo comprobar que es la matriz
de varianzas-covarianzas muestral de las observaciones. De esta forma, el VaR
resultante de este enfoque es:

t
VaR VC
t = Pt z c

[5]

Merece la pena hacer dos observaciones a la anterior frmula. La primera es

que implcitamente t es una estimacin de que cambia con el tiempo, pues
para calcular t se utilizan distintas secuencias de observaciones histricas cada
vez. Por otro lado, y ms importante, al sustituir en [4] por t pasamos literal-

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.

Enfoques por simulacin

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.

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

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

p(x t+1 | x) = p(x t+1 | )p( | x)d

en donde p(x t+1 | ) es el modelo supuesto para x y p( | x) es la distribucin a
posteriori, esto es, p( | x) = p(x | )p()/p(x) y p() es la distribucin a priori.
Para la definicin del VaR es importante el lmite inferior de prediccin a un nivel
de probabilidad c, esto es, fijado c calcular aquel punto de la distribucin predictiva
p(xt+1 | x) que deja por debajo suya una probabilidad de (1-c). Este punto lo denotaremos Q1-c(Xt+1 | x), que cumple:

Pr(X t+1 Q1c (X t+1 | x) | x) = 1 c

128

3.2.

ESTADSTICA ESPAOLA

El VaR desde un enfoque bayesiano

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.

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

3.3.

129

Algunos modelos para carteras univariantes

El objetivo de este apartado es introducir la aplicacin del VaR bayesiano en

carteras sencillas.
3.3.1.

Rendimientos normales. Varianzas iguales

Consideremos el modelo siguiente

Modelo 2 (Norm)

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 . La distribucin predictiva es una t-Student centrada en 0 y

con varianza aproximada S2.

El VaRt usando el Modelo 2 es por tanto
(1)

St(,,) denota la distribucin t-Student no central. La densidad es:

p(y | , , v) =

((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.

Un modelo de estructura jerrquica

Considrese el siguiente modelo:

Modelo 3. (IG)

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]

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

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

estadstica. As, dado el diseo de estos procedimientos, en el caso en el que no

existan Observaciones Atpicas en los datos del estudio (cosa que en la prctica es
totalmente imposible de confirmar), el resultado que proporcionan estos mtodos
son idnticos a los dados por el estimador clsico al que sustituye o complementa.
En cambio, en presencia de Observaciones Atpicas, las buenas propiedades de
las que gozan estos procedimientos ante ellas (propiedades especficas descritas
en Ortega, 2000), nos aseguran una estimaciones ms fiables de los parmetros en
estudio.
En definitiva, podemos decir que, aunque existen ciertos contras en la utilizacin
de los mtodos robustos, como la prdida de eficiencia (por la controversia conocida entre eficiencia y robustez) y la mayor complejidad y tiempo de clculo de ellos,
stos son generalmente asumidos o sacrificados en pro de unos mejores resultados
en el sentido de estimaciones que responden a la mayora de las observaciones de
la muestra utilizada para la determinacin del modelo en estudio.
Presentaremos a continuacin un enfoque del problema que nos ocupa, desde
un punto de vista robusto, proponiendo posteriormente una estimacin robusta del
Valor en Riesgo partiendo del Enfoque de Varianzas-Covarianzas presentado en la
Seccin 2.
4.1.

Enfoque robusto del VaR

El enfoque de Varianzas-Covarianzas supone que la variable que representa el

rendimiento de la cartera en estudio cumple el supuesto de Normalidad. De esta
forma el Valor en Riesgo se defina, ver [4], como un mltiplo de la volatilidad de la
rentabilidad de la cartera en estudio. Para obtener una estimacin del VaR se
propona una estimacin de la desviacin tpica ( ) a partir de las observaciones
histricas de los rendimientos en el horizonte temporal, ver [5].
El estimador de escala t no es nada adecuado en presencia de Observaciones Atpicas, ya que es conocido que una nica observacin de la muestra es
capaz de influir de tal manera en su clculo que puede arrastrarla hacia cualquier
valor deseado. As, ya que la presencia de Observaciones Atpicas es posible en la
variable en estudio, y que los procedimientos clsicos no estn protegidos ante
ellas, proponemos un estudio mediante otros estimadores de escala con buenas
propiedades en robustez, de manera que nos proporcionen resultados ms reales
del Valor de Riesgo.
4.1.1.

Estimadores de Escala Robustos

Muchos estimadores de escala se definen utilizando un estimador de posicin

como base para su construccin, e incluso siguiendo su estructura (por ejemplo, la

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

133

varianza mediante la media). En general, el comportamiento ante la presencia de

Observaciones Atpicas de los estimadores de escala definidos mediante un estimador de posicin, heredan las propiedades de estos ltimos, por lo que el uso de
estimadores de posicin ms resistentes a la presencia de Observaciones Atpicas
promete unos estimadores ms adecuados al estudio de muestras contaminadas.
Por otra parte, como es conocido y se comenta en diversos trabajos (por ejemplo;
Martin y Zamar, 1993), la eficiencia es un concepto que en general se contrapone al
de robustez, de manera que estimadores poco robustos son muy eficientes, y
viceversa. Por lo tanto, es necesario tomar una decisin de compromiso de manera
que no sea dejada de lado totalmente ninguna de las dos caractersticas.
Un estimador de posicin con buenas propiedades en robustez es la conocida
mediana, aunque su eficiencia en poblaciones simtricas con respecto a la media
es del 64%. La media y la mediana pueden ser considerados como elementos
extremos de una familia conocida por el nombre de Trimmed Means, que traduciremos por Medias Truncadas. Los elementos de esta familia utilizan para su definicin un parmetro o Nivel de Truncamiento (nmero real que denotaremos por ),
donde la Media Truncada a Nivel de Truncamiento (_Truncada) se construye
como la media de las observaciones de la muestra eliminando el % de las observaciones mayores y el % de las menores. Es decir, dada la muestra x={x1,x2,...,xn}
de la variable X, donde denotamos por x[i] a la observacin en la posicin i-sima de
una ordenacin de menor a mayor de los elementos de x, y eligiendo [0,50)
donde a=Int(n/100) (donde Int denota parte entera), se define _Truncada de x,
que denotaremos por _Trun(x), de la forma:
_ Trun(x) =

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.

La Familia de Estimadores -Truncada

Partiendo de la estructura de la conocida varianza (definida como la media de

los cuadrados de las distancias de las observaciones a la media), en Ortega (2000)
se propone la construccin de una familia de nuevos estimadores de escala, siguiendo la estructura de la varianza pero sustituyendo medias por elementos de la
familia de las Medias Truncadas.
As, dada la estructura de la varianza y las Medias Truncadas, se define una
familia de estimadores de escala mediante dos parmetros de truncamientos; uno
utilizado para calcular un estimador de posicin que haga las veces de media
(denotado por ), y otro que nos proporcione, en vez de la media de las distancias
de las observaciones a esta medida de posicin, la media truncada de stas distancias (denotado por ). La propuesta de los elementos de dicha familia de estimadores de escala, dada la muestra x={x1,x2,...,xn} de la variable X, eligiendo los
parmetros [0,50] y [0,50] y conocida la familia Medias Truncadas [9], queda
definido el concepto _Truncada sobre x como:

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

_ Trun(x) = C X (, ) _ Trun (x i _ Trun(x))2

i

135

[10]

donde CX(,) es un coeficiente, dependiente de la distribucin de la variable X, y

de y , que nos asegura la consistencia de este estimador.
Notar que, moviendo y en el intervalo [0,50] se construye una familia, de
manera que cada elemento de sta proporciona una Media Truncada (a nivel ) de
las distancias de la coleccin de x a un representante de estos, calculado mediante
otra Media Truncada (ahora a nivel ). En Ortega (2000) se encuentran tabulados
los valores de los coeficientes CX(,) para variables X Normales y cualquier combinacin de y .
La familia _Truncada tienen buenas propiedades en robustez como, que son
estimadores Equivariantes, con Eficiencia Relativa bajo Normalidad (con respecto a
la varianza corregida) entre el 38.35% y el 100%, dependiendo de los Niveles de
Truncamiento considerados, con Punto de Ruptura de valor Min{a+1,b+1}, con
a=Int(n/100) y b=Int(n/100), siendo el Punto de Ruptura Asinttico de la forma
Min{/100,/100}, y con Curva de Sensibilidad acotada siempre que Min{a,b}>1.
Por esto, dicha familia forma un abanico de estimadores de escala con buenas
propiedades ante la presencia de Observaciones Atpicas, siendo de inters su uso
en el caso de muestras contaminadas.
Los Niveles de Truncamiento (valores de y ) influyen de manera directa en
las propiedades del estimador _Truncada que definen, como ocurre para la
familia de Medias Truncadas. Siguiendo algunos estudios sobre este tema para el
caso de la familia de Medias Truncadas (ver: Hoaglin y otros, 1983; Hampel y otros,
1986 y Pea, 1992) se consideran unos niveles aceptables para [0,10], es decir,
eliminar de la muestra en estudio menos del 10% de las observaciones menores y
mayores de sta. As, para el caso de los elementos de la familia _Truncada,
tambin consideraremos Niveles de Truncamiento en el intervalo [0,10], dependiendo del valor a priori que pensemos puede haber de Observaciones Atpicas en
el estudio.
4.2.

Estimacin robusta de VaR

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

mos una estimacin robusta del parmetro mediante la familia de estimadores

_Truncada.
As, elegidos unos determinados Niveles de Truncamiento ( y ) y considerada
la muestra r={rt, rt-1,..., rt-v+1} de la variable R, definimos un estimador robusto de
utilizando [10] de la forma:

~ = [ _ Trun(r)]1 / 2

[11]

Notar que para la definicin de este estimador, es necesaria la eleccin de unos

concretos Niveles de Truncamiento, los cuales deben ser determinados de manera
que la prdida de eficiencia del estimador considerado sea la mnima posible, y al
mismo tiempo, sea suficientemente robusto como para proteger la estimacin de
las posibles Observaciones Atpicas.

~ para unos determinados Niveles de Truncamiento, el VaUna vez calculado

lor en Riesgo Robusto, denotado por VaRRt , queda definido de la forma:
Definicin 2. Dada una cartera y la muestra r={rt, rt-1,..., rt-v+1} de la variable
Rendimientos (R), definimos el Valor en Riesgo Robusto en el instante t, VaRRt , a
un nivel de probabilidad c como:

VaRRt = Pt z c ~

donde Pt es el valor inicial de la cartera, zc es el percentil c de la Normal estndar, y

~ es dada por (11) para la muestra r y determinados Niveles de Truncamiento y

.
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.

5. APLICACIN A LA CARTERA DEL IBEX

Los modelos descritos en este trabajo sern aplicados sobre una cartera de
renta variable. Adicionalmente utilizaremos una serie de medidas sencillas, propuestas por Hendricks (1996), con el objetivo de evaluar, a un nivel bsico, el
comportamiento de los modelos propuestos.

137

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

5.1.

Planteamiento general

El anlisis de los modelos propuestos se realizar sobre la cartera del IBEX,

asumiendo que la inversin inicial en cada periodo es siempre la misma. Arbitrariamente hemos elegido una cifra de 100 millones de euros para poder presentar
grficos y tablas en euros, aunque la vala de los resultados es independiente de
esta cifra.
Figura 1
EVOLUCIN DE LA RENTABILIDAD DEL IBEX
8,00%

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

en la Figura 1. Todava es mas sorprendente la diferencia entre subperiodos en la

forma de la distribucin. El test de Kolmogorov-Smirnof realizado en los dos subperiodos demuestra que la hiptesis de normalidad no es desechable para el primer
tramo de observaciones (p-Valor de 0.33), mientras que la hiptesis de normalidad
no es aceptable para la segunda parte observacional (p-Valor de 0.001).

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

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

139

Estas caractersticas condicionaran los resultados obtenidos por los modelos

basados en el supuesto de normalidad, especialmente cuando se utilicen altos
niveles de confianza. La Figura 3 muestra el histograma de los rendimientos de la
cartera analizada, junto con el perfil de la Normal de igual media y varianza. Como
se puede apreciar, la distribucin real de la cartera presenta picos ms altos que la
correspondiente a una distribucin normal y, adems, presenta una mayor frecuencia de resultados extremos de los que se esperara en una distribucin normal.
Estas caractersticas son propias de una distribucin con un coeficiente de apuntamiento significativamente mayor que el de una distribucin normal.
5.2.

Clculos de los modelos y resultados

Para comparar los resultados obtenidos a partir de las propuestas realizadas a

lo largo del trabajo, decidimos utilizar un periodo de estimacin de 75 observaciones. En consecuencia calculamos, para cada uno de los enfoques propuestos,
1415 estimaciones del VaR, a partir de niveles de probabilidad c=0.95 (un 5% de
excepciones esperadas) y de c=0.99 (un 1% de excepciones esperadas). Considerando una inversin inicial, en cada periodo, constante de 100 millones de euros
(Pt=100 106), el clculo del VaR mediante cada uno de los mtodos considerados
es:
Bayesiano (Bnorm): Tratamiento bayesiano al modelo Normal sobre las
observaciones. Lo que da lugar a:

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

siendo y los estimadores mximos verosmiles (mximos de [7]) a partir

de las anteriores 75 observaciones.
Robusto (Rob): Tratamiento robusto. Obtenindose como resultado

VaRRt = Pt z c ~

140

ESTADSTICA ESPAOLA

~ se calcula mediante [11] para Niveles de Truncamiento =0 y

donde
0
0=5, ya que suponemos que la variable rentabilidad es Normal de media cero, y el porcentaje de Observaciones Atpicas es pequea, y con un Coeficiente de Consistencia, utilizando (10), de CX(,)=1.2486.
donde debemos recordar que zc y t(75,c) denotan el percentil c de las distribuciones
Normal y t75, respectivamente. Por otra parte, VaRRt obtenido cuenta con buenas
propiedades, tales como: ser Equivariante; con Punto de Ruptura Asinttico de
valor 5%; y con Curva de Sensibilidad acotada; con una pequea prdida de Eficiencia, siendo la Eficiencia Relativa, con respecto a la Varianza Corregida del
87%.

Figura 4

COMPORTAMIENTO DEL VAR BAYESIANO CON MODELO NORMAL

(BNORM) (COINCIDENTE CON EL CLSICO). 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
-2.000.000

-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

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

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

COMPORTAMIENTO DEL VAR ROBUSTO (ROB). 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

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%

Las Figuras 4 a 6 comparan las prdidas de la cartera con las correspondientes

medidas del VaR, obtenidas mediante los diferentes mtodos considerados, a
niveles de probabilidad c=0.05 (lnea superior) y c=0.01 (lnea inferior). En aquellos
casos donde la prdida observada es inferior al VaR se produce una excepcin.
Encontramos que los contornos de las distintas propuestas es similar. Observamos que a corto plazo las oscilaciones de los valores del VaR para los modelos
B.GI y Rob es mucho mayor que los dems, denotando mayor sensibilidad a los
cambios en la cartera.
En particular en el clculo B.GI los contornos son muy fluctuantes debido a que
el modelo permite heterocedasticidad.

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

5.3.

143

Evaluacin de resultados

En este apartado aplicamos una serie de criterios de evaluacin, propuestos en

Hendricks (1996), que miden la bondad predictiva de los procedimientos.
El Mltiplo Medio analiza el tamao medio de las excepciones. Dicho valor ha
sido calculado como la media del cociente entre el valor absoluto de la prdida real
y el correspondiente VaR en aquellos casos en los que se ha producido efectivamente una excepcin, de manera que la medida obtenida nos indica, en trminos
porcentuales, el tamao medio de la excepcin con respecto a su VaR correspondiente. Por ejemplo, si el valor medio del tamao de las excepciones es igual a 1.5,
las prdidas que suponen una excepcin son por trmino medio superiores a su
correspondiente VaR en un 50%.
El Mltiplo Mximo tiene relacin con la mxima prdida del ttulo o cartera. El
tamao mximo de la excepcin est medido en los mismos trminos que el criterio
anterior, solo que ahora no promediamos los tamaos de las excepciones si no que
tomamos para cada modelo el valor mximo observado. Esta forma de medir el
tamao mximo de la prdida realizada con respecto al correspondiente VaR
estimado es por lo tanto muy dependiente de la longitud del periodo analizado (en
nuestro caso casi cinco aos). Para periodos mas cortos, el tamao medio de la
excepcin obtenido sera menor.
El Mltiplo Necesario se centra en el tamao del ajuste que se debera aplicar
sobre los valores obtenidos para alcanzar una cobertura perfecta en funcin del
nivel de confianza utilizado. Para obtener dicho valor, simplemente calculamos a
posteriori la cantidad (mltiplo) por la que habra que haber multiplicado cada uno
de los valores producidos por un modelo para que en el periodo de anlisis, dicho
modelo hubiera cumplido perfectamente con el nivel de cobertura deseado (95% o
99%). Este criterio de evaluacin de los modelos VaR es por lo tanto un complemento al criterio del porcentaje de excepciones, dado que tiene en cuenta el tamao del error potencial en la medida del riesgo en vez del porcentaje de excepciones
producido por un modelo. Un valor muy cercano a uno significa que el modelo
produce medidas del riesgo muy aceptables e indicara que el modelo no necesita
ser corregido para producir una cobertura perfecta.
Estos criterios son en realidad un conjunto de medidas bsicas, cuyo objetivo es
describir el comportamiento de los modelos con respecto a determinadas caractersticas concretas. La Figura 7 muestra los resultados de aplicar dichos criterios a
los tres mtodos propuestos, junto a los resultados obtenidos sobre el modelo
clsico. La evaluacin se ha realizado sobre el periodo total (1415 valores VaR) y

144

ESTADSTICA ESPAOLA

sobre los dos subperiodos en los que se hemos dividido el periodo total (668 y 747
valores, respectivamente).

Figura 7

RESULTADOS DE LOS PROCEDIMIENTOS ALTERNATIVOS. DIVIDIDOS

EN DOS SUBPERIODOS
Excepciones y mltiplos
Muestra
(dias)

Excepciones
(nmero)

Excepciones
(porcentaje)

Mltiplo
medio

Mltiplo
mximo

Mltiplo
necesario

Panel A. VaR 95%

Periodo total (23/04/93 al 30/12/98)
Bnorm
1415
69
B.IG
1415
68
Rob
1415
68

4,88% 1,427
4,81% 1,449
4,81% 1,450

3,855
3,941
3,946

0,984
0,987
0,996

Primer Per. (23/04/93 al 9/12/95)

Bnorm
668
B.IG
668
Rob
668

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

Segundo Per. (02/01/96 al 30/12/98)

Bnorm
747
34
B.IG
747
34
Rob
747
35

4,55% 1,560
4,55% 1,580
4,69% 1,559

3,855
3,941
3,946

0,950
0,950
0,979

Periodo total (23/04/93 al 30/12/98)

Bnorm
1415
25
B.IG
1415
26
Rob
1415
25

1,77% 1,326
1,84% 1,325
1,77% 1,347

2,726
2,843
2,790

1,199
1,204
1,224

Primer Per. (23/04/93 al 9/12/95)

Bnorm
668
B.IG
668
Rob
668

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

Segundo Per. (02/01/96 al 30/12/98)

Bnorm
747
17
B.IG
747
18
Rob
747
17

2,28% 1,356
2,41% 1,353
2,28% 1,381

2,726
2,843
2,790

1,226
1,244
1,243

Panel B. VaR 99%

Los resultados muestran un buen comportamiento de todos los modelos a un

nivel de confianza del 95%. En ninguno de los casos, el porcentaje de excepciones
observado es muy distinto del terico. La propuesta Robusta destaca por su comportamiento en el segundo subperiodo, tanto por el porcentaje de excepciones
(ms cercano al 5% objetivo), como por el mltiplo necesario (ms cercano a uno).
Esto puede ser debido a que las tcnicas robustas caracterizan de mejor modo los

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

145

comportamientos extremos, que son mucho ms acusados sobre todo al final de

dicho subperiodo.
Sin embargo, los modelos muestran dificultades para capturar el riesgo de la
cartera a un nivel de confianza del 99%. El comportamiento de los modelos es muy
diferente en cada uno de los subperiodos considerados. Durante el primer subperiodo (periodo de menor volatilidad), todos los modelos producen porcentajes de
excepciones compatibles con el 1% terico. Sin embargo, durante el segundo
subperiodo (con alta volatilidad), el nmero de excepciones es excesivamente alto
como para aceptar la hiptesis de que el porcentaje de excepciones observado es
igual al terico.
Notamos que en el segundo subperiodo, el porcentaje de excepciones observado es superior al predicho por todos los modelos, concluyendo que el percentil 1%
de la distribucin real de los rendimientos, en periodos de alta volatilidad, est ms
alejado de la media de lo que suponen los modelos utilizados. Esto indica que para
predecir correctamente en estas circunstancias, se hace necesario seguir investigando la forma de incorporar el tratamiento de las colas gruesas mediante estos
mtodos.
En la actualidad estamos considerando modelos de colas ms densas, en el
contexto bayesiano, y tcnicas que proporciones otros niveles de truncamientos
ms adecuados, para el mbito robusto.

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

breutilizacin del modelo Normal o a la utilizacin de soluciones ad-hoc poco

naturales que resuelvan la falta de ajuste a la realidad. Por otro lado, un tratamiento bayesiano del problema permite incorporar informacin adicional a la provista por los datos a travs de la distribucin a priori. Esto permite gestionar la
informacin a priori que los expertos tienen de la cartera en estudio o reutilizar
observaciones histricas que de otra forma son sistemticamente desechadas. En
futuros trabajos se prev desarrollar tcnicas para incorporar informacin extramuestral en los procedimientos de clculo del Valor en Riesgo.
Respecto a la metodologa robusta, en la Seccin 4 se introduce la interesante
posibilidad de usar estas tcnicas para el clculo del VaR. Es sabido que cuando
una muestra contiene observaciones atpicas, las aptitudes de los estadsticos
usuales (media, varianza, etc) se ven seriamente disminuidos, provocando resultados poco acertados, a la vez que lejanos de la realidad. La experiencia nos dice
que este tipo de observaciones atpicas aparecen con cierta frecuencia en el estudio de carteras, usualmente estas observaciones estn enmascaradas por cambios
bruscos en las tendencias de los mercados o factores ocultos que actan provocando gran volatilidad. As, el uso de las tcnicas robustas presentadas conduce a
resultados mas fiables. En prximos trabajos, se realizarn estudios sobre diferentes carteras que nos proporcione experiencia en la utilizacin de estas tcnicas.
El ltimo comentario se refiere a la Seccin 5, donde se comprueba, en una
primera aplicacin de estos procedimientos, que los resultados son altamente
prometedores.

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.

ALTERNATIVAS ESTADSTICAS AL CLCULO DEL VALOR EN RIESGO

147

HAMPEL, F.R., RONCHETTI, E.M., ROUSSEEUW, P.J. y STAHEL, W. (1986): Robust

Statistics: The approach based on influence function. Ed. John Wiley and
Sons. N.Y.
HENDRICKS, D. (1996): Evaluation of Value-at-Risk Models Using Historical Data.
Federal Reserve Bank of New York Economic Policy Review, Vol.2.
HENDRICKS, D. y HIRTLE, B. (1997). Bank Capital Requirements for Market Risk:
The Internal Models Approach. Federal Reserve Bank of New York. Economic
Policy Review 3.
HOAGLIN, D.C., MOSTELLER, F. y TUCKEY, J.W. (1983): Understanding Robust and
Exploratory Data Analysis. Ed. John Wiley and Sons.
MARTIN, R.D. y ZAMAR, R. (1993): Efficiency-constrained bias-robust estimation of
location. Annals of Statistics, Vol.21,1.
MORGAN, J.P. y REUTERS (1996): RiskMetrics. Technical Document. 4 edicin.
Nueva York.
ORTEGA, J. FCO. (2000): Nuevas Familias de Estimadores Robustos y Deteccin
de Observaciones Atpicas en Modelos Lineales. Tesis Doctoral. Univ. de
Castilla-La Mancha.
PEA, D. (1992): Estadstica: Modelos y Mtodos. Ed. Alianza Universidad Textos.
ROUSSEEUW, P.J. y LEROY, A.M. (1987): Robust Regression and Outlier Detection. Ed. John Wiley and Sons.
YANG, R. y BERGER, J.O. (1996): A Catalog of Noninformative Priors. Technical
report, Purdue University, Dept. of Statistics.

148

ESTADSTICA ESPAOLA

STATISTICAL ALTERNATIVES TO CALCULATE VALUE AT RISK

SUMMARY
Value at Risk (VaR) is a statistical measure of potential losses in a
portfolio of financial assets. The proceedings usually used for calculating VaR are based on classical statistical techniques, also called
frequentist.
In this paper, we present two alternative statistical procedures for
calculating VaR. The first one consists of applying the bayesian methodology, taking advantage of its high ability for dealing with predictive
problems. On the other hand, in order to avoid the problems caused
by the presence of outliers, the second proceeding consists of the use
of robust techniques for calculating VaR. The models resulting from
the use of these techniques are analyzed by means of its application
to the IBEX portfolio, with daily data and an observational period that
ranges from 1993 to 1998, comparing its results with those resulting
from the standard techniques.
Key words: Value at risk, Bayesian Inference, Robustness, IBEX, Empirical-Bayesian.
Classification AMS: 90A09, 62F15, 62C12, 62F35, 62G35.