Trabajo acreedor a

Segundo Lugar
Categora Investigacin

Administracin Coherente de Riesgos con

Futuros del MexDer.

Francisco Venegas Martnez

 COHERENTE
ADMINISTRACION
DE RIESGOS CON FUTUROS
DEL MEXDER

(Categora Investigaci
on, Area
Finanzas)
Por: Mr. MM3

Resumen
En este trabajo de investigaci
on se derivan varias propiedades de las medidas coherentes
de riesgo. Se examinan diversas medidas de riesgo de uso frecuente y se indaga si son
coherentes o no. Cuando no hay coherencia se proporcionan contraejemplos. Esta investigaci
on va m
as all
a de verificar si una medida de riesgo es coherente o no. En este sentido,
con base en el concepto de c
opula de distribuciones y las propiedades de las colas de combinaciones convexas de distribuciones Gaussianas, se muestra que el uso de la volatilidad
como una medida de riesgo conlleva a limitaciones m
as serias que no satisfacer un conjunto de axiomas de coherencia. Especficamente, la volatilidad es incapaz de distinguir
diferencias entre las colas de distribuciones, con lo cual se subestiman perdidas potenciales.
Asimisimo, se muestra que el valor en riesgo (VaR), la medida de riesgo m
as utilizadas
por intermediarios financieros, no es una medida coherente. La metodologa del VaR no
proporciona informaci
on cuando el tama
no potencial de la perdida excede el umbral determinado por el VaR. Afortunadamente, se puede construir una medida coherente de riesgo
que s toma en cuenta dicha informaci
on, la llamada esperanza condicional de la cola del
VaR. No s
olo la propiedad de subaditividad es la que con menos frecuecia es satisfecha por
una medida de riesgo. Al respecto, se proporciona un ejemplo de una medida de riesgo, en
terminos del precio de una opcion europea de venta, que no es invariante bajo traslaciones.
Tambien, se proporciona una demostraci
on sencilla del teorema de representaci
on de medidas coherentes de riesgo en terminos de una familia de probabilidades condicionales. Se
establecen varias reglas sencillas para construir medidas coherentes a partir de otras medidas coherentes. Por u
ltimo, se muestra que en un portafolio de contratos a futuro sobre
CETES, el VaR aumenta en lugar de disminuir cuando se diversifica a
nadiendo contratos
con vencimientos diferentes. Mientras que si se utiliza una medida coherente de riesgo, se
tiene que diversificar siempre conduce a una reducci
on en riesgo.
Clasificaci
on JEL: G11, G13
Palabras clave: Medidas de riesgo, contratos a futuro

Abstract
In this paper several properties of coherent measures of risk are derived. Many commonly
used measures of risk are examined to investigate whether they are coherent or not. In case
they are not coherent, counter-examples are provided. This research goes beyond verifying
whether a risk measure is coherent or not. On the basis of the concept of copula of
distributions and properties of the tails of convex combinations of Gaussian distributions,
it is shown that the use of volatility as a measure of risk entails more serious limitations
than just not satisfying a set of coherence axioms. Specifically, volatility is not capable of
distinguishing differences between the tails of distributions, which leads to underestimating
potential losses. Moreover, it is shown that value at risk (VaR), the measure of risk most
used by financial intermediaries, is not a coherent measure. The VaR methodology does
not provide information when the potential size of a loss exceeds the threshold determined
by VaR. Fortunately, it can be constructed a coherent measure of risk that does takes into
account such information, the so-called conditional expectation of the tail of VaR. It is
also shown that subaditivity is not the property that is less frequently satisfied by a risk
measure. In this regard, it is constructed an example of a risk measure, in terms of the price
of a European call option, that is not invariant under translations. Furthermore, a simple
demonstration of the representation theorem of coherent measures of risk is provided in
terms of a family of conditional probabilities. Several simple rules are stated to construct
coherent measures from other coherent measures. Finally, it is shown that in a portfolio of
futures contracts on zero-coupon bonds (CETES), the VaR increases instead of decreasing
when such a portfolio is diversified by adding contracts with different expiration dates. In
contrast, when a coherent measure of risk is used, diversification must always lead to a
reduction in risk.
JEL Classification: G11, G13
Keywords: Risk measures, futures contracts

1. Introducci
on
El desarrollo de metodos para cuantificar el riesgo de mercado con base en modelos analticos no es un asunto de interes contemporaneo. Su inicio se sit
ua en la decada de los treinta
con el trabajo de Macaulay (1939). Desde entonces varias medidas de riesgo se encuentran
disponibles en la literatura. Sin embargo, la mayora de estas medidas no cumplen con
propiedades b
asicas ni deseables. Por ejemplo, algunas medidas no reflejan la reducci
on
de riesgo cuando se diversifica y otras m
as subestiman perdidas potenciales.
El trabajo seminal de Artzner et al. (1999), sobre medidas coherentes de riesgo,
ha conducido a cambios y transformaciones profundas en la forma de cuantificar riesgos.
Artzner (1999) expresa las propiedades b
asicas y/o deseables de una medida coherente de
riesgo a traves de un conjunto de axiomas. En los u
ltimos a
nos, la literatura sobre medidas
coherentes de riesgos a crecido de manera considerable. En este sentido, es importante
mencionar los trabajos de Acerbi (2001), Delbaen (2000), Jarrow (2002), Yang y Siu (2001)
y Venegas-Martnez (2003) and (2005).
Uno de los objetivos que persigue este trabajo es derivar un conjunto de propiedades
adicionales a las que se conocen en la literatura que una medida coherente de riesgo debe
2

satisfacer. Asimismo, se examinan varias medidas de riesgo de uso frecuente para indagar
si son coherentes o no. Cuando no hay coherencia se proporcionan en detalle varios contraejemplos. Esta investigaci
on va m
as all
a de verificar si una medida de riesgo es coherente o
no. En este sentido, con base en el concepto de c
opula de distribuciones y las propiedades
de las colas de combinaciones convexas de distribuciones Gaussianas, se muestra que el
uso de la volatilidad como una medida de riesgo conlleva a limitaciones m
as serias que
satisfacer o no un conjunto de axiomas de coherencia. Especficamente, la volatilidad es
incapaz de distinguir diferencias entre las colas de distribuciones, con lo cual se subestiman
perdidas potenciales.
Asimsimo, el presente trabajo muestra que el valor en riesgo (VaR), una de las medidad
m
as utilizadas por intermediarios financieros, no es una medida subaditiva y, por lo tanto,
no es coherente. Esta metodologa de uso com
un subestima perdidas potenciales pues
no proporciona informaci
on cuando el tama
no potencial de la perdida excede el umbral
determinado por el VaR. Afortunadamente, se puede construir una medida de riesgo que s
toma en cuenta dicha informaci
on, la llamada esperanza condicional de la cola del valor en
riesgo. Al respecto, se muestra que la esperanza condicional de la cola del valor en riesgo,
o VaR condicional, es una medida coherente de riesgo.
No s
olo la propiedad de subaditividad es la que con menos frecuecia es satisfecha
por una medida de riesgo. En este sentido, se proporciona un ejemplo de una medida de
riesgo, en terminos del precio de una opcion europea de venta, que no es invariante bajo
traslaciones. En este caso, el valor de mercado de los ttulos (de capital y/o deuda) de una
empresa sigue un movimiento geometrico Browniano y existe en el mercado un put que
paga dicho valor de mercado si la empresa se declara en bancarrota en una fecha futura
predeterminada, y cero en otro caso, bajo una medida de probabilidad neutral al riesgo.
Tambien, se presenta una demostraci
on sencilla del teorema de representaci
on de medidas
coherentes de riesgo en terminos de una familia de probabilidades condicionales. En este
trabajo tambien se establecen varias reglas sencillas para construir medidas coherentes a
partir de otras medidas coherentes.
Por u
ltimo, se se muestra en un portafolio de contratos futuros de CETES, el VaR en
lugar de reducir aumenta cuando se diversifica a
nadiendo contratos con otros vencimientos.
Mientras que si se utiliza una medida coherente de riesgo, en particular la esperanza
condcional del VaR, se tiene que diversificar siempre conduce a una reducci
on en riesgo.
El presente trabajo de investigaci
on se encuentra organizado de la siguiente manera.
En la pr
oxima secci
on se define, en terminos generales, una medida de riesgo. En la secci
on
3 se enlistan y justifican los axiomas que definen una medida coherente de riesgo. En la
secci
on 4 se deriva un conjunto de propiedades adicionales que una medida coherente de
riesgo debe satisfacer. En el transcurso de la secci
on 5 se muestra que la varianza no es una
medida coherente de riesgo. En las secciones 6 y 7 se exhibe que el uso de la varianza como
una medida de riesgo conlleva a limitaciones m
as serias que satisfacer o no un conjunto
de axiomas de coherencia. En la secci
on 8 se presentan en forma breve algunos resultados
de la metodologa de VaR. En la secci
on 9 se muestra que el valor en riesgo (VaR) no
es una medida coherente de riesgo. A traves de la secci
on 10, se proporciona un ejemplo
de una medida de riesgo, en terminos del precio de una opcion europea de venta, que no
es invariante bajo traslaciones. En la secci
on 11 se muestra que la esperanza condicional
3

de la cola del VaR es una medida coherente de riesgo. En la secci

on 12 se demuestra el
teorema de representaci
on de medidas coherentes de riesgo en terminos de una familia de
probabilidades condicionales. En la secci
on 13 se establecen varias reglas para construir
medidas coherentes a partir de otras medidas coherentes. En la secci
on 14 se muestra
que en un portafolio de contratos futuros de CETES el VaR en lugar de reducir aumenta
cuando se diversifica a
nadiendo contratos con otros vencimientos. Mientras que si se utiliza
una medida coherente de riesgo, en particular la esperanza condcional del VaR, se tiene
que una reducci
on en riesgo. Por u
ltimo, en la secci
on 15, se presentan las conclusiones y
limitaciones del trabajo.

2. Medidas de riesgo
El posible cambio en el valor de un portafolio, en una fecha futura, ser
a visto, de ahora en
adelante, como una variable aleatoria. Una medida de riesgo se define como una funci
on
de dicha variable aleatoria. En forma m
as precisa, considere un intervalo de tiempo [t, T ].
El valor inicial, en t, de un portafolio que consiste de w1 unidades del activo S1t y w2
unidades del activo S2t est
a dado por
t = w1 S1t + w2 S2t .
El cambio en el valor del portafolio, entre las fechas t y T , manteniedo las cantidades w1
y w2 contantes, es decir, sin rebalancear el portafolio, satisface
X := T t = w1 D1T + w2 D2T
donde
D1T = S1T S1t ,

D2T = S2T S2t .

Si S1T : 1 IR y S2T : 2 IR son variables aleatorias definidas sobre dos espacios

muestrales, entonces X : IR, con = 1 2 , es una variable aleatoria asociada
al cambio en el valor del portafolio. Asimismo, se supone que X est
a definida sobre un
espacio de probabilidad fijo (, F , IP). Se define la familia
A = {X | X : IR} .
De ahora en adelante, la variable aleatoria X ser
a llamada cambio en el valor del portafolio
y A denotar
a el conjunto de todos los posibles cambios en el valor del portafolio. Evidentemente, el esquema anterior puede generalizarse, sin dificultad, a un portafolio con m
as de
dos activos. Si se desea que X represente el cambio en valor de un solo activo, entonces se
toman, simplemente, w1 = 1 y w2 = 0. Una medida de riesgo ser
a vista como una funci
on
: A IR. En terminos generales, una medida de riesgo ser
a definida con base en una
medida de probabildad IP.
Por otro lado, si en lugar del cambio en valor del portafolio, T t , se considera el
rendimiento del portafolio,
T t
S1T S1t
S2T S2t
= 1
+ 2
,
t
S1t
S2t
4

donde
1 =

w1 S1t
,
t

2 =

w2 S2t
t

1 + 2 = 1,

se tiene que los rendimientos (cambios porcentuales en los precios) de los activos est
an
acotados inferiormente por 1, mientras que los cambios en valor de los activos D1T y
D2T pueden tomar cualquier valor en IR.
En ocasiones, la variable aleatoria X asociada al cambio en el valor de un portafolio
entre dos fechas, recibe el nombre de riesgo, lo cual parece apropiado y en cuyo caso
(X) debera leerse como medida de riesgo del riesgo X, lo cual genera repetici
on de
terminos. Compare esta situaci
on con el caso de una medida de probabilidad, la cual es
llamada simplemente probabilidad, si a la medida de riesgo se le llama simplemente riesgo,
entonces (X) debera leerse como riesgo del riesgo. Para evitar estos problemas de
terminologa se insiste en hacer referencia a X como el cambio en valor de un portafolio, o
incluso de manera simple como un elemento de A y en el peor de los casos como la posici
on
X.

3. Propiedades deseables de una medida coherente de riesgo

Las propiedades deseables de una medida coherente de riesgo se enlistan y justifican a
continuaci
on:
(i) Monotona no creciente. Si X, Y A son tales que X Y , entonces
(X) (Y ) .
Es decir, si partiendo de un mismo portafolio, el cambio en el valor del portafolio X
es menor que el de Y , entonces, por la perdida de valor de X, el riesgo de X deber
a
ser mayor que el de Y .
(ii) Subaditividad. Si X, Y A, entonces
(X + Y ) (X) + (Y ) .
Esta propiedad expresa que una fusi
on de portafolios no crea riesgo adicional. En el
contexto de portafolios de inversi
on esta propiedad dice que la diversificaci
on reduce
el riesgo. El cumplimiento de la subaditividad permite pr
acticas de administraci
on de
riesgos m
as eficientes. Por ejemplo, si dos
areas de an
alisis de una misma instituci
on
financiera calculan, de manera independiente, las medidas (X) y (Y ) de los riesgos
que tomar
an y la medida de riesgo que utilizan es subaditiva, el director general puede
estar seguro de que (X)+ (Y ) es una garanta aceptable relativa al riesgo de X +Y .
(iii) Homogeneidad positiva (homogeneidad de grado uno con constantes positivas). Si
0 y X A, se tiene que
(X) = (X) .
Esta propiedad establece que el tama
no del portafolio influye directamente en el riesgo.
No es lo mismo invertir una unidad monetaria en activos financieros que invertir un
5

mill
on en los mismos activos. En el segundo caso es un mill
on de veces m
as riesgoso.
En este contexto, tamben se dice que () es una funci
on homogenea de grado uno.
Observe, por u
ltimo, que la subaditividad implica que (nX) n(X) para toda
n IN.
(iv) Invarianza bajo traslaciones. Si X A y IR, se tiene que (X + ) = (X) .
Si se tiene un sistema bancario en el que los agentes pueden prestar y pedir prestado
a una tasa de interes libre de riesgo, r, y si se escribe


(X + ) = X + r ,
r
se puede interpretar a como el interes, libre de riesgo, que paga un dep
osito bancario
sobre una inversi
on inicial /r. De esta manera, la propiedad de invarianza bajo
traslaciones dice que el riesgo disminuye en dichos intereses. Si es negativa, esta
se interpreta como un adeudo al banco, lo que incrementa el riesgo en el portafolio.
Adem
as, si se escribe = (X), entonces (X + (X)) = 0, ya que (X + (X)) =
(X) (X) = 0. De esta manera, = (X) se puede interpretar como la cantidad
monetaria que se requiere para eliminar el riesgo de X. Es decir, (X) funciona como
como cobertura de X.
Por u
ltimo, observe que en terminos estrictos, (X) no es invariante bajo traslaciones
por el cambio de signo en dentro y fuera de . Sin embargo, en la literatura
especializada esta propiedad ha adoptado dicho nombre y lo mismo se har
a en el
trancurso del presente captulo. Un buen nombre para esta propiedad podra ser
invarianza monetaria.

4. Tratamiento axiom
atico de una medida coherente de riesgo
A continuaci
on se formaliza el concepto de medida coherente de riesgo con base en las
propiedades anteriores.
Se dice que una medida de riesgo es coherente, en el sentido de Artzner et al (1999), si
para X, Y A y IR se cumple lo siguiente:
(i) Y X (X) (Y ),
(ii) (X + Y ) (X) + (Y ),
(iii) (X) = (X),

0,

(iv) (X + ) = (X) ,

IR.
6

4.1 Propiedades adicionales de una medida coherente de riesgo

Algunas proposiciones sobre la funci
on que se desprenden de los axiomas son:
(a) La funci
on es convexa en A. Es decir, si X, Y A y [0, 1], entonces
(X + (1 )Y ) (X) + (1 )(Y ).
Esto se sigue de los axiomas de subaditividad y homogeneidad positiva. La propiedad
de convexidad de la funci
on objetivo en los problemas de optimizaci
on de portafolios es
esencial ya que esta, junto con otras condiciones, garantiza la existencia de soluciones.
(b) La funci
on es continua en A. Este resultado se sigue de la convexidad de . De esta
manera, cambios peque
nos en X conducen a cambios peque
nos en (X).
(c) El conjunto B = {X | (X) 0} es es cerrado y convexo. Esto se debe a la continuidad
y convexidad de en A. Por lo tanto, el conjunto B contiene todos sus puntos lmite.
(d) () = para toda IR. En efecto, las propiedades de homogeneidad positiva
e invarianza bajo traslaciones conducen a que 0 = (0) = ( ) = () + , lo
cual implica que () = . El mismo resultado se obtiene a partir de la propiedad
de invarianza bajo traslaciones con X = 0. De lo anterior, se concluye que en una
inversi
on libre de riesgo, el riesgo es reducido justamente en el rendimiento de la
inversi
on, lo cual hace que el rendimiento de la inversi
on y el riesgo se eliminen entre
s. Por supuesto, se supone, como antes, la existencia de un sistema bancario en el
que lo agentes pueden prestar o pedir prestado a una tasa de interes constante y libre
de riesgo.
(e) (X + (X + (X))) = (X). En efecto, (X + (X + (X))) = (X) (X + (X)) =
(X) (X) + (X) = (X). De esta manera, si se toman al mismo tiempo una
cobertura (X) de X y la posici
on contraria a dicha cobertura, el efecto total se
anula.
(f ) () es continua para para toda IR. Sea (n )nIN , n . Debido a la propiedad
(d), se tiene que


lim (n ) = lim n = = () = lim n .
n

En consecuencia, la continuidad de () se mantiene para inversiones libres de riesgo.

(g) Si > 0, entonces (X + ) (X) + , mientras que si < 0, entonces (X + )
(X) + . De lo anterior, se tiene una cota superior para el riesgo de un portafolio
que incluye un dep
osito y una cota inferior cuando se incluye un adeudo.
(h) Si > 0, entonces (X + ) (X) (X ). Por lo tanto, un dep
osito en un
banco reduce el riesgo y un adeudo lo incrementa.
(i) Si X 0, entonces (X) 0. Basta aplicar la propiedad de monotona no creciente.
Lo anterior implica que una reducci
on en el cambio de valor en el portafolio siempre
conlleva riesgo.
7

(j) Si a X b, entonces a (X) b. En efecto, observe que X b 0 y que

X a 0, entonces (X)+b = (X b) (0) = 0 y (X)+a = (X a) (0) = 0.
As, (X) b y (X) a. Por lo tanto, b (X) a.
(k) Sea ||X Y || = sup |X() Y ()|, entonces
|(X) (Y )| ||X Y || .
o Y + ||X Y || X. Por lo tanto,
En efecto, evidentemente, ||X Y || X Y
(X) (Y + ||X Y || ) = (Y ) ||X Y || ,
lo cual implica que
||X Y || (Y ) (X).
Si se procede de la misma forma partiendo de ||X Y || X Y , se puede ver
que ||X Y || ((Y ) (X)), con lo cual se obtiene al resultado previamente
planteado.
(l) Si se reescribe (X) := (w1 , w2 ), donde w1 y w2 son las cantidades de activos que
conforman el portafolio, entonces el teorema de Euler conduce a
(w1 , w2 ) = w1

(w1 , w2 ) + w2
(w1 , w2 ).
w1
w1

on, enDe esta manera, si w1 y w2 cambian simultaneamente en la misma proporci

tonces (w1 , w2 ) cambia en exactamente dicha proporci
on.
(m) /w1 y /w2 son funciones homogeneas de grado cero. Este resultado tambien
se sigue del teorema de Euler.

5. Medidas de riesgo m
as usuales
En esta secci
on se enlistan algunas de las medidas de riesgo m
as populares que se definen
en terminos de una medida de probabilidad. Sea X una variable aleatoria definida sobre
un espacio de probabilidad (, F , IP).
(a) Se define la varianza de X como:
(1) (X) := VarIP [X] = EIP

2 i
.
X EIP [X]

La volatilidad IP (X) se define como la raz cuadrada de la varianza.

(b) Se define el valor en riesgo (VaR), al nivel 1 q, 0 < q < 1, como:
X

(2) (X) := VaR1q = inf {x IR | IP {X x} q} .

8

(c) Se define la esperanza condicional de la cola del VaR, para 0 < q < 1, como:
h
i
h
i
X
X
X
= EIP X | X < VaR1q = EIP X | X > VaR1q .
(3) (X) := E1q

6. La varianza no es una medida de riesgo coherente

Aun cuando la varianza representa una de las formas m
as utilizadas para medir riesgos,
posiblemente por la gran difusi
on de la teora de portafolios desarrollada por Markowitz,
la varianza no satisface ninguno de los axiomas de coherencia.
La varianza no satisface la propiedad de homogeneidad positiva ya que las constantes
salen al cuadrado, ni es invariante bajo traslaciones pues la varianza de una variable m
as
una constante es igual a la varianza de la variable. Observe tambien que si X y Y son
variables aleatorias definidas sobre (, F , IP),
(1) (X + Y ) =VarIP [X + Y ]
=VarIP [X] + VarIP [Y ] + 2CovIP (X, Y )
=(1) (X) + (1) (Y ) + 2CovIP (X, Y ).
Por lo tanto, el cumplimiento o no de la subaditividad depende del signo de CovIP (X, Y ).
La u
nica ventaja que presenta la desviaci
on est
andar (o volatilidad),
IP (X) =

q
VarIP [X],

es que satisface la propiedad de homogeneidad positiva, IP (X) = IP (X).

7. Otras limitaciones m
as serias de la varianza como medida de
riesgo
Insistir en utilizar a la varianza como una medida de riesgo conlleva a limitaciones m
as
serias que satisfacer o no un conjunto de axiomas de coherencia. Los siguientes ejemplos
muestran que la varianza es incapaz de detectar diferencias entre las colas de dos distribuciones y, por lo tanto, no distingue diferencias entre las probabilidades de ocurrencia de
valores extremos de dichas distribuciones.

7.1 La varianza no detecta efectos de colas pesadas

Considere la distribuci
on normal bivariada

  


0
1
D1T
,
,
N
D2T
0
1
9

entonces su funci
on de distribuci
on conjunta est
a dada por
FD1T ,D2T (x, y) =

2
2
2
1
p
e(u 2uv+v )/2(1 ) dudv.
2 1 2

Si = 0, es decir, si D1T y D2T son variables aleatorias no correlacionadas, entonces

Z

2
2
1
1
p
e 2 (u +v ) dudv
2
2 1
Z x
Z y
1
1 2
1
1 2
e 2 u du
e 2 v dv
=
2
2

= (x)(y),

FD1T ,D2T (x, y) =

en cuyo caso D1T y D2T son variables aleatorias independientes. Claramente, el recproco
siempre se cumple, es decir, variables aleatorias independientes son no correlacionadas. A
continuaci
on, se examina un caso, fuera del mundo Gaussiano, en donde variables aleatorias
no correlacionas, no necesariamente son independientes. Con este prop
osito, se define,
primero, la funci
on C(x, y) como
C(x, y) =

[1 + f (u) g (v)]dudv
 Z y

Z x
f (u)du
g(v)dv ,
= xy +
0

para 0 x, y 1,

donde
f (u) = 1[,1] (u)

1 2
1[0,)(1,1] (u),
2

g(v) = 1[,1] (v) +

1 2
1[0,)(1,1] (v)
2

y
1
4

12 .

As, f (v) = g(v). De lo anterior, se tiene que 1 + f (u) g (v) = 1 + (1)(1) = 0 para toda
(u, v) [, 1 ] [, 1 ]. Por otro lado,
Z

1
0

Por lo tanto,

Z 1
Z 1
1 2
1 2
du +
du
f (u)du =
du
2
2
0

1
1 2
1 2
=
+ 1 2
= 0.
2
2
Z

g(v)dv =

f (v)dv = 0.
0

10

De la misma forma,
Z

1
0

1 2
uf (u)du =
2

1 2
udu
2

udu +
udu

1
 


1 2 2
(1 )2
2
1 2 1 (1 )2
=
+

2
2
2
2
2
2
2
(1 2) 1 2 1 2
+

(2 ) = 0.
=
4
2
4
0

En consecuencia,
Z

vg(v)dv =

vf (v)dv = 0.
0

Observe tambien que C(1, 1) = 1 1 + 0 0 = 1, C(0, 0) = 0. Por otro lado, el producto

f (u)g(v) s
olo puede tomar los siguiente valores:

1,

1 2

,
2

1 2
2

1 2
2

2

En virtud de que
0

1 2
1,
2

se tiene 1 + f (u)g(v) 0. Dado que C(x, y) representa el volumen acumulado por 1 +

f (u)g(v) hasta (x, y), la funci
on C(x, y) es creciente en ambos argumentos. Se puede
concluir entonces que C(x, y), 0 x, y 1, es una funci
on de distribuci
on con marginales
uniformes en [0,1]. Concretamente,

CU (x) = C(x, 1) = x 1 +

Z

f (u)du

 Z

=x

= y.

g(v)dv
0

y
CV (y) = C(1, y) = 1 y +

Z

f (u)du
0

 Z

g(v)dv
0

La funci
on de distribuci
on bivariada FU,V (x, y) = C(x, y) se llama c
opula uniforme. En
11

este caso, la covarianza entre U y V satisface

Cov(U, V )
Z 1Z 1




=
u 12 v 12 (1 + f (u)g(v))dudv
Z

uv 12 (u + v) + 14 (1 + f (u)g(v))dudv
0
0
Z 1
 Z 1
 Z 1
 Z 1

=
udu
vdv +
uf (u)du
vg(v)dv
=

+
=

1
2

Z

0
1

udu +

0
1

Z

vg(v)dv

udu

vdv +

vdv

1
4

uf (u)du

f (u)du

0
1
2

1
0

 Z

Z

 Z

= 14

1
0

Z

1
2



Z

 Z

g(v)dv

1
4

udu +

+
Z

1
4
1

Z

f (u)du

 Z

vdv +
0

g(v)dv

0
1
4

= 0.

Es decir, U y V son variables aleatorias no correlacionadas. Evidentemente, U y V no

son independientes, ya que para (x, y) [, 1 ] [, 1 ], se tiene que c(x, y) = 0; la
independencia estoc
astica exigira que C(x, y) 1 en [0, 1] [0, 1].
e 1T y D
e 2T con funci
Ahora suponga que se tienen dos variables aleatorias D
on de
distribuci
on conjunta
FD
e (x, y) = C((x), (y)),
e ,D
1T

2T

donde

(x) =

1
1 2
e 2 v dv.
2

Observe que FD
e2T (x, y) no es normal bivariada, ya que si
e1T ,D
((x), (y)) [, 1 ] [, 1 ] ,
se tiene que
FD
e

1T

e2T
,D

(x, y) =
=

(x)

Z (x)

Claramente, FD
e

[1 + f (u) g (v)] dvdu

Z (y)

0dvdu = 0.

andar ya que
e (x, y) = C ((x), (y)) tiene marginales Gaussianas est

FD
e
e (x) = FD
FD
e
e (y) = FD
2T

(y)

1T ,D2T

1T

e (x, ) = C ( (x) , ()) = C ( (x) , 1) = (x)

1T ,D2T

e (, y) = C ( () , (y)) = C (1, (y)) = (y) ,

1T ,D2T

12

e 1T , D
e 2T ) = 0. Es f
e 1T y D
e 1T no son variables aleatorias
con Cov(D
acil verificar que D
independientes ya que C ((x), (y)) 6= (x) (y) . En conclusi
on, el ejemplo desarrollado
e
e
proporciona dos variables aleatorias D1T y D2T normales est
andar con covarianza cero que
e 1T
no son independientes. Con el fin de determinar la funci
on de densidad conjunta de D
e
y D2T , considere
Z (x) Z (y)
C((x), (y)) =
[1 + f (u) g (v)] dudv
0
0
Z x Z y





0

0

=
1 + f 1 (u) g 1 (v) 1 (u) 1 (v) dudv.

e 1T y D
e 2T . Dicha densidad se
De esta manera, el integrando constituye la densidad de D
1
1
1
anula en puntos (x, y) [1
X (), X (1 )] [Y (), Y (1 )]. En la figura 6.1
se compara la densidad de C((x), (x)) con la densidad normal bivariada. Dado que el
volumen bajo ambas densidades tiene que ser igual a la unidad y la densidad 1 + f g se
1
1
1
anula en el conjunto [1
X (), X (1 )] [Y (), Y (1 )], entonces su volumen
tiene que compensar en las colas, haciendolas m
as pesadas. Por lo tanto, la densidad de
C((x), (y)) tiene colas m
as pesadas que la densidad normal bivariada. As, la probabilidad de que ocurran valores extremos, tanto positivos como negativos, es mayor en
C((x), (y)) que en la distribuci
on normal bivariada.

a) Densidad de C(x, y)

b) Densidad Normal bivariada

Figura 6.1 Densidades de la C

opula Gaussiana y la normal bivariada.
Considere ahora dos portafolios
X = w1 D1T + w2 D2T ,
13

donde D1T y D2T provienen de la normal bivariada de la secci

on 6.1, y
e 1T + w2 D
e 2T
Y = w1 D
e 1T y D
e 2T provienen de la c
donde D
opula Gaussiana. Observe
(1) (X) = Var[X] = w12 + w12 = Var[Y ] = (1) (Y ).
Sin embargo, la c
opula Gaussiana tiene colas m
as pesadas que la normal bivariada y por
lo tanto el riesgo de Y debe ser mayor que el de X.

7.2 Otro ejemplo en donde la varianza no detecta efectos de colas

pesadas
Considere ahora la distribuci
on normal bivariada

  

0
1
D1T
=N
,
D2T
0
0

0
1



on conjunta
para un 0 dado, y considere la distribuci
)
(
Z x Z y
2
2
1

2
uv
+
v
u

0


p
dudv.
FD01T ,D2T (x, y) =
exp
2
2 1 20
2 1 0
Defina ahora la distribuci
on
GD
e

1T

e2T
,D

(x, y) = F 1
(x, y) + (1 ) F 2
(x, y)
e1T ,D
e2T
e1T ,D
e2T
D
D

con 1 < 2 , 0 < < 1, < x, y < . Claramente, G tiene marginales

1
(x, ) + (1 ) F 2
(x, ) = (x) ,
GD
e1T (x) = FD
e1T ,D
e2T
e1T ,D
e2T
D
1
GD
(, y) + (1 ) F 2
(, y) = (y)
e2 (y) = FD
e1T ,D
e2T
e1T ,D
e2T
D

y covarianza 1 + (1 ) 2 . Sin perdida de generalidad, dados 1 , 2 tales que 1 < 2 ,

existe tal que 0 = 1 + (1 )2 . Ahora bien, como
F 0

D1T + D2T N (0, 2 (1 + 0 ))

y
i

e 1T + D
e 2T F N (0, 2 (1 + i )) ,
D
esto implica que la cola de D1T + D2T bajo F 0 satisface
F 0

IP

{D1T + D2T > z} = 1

14

p
2 (1 + 0 )

e 1T + D
e 2T bajo G cumple con
y la cola de D

o
n
e 2T > z
e 1T + D
IPG D

n
n
o

o
1
2
e 2T > z
e 2T > z
e 1T + D
e 1T + D
= 1 IPF
+ (1 ) 1 IPF
D
D
!!
!!
z
z
+ (1 ) 1 p
.
= 1 p
2 (1 1 )
2 (1 2 )

Si se utiliza la siguiente propiedad de la cola de la distribucion normal est

andar:
1 (x) = (x)

1
+o
x

1
x2



la cual se demuestra como sigue

lim

1 (x)
(x)
1
= lim
=1
= lim
x x(x)(x) (x)
x 1 + 1
(x)
x
x2
x2

donde 0 (x) = (x), se tiene que

 p

2(1 + i )

+ o ()
1
z

 = 
 p

2(1 + 0 )
z
z
p
1
p
+ o ()
z
2(1 0 )
2(1 + 0 )


2
s
1
z
exp
4(1
+

)
1 + i
i
2



2
1 + 0
z
1 exp
4(1
+

)
2
0
)
(

s
1
z2
1
1 + i
.
= exp

4 1 + i
1 + 0
1 + 0


p z
2(1 i )

p z
2(1 i )

Sin embargo, 0 , 1 y 2 satisfacen

1
1

<0 y
1 + 2
1 + 0
Por lo tanto,
1

lim

1
1

> 0.
1 + 1
1 + 0

p z
2(1 2 )
p z
2(1 0 )
15


 =

y
1

lim

As,
IPG
lim

IPF

p z
2(1 0 )


 = 0.




z

e 1T + D
e 2T > z
1 p2(1 + )
D
1


= lim

{D1T + D2T > z}

1 p z
2(1 + 0 )



1 p

2(1
+

)
2



+ (1 )

1 p
2(1 + 0 )

p z
2(1 1 )

=0 + = .
Esto quiere decir que los cuantiles altos de G son mucho mayores que los cuantiles altos
de F 0 . Por lo tanto, valores extremos bajo G tienen mayor probabilidad de ocurrir que
e 1T + D
e 2T y Y = D1T + D2T , el riesgo asociado a X es
bajo F 0 . As, si se escribe X = D
mayor que el de Y . Sin embargo,
(1) (X) = Var[X] = 2(1 + 0 ) = Var[Y ] = (1) (Y ).
Observe tambien que bajo ambas distribuciones G y F 0 , Cov(X, Y ) = 0 6= 0. En consecuencia, la covarianza, Y (X) := Cov(X, Y ) con Y fija, tampoco es una medida coherente
de riesgo, lo cual implica que la beta obtenida a traves del CAPM (Capital Asset Pricing
Model) tampoco es una medida coherente de riesgo.

7.3 Un ejemplo m
as de que la varianza no es una medida coherente
de riesgo
Considere la funci
on de densidad conjunta
fD1T ,D2T (u, v) =

p
1 2



(u2 2uv+v 2 )/2(12 )
(u2 +2uv+v 2 )/2(12 )
+e
.
e

Se puede verificar que, para cualquier valor [1, 1], D1T N (0, 1), D2T N (0, 1),
Cov(D1T , D2T ) = 0, y D1T y D2T no son independientes. Sea X () = w1 D1T + w2 D2T .
Claramente, Var[X () ] = w12 + w22 para cualquier valor de [0, 1]. La figura 6.2 muestra
la funciones de densidades conjuntas para los valores = 0.1 y = 0.9. Se puede observar
el comportamiento diferente de las colas de las densidades para estos valores, lo cual es
ignorado por la varianza.
16

a) = 0.1

b) = 0.9

Figura 6.2 Densidades conjuntas con diferentes valores de .

8. Valor en riesgo (VaR)

En 1995, el banco J. P. Morgan public
o un documento tecnico en donde se propona un
metodo novedoso para cuantificar el riesgo de mercado asociado a todas las posiciones de
su banco a traves del c
alculo de un solo n
umero, lo que se conoce como valor en riesgo (o
VaR por las iniciales en ingles del termino Value at Risk). Casi desde entonces, el valor
en riesgo es una las medidas que se utilizan con mayor frecuencia, por los intermediarios
financieros, en la estimaci
on de perdidas potenciales, ya sea en el valor o en el rendimiento
de un portafolio, en un periodo de tiempo y con un nivel de confianza dado. La literatura
sober VaR es abundante. Vale la pena mencionar los trabajos de Ahn et al. (1999), Dufie
y Pan (1997), Jorion (2001).

8.2 Mapeo de flujos para simplificar el c

alculo y actualizaci
on de
VaR
Usualmente, la estimaci
on y actualizaci
on del VaR de un portafolio de activos requiere de
un n
umero considerable de c
alculos, sobre todo cuando el portafolio contiene productos
derivados como forwards, opciones o swaps. En este sentido, cuando los cambios (absolutos o porcentuales) del portafolio, y de los derivados que en el participan, se pueden
expresar en funci
on de cambios (absolutos o porcentuales) de activos financieros simples
(acciones, divisas, bonos cup
on cero, etc.), entonces se obtiene una reducci
on importante
en el n
umero de c
alculos. De preferencia, es deseable que dicha dependencia sea lineal, en
cuyo caso los activos financieros simples son llamados vertices. Es importante destacar
que cuando no se tiene dicha linealidad, se puede siempre recurrir al teorema de Taylor para
linealizar alrededor de un punto. Afortunadamente, el supuesto de normalidad, con una
transformaci
on adecuada de la matriz de varianzas-covarianzas, aunado a la propiedad de
linealidad (una combinaci
on lineal de variables aleatorias normales es normal) disminuye
significativamente el n
umero de c
alculos.
17

8.3 El concepto de valor en riesgo (param

etrico)
En esta secci
on se presenta la definici
on formal del valor en riesgo par
ametrico del cambio
en el valor de un portafolio. Por simplicidad, se considera un portafolio que combina dos
activos risgosos.
Considere un intervalo de tiempo [t, T ]. El valor inicial, en t, de un portafolio que
consiste de w1 unidades del activo S1t y w2 unidades del activo S2t est
a dado por
t = w1 S1t + w2 S2t .
El cambio en el valor del portafolio, entre las fechas t y T , manteniedo las cantidades w1
y w2 contantes, se puede escribir de la siguiente manera:
X := T t = w1 (S1T S1t ) + w2 (S2T S2t ).
Si S1T : 1 IR y S2T : 2 IR son variables aleatorias definidas sobre dos espacios
muestrales, 1 y 2 , entonces X : IR, con = 1 2 , es una variable aleatoria
asociada al cambio en el valor del portafolio. Asimismo, se supone que X est
a definida
sobre un espacio de probabilidad fijo (, F , IP ), donde es un vector de par
ametros
asociados con la distribuci
on de X. Si se desea que X represente el cambio en valor de un
solo activo, entonces se toman, simplemente, w1 = 1 y w2 = 0. Evidentemente, el esquema
anterior puede generalizarse, sin dificultad, a un portafolio con m
as de dos activos.
X
El valor en riesgo de X al nivel 1 q denotado por VaR1q , se define como el peor
valor del portafolio, en un periodo de tiempo dado, [t, T ], para un intervalo de confianza
del (1 q)100%. En forma m
as precisa,


IP VaRX
1q X = 1 q.
Claramente, la cantidad VaRX
en satisface
1q tambi


IP X VaRX
1q = q.
Es decir,
X

VaR1q = inf { x IR | IP {X x} q}
= sup { x IR | IP {X x} q} .
Esta definici
on es aplicable tanto a variables aleatorias continuas como discretas. De lo
anterior se desprende, inmediatamente, que
X

VaR1q = inf { x IR | IP {X > x} 1 q} .

X

Como puede observarse, el n

umero VaR1q es una estimaci
on estadstica del peor valor de
X con cierto grado de confianza en un intervalo de tiempo dado. La figura 8.1 ilustra el
concepto del valor en riesgo.
18

Figura 8.1 Valor en riesgo de X al nivel 1 q.

8.4 Valor en riesgo y la funci

on de cuantiles
Si X es una variable aleatoria definida en (, F , IP ), la funci
on
QX (q) = inf { x IR | IP {X x} q}
= sup { x IR | IP {X x} q}
es llamada la funci
on de cuantiles de X. La funci
on QX (q) es creciente y continua por
1
(q).
la derecha. Claramente, si la variable aleatoria es continua, entonces QX (q) = FX
Observe que si X es una variable aleatoria continua, entonces
E[g(X)] =

g(QX (q))dq.
0

En efecto, por definici

on
E[g(X)] =

g(x)dFX (x),

1
(q), entonces QX () = 0,
Defina el siguiente cambio de variable x = QX (q) = FX
QX () = 1 y
Z 1
1
E[g(X)] =
g(QX (q))dFX (FX
(q))

g(QX (q))dq.
0

Evidentemente, el VaR y la funci

on de quantiles est
an relacionados mediante
X

VaR1q = QX (q).
19

8.5 Valor en riesgo del rendimiento de un portafolio y el teorema

de Euler
En esta secci
on se demuestra que el valor en riesgo tiene la propiedad de homogeneidad
positiva. Asimismo, se discute sobre la relaci
on que existe entre el VaR y el teorema de
Euler sobre funciones homegeneas de grado uno.
Sean > 0 y Y = X, entonces
y
n
yo
= FX
,
FY (y) = IP{Y y} = IP {X y} = IP X

de aqu se obtiene
VaRY1q = inf { y IR | FY (y) q}
= inf { x IR | FY (x) q}


 
x
q
= inf x IR | FX

= inf { x IR | FX (x) q}
= inf { x IR | FX (x) q}
=VaRX
1q .
Observe que al multiplicar X por , cada wi , i = 1, 2, es multiplicada por . Por lo tanto,
si se escribe VaRX
1q := VaR1q (w1 , w2 ), se tiene que
VaR1q (w1 , w2 ) = VaR1q (w1 , w2 ).
on de w1 y w2 , se tiene que Var1q (w1 , w2 ) es hoEs decir, si VaRX
1q se ve como funci
mogenea de grado uno. En consecuencia, el teorema de Euler produce
VaR1q (w1 , w2 ) = w1

VaR1q
VaR1q
(w1 , w2 ) + w2
(w1 , w2 ).
w1
w2

(1)

Si < 0, en general, la propiedad de homogeneidad no se cumple. En particular si, = 1

se tiene que que
X
= VaRX
VaR1q
q
En efecto, sea Y = X, observe primero que
FY (y) =IP {Y y} = IP {X y} = IP {X y}
=1 IP {X y} = 1 FX (y).
Por lo tanto,
VaRY1q = inf { y IR | FY (y) q}
= inf { x IR | FX (x) q}
= inf { x IR | 1 FX (x) q}
= inf { x IR | FX (x) 1 q}
= inf { x IR | FX (x) 1 q} .
20

X
Por supuesto, si X es una variable aleatoria continua entonces VaRX
1q = VaRq .

8.6 Valor en riesgo bajo el supuesto de normalidad

Posiblemente, el supuesto normalidad en el VaR ha contribuido de manera muy importante
a que el mismo VaR sea tan popular. Bajo este supuesto, el calculo del VaR se convierte
en una expresi
on muy sencilla y f
acil de recordar.
Si el cambio de valor en un portafolio durante [t, T ], X, es visto como una variable
1
aleatoria continua y F es su funci
on de distribucion, entonces VaRX
(q), es decir,
1q = F
X
VaR1q es el quantil q de F . Por ejemplo, si el cambio en el valor de t satisface
dt = dt + dWt
donde IR, > 0 y (Wt )t[0,T ] es un movimiento Browniano definido en un espacio de
probabilidad equipado con su filtraci
on aumentada, (, F , (Ft)t[0,T ], IP), entonces
X = T t N ((T t), 2 (T t)).
En este caso, se tiene que
IP
lo cual implica que

En consecuencia,

 

X (T t)

zq  Ft = q,
T t


IP X (T t) zq T t  Ft = q.
n


X
VaR1q =zq T t + EIP [X  Ft ]

=zq T t (T t).

A partir de las tablas de quantiles de la funci

on de distribuci
on acumulada de una variable
normal est
andar, se tiene que si 1 q = 0.95, zq = 1.65, y si 1 q = 0.99, zq = 2.33. Si
el rendimiento medio y la volatidad son anualizados, valores t
picos de T t son 5/360 (5

das) y 10/360 (10 das). Si se definen d = /360 y d = / 360 como el rendimiento y

la volatilidad diarios, se tiene que

X
VaR1q = zq d T t d (T t),
y, en este caso, T t toma los valores de 5 (das) y 10 (das).

8.7 Valor en riesgo del cambio en valor de la suma de dos portafolios

bajo el supuesto de normalidad
Como se ha visto, en la secci
on anterior, el supuesto de normalidad simplifica, considerablemente, el c
alculo del VaR del cambio en valor de un portafolio. Este supuesto tambien
21

facilita los c
alculos del valor en riesgo del cambio en valor de la suma (combinaci
on) de
2
dos portafolios. En efecto, si X N (X (T t), X
(T t)) y Y N (Y (T t), Y2 (T t))
con Cov(X, Y ) = XY (T t), entonces

X+Y
VaR1q =zq X+Y T t X+Y (T t)
q

2 + 2
+ Y2 T t (X + Y )(T t).
=zq X
XY

8.8 Valor en riesgo del rendimiento de un portafolio

En las dos secciones anteriores se ha calculado el VaR del cambio en valor de un portafolio.
El siguiente ejemplo muestra que cuando los rendimientos de los activos son normales el
c
alculo del valor en riesgo de un portafolio tambien es muy sencillo. Por simplicidad, se
considera un portafolio con dos activos cuyos rendimientos est
an correlacionados entre s.
Considere dos movimientos Brownianos (Wt )t[0,T ] y (Ut )t[0,T ] correlacionados entre
s, de tal forma que
Cov(dWt , dUt ) = dt
Se supone que los precios, S1t y S2t , de dos activos son conducidos, respectivamente, por
dS1t = 1 S1t dt + 1 S1t dWt
y
dS2t = 2 S2t dt + 2 S2t dUt ,
donde 1 , 2 IR y 1 , 2 > 0. El cambio porcentual en valor del portafolio satisface
dS1t
dS2t
dt
= 1
+ 2
,
t
S1t
S2t
donde
1 =
En este caso,

w1 S1t
,
t

2 =

w2 S2t
t

1 + 2 = 1.


dt
= (1 1 + 2 2 ) dt.
E
t




dt
Var
= 21 12 + 22 22 + 21 2 1 2 dt.
t


Por lo tanto,
d/
VaR1q

= zq 21 12 + 22 22 + 21 2 1 2 dt (1 1 + 2 2 ) dt.

Por otro lado, si se considera el cambio de valor en el portafolio, se tiene que

dt = w1 S1t

dS1t
dS2t
+ w2 S2t
.
S1t
S2t
22

Ahora,
E [dt ] = (w1 S1t 1 + w2 S2t 2 ) dt
y

2 2
2 2
Var [dt ] = w12 S1t
1 + w22 S2t
2 + 2w1 w2 1 2 dt.

De esta manera,
VaRd
1q

2 2
2 2
=zq w12 S1t
1 + w22 S2t
2 + 2w1 w2 S1t S2t 1 2 dt
(w1 S1t 1 + w2 S2t 2 ) dt.

Por lo tanto, se cumple la propiedad

d/

VaR1q =
d/

La cantidad VaR1q

1
VaRd
1q .
t

es tambien conocida como VaR diversificado.

8.9 VaR del rendimiento de un portafolio y factorizaci

on de Cholesky
En esta secci
on se presenta el metodo de factorizaci
on de Cholesky y su aplicaci
on en el
c
alculo del VaR del rendimiento de un portafolio. Suponga que un portafolio consiste de n
activos, entonces el rendimiento del portafolio es la media de los rendimientos ponderada
por la participaci
on de cada activo en el valor del portafolio. Si los rendimientos de
los activos siguen distribuciones normales y son no correlacionadas, la factorizaci
on de
Cholesky permite transformar los rendimientos originales en variables aleatorias con cierta
estructura de correlaci
on.
Pora llevar a cabo una exposici
on sencilla de las ideas centrales, se considera un
portafolio con s
olo dos activos. Suponga que los precios, S1t y S2t , de dos activos financieros
son conducidos, respectivamente, por

dS1t = 1 S1t dt + 1 S1t dt 1

y

dS2t = 2 S2t dt + 2 S2t dt 2 ,

donde 1 , 2 IR, 1 , 2 > 0, 1 , 2 N (0, 1) y Cov(1 , 2 ) = 0. La informaci

on sobre 1
y 2 se puede resumir como
    

1
0
1 0

,
.
:=
2
0
0 1
Considere la transformaci
on:
(

1 = 1 ,
2 = 1 +

p
1 2 2 ,

23

(2)

entonces se tiene que

Var [1 ] = Var [1 ] = 1,


Var [2 ] = 2 Var [1 ] + 1 2 Var [2 ] = 1
y



p
Cov (1 , 2 ) =Cov 1 , 1 + 1 2 2
p
=Var [1 ] + 1 2 Cov (1 , 2 )
=.

C
omo se eligi
o la transformaci
on (2)? La respuesta est
a en la factorizaci
on (descomposici
on) de Cholesky. Si se denota


1
C=
.
1
Claramente, la matriz C es simetrica y definida positiva, entonces existe una matriz A,
tambien llamada la raz cuadrada de C, tal que
C = AAT ,
donde A es triangular inferior. Equivalentemente,


1
1

a11
a12

0
a22



a11
0

a12
a22

a211
a11 a12

a11 a12
2
a12 + a222

lo cual implica que

1 =a211 ,
=a11 a12 ,
1 =a212 + a222 ,
o

1
1

1 p 0
1 2



1 p
1 2
0

Ahora bien, la transformaci

on (2) se puede reescribir como
= A.
En este caso






E T = E A T AT = AE T AT = AAT = C.
on sobre 1 y 2 se puede
En conclusi
on, 1 , 2 N (0, 1) y Cov(1 , 2 ) = . La informaci
resumir como:
    

1
0
1
,
.

:=
2
0
1
24

As pues, con base en la transformacion (2), se puede escribir

dS1t = 1 S1t dt + 1 S1t dt1

y

dS2t = 2 S2t dt + 2 S2t dt2 ,

donde

p
1 2 2 ,

2 = 1 +

1 , 2 N (0, 1)

y
Cov (1 , 2 ) = 0.
Equivalentemente,
dS1t = 1 S1t dt + 1 S1t dW1t
y
dS2t = 2 S2t dt + 2 S2t dW2t ,
donde
dW2t = dW1t +

p
1 2 dUt

y
Cov (dW1t , dUt ) = 0.
Por lo tanto,
Cov (dW1t , dW2t ) = Var [dW1t ] +

p
1 2 Cov (dW1t , dUt ) = dt.

Por u
ltimo, con base en lo anterior, es posible construir un sistema de ecuaciones diferenciales estoc
asticas en el que los rendimientos tengan la matriz de varianzas-covarianzas C.
En efecto, si se escribe
dS1t = 1 S1t dt + S1t dW1t
y
dS2t = 2 S2t dt + S2t dW2t ,
donde
dW2t = dW1t +

p
1 2 dUt

y
Cov (dW1t , dUt ) = 0,
entonces




dS1t
dS2t
Var
= Var
= dt
S1t
S2t

y
Cov

dS1t dS2t
,
S1t S2t
25

= dt.

Por lo tanto, si, en particular, 1 = 2 = 0, entonces

d/

VaR1q = zq

1 + 21 2 ( 2) dt.

8.10 VaR del rendimiento de un portafolio y componentes principales

En esta secci
on se presenta el metodo de componentes principales y su aplicaci
on en el
c
alculo del VaR del rendimiento de un portafolio. Suponga que un portafolio consiste
de n activos. Como se sabe, el rendimiento del portafolio se calcula en terminos de los
rendimientos de los n activos. Concretamente, el rendimiento del portafolio es la media
de los rendimientos ponderada por la participaci
on de cada activo en el valor total del
portafolio. En el metodo de componentes pricipales dichos rendimientos se tranforman en n
nuevas variables llamadas componentes principales. La transformaci
on involucra el calculo
de valores y vectores propios de la matriz de varianzas-covarianzas de los rendimientos.
Dichas componentes principales son combinaciones lneales de los rendimientos originales
y cada una de ellas explica una parte de la varianza total de la transformacion. Despues de
ordenar las componentes por su peso explicativo en la varianza total, aquellas que tengan
una contribuci
on insigificante a la varianza total pueden eliminarse. De esta manera la
dimensi
on del problema inicial se reduce en el problema transformado. Por ejemplo, si las
u
ltimas k componentes principales se eliminan, el problema transformado consiste de n k
variables. Por u
ltimo, observe que dado que las componentes principales son combinaciones
lineales de los rendimientos originales, cualquier informaci
on que estos puedieran aportar
en la explicaci
on de la varianza total de la tranformaci
on es tomada en cuenta.
Por simplicidad en la exposici
on, se considera un portafolio con dos activos. Los
precios, S1t y S2t , de dos activos financieros son conducidos por las siguientes ecuaciones
diferenciales parciales:

dS1t = 1 S1t dt + 1 S1t dt1

y

dS2t = 2 S2t dt + 2 S2t dt2 ,

donde
2 = 1 +

p
1 2

1 , N (0, 1) y
En este caso,
:=

1
2

Cov (1 , ) = 0.

  

0
1

,
,
0
1

con > 0. En lo que sigue se denota

C=

1
1

26

En primer lugar se determinan los eigenvalores (valores propios), 1 y 2 , y los eigenvectores

(vectores propios), v1 y v2 , de C, es decir, se determinan i y vi 6= (0, 0)T , i = 1, 2, tales
que
(3)
Cvi = i vi , i = 1, 2.
Observe que C es una matriz simetrica definida positiva. En efecto, dado que > 1, si
x = (x1 , x2 )T 6= (0, 0)T ,
xT Cx = x21 + 2x1 x2 + x22 > x21 2x1 x2 + x22 = (x1 x2 )2 0.
Ahora bien, si se premultiplica (3) por vi , se sigue que i ||vi ||2 = viT Cvi > 0, es decir,
i > 0, i = 1, 2. En este caso, (3) se puede reescribir como
(C I)vi = 0.
Para que el sistema anterior tenga una soluci
on no trivial, vi , se debe cumplir que
det(C I) = 0,

(4)

donde I es la matriz identidad de 2 2. Es decir,



1



=0

1 
o

(1 )2 = 2 ,
lo cual produce dos soluciones 1 = 1+ y 2 = 1. Dado el supuesto > 0, se sigue que
on (4) es conocida como el polinomio caracterstico de C. Claramente,
1 > 2 . La ecuaci
det(C) = 1 2 = (1 + )(1 ) = 1 2
y
traza(C) = 1 + 2 = 2.
Los vectores propios se determinan a traves de los sistemas:


Por lo tanto,



v11
v12

 
0
=
0

 
1
v1 =
1

v2 =



1
1

v21
v22

 
0
=
.
0

Claramente, eigenvectores correspondientes a distintos eigenvalores son linealmente independientes. Si esto no fuera as, entonces v1 = v2 para alg
un 6= 0, as Cv1 = 1 v1
27

implica Cv2 = 1 v2 , en consecuencia, 1 = 2 . Observe que, en este caso, v1T v2 = 0,

es decir son v1 y v2 son ortogonales. Si se normalizan estos vectores, es decir,

 

1/2
1/ 2
u1 =
y
u2 =
,
1/ 2
1/ 2
entonces u1 y u2 son eigenvectores ortonormales. De hecho, el teorema espectral dice que
los eigenvectores de toda matriz simetrica con entradas reales son ortogonales. Sean



 
 

u11 u21
1 0
1/2 1/ 2
1+
0
=
y =
=
=
1/ 2 1/ 2
0 2
u12 u22
0
1
las matrices de eigenvectores y eigenvalores, respectivamente de C. La matriz = [u1 , u2]
es simetrica, = T , e invertible, = T = 1 . Es decir es una matriz ortogonal.
As, T = 2 = I. Observe tambien que
C = ,
lo cual, evidentemente, equivale a
Cu1 = 1 u1

Cu2 = 2 u2 .

Por lo tanto, se puede escribir

C = 1 = T .
A esta factorizaci
on se le llama eigendescomposici
on y en ocasiones eigendiagonalizaci
on.
Defina ahora la transformaci
on
= T .
(5)
Claramente, E[] = (0, 0)T y
 
 
Var =T Var (T )T
 
=T Var
=T C
=T T
=.
Es decir la transformaci
on (5) preserva la media pero modifica la matriz de varianzascovarianzas, de C a . De acuerdo con (5), se tiene que

1 =u11 1 + u12 2 = (1 + 2 )
2
(6)
1

2 =u21 1 + u22 2 = (1 2 ) .
2
28

A la primera ecuaci
on se le conoce como primera componente principal y a la segunda
como segunda componente principal. En ocasiones, el vector propio asociado con el valor
propio m
as grande, 1 , es llamado la primer componente principal, etc. Observe que
1
(2 + 2) = 1 + = 1 ,
2
1
Var [2 ] = (2 ) = 1 = 2 ,
2

Var [1 ] =

y
Cov (1 , 2 ) =

1
1
Cov (1 + 2 , 1 2 ) = (1 + 1) = 0.
4
4

Por lo anterior,
det(C) = Var [1 ] Var [2 ]

trasa(C) = Var [1 ] + Var [2 ] .

Asimismo, se tiene que

u1 = arg max

max

{x:||x||=1}


 T 
Var x .

Si ahora se escribe, con base en las transformaciones (2) y (6), se tiene que

dS1t = 1 S1t dt + 1 S1t dt1

y

dS2t = 2 S2t dt + 2 S2t dt2 ,

1
1
1 = (1 + 2 ) ,
2 = (1 2 ) ,
2
2
p
1 , 2 N (0, 1),
Cov (1 , 2 ) = 0,
2 = 1 + 1 2 2 ,
Var [1 ] = Var [2 ] = 1,

Cov (1 , 2 ) = .

Por lo tanto,
1
Var [1 ] = Var [1 + 2 ]
2
h
i
p
1
= Var (1 + )1 + 1 2 2
2


1
= (1 + )2 + 1 2
2
=1 + ,
1
Var [2 ] = Var [1 2 ]
2
i
h
p
1
= Var (1 )1 1 2 2
2


1
= (1 )2 + 1 2
2
=1 ,
29



p
p
1
Cov (1 , 2) = Cov (1 + )1 + 1 2 2 , (1 )1 1 2 2
2


1
= (1 + )(1 ) (1 2 )
2
= 0.
As pues, con base en lo anterior, se puede escribir
dS1t = 1 S1t dt + 1 S1t dW1t
y
dS2t = 2 S2t dt + 2 S2t dW2t ,
donde
1
dW1t = (dU1t + dU2t ) ,
2
dU2t = dU1t +

1
dW1t = (dU1t dU2t )
2
p
1 2 dVt ,

Cov (dU1t , dVt ) = 0.

De esta manera,
1
Var [dW1t ] = Var [dU1t + dU2t ]
2
i
h
p
1
2
= Var (1 + )dU1t + 1 dVt
2
=(1 + )dt,
1
Var [dW2t ] = Var [dU1t dU2t ]
2
i
h
p
1
2
= Var (1 )dU1t 1 dVt
2
=(1 )dt,
Cov (dW1t , dW2t )


p
p
1
= Cov (1 + )dU1t + 1 2 dVt , (1 )dU1t 1 2 dVt
2


1
= (1 + )(1 ) (1 2 ) dt
2
= 0.
30

Si se supone que 1 = 2 = 0, se cumple que

d/
VaR1q

r
2 
2
dS /S
dS /S
1 VaR1q1 1 + 2 VaR1q2 2
=
r

p 2 
p 2

=zq
+ 2 2 2
dt
1 1 1
q

=zq 21 12 1 + 22 22 2 dt

=zq

221 12

1
1 + 2

222 22

2
1 + 2

dt.

Cu
al es la utilidad del metodo de componentes principales en el c
alculo del Var? La
respuesta a esta pregunta es simple. Suponga que = 0.95, entonces
Var [dW1t ] = (1 + )dt = 1.95dt.
As, la varianza de dW1,t con respecto de la varianza total es 1 /(1 +2 ) = 1.95/2 = 0.975,

mientras que
dW2t s
olo explica
el 0.025 (= 1 /(1 +2 )) de la varianza total. Si 2 = 1/ 2,
1 = 1 (1/ 2), 1 = 1/ 10 y 2 = 0.05, entonces
222 22

2
1 + 2

= (0.0025)(0.025) = 0.0000625.

Por lo tanto, la segunda componente principal puede eliminarse ya que su contribuci

on a
la varianza total es insigificante. De esta manera, un problema de dimensi
on 2, de dos
activos, puede reducirse a un problema de dimensi
on 1, de la combinaci
on lineal de los dos
activos y
s



1
d/
2 2
VaR1q = zq 21 1
dt = zq (0.1293) dt.
1 + 2

8.11 Valor en riesgo incremental del rendimiento de un portafolio

En el c
alculo del VaR del rendimiento de un portafolio, es natural preguntar cu
al de los
activos contribuye m
as al riesgo total. El c
alculo aislado del VaR para cada uno de los
activos no es la aproximaci
on correcta debido a que se omiten los efectos de correlaci
on
con los otros activos. En esta secci
on se determina la contribuci
on de cada uno de los
activos en el VaR del rendimiento de un portafolio. Para ello se utiliza la propiedad de
homogeneidad positiva y el teorema de Euler en (1).
Suponga que las din
amicas de los precios, S1t y S2t , de dos activos son conducidas,
respectivamente, por
dS1t = 1 S1t dt + 1 S1t dWt
31

y
dS2t = 2 S2t dt + 2 S2t dUt ,
de tal forma que
Cov(dWt , dUt ) = dt,
donde 1 , 2 IR y 1 , 2 > 0. El valor en riesgo del rendimiento de portafolio, calculado
con anterioridad en la secci
on 8.6, satisface
d/
VaR1q

= zq 21 12 + 22 22 + 21 2 1 2 dt (1 1 + 2 2 ) dt.

El VaR incremental de un activo se define como la raz

on de cambio entre el VaR y la
proporci
on del valor del portafolio que se invierte en el activo. Por supuesto, para esto
hay que ver el VaR como funci
on de los porcentajes en que participan los activos en el
1
portafolio. De esta manera, el VaR incremental con respecto de 1 , denotado por VaRI
1q ,
est
a dado por:
VaR1q
(1 , 2 ) 1 dt
1
!
zq 21 1 + 22 12
p
dt 1 dt
=
2
Var [dt /t ]


1t , dS1t + dS2t
Cov dS

1 S
2 S
S1t
1t
2t
p
=zq
dt 1 dt
Var [dt /t ]


1t , dt
Cov dS

S1t t
=zq p
dt 1 dt
Var [dt /t ]

=zq 1 dt 1 dt,

1
VaRI
1q =

donde
=
y

p
Var [dt /t ]


dS
d
1t
t
Cov S ,
1t
t
.
1 =
Var [dt /t ]


Por lo tanto, en virtud del teorema de Euler, se puede escribir

2
1
VaR1q (1 , 2 ) =1 VaRI
1q + 2 VaRI1q .

Es decir, el VaR del rendimiento de un portafolio es una combinaci

on lineal convexa de los
valores en riesgo incrementales. De esta manera, las posiciones se pueden cambiar para
modificar el VaR. Esta procedimiento es m
as eficiente comparado con el uso de valores
32

en riesgo en forma individual. Si se denota = 1 1 + 2 2 y = 1 1 + 2 2 , la

expresi
on anterior se puede reescribir como
2
1
VaR1q (1 , 2 ) =1 VaRI
1q + 2 VaRI1q

=zq (1 1 + 2 2 ) dt (1 1 + 2 2 ) dt

=zq dt dt.

8.12 Indice de Herfindahl-Hirschman

El ndice de Herfindahl-Hirschman proporciona una medida de concentraci
on del valor en
riesgo de los activos del portafolio. De acuerdo con la secci
on anterior, se puede escribir

d/
VaR1q

n
X

xk ,

k=1

donde
k
xk = k VaRI
1q .

El ndice de Herfindahl-Hirschman se define como

IHH =

n
X

yk2

k=1

donde
yk =

xk
d/

VaR1q

Para ilustrar la utilidad de este ndice suponga, por ejemplo, que un portafolio contiene 4
activos para los cuales y1 = 0.45, y2 = y3 = 0.25 y y4 = 0.05. En este caso,
IHH = 0.33
La interpretaci
on de este ndice radica es que su inverso 1/IHH = 3 significa que el portafolio bajo consideraci
on, de 4 activos, es equivalente a uno con tres activos que contribuyen
igualmente al VaR original.
33

8.13 VaR-promedio, AVaR (Average VaR), y esperanza condicional

el VaR
Un concepto muy u
til en administraci
on de riesgos es el VaR-promedio, el cual consiste
en tomar el promedio de perdidas potenciales con respecto al cuantil q. As pues el VaRpromedio se define como
Z
1 q
X
AVaR1q =
VaRX
1s ds.
q 0
Si, por ejemplo,
FX (x) = 1 ex , x > 0, > 0,
es decir, X es una variable aleatoria exponencial con par
ametro > 0, se puede demostrar
que
ln(1 q)
VaRX
1q =

Por lo tanto, se sigue que

AVaRX
1q

Z
1 q
=
VaRX
1s ds
q 0
Z
1 q ln(1 s)
ds
=
q 0

Z q
1
ln(1 s)ds.
=
q 0

Considere ahora el cambio de variable u = 1 s. En este caso, la ecuaci

on anterior puede
escribirse como
Z 1q
1
X
AVaR1q =
ln(u)du
q 1
"
1q #

1
(u ln(u) u)
=
q
1
1
[(1 q) ln(1 q) (1 q) + 1]
q



1q
1
ln(1 q) + 1 .
=

q
=

Por otro lado, la metodologa de valor en riesgo no proporciona informaci

on alguna cuando
el tama
no esperado del cambio de valor en el portafolio excede el umbral VaRX
1q . Por
esta razon es conveniente introducir la siguiente medida de riesgo si se define esperanza
condicional de la cola del VaR como


X
= EIP X| X < VaRX
E1q
1q ,
34

se puede reescribir


X
= EIP X| X < VaRX
E1q
1q



X 
X
= E X VaRX
1q + VaR1q X < VaR1q



X 
X
= VaRX
+
E
X

VaR

X
>
0

VaR
1q
1q
q



X
X 
X
= VaR
E X + VaR
VaR + X < 0
1q

1q

Observe que si se denota VaRX

1q = u, y se define e(u) = E [ X u| X < u] , entonces
X
E1q = u e(u). En este caso,
e(u) =
=

Ru

Ru

(x u)dFX (x)
FX (u)
xdFX (x) uFX (u)
Z

FX (u)

u
1
xdFX (x) u
FX (u)


Z u
1
uFX (u)
FX (x)dx u
=
FX (u)

Z u
1
FX (x)dx.
=
FX (u)

Si se toma en cuenta que u = VaRX

1q , se tiene que
e(VaRX
1q )

1 ln(1 q)
= +

1 ln(1 q)
= +

1
1 exp {ln(1 q)}

Por lo tanto,
X
X
=VaRX
E1q
1q e(VaR1q )

1 ln(1 q)
ln(1 q)

q



1q
1
ln(1 q) + 1 .
=

X
Es decir, AVaRX
1q = E1q .

35


.

8.14 Valor en riesgo del rendimiento de un portafolio y el peor caso

de VaR (Pc-VaR)
En esta secci
on se determina el peor valor del VaR del rendimiento de un portafolio con
dos activos en funci
on del coeficiente de correlaci
on de dichos activos. Si, en particular,
1 = 2 = 0, entonces

d/
VaR1q = ZT CZ,
donde

dS /S1

Z=

1 VaR1q1

dS /S2

2 VaR1q2

C=

Si 1, entonces
d/

VaR1q

= ZT CZ
r

2
2

dS1 /S1
dS1 /S1
dS2 /S2
dS2 /S2
1 VaR1q
=
+ 21 2 VaR1q VaR1q + 2 VaR1q
r

2
2

dS /S
dS /S
dS /S
dS /S
1 VaR1q1 1 + 21 2 VaR1q1 1 VaR1q2 2 + 2 VaR1q2 2

dS /S1

=1 VaR1q1

dS /S2

+ 2 VaR1q2

Esta cota superior es llamada el peor caso de VaR (Pc-VaR). Obviamente, si = 1,

entonces C es la matriz unidad (todas las entradas de la matriz son iguales a 1) y

d/
VaR1q = ZT CZ
r

2
2

dS /S
dS /S
dS /S
dS /S
1 VaR1q1 1 + 21 2 VaR1q1 1 VaR1q2 2 + 2 VaR1q2 2
=
dS /S1

=1 VaR1q1

dS /S2

+ 2 VaR1q2

Es decir, la cota superior es alcanzada cuando = 1.

8.15 Valor en riesgo de un portafolio y el modelo CAPM (Modelo

diagonal)
A continuaci
on se examina, bajo un conjunto de supuestos, la relaci
on que existe entre el
valor en riesgo del rendimiento de un portafolio y el modelo CAPM (por las iniciales ingles
de Capital Asset Pricing Model). Una de las formas del modelo CAPM establece que:
E [dRit ] rdt = i (E [dRmt ] rdt) ,
donde
dRit =

dSit
= i dt + i dWit , i = 1, 2,
Sit
36

(7)

(8)

y
i =

Cov(dRit , dRmt )
.
Var[dRmt ]

El subndice m hace referencia al mercado. Se supone que

Cov(dW1t , dW2t ) = 12dt.
Observe que en este caso, el rendimiento del portafolio satisface
dR :=
donde
1 =
Por lo tanto,

w1 S1t
,
t

dt
dS1t
dS2t
= 1
+ 2
,
t
S1t
S2t

2 =

w2 S2t
t

1 + 2 = 1.

Var [dR ] = 21 12 + 22 22 + 21 2 12 dt

(9)

E [dR ] = (1 1 + 2 2 )dt.

(10)

y
Suponga ahora que
dRit = i dt + i dRmt + dUit ,

i = 1, 2,

(11)

2
donde Uit es normal con E[dUit ] = 0 y Var[dUit ] = iu
dt, y dRmt es normal con E[dRmt ] =
2
as que
m dt y Var[dRmt ] = m dt. Se supone adem

Cov(dUit , dRmt ) = 0
y
Cov(dU1t , dU2t ) = 0.
Observe que si en la ecuaci
on anterior se escribe i = r(1 i ) y se toman esperanzas, se
obtiene de nuevo la expresi
on 7). Se puede verificar, a partir de 11), que

2
12 dt = 1 2 m
dt

(12)

2
2
i2 dt = i2 m
+ iu
dt, i = 1, 2.

(13)

Observe adem
as que de acuerdo con (8) y (11)
i dWit = i dRmt + dUit ,
lo cual produce de nuevo (13),


2
2
+ iu
dt, i = 1, 2,
i2 dt = i2 m
37

como era de esperarse. Las cantidades (12) y (13) se pueden reexpresar matricialmente
como
 2
 2
  

1 12
0
1u
1
2
=
=
( 1 2 ) m +
.
2
0 2u
21 22
2
Ahora bien, si se sustituyen (12) y (13) en (9), se sigue que

2
2
2
Var [dR ] = 21 12 + 22 22 + 21 2 1 2 m
dt + (21 1u
+ 22 2u
)dt.
Asimismo, de (8) y (11) se tiene que
i = i + i m ,
con lo cual
E [dR ] = (1 1 + 2 2 )dt + (1 1 + 2 2 )m dt.
Esta expresi
on se puede simplificar a
un m
as si se denotan = 1 1 + 2 2 , =
2
2
2
= 21 1u
+ 22 2u
, de tal suerte que
1 1 + 2 2 y ,u


2 2
2
m + ,u
dt
Var [dR ] =
E [dR ] = ( + m )dt.
En consecuencia,

VaRdR
1q = zq

2 2 + 2

dt ( + m )dt.
m
,u

2
Si la cantidad ,u
es despreciable (usualmente lo es), se tiene que

VaRdR
1q = zq m dt ( + m )dt.
Si, en particular, 1 = 1 = m = 0, entonces

dt
+

dt.
VaRdR
1
1
q
m
2
2
q
m
1q
Esta expresi
on, bajo los supuestos establecidos, permite calcular el valor en riesgo del
rendimiento de un portafolio mediante las betas de los activos y la volatilidad del mercado.
Compare este resultado con el VaR incremental estudiado en la secci
on 8.9.
38

8.16 Valor en riesgo del valor de un portafolio con un activo libre

de riesgo
En esta secci
on se calcula el valor en riesgo del valor de un portafolio con un activo libre
de riesgo. El portafolio consiste de una acci
on y un dep
osito bancario.
Considere un movimiento Browniano (Wt )t[0,T ]. Se supone que el precio, St , de una
acci
on es conducido por la ecuaci
on diferencial estoc
astica
dSt = St dt + St dWt ,
donde IR y > 0. Considere un portafolio
t = wSt + M,
donde M es una cantidad que se deposita en un banco y que paga una tasa de interes
constante y libre de riesgo r. El cambio en el valor del portafolio satisface
dt = wdSt + M rdt,
En este caso,
E [dt ] = (wSt + M r)dt
y
Var [dt ] = w2 2 St2 dt.
De esta manera,
VaRd
1q = zq wSt

dt (wSt + M r)dt.

En consecuencia,
rdt
= wVaRdS
VaRwdS+M
1q M rdt.
1q

8.17 Valor en riesgo del valor de un portafolio con un activo con

riesgo cr
edito
A continuaci
on se calcula el valor en riesgo del valor de un portafolio con un activo con
riesgo credito. En paricular, el portafolio consiste de una acci
on y bono, en este u
ltimo
existe una probabilidad positiva de que los intereses se recuperen parcialmente en T .
Se supone que el precio, St , de una acci
on es conducido por una ecuaci
on diferencial
estoc
astica de la forma
dSt = St dt + St dWt ,
donde IR, > 0 y (Wt )t[0,T ] es un movimiento Browniano. Considere un portafolio
t = wSt + M,
39

donde M es una cantidad que se destina a comprar un bono. Existe una probabilidad Q
de que los intereses se recuperen parcialmente en T , es decir, si es la tasa de recuperaci
on
de los intereses, entonces
IP { = 0 } = Q,

0 < 0 < 1,

y
IP { = 1} = 1 Q.
El cambio en valor del portafolio satisface
dt = wdSt + M rdt,
Sea X = T t , entonces
EW [X | , Ft ] = (wSt + M r)(T t),
y
E [X | Ft ] = E [EW [X | , Ft ]] = (wSt + M r(1 Q(1 0 )))(T t).
Por otro lado,
VarW [X | , Ft ] = w2 2 St2 (T t).
Por lo tanto,
Var [X | Ft ] =Var [EW [X | , Ft ]] + E [VarW [X | , Ft ]]
=w2 2 St2 (T t).
En consecuencia,
VaRX
1q = zq wSt

T t (wSt + M r(1 Q(1 0 )))(T t).

La expersi
on anterior puede ser reescrita como
St
VaRX
1q = wVaR1q St

T t + M (T t),

t
donde M = pago esperado de los de intereses del bono. Si VaRS1q
es el peor valor del
cambio en el valor del activo, al (1 q)100% de confianza en [t, T ], entonces la cantidad
t
wVaRS1q
se reduce en el pago esperado de los de intereses del bono, M .

8.18 Valor en riesgo de productos derivados, aproximaci

on DeltaGamma
En esta secci
on se c
alcula el valor en riesgo de un portafolio que contiene productos derivados. En lo que sigue, por simplicidad, se considera el caso de un portafolio con un activo
y una opci
on europea de compra sobre dicho activo.
40

Considere un movimiento Browniano (Wt )t[0,T ] definido sobre un espacio fijo de probabilidad equipado con su filtraci
on aumentada, (, F , (Ft)t[0,T ], IP). Se supone que el
on, es conducido por
precio, St , de un activo subyacente, v.g., una acci
dSt = St dt + St dWt ,
on europea de compra, entonces el
donde IR y > 0. Si c = c(St , t) el valor de la opci
cambio marginal en el precio de la opci
on, durante [t, t + dt], satisface (via el lema de It
o)
dc =

c
c
2c
+
St + 12 2 St2 2
t St
St

dt +

c
St dWt .
St

Considere ahora un portafolio con 1 unidades del activo subyacente y 2 unidades de una
opci
on de compra sobre el subyacente, entonces el valor del portafolio est
a dado por
t = 1 St + 2 c(St , t).
El cambio en el valor del portafolio, durante el instante dt, se calcula mediante


c
dt = 1 + 2
St dt
St

 

c
c 1 2 2 2 c
+ 2
+ St
+ 1 + 2
St dWt
t 2
St2
St



= (1 + 2 ) St + 2 + 12 2 St2 dt + (1 + 2 ) St dWt ,
donde
=
Por lo tanto,

c
,
t

c
St

2c
.
St2

VaRd
1q =zq (1 + 2 ) St dt



+ 1 St 2 + St + 12 2 St2 dt.

En particular, si 1 = 1 y 2 = 0,

VaRdS
=
z
S
dt St dt.
q
t
1q
De la misma forma, si 1 = 0 y 2 = 1,

2 2
1
VaRdc
1q =zq St dt + St + 2 St dt


2 2
1
=VaRdS
1q + 2 St dt.

41

8.19 Valor en riesgo de un derivado con base en una aproximaci

on
cuadr
atica del precio del derivado
Cuando un portafolio incluye productos derivados es conveniente considerar el sesgo de la
distribuci
on del cambio de valor del derivado para calcular el VaR. En este sentido, cuando
la Gamma es positiva el sesgo de la distribucion del cambio de valor del derivado es positivo,
mientras que cuando la Gamma es negativa el sesgo de la distribucion es negativo.
Sea c = c(St ) el precio de una opci
on europea de compra. Considere la aproximaci
on
cuadr
atica del cambio en precio del derivado,
2c
c
dSt + 12
(dSt )2 .
St
St2

dc
Por lo tanto,





Var [dc] Var [dSt ] + 14 2 Var (dSt )2 + Cov dSt , (dSt )2 .
Si los momentos impares de dSt se anulan, entonces






Cov dSt , (dSt )2 = E (dSt )3 E [dSt ] E (dSt )2 = 0.
En consecuencia,



Var [dc] Var [dSt ] + 14 2 Var (dSt )2

y
VaRdc
1q zq

q
Var [dSt ] + 14 2 Var [(dSt )2 ].

En particular, si St sigue un proceso de la forma

dSt = St dZ,
se tiene que

dZ N (0, 1),



Var [dc] Var [dSt ] + 14 2 Var (dSt )2


=St2 2 + 14 2 Var (dSt )2
 


2 
=St2 2 + 14 2 E (dSt )4 E (dSt )2


=St2 2 + 14 2 3St4 4 St4 4
=St2 2 + 12 2 St4 4 .

Observe que en este caso Var[(dSt )2 ] = 2(Var[dSt ])2 . Claramente,

VaRdc
1q

q
zq St2 2 + 12 2 St4 4
q
=zq St + 12 2 St2 2 .

42

8.20 Valor en riesgo y expansi

on de Cornish y Fisher
Usualmente en el c
alculo del valor en riesgo de un portafolio con productos derivados, se
el tercer momento de la distribuci
on del precio del derivado se ignora. Sin embargo, dicho
momento proporciona informaci
on relevante sobre el sesgo de la distribuci
on.
En lo que sigue, se supone que la dinamica del activo subyacente carece de tendencia.
En particular, se supone que
dSt = St dZ,

dZ N (0, 1),

on N (0, 2). En este caso, (dSt /St )2 tiene distribucion

es decir dSt /St tiene distribuci
2
1 . Por lo tanto,
"
"
2 #
2 #
dSt
dSt
E
=1
y
Var
= 2.
St
St
on europea de compra, la aproximaci
on cuadr
atica del
Si c = c(St ) el precio de una opci
cambio en precio del derivado, dc, satisface
dSt
dc St
+ 12 St2
St

dSt
St

2

Por lo tanto,
dc := E [dc] 12 2 St2 2 .

(14)

Tambien, dado que

2
dc
:= Var [dc] St2 2 + 12 2 St4 4 ,

se tiene que



2
E (dc)2 St2 2 + 12 2 St2 2 + (E [dc])

(15)

=St2 2 + 34 2 St2 2 .
Por otro lado,
3

(dc)

St3

dSt
St

3

4
3 2
2 St

dSt
St

4

2 5
3
4 St

dSt
St

5

1 3 6
8 St

dSt
St

6

Consecuentemente,


E (dc)3 32 2 St4 E

"

dSt
St

4 #

+ 18 3 St6 E

"

dSt
St

6 #

ya que los momentos impares de la distribuci

on normal con media cero se anulan. Asimismo, por propiedades de la distribuci
on normal
"
"
4 #
6 #
dSt
dS
t
E
= 3 4
= 15 6 .
y
E
St
St
43

En consecuencia,



E (dc)3 92 2 St4 E 4 +

15 3 6 6
St .
8

(16)

El valor en riesgo corregido por sesgo con la expansi

on de Cornish y Fisher, VaR-CFdc
1q ,
se define en forma similar al valor en riesgo:
zq dc dc
VaR-CFdc
1q =e
q
=e
zq St2 2 + 12 2 St4 4 12 2 St2 2
q
=e
zq St 2 + 12 2 St2 2 12 2 St2 2 ,
donde zeq es el percentil q corregido por sesgo de la expansi
on de Cornish y Fisher,
zeq = zq + 16 (zq2 1)dc
3

(17)

y
dc
3

i
1 h
3
= 3 E (dc E[dc])
dc




E (dc)3 3E (dc)2 dc + 23dc
=
3
dc
=

9 2
4 4
2 St

15 3 6 6
8 St

3 St2 2 + 34 2 St2 2 12 2 St2 2 + 2

3/2
St2 2 + 12 2 St4 4

1 2 2 2 3

t
2

32 2 St4 4 98 4 St4 4 + 14 6 St6 6

3/2
St2 2 + 12 2 St4 4

4 4

1 3 6 6
9 2
3
9 3
St + 3 + 15
2 2 8
2
4 St
=


3/2
St2 2 + 12 2 St4 4



1 3 6 6
9 2
32 98 3 St4 4 + 3 + 15
St
2
2
4
=
,


3/2
St3 3
+ 12 2 St2 2
=2

2 St4 4 +

15 3 6 6
8 St

en donde se han utilizado las f

ormulas 14)-16). Por u
ltimo, es importante justificar la
procedencia de la expresi
on 17). Cornish y Fisher en (1937) desarrollaron una expansi
on
e
on F (x) en terminos los cuantililes de la distribuci
on
para el cuantil, zeq , de una distribuci
e
normal est
andar (x) y de los cumulantes de F (x). Se supone que dichos cumulantes son
conocidos. Concretamente, si
Z zq
Z e
zq
e
dF (x) = q =
d(x),

entonces

1
6
1
120
1
324

zeq =zq +
+
+

zq2 1 3 +

1
24

zq3 3zq 4

2zq3 5zq 23


zq4 5zq2 + 2 3 4

1
zq4 6zq2 + 3 5 24


12zq4 53zq2 + 17 33 + ,
44

1
36

donde
2 =2 ,
3 =3 ,
4 =4 + 322 ,
5 =5 + 102 3
..
.
La cantidad i representa el i-esimo momento, de la distribuci
on de Fe (x), respecto a la
media. Los polinomios
x,
x2 1,
x3 3x,
x4 6x2 + 3
..
.
son conocidos como polinomios Hermitianos.

8.21 Valor en riesgo de un bono cup

on cero
En esta secci
on se calcula el VaR de un bono cup
on cero. Es importante destacar que si la
tasa cup
on de un bono cuponado es constante, entonces el bono con cupones puede verse
como la suma de bonos cup
on cero.
Si B(t, T ) denota el precio de un bono que se coloca en t y que al vencimiento, T ,
paga una unidad monetaria y R = R(t, T ) es la curva de rendimiento asociada al bono,
entonces en el contexto determinista y de tasa de interes continuamente capitalizable se
tiene que
B(t, T ) = eR(t,T )(T t) .
(18)
La sensibilidad del bono con respecto al tiempo de maduraci
on est
a dada por
dB
= (T t)B,
dR

(19)

y la duraci
on (de Macaulay) por
:=

dB 1
= T t.
dR B

La cantidades en (18) y (19) se miden en

(20)

unidades monetariastiempo y

tiempo, respectivamente,. A partir de 20), se tiene que el cambio porcentual en el precio

del bono satisface
dB
= dR.
B
45

De esta manera,


dB
E
= E [dR]
B


dB
Var
= 2 Var [dR] .
B

2
), entonces
Si se supone que dR N (dR , dR
dB/B

VaR1q

=zq dR + dR

(21)

=zq (T t)dR + (T t)dR .

En caso de que R = R(t, T ) sea una cantidad aleatoria, en lugar 18), se tiene que

n
o

B(t, T ) = E eR(T t)  Ft .
As


o
n
dB d
R(T t) 
=
E e
 Ft
dR dR

)
(
d R(T t) 
e
=E
 Ft

dR

o
n
R(T t) 
=E (T t)e
 Ft
= (T t)B.

2
), se sigue de nuevo la ecuaci
on 21).
Si dR N (dR , dR

8.22 Valor en riesgo de un bono cupon cero con tasa corta conducida
por el modelo de Vasicek
En el modelo de Vasicek la tasa corta, rt , tiene la siguiente din
amica estoc
astica
drt = a(b rt )dt + dWt
o

at

rt = r0 e

at

+b 1e

(22)

ea(ts) dWs ,

(23)

donde a, b y son constantes positivas y conocidas, y Wt es un movimiento Browniano definido en un espacio de probabilidad fijo equipado con su filtraci
on aumentada,
(, F , (Ft)t[0,T ], IP). Claramente, si r0 es constante, rt se distribuye Normal con media
E[rt ] = r0 eat + b 1 eat
46

(24)

y varianza
Var[rt ] =

e2a(ts) ds =
0

2
1 e2at .
2a

(25)

Observe que para calcular la ecuaci

on anterior se ha utilizado la propiedad est
andar de la
integral del movimiento Browniano
"Z
Z t

2 # Z t
t
Var
=
g(s)dWs = E
g(s)dWs
[g(s)]2ds.
(26)
0

Por otra parte, el precio de un bono cup

on cero se obtiene descontando el nominal, en
este caso una unidad monetaria, con el promedio de los valores futuros de la tasa corta, es
decir,
)
(
!
Z T


B(rt , t) = E exp
rs ds  Ft .

t
Defina ahora
I(t, T ) =

rs ds.
t

A continuaci
on se ver
a que I(t, T ) es normal. Por un lado, en virtud del modelo de Vasicek
en 22), se sigue que
Z

drs = ab(T t) a

rs ds +

dWs .

(27)

Equivalentemente
rT rt = ab(T t) aI(t, T ) +

dWs .
t

En consecuencia,
1

I(t, T ) = (rT rt ) + b(T t) +

a
a

dWs .

(28)

Por otro lado, del mismo modelo de Vasicek se tiene que si en (23) se sustituye 0 por t y t
por T , es decir, se cambia de soluci
on con otro valor final, entonces
a(T t)

rT = rt e

a(T t)

+b 1e

ea(T s) dWs .
t

Por lo tanto,


a(T t)

rT rt =rt e

Z



a(T t)
+
1 +b 1e

ea(T s) dWs
t

Z


a(T t)
+
=(b rt ) 1 e

T
a(T s)

e
t

47

dWs .

(29)

A partir de (28) y (29), se encuentra que

#
"
Z T


1
(b rt ) 1 ea(T t) +
I(t, T ) =
ea(T s) dWs
a
t
Z T

+ b(T t) +
dWs
a t



Z T
1 ea(T t)
1 ea(T s)
+
dWs .
=b(T t) + (rt b)
a
a
t
Por lo tanto,

)
(
dI I 
dB
=E
e  Ft

drt
drt

 n

o
1 ea(T t)

=
E eI  Ft
a


1 ea(T t)
B.
=
a
As,


dB
1 ea(T t)
=
drt .
B
a
Es decir, dB/B sigue una distribuci
on normal con




1 ea(T t)
dB
=
E [drt ]
E
B
a


1 ea(T t)
=
a(b rt )dt.
a
y
 
2

1 ea(T t)
dB
=
Var
Var [drt ]
B
a

2
1 ea(T t)
=
2 dt.
a
De esta manera,

dB/B
VaR1q = zq D(t, T ) dt + D(t, T )a(b rt )dt
donde

(30)

(31)

1 ea(T t)
.
a
Si desea utilizar la ecuaci
on 21), como alternativa para calcular el VaR de un bono cup
on
cero, observe que la curva de rendimiento est
a dada por



a(T t)
1 ea(T t)
2
1e

1
b 2
R(t, T ) = rt
a(T t)
a(T t)
2a


2
2 1 ea(T t)
+
.
4a3 (T t)
D(t, T ) =

48

Evidentemente,
dR =
Por lo tanto,
dR = E[dR] =
=

1 ea(T t)
drt .
a(T t)




y
2

dR = Var[dR] =
=

1 ea(T t)
a(T t)
1 ea(T t)
a(T t)






1 ea(T t)
a(T t)
1 ea(T t)
a(T t)

E[drt ]
a(b rt )dt.
2
2

Var[drt ]
2 dt.

De esta manera,
dB/B

VaR1q

=zq dR + dR

=zq D(t, T ) dt + D(t, T )a(b rt )dt,

y como era de esperarse se tiene plena coincidencia con 31).

8.23 Valor en riesgo de un bono cup

on cero, duraci
on y convexidad
Hasta ahora se ha calculado el valor en riesgo de un bono cup
on cero tomando en cuenta la
duraci
on. Sin embargo, el empleo de la duraci
on est
a asociada a peque
nos desplazamientos
paralelos de la curva de rendimiento, dR. Es decir, la duraci
on s
olo es u
til para cuantificar
el riesgo de mercado de un bono cup
on cero debido a peque
nos desplazamientos de R =
R(t, T ). Por lo tanto, se requiere incorporar otra cantidad que mida el cambio en la
duraci
on misma para modelar en forma m
as realista el valor en riesgo del bono cup
on
cero. Esta cantidad se conoce como convexidad y se define como
=

1 d
1 d2 B
=
.
B dR
B dR2

Considere la siguiente aproximaci

on de serie de Taylor en terminos de segundo orden
1 dB
1
dB
=
dR +
B
B dR
2

1 d2 B
B dR2

(dR)2

dR + 12 (dR)2
donde y son la duraci
on y convexidad del bono. En particular, si
dR = dZ,

dZ N (0, 1),
49

se tiene que


dB
12 E[(dR)2] = 12 2 E[Z 2 ] = 12 2
E
B





dB
2 Var [dR] + 14 2 Var (dR)2 Cov(dR, (dR)2).
Var
B


Observe que en este caso





Cov dR, (dR)2 = E (dR)3 E [dR] E (dR)2 = 0,
ya que los momentos impares de dR se anulan. Por lo tanto,




dB
2 2 + 14 2 Var (dR)2
Var
B
 


 
2 2
4
2 2
1 2
= + 4 E (dR) E (dR)


= 2 2 + 14 2 3 4 4
= 2 2 + 12 2 4 .
En consecuencia,
dB/B
VaR1q

q
zq 2 2 + 12 2 4
q
=zq 2 + 12 2 2 .

8.24 Valor en riesgo de un contrato forward de tipo de cambio

Los contratos forward de tipo de cambio son muy populares en los mercados sobre mostrador. A continuaci
on se calcula el VaR para este tipo de contrato.
Sea V el valor de un contrato forward sobre tipo de cambio, en condiciones de equilibrio, entonces
V = (Ft,T K)eRd (t,T )(T t) ,
donde Ft,T es el tipo de cambio forward, K es el tipo de cambio pactado y Rd (t, T ) es la
tasa de interes domestica de plazo T t. En este caso, el tipo de cambio forward satisface
Ft,T = St e(Rd (t,T )Rf (t,T ))(T t) ,
donde St es el tipo de cambio nominal (moneda domestica/moneda extranjera) y Rf (t, T )
es la tasa extranjera de plazo T t. De esta forma, el valor del contrato puede reescribirse
como
V = St eRf (t,T )(T t) KeRd (t,T )(T t) .
Evidentemente, V = V (St , Rd , Rf ). Por lo tanto, la diferencial de V satisface
dV =

V
V
V
dSt +
dRd +
dRf ,
St
Rd
Rf
50

es decir,
dV = eRf (t,T )(T t) dSt + (T t)KeRd (t,T )(T t) dRd (T t)St eRf (t,T )(T t) dRf .
Dado que
dBd
= (T t)dRd
Bd

dBf
= (T t)dRf .
Bf

se tiene
dV = St eRf (t,T )(T t)

dSt
dBd
dBf
KeRd (t,T )(T t)
+ St eRf (t,T )(T t)
St
Bd
Bf

o, en forma m

as breve,
dV
dSt
dBd
dBf
= 1
+ 2
+ 3
V
St
Bd
Bf ,
donde
1 = St eRf (t,T )(T t) /V, 2 = KeRd (t,T )(T t) /V y 3 = St eRf (t,T )(T t) /V.
Suponga que las tasas cortas domestica y extranjera satisfacen, respectivamente,
(d)

= (rt , t)dt + (rt , t)dW2t

(f )

= (rt , t)dt + (rt , t)dW3t .

drt

(d)

(d)

(32)

(f )

(f )

(33)

y
drt

Asimismo, suponga que existen M = M (t, T ) y N = N (t, T ) tales que

dRd =

M (t, T ) (d)
drt
T t

dRf =

N (t, T ) (f )
drt .
T t

(34)

Muchos de los modelos m

as usuales de valuaci
on de bonos cup
on cero que se basan en la
din
amica de la tasa corta permiten que la curva de rendimiento se pueda escribir como en
34). De esta manera,
dBd
(d)
(d)
= M (t, T )(rt , t)dt M (t, T )(rt , t)dW2t
Bd
y
dBf
(f )
(f )
= N (t, T )(rt , t)dt N (t, T )(rt , t)dW3t ,
Bf
o en forma m
as compacta
dBd
= 2 dt + 2 dW2t
Bd

(35)

dBf
= 3 dt + 3 dW3t ,
Bf

(36)

51

donde
(d)

(d)

2 = M (t, T )(rt , t),

2 = M (t, T )(rt , t),

(f )

3 = N (t, T )(rt , t)

(f )

3 = N (t, T )(rt , t).

Observe tambien que ha utilizado el hecho de que si dWit es movimiento Browniano,

as que la din
amica estoc
astica del tipo de cambio es
dW2t tambien lo es. Suponga adem
conducida por
dSt
= 1 dt + 1 dW1t
St
y que Cov(dWit , dWjt ) = ij dt, j = 1, 2, 3, Por lo tanto,

dV /V
VaR1q

v
u 3
uX
= zq t
2i i2 + 2
i=1

dV /V
VaR1q

3
X

i j i j ij

dt

3
X
1i<j3

i i

dt

i=1

1i<j3

v
u 3
uX
= zq t
2i i2 + 2
i=1

3
X

i j ij

dt

3
X

i i

dt.

i=1

8.25 Valor en riesgo de un swap de tasa de inter

es
En ausencia de riesgo credito, un swap de tasa de interes puede verse como la diferencia
de dos bonos cuponados, uno de tasa cup
on fija y otro de tasa cup
on flotante. Es usual
llamar al bono cuponado de tasa cup
on fija como pata fijay al bono cuponado de tasa
cup
on flotante como pata flotante. En la fecha en que coloca un swap, su precio es cero.
Un da despues ya no es cero, a menos que sea por pura casualidad. Observe que con
respecto de la pata flotante, inmediatamente despues de cualquier pago, el precio del bono
con tasa cup
on flotante es igual al principal. Para fijar ideas, suponga que el swap se emite
en t = 0, que las fechas de pago son T1 , T2 y T3 , las cuales son igualmente espaciadas,
y que el principal es N . Inmediatamente despues del primer pago, en t = T1 + dT1 con
dT1 > 0,


1
1
e
+
(37)
Vt = N RK N
b1
b2
1+R
1+R
bi = R(t, Ti+1 )(Ti+1 t), i = 1, 2. En este caso
eK = RK Ti , i = 1, 2, 3,, R
donde R
R(t, T ) es la curva de ceros asociada al bono cuponado de tasa constante. Ahora bien,
inmediatamente antes de T1 se espera el pago del principal N m
as el primer pago de tasa
e 1 N a valor presente y deducir
e1 N . Para valuar el swap, es necesario traer N + R
flotante R
los pagos a tasa fija, es decir,
52

e1 N )
Vt = (N + R

1
1 + R1

eK N
R

1
1
1
+
+
1 + R1
1 + R2
1 + R3

donde
t = T1 dT1
con dT1 > 0, y
Ri = R(t, Ti )(Ti t), i = 1, 2, 3.
En consecuencia,
dVt
dB1
dB2
dB3
= A1
+ A2
+ A3
,
Vt
B1
B2
B3

(38)

donde
e1 R
eK )N V 1 ,
A1 = B1 (1 + R
t
Si se supone que

eK N B2 V 1
A2 = R
t

eK N B3 V 1 .
A3 = R
t

dBi
N i (Ti t), i2(Ti t) , i = 1, 2, 3,
Bi

con
Cov

dBi dBj
,
Bi Bj

= ij min(Ti t, Tj t), j = 1, 2, 3,

donde i , ij IR, i > 0, i, j = 1, 2, 3, son constantes conocidas, entonces

dV /V
VaR1qt t

v
u 3
uX
=zq t
A2i (Ti t)i2 + 2
i=1

3
X

Ai i (Ti t) .

i=1

53

3
X
1i<j3

Ai Aj ij [min(Ti , Tj ) t]

(39)

9. El valor en riesgo no es una medida coherente de riesgos

En esta secci
on se muestra que el valor en riesgo no es una medida coherente. No es
dficil construir casos en los que el VaR conduce a resultados contradictorios. Por ejemplo,
es sencillo verificar que si c es una constante, entonces VaRc1q = c. En particular,
VaR11q = 1. Suponga ahora que el cambio en el valor del portafolio satisface

X=

1, con probabilidad p,
a, con probabilidad 1 p,
X

donde a << 1. Si p < q, entonces VaR1q = a. Por lo tanto, VaR1q = a <<

1 = VaR11q . En otras palabras, es menos riesgoso el portafolio con un cambio en valor
representado por X que una inversi
on libre de riesgo de una unidad, aun cuando bajo
X se puede perder una unidad con probabilidad p y ganar a, mucho menor que 1, con
probabilidad 1 p.

9.1 El valor en riesgo satisface la propiedad de monotona no creciente

En esta secci
on se comprueba que el valor en riesgo satisface la propiedad de monotona
no creciente. Si X y Y son variables aleatorias con Y X, se tiene que
FY (z) = IP {Y z} IP {X z} = FX (z)
para toda z IR, ya que si es tal que Y () z, entonces X() Y () z, es
decir, X() z. Por lo tanto, si z es tal que q FY (z), como q FY (z) FX (z), se
sigue que q FX (z). Consecuentemente,
{ y IR | FY (y) q} { x IR | FX (x) q} .
As,
inf { y IR | FY (y) q} { x IR | FX (x) q} .
Es decir,
VaRY1q = inf { y IR | FY (y) q} inf { x IR | FX (x) q} = VaRX
1q
o

(2) (Y ) (2) (X).

54

9.2 El valor en riesgo satisface la propiedad de homogeneidad positiva

En esta secci
on se demuestra que el valor en riesgo es homogeneo positivo. Sean > 0 y
Y = X, entonces
y
y
FY (y) = IP(Y y) = IP (X y) = IP X
= FX
,

de aqu se obtiene
VaRY1q = inf { y IR | FY (y) q}
= inf { x IR | FY (x) q}
n
 x 
o
= inf x IR | FX
q

= inf { x IR | FX (x) q}
= inf { x IR | FX (x) q}
=VaRX
1q
o

(2) (X) = (2) (X).

9.3 El valor en riesgo satisface la propiedad de invarianza bajo

traslaciones
A continuaci
on se prueba que el valor en riesgo es invariante bajo traslaciones. Sea IR
y Y = X + , entonces
FY (y) = IP {Y y} = IP {X + y} = IP {X y } = FX (y ).
Por lo tanto,
VaRY1q = inf { y IR | FY (y) q}
= inf { x + IR | FY (x + ) q}
= inf { x + IR | FX (x) q}
= (inf { x IR | FX (x) q} + )
= inf { x IR | FX (x) q}
=VaRX
1q
o

(2) (X + ) = (2) (X) .

55

9.4 El valor en riesgo no satisface la propiedad de subaditividad

En esta secci
on se construye un ejemplo que muestra que el valor en riesgo no satisface
la propiedad de subaditividad. Esta propiedad es esencial en la optimizaci
on de portafolios pues de ella se desprende la convexidad en una superficie de riesgo, lo cual asegurar
un u
nico portafolio
optimo. Considere dos variable aleatorias, X y Y , independientes e
identicamente distribuidas con densidad

0.9 si x (0, 1],

fX (x) = 0.05 si x [2, 0],

0
en cualquier otro caso.
Observe que la funci
on de distribuci
on, evaluada en 0, satisface

FX (0) = P {X 0} =

0.05dx = 0.1
2

Por lo tanto, los valores en riesgo de X y Y , con un nivel de confianza del 90%, satisfacen,
respectivamente,
Y
VaRX
0.9 = VaR0.9 = 0.

Por otro lado, observe que

IP {X + Y 0} =

Z Z

fXY (x, y) dxdy.

X+Y 0

Para calcular esta integral observe primero que debido a la independencia estoc
astica de
X y Y , se sigue que la funci
on de densidad conjunta est
a dada por el producto de las
densidades marginales, as

fXY

(0.05)2

(0.05)(0.9),
(x, y) =
(0.9)(0.05),

(0.9)2,

si
si
si
si

la cual se muestra en la figura 6.4.

56

2 x 0 y 2 y 0,
2 x 0 y 0 < y 1,
0 < x 1 y 2 y 0,
0 < x 1 y 0 < y 1,

Figura 6.4 Funci

on de densidad conjunta de las variables aleatorias X y Y .
Se observa en la figura 6.4 que la regi
on x + y 0 se encuentra a la derecha de la lnea
recta x + y = 0. Por lo tanto, con base en el
area del tri
angulo sombreado, se tiene que
Z

(0.9)(0.05)dxdy + (0.9)2
0
y
 
1
+ (0.9)2
= 2(0.9)(0.05)
2

IP {X + Y 0} = 2

= 0.855
En consecuencia,
IP {X + Y 0} = 0.145
De aqu, se tiene que
0 > inf { z| FX+Y (z) 0.1} = VaRX+Y
0.9
se sigue entonces que
Y
> 0 = VaRX
VaRX+Y
0.9 + VaR0.9 ,
0.9

es decir, en este ejemplo, el valor en riesgo no cumple con la propiedad de subaditividad.

57

10. Un ejemplo de una medida de riesgo, en t

erminos de una opcion
de venta, que no es invariante bajo traslaciones
Sea X el valor de mercado de los ttulos (de capital y/o deuda) de una empresa. Suponga
que existe en el mercado un contrato que paga X si la empresa se declara en bancarrota en
una fecha futura predeterminada, y 0 en otro caso. Este contrato puede verse como una
opci
on europea de venta sobre X, con precio de ejercicio K = 0, y su valor, en t, bajo una
medida de probabilidad neutral al riesgo IP, est
a dado por:
p =er(T t) EIP [max(X, 0) | Ft ]
h
=er(T t) EIP [max(X, 0) | X 0] IP {X 0}
i
+ EIP [max(X, 0) | X > 0] IP {X > 0}


=er(T t) EIP [X | X 0] IP {X 0}
=er(T t) p (X),
donde



p (X) = EIP X1{X0} .

A continuaci
on se muestra que la cantidad p (X) no es una medida coherente de riesgo
pues no es invariante bajo traslaciones. En efecto, claramente
(X + Y )1{X+Y 0} X1{X0} + Y 1{Y 0} ,
o

(X + Y )1{X+Y 0} X1{X0} Y 1{Y 0} ,

lo cual implica que
p (X + Y ) = p (X) + p (Y ).
Asimismo, si X Y , entonces
X1{X0} Y 1{Y 0} .
o

X1{X0} Y 1{Y 0} .
Por lo tanto,
p (X) p (Y ).
Observe tambien que si > 0


p (X) = EIP X1{X0}


= EIP X1{X0}



= EIP X1{X0}
=p (X).
58

Por u
ltimo, suponga que X U [1, 0], es decir, X se distribuye uniformemente en [1, 0],
y = 1, entonces


p (X) = EIP X1{X0} = EIP [X] = 12 .
Por otro lado



p (X + 1) = EIP (X + 1)1{X1} = 0.

As,
p (X + 1) = 0 > p (X) 1 = 12 .
Es decir, p no es invariante bajo traslaciones.

11. La esperanza condicional de la cola del VaR es una medida

coherente de riesgo
La metodologa de valor en riesgo no proporciona informaci
on alguna cuando el tama
no
.
Por
esta
razon
esperado del cambio de valor en el portafolio excede el umbral VaRX
1q
es conveniente introducir la siguiente medida de riesgo:


X
E1q
= EIP X| X < VaRX
1q .
Esta cantidad recibe tambien el nombre de esperanza condicional de la cola del VaR.
X
,
Considere la siguiente forma alternativa de escribir E1q


X
= EIP X| X < VaRX
E1q
1q



X 
X
= E X VaRX
1q + VaR1q X < VaR1q



X 
X
= VaRX
1q + E X VaR1q VaRq X > 0



= VaRX E X + VaRX  VaRX + X < 0
1q

1q

Observe que si se denota VaRX

1q = u, y se define
e(u) = E [ X u| X < u] ,
entonces
X
= u e(u).
E1q

Observe ahora que por definici

on
Ru
e(u) =

Ru

(x u)dFX (x)
FX (u)
xdFX (x) uFX (u)
Z

FX (u)

u
1
xdFX (x) u
FX (u)


Z u
1
uFX (u)
FX (x)dx u
=
FX (u)

Z u
1
FX (x)dx.
=
FX (u)

59

11.1 Un ejemplo ilustrativo sobre la esperanza condicional de la

cola de VaR
En esta secci
on se desarrolla un ejemplo ilustrativo sobre la esperanza condicional de la
cola de VaR. En particular, si
FX (x) = 1 ex , x > 0, > 0,
entonces

FX (x)dx =
0

1 ex dx

=u

1
1 eu .

Por lo tanto,
e(u) =

u
1

.
1 eu

Por otro lado,

VaRX
1q = inf { x IR | FX (x) q}


= inf x IR | 1 ex q
= inf { x IR | x ln(1 q)}


ln(1 q)
= inf x IR | x

ln(1 q)
=

X
y tomando en cuenta que u = VaR1q , se tiene que


1
1 ln(1 q)
X
e(VaR1q ) = +

1 exp {ln(1 q)}

.
1 ln(1 q)
= +

q
Por lo tanto,
X
X
=VaRX
E1q
1q e(VaR1q )
1 ln(1 q)
ln(1 q)

q



1q
1
ln(1 q) + 1 .
=

(10.20)

(10.22)

Si, por ejemplo, = 1 y q = 0.05, entonces VaRX

0.95 = 0.05, y de acuerdo con (6.30) y
X
u = VaR0.95 , se tiene que
e(VaRX
0.95 )

VaRX
 0.95 X
=1 +
1 exp VaR0.95
0.05
=1
1 exp {0.05}
=1 1.02 = 0.02.
60

En este caso,
X
X
= VaRX
E1q
1q e(VaR1q ) = 0.05 + 0.02 = 0.03
X
= 0 = VaRX
Por u
ltimo observe que si q = 0, se tiene que E1q
1q . En la figura 6.5 se
ilustran los resultados cuando X tiene una distribucion exponencial.

Figura 6.5 VaR y la esperanza condicional de la cola VaR

de una distribucion exponencial

11.2 VaR-promedio, AVaR (Average VaR)

Una forma equivalente de definir la esperanza condicional del VaR es a traves del VaRpromedio, el cual se define como
Z
1 q
X
AVaR1q =
VaRX
(10.21)
1s ds.
q 0
Si por ejemplo,
FX (x) = 1 ex , x > 0, > 0,
es decir, X es una variable aleatoria exponencial con par
ametro > 0, se ha visto en
(10.20) que
ln(1 q)
VaRX
1q =

Por lo tanto, con base en (10.12), se sigue que

Z
1 q
X
VaRX
AVaR1q =
1s ds
q 0
Z
1 q ln(1 s)
ds
=
q 0

Z q
1
=
ln(1 s)ds.
q 0
61

Considere ahora el cambio de variable u = 1 s. En este caso, la ecuaci

on anterior puede
escribirse como
AVaRX
1q

1
=
q

1q

ln(u)du
1

"
1q #

1
=
(u ln(u) u)
q
1
1
[(1 q) ln(1 q) (1 q) + 1]
q



1q
1
ln(1 q) + 1 .
=

q
=

Este resultado coincide con (10.22). En otras palabras,



X
IP
AVaRX
X| X < VaRX
1q = E1q = E
1q .

11.3 La esperanza condicional de la cola de VaR es homog

enea positiva
A continuaci
on se demuestra que la esperanza condicional de la cola de VaR satisface la
propiedad de homogeneidad positiva. En efecto, sean > 0 y X A, se define Y = X,
entonces se cumple que


Y
E1q
=EIP Y | Y < VaRY1q


=EIP X| X < VaRaX
1q


=EIP X| X < VaRX
1q


=EIP X| X < VaRX
1q


IP
=E X| X < VaRX
1q
X
.
=E1q

Es decir, (3) (X) = (3) (X).

62

11.4 La esperanza condicional de la cola de VaR es invariante bajo

traslaciones
Ahora se demuestra que la esperanza condicional de la cola de VaR es invariante bajo
traslaciones. Sean IR y X A, se define Y = X + , entonces


Y
E1q
=EIP Y | Y < VaRY1q


=EIP X | X + < VaRX+
1q



=EIP X | X + < VaRX

1q


X
IP
=E X | X < VaR1q


 

IP
=EIP X| X < VaRX

E
X < VaRX
1q
1q


=EIP X| X < VaRX
1q
X
.
=E1q

En otras palabras, (3) (X + ) = (3) (X) .

11.5 La esperanza condicional de la cola de VaR satisface la propiedad de monotona no creciente

En esta secci
on se muestra que la esperanza condicional de la cola de VaR satisface la
propiedad de monotona no creciente. Con este prop
osito, suponga que X Y , entonces


EIP Y |Y < VaRY1q


= VaRY1q + EIP Y + VaRY1q |Y < VaRY1q
h
i


EIP Y + VaRY1q 1{Y <VaRY }

1q
= VaRY1q +
Y
IP Y < VaR1q
h
i


Y
IP
E
Y + VaR1q 1{Y <VaRY } 1{X<VaRX }
1q
1q
= VaRY1q +
q
h
i


EIP Y + VaRY1q 1{Y +VaRY <0} 1{XVaRX }
1q
1q
+
q
h
i


Y
IP
E
Y + VaR1q 1{Y <VaRY } 1{X<VaRX }
1q
1q
VaRY1q +
q
h
i


EIP Y + VaRY1q 1{X<VaRX }

1q
VaRY1q +
X
IP X < VaR1q


Y
IP
= VaR1q + E Y + VaRY1q |X < VaRX
1q




IP
=EIP Y |X < VaRX
X|X < VaRX
1q E
1q .
63

La primera desigualdad se debe al hecho de que la segunda esperanza de la tercera igualdad

es negativa. La segunda desigualdad se sigue de que la intersecci
on de dos eventos esta
contenida en cada uno de los eventos. Por lo tanto,




IP
EIP X|X < VaRX
Y | Y > VaRY1q .
1q E
X
Y
E1q
o (3) (X) (3) (Y ).

Equivalentemente, E1q

11.6 La esperanza condicional de la cola de VaR es subaditiva

En esta secci
on se verifica que la esperanza condicional de la cola de VaR es subaditiva.
Observe primero que si X, Y A, entonces


EIP X|X < VaRX
1q


X
X
IP
= VaR1q + E X + VaRX
1q |X < VaR1q
h
i


X
IP
E
X + VaR1q 1{X<VaRX }

+
1q
= VaRX
1q
X
IP X < VaR1q
h
i


1
X+Y
1
EIP X + VaRX
X
1q
{X<VaR1q } {X+Y <VaR1q }

= VaRX

1q +
IP X < VaRX
1q
h
i


X
IP
1
E
X + VaR1q 1{X+VaRX <0} {X+Y VaRX+Y }
1q
1q


+
X
IP X < VaR1q
h
i


X+Y
1
1
EIP X + VaRX
X
1q
{X<VaR1q } {X+Y <VaR1q }
VaRX
1q +
q
h
i


1
EIP X + VaRX
X+Y
1q
{X+Y <VaR1q }


VaRX
1q +
IP X + Y < VaRX+Y
1q


X+Y
IP
= VaRX
X + VaRX
1q + E
1q |X + Y < VaR1q


=EIP X|X + Y < VaRX+Y
.
1q
Por simetra en los c
alculos, tambien se tiene que




.
EIP Y |Y < VaRY1q EIP Y |X + Y < VaRX+Y
1q
En consecuencia,


X+Y
= EIP X + Y |X + Y < VaRX+Y
E1q
1q




= EIP X|X + Y < VaRX+Y
EIP Y |X + Y < VaRX+Y
1q
1q




EIP Y |Y < VaRY1q EIP X|X < VaRX
1q
X
Y
+ E1q
.
= E1q

64

As, (3) (X + Y ) (3) (X) + (3) (Y ).

12. Teorema de representaci

on de medidas coherentes de riesgo
Considere un variable aleatoria X definida sobre dos espacios de probabilidad (, F , IP1 )
y (, F , IP1 ). Es decir, X : IR tiene asociadas dos distribuciones. Se define


m (X) := max EIP1 [X], EIP2 [X] ,
entonces m (X) es una medida coherente de riesgo. Observe que esta medida de riesgo se
define en terminos de dos medidas de probailidad IP1 y IP1 . Si > 0


m (X) = max EIP1 [X], EIP2 [X]



= max EIP1 [X], EIP2 [X]
=m (X).
Asimismo, si IR, entonces
m (X + ) = max EIP1 [X + ], EIP2 [X + ]



= max EIP1 [X], EIP2 [X]

=m (X) .
Adem
as,
m (X + Y ) = max EIP1 [X + Y ], EIP2 [X + Y ]

max EIP1 [X] + EIP1 [Y ], EIP2 [Y ] + EIP2 [Y ]




= max EIP1 [X], EIP2 [X] max EIP1 [Y ], EIP2 [Y ]
=m (X) + m (Y ).

Por u
ltimo, Si X Y , entonces
m (Y ) = max EIP1 [Y ], EIP2 [Y ]

max EIP1 [X], EIP2 [X]

=m (X).
A continuaci
on se discute sobre el teorema de representaci
on de una medida coherente de
riesgo, el cual se puede enunciar como sigue: Una medida de riesgo, , es coherente s y
s
olo s existe una familia, P, de probabilidades definidas en (, F , IP) tal que:
(X) = sup EIP [X].
IPP

65

Este resultado se puede motivar de la siguiente manera. Sea un espacio muestral con n
m
posibles resultados igualmente probables. Considere una familia C = {Ai }i=1 de subconjuntos de , con la propiedad de que cada Ai tiene elementos y
m
[

Ai = .

i=1

Se define la medida de probabilidad IPi como la probabilidad condicional de que Ai ,

y 0 de otra manera. Esto es,

1
IPi ({}) := IPi () =

si Ai ,
si
/ Ai .

Sea X una variable aleatoria definida en (, F ). Denote los posibles valores que X puede
umero entero, 0 k < n,
tomar, en orden creciente, como x1 x2 xn . Sea k un n
y [k/n, (k + 1)/n). Dado que
IP {X xk+1 } =

k+1
>
n

y
IP {X xk+1 }

k
,
n

se tiene que VaRX

1 = xk+1 . Suponga ahora que cada Ai tiene exactamente = nk elementos. En este caso, IPi {} = 1/(n k). Defina la familia de medidas P = {IPi }1im .
as peque
nos, es decir, {x1 , x2 , ..., xnk }. Se tiene
Sea A` el miembro de C con elementos m
entonces que
X
E1q
= EIP` [X|X VaRX
1 ]
x1 + x2 + + xnk
,
=
nk
= EIP` [X]

donde IP` es la medidad de probabilidad asociada a A` . Para cualquier otra IPi P, se

tiene que
EIPi [X] EIP` [X].
En consecuencia,
X
= sup EIPi [X].
E1q
IPi P

66

13. Construcci
on de medidas coherentes de riesgo
En esta secci
on se establecen varias reglas para construir medidas coherentes a partir
de riesgo, entonces,
de otras medidas coherentes. Sean P
1 , 2 ,...,n , medidas coherentes
Pn
n
cualquier combinaci
on convexa := i=1 i i , con i 0 y i=1 i = 1, es una medida
coherente de riesgo. Similarmente, si , [a, b] es una familia parametrica de medidas
Rb
coherentes de riesgo, entonces para cualquier medida d() en [a, b] con a d() = 1, se
Rb
tiene que := a d() es una medida coherente de riesgo.

14. Diversificaci
on coherente con futuros del MexDer
Uno de los metodos m
as utilizados en la medici
on de riesgos de mercado es el VaR. En
la metodologa del VaR hist
orico se genera la distribucion de perdidas potenciales. Esta
distribuci
on se utiliza para estimar intervalos de confianza de posibles perdidas con cierto
grado de confianza estadstica y en un plazo determinado. En esta secci
on, estamos interesados en analizar el riesgo perdidas potenciales en el valor presente de un conjunto de
flujos de efectivo (obligaciones y activos) combinado con contratos futuros de CETES.
Los objetivos especficos de este ejercicio son: 1) calcular el VaR del portafolio combinado de flujos de efectivo (obligaciones y activos) y futuros; 2) mostrar c
omo la diversificaci
on incluyendo contratos de futuros de vencimientos diferentes, a los contemplados en
el portafolio, aumenta el VaR en lugar de disminuirlo; 3) calcular, con base en el teorema
de representaci
on de medidas coherentes la esperanza condicional del VaR del portafolio
combinado de flujos de efectivo y futuros; y 4) mostrar c
omo la diversificaci
on incluyendo
contratos de futuros de vencimientos diferentes, a los ya contemplados en el portafolio,
reduce la esperanza condicional del VaR (ECVaR).
En el siguiente ejercicio, a partir de un registro historico de la estructura de plazos
CETES, se genera la distribuci
on del valor presente de los flujos financieros. En el Cuadro
14.1 se presenta un conjunto de flujos financieros dados, as como las fechas de vencimiento
de los contratos a futuro. La muestra de curvas de rendimiento que se consider
o es del 31
de diciembre de 2002 al 30 de junio de 2003.

67

Fechas de
flujos

Montos de
flujos

31-Dic-02

912,300

31-Ene-03

-972,200

31-Mar-03

998,100

30-Jun-03

-933,800

Vencimientos
de los contratos
1 Futuro = 1 lote
de 10,000 CETES
12-Dic-02
N1 = 4.92
11-Ene-03
N2 = 5.04
10-Mar-03
N3 = 5.98
12-Jun-03
N4 = 6.17

18,565.62

401.71

19,652.89

481.85

Portafolio diversificado
12-Dic-02
N1 = 4.90
11-Feb-03
N2 = 5.04
10-Mar-03
N3 = 5.81
28-Jun-03
N4 = 0.17
12-Jun-03
N5 = 6.17

Cuadro 14.1 Flujos de efectivo, vencimientos de bonos y estrategias de cobertura

Como puede observarse, en el Cuadro 14.1, las fechas preestablecidas de los flujos de
efectivo no coinciden con las fechas de vencimiento de los contratos a futuro de CETES.
Las cantidades Ni , representan posiciones en contratos futuros. Un valor negativo de Ni
es una posici
on corta. Despues de generar la distribuci
on del valor presente del portafolio
combinado de flujos de efectivo esperados y contratos a futuro, se tiene los Cuadros 14.2
y 14.3 resumen el valor en riesgo (hist
orico) (VaR) y de la esperanza condicional del VaR
(ECVaR) para 4 y 5 posiciones en contratos futuros.
68

Percentil
M
aximo
0.995
0.990
0.950
0.900
0.800
0.700
0.600
0.500
0.400
0.300
0.200
0.100
0.050
0.010
0.005
Mnimo

VaR

VaR

4 posiciones en futuros

18,565.62

401.71
VP
Cambio respecto
a la base
21,134.98
3,564.72
20,354.61
2,153.27
19,765.56
1,343.55
19,423.02
887.38
19,376.87
567.99
19,213.76
256.88
19,208.29
193.71
19,199.65
141.92
19,188.11
97.22
19,134.10
-17.89
19,100.68
-65.89
19,023.65
-188.73
18,956.86
-395.22
18,156.45
-769.59
18,033.19
-1,398.21
17,865.33
-1,251.82
15,657.78
-3,548.72

5 posiciones en futuros

19,652.89

481.85
VP
Cambio respecto
a la base
21,569.57
3,952.91
20,741.11
3,179.56
20,423.88
1,893.22
20,477.45
979.29
19,123.45
603.34
19,675.34
245.62
19,664.72
219.45
19,293.75
127.97
19,648.33
122.27
19,032.51
-18.75
19,772.74
-72.35
19,872.42
-196.55
19,558.37
-445.46
19,975.21
-779.22
19,448.66
-1,967.52
18,826.99
-1,734.17
18,993.41
-3,972.96

Cuadro 14.2 Cuadro resumen del VaR.

De acuerdo con el Cuadro 14.2, por ejemplo, al nivel q = 0.05 (cuarto rengl
on de abajo
hacia arriba), el valor en riesgo con cuatro posiciones en futuros es de 769.59, mientras que
al mismo nivel, q = 0.05, el valor en riesgo de 5 posiciones en contratos futuros aumenta
a 779.22. En el Cuadro 14.3 se muestran los valores ECVaR calculados con la f
ormula del
teorema de representaci
on de medidas coherentes de riesgo para el caso discreto. Observe
que al nivel q = 0.05 el valor en riesgo con cuatro posiciones en futuros es de 950.57 y el
valor en riesgo de 5 posiciones en contratos futuros se reduce a 578.22.
69

Percentil
M
aximo
0.995
0.990
0.950
0.900
0.800
0.700
0.600
0.500
0.400
0.300
0.200
0.100
0.050
0.010
0.005
Mnimo

ECVaR

ECVaR

4 posiciones en futuros

18,565.62

401.71
VP
Cambio respecto
a la base
21,986.46
3,764.342
21,476.87
2,568.78
21,759.34
1,503.47
21,623.56
1,187.83
21,546.85
983.58
20,213.49
734.54
19,748.02
659.34
19,645.16
567.99
19,576.16
345.27
19,476.12
117.85
19,345.49
165.76
19,128.88
-993.38
18,112.56
-962.05
18,106.47
-950.57
18,021.29
-998.84
17,945.74
-997.80
17,995.38
-1,000.58

5 posiciones en futuros

19,652.89

481.85
VP
Cambio respecto
a la base
21,321.57
3,952.91
20,342.11
3,179.56
20,278.88
1,893.22
20,167.45
979.29
19,098.45
603.34
19,002.34
245.62
18,876.72
219.45
18,956.75
427.97
19,142.33
322.27
19,011.51
98.75
19,005.74
103.35
18,457.42
-667.55
18,432.37
-593.46
18,275.21
-578.22
17,934.66
-356.52
17,927.99
-314.17
17,845.41
-305.96

Cuadro 14.3 Cuadro resumen del ECVaR.

15. Conclusiones
En un mundo globalizado con incertidumbre y riesgo, las autoridades y reguladores exigen
a los intermediarios financieros, cada vez, m
as requisitos en materia de administraci
on de
riesgos, tales como: sistemas integrales de medici
on y control de riesgo, fondos contingentes,
comites tecnicos de riesgos, unidades especializadas, reportes peri
o dicos, evaluaciones frecuentes de polticas, modelos, tecnicas, herramientas, procedimientos y metodologas. Es
deseable entonces que el cumplimiento de todos estos requisitos tome como base una medida coherente del riesgo. El presente trabajo es un intento modesto de fomentar la cultura
de la esperanza condicional del VaR. Para ello, no s
olo es necesario transformar la forma
de hacer las cosas, sino tambien modificar la forma de pensar, pensar coherentemente.

15. Bibliografa
Acerbi, C. (2001). Risk aversion and coherent risk measures: a spectral representation
theorem. Manuscript, Abaxbank, Italy.
70

Ahn, D, J. Boudoukh, M. Richardson, and R. F. Whitelaw (1999). Optimal risk management using options. The Journal of Finance. 54, No. 1, pp. 359-375.
Artzner, P., F. Delbaen, J. M. Eber, and D. Heath (1999). Coherent measures of risk.
Mathematical Finance, 9, No. 3, pp. 203-228.
Delbaen, F. (2000). Coherent risk measures on general probability spaces. Manuscript,
Eidgen
ossische Technische Hochschule, Z
urich.
Dufie, D. and J. Pan. (1997). An overview of value at risk. Journal of Derivatives, 4,
No. 3, pp. 7-49.
J. P. Morgan Bank (1995). RiskMetrics Technical Manual. New York.
Jarrow, R. (2002). Put option premiums and coherent risk measures. Mathematical
Finance, 12, No. 2, pp. 135-142.
Jorion, P. (2001). Value at Risk: The New Benchmark for Managing Financial Risk.
Second Edition. McGraw-Hill.
Macaulay, F. R. (1938). Some theoretical Problems Suggested by the Movements of Interest Rates, Bond Yield, and Stock Prices in the United States since 1856. Columbia
University Press. New York.
Yang, H. and T. K. Siu (2001). Coherent risk measures for derivatives under BlackScholes economy. International Journal of Theoretical and Applied Finance, 4, No. 5,
pp. 819-835.
Venegas-Martnez, F. (2005). Bayesian Inference, Prior Information on Volatility, and
Option Pricing: A Maximum Entropy Approach. International Journal of Theoretical and Applied Finance, Vol. 8, No. 1, pp. 18-35.
Venegas-Martnez, F. (2003). Bayesian Procedures for Pricing Contingent Claims: Prior
Information on Volatility. Morfisms, Vol. 6, No. 2, pp. 25-41.
Venegas-Martnez, F. (2001). Temporary Stabilization: A Stochastic Analysis. Journal
of Economic Dynamics and Control, Vol. 25, No. 9, pp. 1429-1449.

71