Professional Documents
Culture Documents
Segundo Lugar
Categora Investigacin
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
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 ,
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.
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
(w1 , w2 ) + w2
(w1 , w2 ).
w1
w1
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]
(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
q
VarIP [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.
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
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),
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
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
1,
1 2
,
2
1 2
2
1 2
2
2
En virtud de que
0
1 2
1,
2
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
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.
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
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
1T ,D2T
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)
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
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
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 )
1
+o
x
1
x2
1 (x)
(x)
1
= lim
=1
= lim
x x(x)(x) (x)
x 1 + 1
(x)
x
x2
x2
+ 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 )
<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
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
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
g(QX (q))dq.
0
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
VaR1q = QX (q).
19
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)
X
Por supuesto, si X es una variable aleatoria continua entonces VaRX
1q = VaRq .
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).
X
VaR1q = zq d T t d (T t),
y, en este caso, T t toma los valores de 5 (das) y 10 (das).
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
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.
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.
VaR1q =
d/
La cantidad VaR1q
1
VaRd
1q .
t
,
.
:=
2
0
0 1
Considere la transformaci
on:
(
1 = 1 ,
2 = 1 +
p
1 2 2 ,
23
(2)
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
1
1
1 p 0
1 2
1 p
1 2
0
:=
2
0
1
24
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.
VaR1q = zq
1 + 21 2 ( 2) dt.
donde
2 = 1 +
p
1 2
1 , N (0, 1) y
En este caso,
:=
1
2
Cov (1 , ) = 0.
0
1
,
,
0
1
1
1
26
(4)
=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
Cu2 = 2 u2 .
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 ]
max
{x:||x||=1}
T
Var x .
Si ahora se escribe, con base en las transformaciones (2) y (6), se tiene que
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 ,
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.
1
d/
2 2
VaR1q = zq 21 1
dt = zq (0.1293) dt.
1 + 2
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.
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 ]
=zq (1 1 + 2 2 ) dt (1 1 + 2 2 ) dt
=zq dt dt.
d/
VaR1q
n
X
xk ,
k=1
donde
k
xk = k VaRI
1q .
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
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
q
=
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
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)
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
.
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
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
dSit
= i dt + i dWit , i = 1, 2,
Sit
36
(7)
(8)
y
i =
Cov(dRit , dRmt )
.
Var[dRmt ]
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
dt (wSt + M r)dt.
En consecuencia,
rdt
= wVaRdS
VaRwdS+M
1q M rdt.
1q
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
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 .
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
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 ].
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 .
q
zq St2 2 + 12 2 St4 4
q
=zq St + 12 2 St2 2 .
42
dZ N (0, 1),
dSt
St
2
Por lo tanto,
dc := E [dc] 12 2 St2 2 .
(14)
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 #
En consecuencia,
E (dc)3 92 2 St4 E 4 +
15 3 6 6
St .
8
(16)
(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
2 St4 4 +
15 3 6 6
8 St
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.
(19)
y la duraci
on (de Macaulay) por
:=
dB 1
= T t.
dR B
(20)
unidades monetariastiempo y
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)
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)
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
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)
+ 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
1 d
1 d2 B
=
.
B dR
B dR2
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
q
zq 2 2 + 12 2 4
q
=zq 2 + 12 2 2 .
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)
(f )
drt
(d)
(d)
(32)
(f )
(f )
(33)
y
drt
M (t, T ) (d)
drt
T t
dRf =
N (t, T ) (f )
drt .
T t
(34)
(35)
dBf
= 3 dt + 3 dW3t ,
Bf
(36)
51
donde
(d)
(d)
(f )
3 = N (t, T )(rt , t)
(f )
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
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,
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)
X=
1, con probabilidad p,
a, con probabilidad 1 p,
X
54
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
55
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.
IP {X + Y 0} =
Z Z
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
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,
(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
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
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.
1q
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
FX (x)dx =
0
1 ex dx
=u
1
1 eu .
Por lo tanto,
e(u) =
u
1
.
1 eu
ln(1 q)
=
X
y tomando en cuenta que u = VaR1q , se tiene que
1
1 ln(1 q)
X
e(VaR1q ) = +
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)
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.
Z q
1
=
ln(1 s)ds.
q 0
61
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
=
1q
X
IP
=E X | X < VaR1q
IP
=EIP X| X < VaRX
E
X < VaRX
1q
1q
=EIP X| X < VaRX
1q
X
.
=E1q
Equivalentemente, E1q
64
=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 ]
=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
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
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
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
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
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