Riesgo Credito Aseguradoras

UNIVERSIDAD COMPLUTENSE DE MADRID
FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES

Departamento de Economía Financiera y Contabilidad I
MODELIZACIÓN ACTUARIAL DEL VALOR

RAZONABLE EN LAS ENTIDADES ASEGURADORAS DE
VIDA
MEMORIA PARA OPTAR AL GRADO DE DOCTOR

PRESENTADA POR
Emiliano Pozuelo de Gracia
Bajo la dirección del doctor

Fernando Ricote Gil
Madrid, 2006
• ISBN: 978-84-692-0057-5
MODELIZACIÓN ACTUARIAL DEL
VALOR RAZONABLE EN LAS
ENTIDADES ASEGURADORAS DE VIDA.
UNIVERSIDAD COMPLUTENSE DE MADRID
(Facultad de CC. Económicas y Empresariales. Departamento de

Economía Financiera y Contabilidad I)
Doctorando: D. Emiliano Pozuelo de Gracia

Director de tesis: D. Fernando Ricote Gil
Modelización Actuarial del Valor Razonable en las Universidad Complutense de Madrid
Entidades Aseguradoras de Vida
INDICE
PRIMERA PARTE: INTRODUCCIÓN
CAPÍTULO 1. INTRODUCCIÓN Y PRESENTACIÓN 15

1.1. OBJETIVO, MARCO Y ALCANCE DE LA
INVESTIGACIÓN. 15
1.2. CAMPO DE ESTUDIO. 22
1.3. ESTRUCTURA DE LA INVESTIGACIÓN. 27
1.4. FUENTES. 31
1.4.1. Búsqueda de información bibliográfica. 31
1.4.2. Datos para el ajuste de la mortalidad de
la población andaluza. 31
1.4.3. Aplicaciones informáticas. 31
CAPÍTULO 2. INTRODUCCIÓN AL VALOR RAZONABLE DE LA

PROVISIÓN TÉCNICA DEL SEGURO DE VIDA. 35
2.1. ORGANIZACIÓN DEL CAPÍTULO 35
2.2. CONSIDERACIONES PREVIAS DE LAS PTSV. 35
2.3. INTRODUCCIÓN A LA NIIF 4 Y VALOR RAZONABLE. 42
2.3.1. Introducción a la NIIF 4. 42
2.3.2. Valor Razonable Vs. Valor Específico de la Entidad. 44
2.4. PRINCIPIOS DE VALORACIÓN PARA INSTRUMENTOS
FINANCIEROS. 45
2.4.1. Jerarquía de métodos de valoración. 45
2.4.2. Valor de negociación en el mercado. 46
2.4.3. Replicación de valores de mercado. 47
2.4.4. Valoración de los flujos de caja futuros. 47
2.5. INTRODUCCIÓN AL CÁLCULO ESTOCÁSTICO
APLICADO AL CAMPO FINANCIERO – ACTUARIAL. 50
2.5.1. Introducción a los modelos dinámicos estocásticos. 50
2.5.2. Elementos de cálculo estocástico. 54
2.6. SERIES TEMPORALES. MODELOS ARIMA. 68
2.6.1. Serie temporal 68
2.6.2. Predicción con modelos ARIMA. 75
3
SEGUNDA PARTE:
SUBYACENTES AL VALOR RAZONABLE DE LAS PTSV
CAPÍTULO 3. LOS TIPOS DE INTERÉS Y EL VALOR RAZONABLE. 89

3.1. ORGANIZACIÓN DEL CAPÍTULO. 89
3.2. INTRODUCCIÓN A LOS TIPOS DE INTERÉS. 89
3.3. CLASIFICACIÓN DE LOS MODELOS DE LA ETTI. 92
3.3.1. Modelos estáticos. 92
3.3.2. Modelos dinámicos. 92
3.3.2.1. Modelos que no se ajustan a la ETTI actual. 92
3.3.2.1.1. Modelos de una variable. 93
3.3.2.1.2. Modelos de dos variables. 93
3.3.2.2. Modelos que se ajustan a la ETTI actual. 95
3.4. DETERMINACIÓN DE LA ETTI ACTUAL. 96
3.5. MODELOS AFINES UNIFACTORIALES.
MODELO DE HULL – WHITE. 98
3.5.1. Modelos afines unifactoriales. 98
3.5.2. Modelo de Hull – White. 102
3.5.2.1. Resultados analíticos. 102
3.5.2.2. Implementación mediante árboles
trinomiales. 106
3.5.2.3. Calibración. 119
CAPÍTULO 4. RIESGO TÉCNICO Y EL VALOR RAZONABLE. 125

4.2. INTRODUCCIÓN AL RIESGO TÉCNICO EN LOS
SEGUROS DE VIDA. 126
4.3. INTRODUCCIÓN A LAS TABLAS DE MORTALIDAD. 130
4.4. TABLAS DE MORTALIDAD DINÁMICAS. 133
4.4.1. Métodos paramétricos. 134
4.4.1.1. Métodos estructurales. 134
4.4.1.2. Métodos no estructurales. 139
4.4.2. Métodos no paramétricos. 141
4
4.4.3. Métodos basados en factores de reducción

de la mortalidad. 143
4.5. APLICACIÓN A LA POBLACIÓN DE LA COMUNIDAD
ANDALUZA. 149
4.6. PROCESO ESTOCÁSTICO ASOCIADO A LA MEDIDA
DE MORTALIDAD. 176
4.6.1. Resultados analíticos. 176
4.6.2. Implementación mediante árboles trinomiales. 184
4.6.3. Calibración. 192
4.7. PROCESO ESTOCÁSTICO ASOCIADO AL FACTOR
DE DESCUENTO ACTUARIAL. 200
CAPÍTULO 5. EL RIESGO DE CRÉDITO Y EL VALOR RAZONABLE. 207

5.2. INTRODUCCIÓN AL RIESGO DE CRÉDITO EN
EL VALOR RAZONABLE. 208
5.3. MODELOS DE VALORACIÓN DEL RIESGO DE CRÉDITO. 209
5.3.1. Método de valoración de opciones. 211
5.3.2. Modelo de Jarrow-Turnbull. 215
5.3.3. Modelo de Jarrow – Lando – Turnbull. 218
5.4. PROCESO ESTOCÁSTICO ASOCIADO AL SPREAD POR
RIESGO DE CRÉDITO. 221
5.4.1. Resultados analíticos 221
5.5. DIFUSIÓN DEL TIPO DE INTERÉS, SPREAD POR
RIESGO DE CRÉDITO Y MEDIDA DE MORTALIDAD. 236
5.5.2. Implementación mediante árboles trinomiales 237
5
TERCERA PARTE: ESTIMACIÓN DEL VALOR RAZONABLE
CAPÍTULO 6. ESTIMACIÓN DEL VALOR RAZONABLE. 245

6.2. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS. 246
6.3. OPCIÓN DE RESCATE. 250
6.4. OPCIÓN DE PARTICIPACIÓN EN BENEFICIOS. 253
6.5. VALORACIÓN CON DIFUSIÓN EN LA MEDIDA DE
MORTALIDAD. 258
6.6. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS
Y MEDIDA DE MORTALIDAD. 260
6.6.1. Valoración sin opciones. 260
6.6.2. Opción de rescate. 262
6.6.3. Opción de participación en beneficios. 262
6.7. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS,
MEDIDA DE MORTALIDAD Y SPREAD POR RIESGO DE
CRÉDITO. 263
6.7.1. Valoración incluyendo spread de crédito. 263
6.7.2. Valoración con difusión en los tipos de interés,
spread de crédito y tanto de mortalidad. 265
6.8. RESUMEN DE VALORACIONES PROPUESTAS. 278
6
CUARTA PARTE: DETERMINACIÓN DE LAS NECESIDADES DE

RECURSOS PROPIOS.
CAPÍTULO 7. EL VALOR RAZONABLE Y SOLVENCIA II. 285

7.2. INTRODUCCIÓN A SOLVENCIA II. 285
7.3. SISTEMAS DE DETERMINACIÓN DEL CAPITAL MÍNIMO. 290
7.4. EL VALOR RAZONABLE Y EL MARGEN DE SOLVENCIA. 297
7.4.1. Necesidades de capital por riesgo de mercado. 297
7.4.2. Sensibilidad del valor razonable de las
provisiones técnicas ante cambios en los subyacentes. 298
7.5. VAR DE EXCEDENTE. 302
7.5.1. Introducción al VAR de excedente. 302
7.5.2. VAR de excedente con difusión en el tipo de
interés. 305
interés y el spread por riesgo de crédito. 311
7.5.3.1. VAR de excedente con difusión en el
tipo de interés y el spread por riesgo de
crédito para el activo afecto. 311
crédito para la aseguradora y el activo afecto. 316
interés, medida de mortalidad, spread por riesgo
de crédito de la aseguradora y el activo afecto. 320
7.5.5. RESUMEN DE VALORACIONES PROPUESTAS
PARA EL VAR DE EXCEDENTE. 322
7
QUINTA PARTE: CONCLUSIONES
CAPÍTULO 8. APLICACIÓN PRÁCTICA. 327

8.2. ESTIMACIÓN DEL VALOR RAZONABLE. 328
8.2.1. Valor razonable sin opciones. 328
8.2.3. Opción de participación en beneficios 335
8.2.4. Valoración con opciones de rescate y participación
en beneficios. 340
8.3. SENSIBILIDAD DEL VALOR RAZONABLE DE LAS
PROVISIONES TÉCNICAS POR CAMBIOS EN EL
SUBYACENTE. 348
8.3.1. Posición Delta respecto a los tipos de interés. 348
8.3.2. Posición Vega respecto al tanto de mortalidad. 350
CAPÍTULO 9. CONCLUSIONES. 361

9.1. MODELO PROPUESTO. 361
9.1.1. Estimación del valor razonable de las PTSV. 361
9.1.1.1. Subyacentes considerados 361
9.1.1.1.1. Tipo de interés libre de riesgo. 361
9.1.1.1.2. Tanto de mortalidad. 362
9.1.1.1.3. Spread por riesgo de crédito. 369
9.1.1.2. Difusión del valor actual actuarial. 370
9.1.1.3. Estimación del valor razonable de
las PTSV. 373
9.1.2. El valor razonable y la estimación de los recursos
propios. 376
9.1.3. Aplicación en la determinación del “European
Embedded Value”. 383
9.2. VENTAJAS E INCONVENIENTES DEL MODELO
PROPUESTO. 386
9.3. FUTURAS LINEAS DE INVESTIGACIÓN. 388
8
CAPITULO 10. BIBLIOGRAFÍA. 394
ANEXO I.: POLÍTICAS CONTABLES INTRODUCIDAS POR LA NIFF 4. 407
ANEXO II.: INFORMACIÓN ADICIONAL A REVELAR SEGÚN

LA NIIF 4. 408
ANEXO III. ESTIMACIÓN DEL PARÁMETRO F EN EL MODELO DE

HELIGMAN Y POLLARD PARA HOMBRES ANDALUCES, UNA
VEZ DETRAÍDA LA SOBREMORTALIDAD MASCULINA EN EL
INTERVALO DE 20 A 39 AÑOS. 409
ANEXO IV. EXCEDENTE NEGATIVO DEPENDIENTE DE LOS

DISTINTOS ESCENARIOS, CONSIDERANDO DIFUSIÓN EN EL
TIPO DE INTERÉS, EL TANTO DE MORTALIDAD Y LOS SPREAD
POR RIESGO DE CRÉDITO DE LA ENTIDAD ASEGURADORA Y
DEL ACTIVO AFECTO A LAS PTSV. 420
9
10
PRIMERA PARTE: INTRODUCCIÓN
11
12
CAPÍTULO 1. INTRODUCCIÓN Y PRESENTACIÓN 15
1.1. OBJETIVO, MARCO Y ALCANCE DE LA
INVESTIGACIÓN. 15
1.2. CAMPO DE ESTUDIO. 22
1.3. ESTRUCTURA DE LA INVESTIGACIÓN. 27
1.4. FUENTES. 31
1.4.1. Búsqueda de información bibliográfica. 31
1.4.2. Datos para el ajuste de la mortalidad de
la población andaluza. 31
1.4.3. Aplicaciones informáticas. 31
13
14
CAPÍTULO 1. Introducción y presentación.
CAPÍTULO 1. INTRODUCCIÓN Y
PRESENTACIÓN.
1.1. OBJETIVO, MARCO Y ALCANCE DE LA INVESTIGACIÓN.
La investigación persigue el análisis de algunos de los conceptos y magnitudes, que los

artífices del actual cambio en la normativa contable y en el control y supervisión de las
aseguradoras europeas, han barajado en el ámbito de la cuantificación de los compromisos
asumidos por contratos de Seguros de Vida.
Esta investigación pretende proponer una metodología que permita la consideración

estocástica1 de los dos factores de riesgo más importantes en Seguros de Vida: el tipo de
interés técnico y la medida de mortalidad. De este modo se podrá acometer de forma natural
tanto el cálculo de algunas de las opcionalidades implícitas en las Pólizas de Seguros de Vida,
cómo la necesidad de recursos propios debidas a la operación de Seguro de Vida.
Entre los objetivos más importantes de la investigación, caben distinguir dos:
Elaborar la metodología que permita un acercamiento a lo que entendemos cómo valor

razonable de las Provisiones Técnicas de Seguros de Vida (PTSV).
Analizar de forma holística los riesgos de tipos de interés, técnico y de crédito, para
determinar las necesidades de recursos propios. Integraremos en un mismo marco el
activo y el pasivo de la entidad aseguradora por contratos de Seguro de Vida.
Valor razonable de las PTSV:
La metodología que proponemos abarca:
o Interés técnico consistente con el mercado:
Se considerara la Estructura Temporal de Tipos de Interés (ETTI) que se deriva

de los mercados de capitales, en lugar de un tipo de interés técnico lineal e
inalterable.
El tipo de interés técnico será un proceso estocástico, es decir, sobre la

mencionada ETTI, se considerará un proceso de difusión que recoja la
1
El término se refiere a introducir en el análisis el proceso estocástico en lugar de su esperanza matemática.
15
aleatoriedad que rodea a los tipos de interés, que la Aseguradora obtendrá en

el futuro en el mercado de capitales2.
o Tabla de mortalidad ajustada a la población objeto de aseguramiento y considerada

cómo un proceso estocástico:
Además de ajustar la estructura que se puede observar en la medida de

mortalidad, también se ajustará la dinamicidad inherente a esta estructura.
Propondremos un proceso de difusión sobre las tablas de mortalidad dinámicas

ajustadas, para incluir en el análisis la volatilidad manifestada en el ajuste3. Su
implementación se llevará a cabo discretizando el proceso estocástico
mediante árboles trinomiales recombinantes4.
La consideración estocástica de la medida de mortalidad, a incluir en la

valoración, sustituirá al recargo de seguridad5, incluido en lo que conocemos
cómo tablas de mortalidad de segundo orden o con recargo de seguridad
implícito.
o Spread por riesgo de crédito6 de la compañía aseguradora:
La metodología de valoración razonable, considera la cuantificación del

instrumento financiero de forma similar a cómo lo haría un mercado de
negociación vivo, amplio y abierto. Esto implica tener en cuenta entre otros, el
riesgo de impago de la propia aseguradora.
Al igual que con los otros dos subyacentes del valor razonable de las PTSV
(tipo de interés y tanto de mortalidad), incluiremos en la valoración el proceso
estocástico correspondiente al spread por riesgo de crédito, en lugar de su
esperanza matemática.
2
Suponiendo asimismo que las inversiones de la Aseguradora, se valorarán según su precio de cotización, de modo
que se tendrán en cuenta las expectativas de los intervinientes en el mercado sobre los tipos de interés vigentes a cada
fecha.
3
La valoración consistente con el mercado requeriría en su lugar un proceso de calibración, a partir de instrumentos
financieros negociados en el mercado de capitales. En defecto de éstos, extraemos conclusiones del proceso de ajuste
de la tabla de mortalidad.
4
Un árbol trinomial recombinante, es una representación en tiempo discreto de un proceso sujeto a una determinada
regla de evolución estocástica futura.
5
Trayectoria de la distribución correspondiente a la medida de mortalidad que deja a su izquierda el 95% de las
trayectorias posibles.
6
Diferencial respecto del tipo libre de riesgo, exigido a la aseguradora por los inversores, cómo consecuencia del
riesgo de impago.
16
o Opcionalidades implícitas en la Póliza de Seguros de Vida:
Las asimetrías que tradicionalmente se han obviado en las valoraciones

actuariales a través de la aplicación de amplios márgenes, se valorarán en la
presente investigación según los escenarios futuros probables. En este trabajo
se propone un método de valoración de la opción de rescate, y la de
participación en beneficios.
Necesidades de recursos propios.
Se proponen tres análisis complementarios para determinar estas necesidades de

recursos propios:
o El primer análisis y más obvio, es determinar la diferencia entre el valor razonable

determinado según la metodología que se expone a lo largo del trabajo, y el valor
contable de las PTSV.
o En segundo lugar, el análisis de sensibilidades del valor razonable a los cambios

en los tres subyacentes considerados (tanto de mortalidad, tipos de interés, y
spread por riesgo de crédito), tanto en los niveles del subyacente cómo en su
volatilidad.
o Integrar en un mismo análisis el activo y el pasivo de la entidad aseguradora, en lo

que se conoce cómo VAR de excedente7.
Nuestra pretensión fundamental es conjugar el rigor técnico con una implementación

numérica que sea desde el punto de vista computacional, rápida y fácilmente implementable en
la práctica.
Actual marco para las Provisiones Técnicas.
Actualmente nos encontramos en la Unión Europea con una profunda reforma en las
normas de valoración contables, así cómo en los conceptos de control y supervisión de las
entidades aseguradoras.
La Comisión Europea decretó que desde el año 2005, las compañías de la Unión
Europea cotizadas en bolsa reportarán sus estados financieros consolidados según un único
conjunto de normas, desarrolladas por el IASB8.
7
Riesgo de incurrir en déficit del valor de los activos afectos respecto a las PTSV cubiertas.
17
Debido a la complejidad del negocio asegurador, resulta complicado establecer un

marco especial para los aspectos contables específicos del seguro. De ahí que en mayo de
2002 el IASB decidió proceder en su Proyecto de Seguros en dos fases. La primera fase
abarca la actual NIIF 49, y en un sentido más amplio, la NIC 3210 y la NIC 3911. En la segunda
fase se están tratando los aspectos mas controvertidos, cómo la valoración de las PTSV. A
este respecto se han planteado, los criterios de medición “current values”12. En abril 2006, el
IASB adoptó el denominado “curren exit value”13.
Con respecto a los nuevos conceptos de control y supervisión de las entidades

aseguradoras, introducidos por el macroproyecto Solvencia II, la Comisión Europea mediante
las sucesivas calls for advice14, motiva la actuación del CEIOPS15 para la elaboración de una
directiva marco no más allá de julio 2007.
Recientemente a solicitud de la Comisión el CEIOPS ha reportado sus conclusiones

acerca del primer QIS16. El QIS 1 iniciado el 31 de diciembre de 2004 culminó el último
cuatrimestre de 2005, y versó sobre el impacto que supondría la determinación de los
compromisos de las aseguradoras mediante el best estimate al 75 o 90%17 (aún no
determinado).
El QIS 2 es más amplio, y cubre los aspectos más relevantes del Pilar 1 de Solvencia
II, incluyendo la valoración de los activos, de las provisiones técnicas, así cómo de otros
8
Consejo de Normas Internacionales de Contabilidad (IASB), cuyo objetivo es el desarrollo de un único conjunto de
Normas Internacionales para la Información Financiera de alta calidad, de fácil comprensión e implantación, que
puedan ser de utilidad a los inversores en acciones, a las entidades de crédito y a otros posibles usuarios de este tipo
de información a nivel internacional. Son los IAS o IFRS, en su denominación más actual, también conocidas en
España como NIC o NIIF.
9
La Norma Internacional de Información Financiera 4 es la primera orientación del IASB sobre la contabilización de los
contratos de seguros (aunque no la última).
10
Instrumentos financieros: presentación e información a revelar.
11
Instrumentos financieros: reconocimiento y valoración.
12
Vienen a significar, medir las provisiones técnicas de seguros por su precio de mercado actual. No obstante, y dado
que actualmente no existen mercados líquidos de provisiones técnicas, en los que observar estos precios, se usan
criterios market consistent ó “tal cómo lo haría el mercado”.
13
Lo podríamos definir cómo, la cantidad que un asegurador esperaría tener que pagar a otro asegurador si le
transfiriera de forma inmediata todos los derechos y obligaciones contractuales de seguro subsistentes (incluyendo
cualquier cantidad a cobrar o pagar por razón de otros derechos y obligaciones)
14
Las principales propuestas de la Comisión van acompañadas de una medida del impacto que supondría su
aceptación.
15
Comittee of European Insurance and Occupational Pension Supervisors.
16
Quantitative Impact Study.
17
Podemos definir el best estimate al 75 o 90%, cómo la cuantificación que deja a su izquierda el 75 o 90% de las
valoraciones posibles de los compromisos, en base a las expectativas de los intervinientes en el mercado respecto a
las hipótesis técnicas (salvando el interés técnico, que sería el derivado de los mercados de capitales).
18
compromisos de la aseguradora y por supuesto el MCR18 y el SCR19. Para el estudio de este

impacto se tomará cómo referencia el método de cálculo promulgado recientemente por el
regulador suizo, denominado SST20. En lo que respecta a la valoración de las provisiones
técnicas, el QIS 2 considera para la cuantificación del Margin Value Market21 (MVM), el
método del coste del capital22, mientras que el QIS 1 consideraba el método de los
percentiles23. Las conclusiones del CEIOPS se espera estén disponibles a finales del mes de
julio 2006.
Tanto en las últimas propuestas respecto de la contabilización de las provisiones

técnicas, cómo de los conceptos de control y supervisión de entidades aseguradoras, se usan
criterios market consistent ó “tal cómo lo haría el mercado”. La aplicación de criterios market
consistent, se complica en el negocio asegurador debido fundamentalmente a la ausencia de
un mercado vivo, amplio y abierto en el que se negocien activamente instrumentos de Seguro.
Por otra parte, si nos centramos en el Seguro de Vida, son muchas las opcionalidades
implícitas en las Pólizas de Seguro. Entre estas opcionalidades podemos destacar los valores
garantizados de rescate, reducción y anticipo, a disposición del Tomador de la Póliza, o el
incremento en las garantías de la Póliza, debido a la participación en los beneficios que la
aseguradora obtenga de la inversión de las Provisiones Técnicas.
Todo lo anterior implica recurrir en las valoraciones actuariales al cálculo estocástico y

la teoría de las opciones financieras.
18
Minimum capital requirement, representa el nivel de capital por debajo del cual el supervisor ha de adoptar medidas
especiales para garantizar la solvencia de la entidad. Se determinará de forma similar al actual mínimo del margen de
solvencia (en base a información contable).
19
Solvency capital requirement, se establece por encima del MCR y representa el nivel de capital que permite absorber
pérdidas significativas e imprevistas, y se calculará de modo que se tenga en cuenta el nivel real de exposición a los
riesgos derivados de la operativa de la entidad así cómo su capacidad para gestionarlos.
20
Swiss Solvency Test. En primer lugar define el Risk Bearing Capital, cómo la diferencia entre la valoración market
consistent de los activos y el best estimate de las provisiones técnicas, al cual se le añade un Margin Value Market. A
continuación establece una alerta temprana para el supervisor, que define cómo el Target Capital, que representa los
recursos propios suficientes para financiar durante un año, la desviación desfavorable en el Risk Bearing Capital (con
un nivel de confianza del 99%).
21
Pretende la protección del asegurado, de modo que sobre la esperanza matemática de los compromisos, se
incorpora éste margen de riesgo de mercado que garantice la transmisión a un tercero de estos compromisos.
22
Escogido por el regulador suizo, incrementa la valoración de las provisiones técnicas, con el coste que supone el
capital regulatorio. Se justifica por el regulador suizo, porque un tercero estaría dispuesto a asumir los compromisos de
la aseguradora, si también se le compensa por el coste exigido por el capital regulatorio.
23
Definido cómo la diferencia entre el best estimate al 75 o 90% y el best estimate según la esperanza matemática de
las hipótesis técnicas. Es el método aplicado por el regulador australiano.
19
La valoración consistente con el mercado, exige que el modelo sea calibrado a partir de
los valores de cotización de instrumentos financieros que coticen en el mercado. La calibración
a mercado es actualmente posible para:
• Estructura de los tipos de interés y su volatilidad.
• Estructura de la probabilidad de impago y su volatilidad.
• Tasa de recuperación.
• Correlación entre los tipos de interés y probabilidad de impago.
Sin embargo no existe un mercado vivo, amplio y abierto para la estructura de la
medida de mortalidad y su volatilidad. De ahí que su calibración no pueda llevarse a cabo a
mercado, debiendo recurrir a su ajuste histórico.
Por otra parte, muchas de las asunciones respecto a la cuantificación de los

compromisos de las aseguradoras, están abiertas tanto en la reforma contable, cómo en el
marco de Solvencia II. Así por ejemplo, el IASB aún no ha decidido si se debe reconocer y en
qué medida hacerlo, el spread por riesgo de crédito de la aseguradora. No obstante, el
CEIOPS – IAIS no aceptan en modo alguno, la reducción de éstos compromisos por una menor
calidad crediticia24.
La presente investigación, pretende el análisis de la metodología necesaria para la

cuantificación de los compromisos de la aseguradora, consistente con un mercado abierto, vivo
y amplio, y es consciente de que el planteamiento definitivo de los artífices del cambio divergirá
de ésta valoración.
Referencias para la modelización actuarial del valor razonable de las PTSV.
En la modelización actuarial del valor razonable cobra una gran importancia, recoger en
la cuantificación el riesgo técnico sistemático, por no ser éste diversificable.
Para modelizar el riesgo técnico sistemático, se han desarrollado varios modelos.

Tenemos el caso del modelo de Lee – Carter que considera para el factor de la medida de
mortalidad dependiente del tiempo cronológico un modelo ARIMA(0, 1, 0). Posteriormente ha
sido adaptado por Denuit, et. al (2005) para aplicarlo estocásticamente en tiempo continuo.
Milevsky y Promislow (2001) aplican el denominado modelo de Gompertz con reversión a la
media.
Asimismo para recoger en la valoración las expectativas en el mercado, las

valoraciones actuariales han de recurrir a técnicas cuantitativas. No es solamente el uso de
24
Las diferencias de valoración entre la contabilidad y los requerimientos de solvencia, se recogerán a través de los
prudential filtters, para no incrementar enormemente el reporting.
20
modelos de valoración de activos y opciones financieras, sino que además, modelos de

valoración desarrollados para el tratamiento estocástico de la Estructura Temporal de Tipos de
Interés (ETTI), han sido ya adaptados por un gran número de actuarios para su aplicación en la
modelización estocástica de la mortalidad, de manera que el riesgo técnico sistemático quede
adecuadamente recogido en la valoración, de forma agregada con el resto de riesgos
inherentes.
Los conocidos por la literatura para la modelización de la ETTI, cómo modelos afines
han sido ya aplicados en la modelización estocástica de la mortalidad25.
Modelos de la forma Heath – Jarrow – Morton26 han sido igualmente tratados para la
mortalidad27.
La familia de los Market Models28, también han sido analizados para su tratamiento en
el ámbito actuarial, en el trabajo Blake, et. al (2004). Éste último trabajo exploró ampliamente el
caso de las “Forward life annuity rates” y “Forward Survivor Credit Offer Rates (SCOR)”. Así
además de tratar cómo medidas forward no instantáneas las rentas diferidas garantizadas,
aborda la medida SCOR. Podemos considerar esta última medida, una reminiscencia del τ –
LIBOR (el London Interbank Offer Rate con duración o tenor τ ), adaptada a la medida de
mortalidad.
La presente investigación aporta una metodología de valoración de las PTSV que:

• también propone un modelo de evolución estocástico no homogéneo, para el tanto de
mortalidad, de manera que la valoración actuarial recoja el riesgo técnico sistemático;
• considera de forma agregada los modelos de evolución estocásticos correspondientes a la
medida de mortalidad, los tipos de interés y el spread por riesgo de crédito;
• discretiza el proceso a través de árboles trinomiales recombinantes, de manera que la
cuantificación séa abordable por grandes aseguradoras, cuyos tiempos de cálculo serían
de otro modo prohibitivos;
• los algoritmos de valoración resultantes de todo lo anterior, consigue que la determinación
de muchas opcionalidades implícitas en las Pólizas de Seguros de Vida, séa determinada
de forma natural, rápida y eficiente;
• es calibrable según las expectativas de los intervinientes en el mercado. Incluimos un
ejemplo de cómo hacerlo respecto a cada componente.
25
Por Dahl (2004) o Biffis y Millossovich (2006), entre otros.
26
Sobre tipos forward instantáneos
27
Ver el modelo de Smith – Olivier descrito en Olivier y Jeffrey (2004)
28
Sobre tipos forward no instantáneos. Han sido los últimos en aparecer en el ámbito de los tipos de interés.
21
Para calibrar a mercado el componente de mortalidad del modelo, apenas tenemos

instrumentos financieros, por lo que lo calibramos históricamente, a través del ajuste del
modelo de Lee – Carter (1992) y el de Helligman y Pollard (1980) a la población andaluza.
1.2. CAMPO DE ESTUDIO.
El objeto de la presente investigación es la cuantificación del valor razonable del

compromiso de la aseguradora, cómo consecuencia de los contratos de Seguro de Vida
suscritos, así cómo de los recursos propios necesarios para garantizar la solvencia de la misma
por este motivo.
Así el ámbito de la presente investigación se encuadra en la ciencia actuarial, y cómo

tal siguiendo a Nieto y Vegas (1993) tiene una fundamentación interdisciplinar:
Fundamento económico.
El origen de la operación de aseguramiento es el contrato de Seguro de Vida. Según la

definición de Piniés y Tornil que se incluye en Pérez (1986), Seguro de Vida es “un
contrato por el cual una de las partes, el asegurador, se compromete mediante una
prima única o periódica que recibe del tomador del seguro, a pagar al beneficiario la
cantidad o cantidades estipuladas si acaece en el plazo convenido para la duración del
contrato, la eventualidad prevista en el mismo sobre la vida del asegurado”.
La Aseguradora constituye una unidad económica cuya misión fundamental es ofrecer

la adecuada cobertura frente a un riesgo. Esta labor de intermediación permite que el
riesgo al que se hallan sometidas una serie de unidades económicas pueda ser
sustituido por una Prima de Seguro.
El riesgo cubierto por la Aseguradora de Vida es la supervivencia o el fallecimiento del

Asegurado. De este modo se pretende hacer frente a las necesidades que se originan
al Beneficiario de la Póliza de Seguro, al acaecer el suceso supervivencia (el
Beneficiario suele ser el propio Asegurado) o fallecimiento del Asegurado (el
Beneficiario suele ser el cónyuge y/o resto de familiares).
Para proporcionar esta labor de protección, la Aseguradora se basa en la ley de los

grandes números, según la cual cuando un experimento aleatorio se repite un número
suficientemente grande de veces, la frecuencia relativa del suceso se aproxima a la
probabilidad teórica del suceso. Tratándose de una Aseguradora de Vida, el número de
fallecimientos que se producirán en la cartera asegurada se aproximará al estimado,
cuando la cartera incluya un número suficientemente grande de Asegurados.
22
Así para que la Aseguradora pueda ofrecer esta protección ha de alcanzar un volumen
de negocio suficiente, que permita minimizar las desviaciones de la siniestralidad real
respecto de la esperada.
Una gran parte de los fondos de una Aseguradora se destina a hacer frente a los
compromisos con los Tomadores de la Póliza por prestaciones garantizadas. De este
modo cobra una gran importancia el activo de la Aseguradora afecto a Provisiones
Técnicas y los fondos propios:
• El primero surge inmediatamente del contrato de Seguro cómo inversión de las

PTSV, para hacer frente a los compromisos que se derivarán de la Póliza.
• Buena parte del segundo, lo que se conoce cómo Margen de Solvencia, tiene por
finalidad garantizar la Solvencia de la Aseguradora en sentido amplio.
Las PTSV aunque tienen su origen en la base técnica de la Póliza, se determinan

según la legislación española de forma prudente, es decir, de modo que quede
adecuadamente cubierto el riesgo técnico de desviación de la siniestralidad real
respecto a la esperada. No obstante lo anterior, existe un riesgo técnico igual de
importante, que es el de desconocimiento de la prestación esperada, que vendría
cubierto al igual que otros riesgos inherentes a la industria aseguradora a través del
Margen de Solvencia.
Se pretende garantizar la Solvencia de la entidad aseguradora, entendida cómo la

capacidad para poder hacer frente a sus obligaciones futuras en sentido amplio. Las
Aseguradoras se hallan obligadas por parte de la Dirección General de Seguros y
Fondos de Pensiones (DGSFP) a mantener cómo mínimo un determinado Margen de
Solvencia en función de su negocio asegurador, es decir, la cantidad de fondos propios
que garanticen para cada momento del tiempo, que la compañía pueda hacer frente a
los compromisos asumidos.
Tanto las PTSV cómo el mínimo del Margen de Solvencia son una exigencia de origen
legal y objeto de supervisión por parte de la DGSFP.
Fundamento financiero.
Cómo se ha mencionado antes para el Tomador del Seguro, la Aseguradora supone un

vehículo para financiar las necesidades del Beneficiario de la Póliza al vencimiento del
Seguro. De lo anterior se deriva que:
23
• La aseguradora interviene cómo intermediario financiero.
• De la diferencia de fechas entre el efecto y el vencimiento de la Póliza, surge el

principio de rentabilidad.
Asimismo los fondos propios atribuibles a los titulares de la Aseguradora (los propios
Tomadores si se trata de una Mutualidad, los accionistas si es una sociedad anónima,
...) también han de ser adecuadamente retribuidos, ya que para los propietarios, éstos
fondos suponen una inversión.
De cualquier modo, tanto las PTSV cómo los fondos propios se invierten con el fin de
generar una rentabilidad suficiente para retribuir tanto unas cómo otros.
La inversión afecta a las PTSV además de la rentabilidad que proporciona, ha de

cumplir unos requisitos de congruencia con éstas, ya que ésta inversión supone:
• La principal fuente de la que manan los flujos de cobros, que permitirán hacer
frente a las prestaciones y gastos derivados de la Póliza.
• El activo de la Aseguradora que permite cubrir el pasivo que representan las

PTSV.
En algunos Seguros de Vida se vincula el activo al pasivo, hasta el punto que el

Tomador podrá ejercer su derecho de rescate, materializado en la inversión afecta por
la Aseguradora.
Debido entre otras cuestiones a lo mencionado en los párrafos precedentes, las

Aseguradoras se encuadran dentro del sector financiero, junto con las entidades de
crédito (Bancos, Cajas de Ahorro y Cooperativas de Crédito) y otras entidades
financieras como son las Agencias y Sociedades de valores, Instituciones de inversión
colectiva, …
Fundamento estocástico.
Como explica Nieto y Vegas (1993) el aspecto aleatorio se presenta en muy diversos
grados en el ámbito actuarial.
Como ya se ha expuesto, en Seguros de Vida la prestación asegurada tiene lugar al

acaecer el suceso supervivencia o fallecimiento del Asegurado. La aleatoriedad
24
inherente a esta prestación es abordada por el actuario a través de las tablas de

mortalidad29 de segundo orden, es decir, mediante la esperanza matemática de las
probabilidades condicionadas de supervivencia y fallecimiento ajustadas
históricamente, a las cuales se les adiciona un recargo de seguridad que permita cubrir
aproximadamente el 95% de las trayectorias estimadas.
No obstante, cómo ya se ha explicado existe el riesgo de que estas trayectorias

estimadas no sean adecuadas a la cartera asegurada. El motivo de que no coincidan
es muy diverso:
• La población objeto de ajuste es diferente de la asegurada. Así por ejemplo las

tablas GRM/F – 95 y GKM/F – 95 que son admitidas por la legislación española se
hallan ajustadas a la población suiza.
• La cartera asegurada no es representativa de la ajustada (sesgada). La cartera

asegurada de una Aseguradora no es más que una muestra del total poblacional, lo
que da lugar a una desviación o error llamado error muestral. Si los valores
poblacionales pertenecen al mismo ámbito geográfico que el de la cartera o con
unas características similares, el error muestral será menor que en otro caso, ya
que la correlación entre ambas medidas será mayor. Además este error también
será menor conforme la cartera asegurada aumente su tamaño, cómo se deriva de
la ley de los grandes números citada anteriormente, siempre y cuando la muestra y
la población se hallen altamente correladas.
• La esperanza de vida es dinámica. Esto quiere decir que la correspondiente a un

asegurado de x años de edad en el año 1995, es diferente de la de un asegurado
de x años de edad en el año 2015. Así la esperanza de vida de los asegurados en
cartera será diferente de la correspondiente a la ajustada, ya que se trata de
fallecimientos o supervivencias que tendrán lugar en un período futuro del tiempo.
Únicamente podemos ajustar modelos de series temporales que permitan
determinar las probabilidades de supervivencia o fallecimiento en el futuro, dando
lugar a las tablas de mortalidad dinámicas. No obstante, el ajuste de esta
dinamicidad dará lugar a un nuevo error a añadir al mencionado en los párrafos
precedentes.
La aleatoriedad también se encuentra en la rentabilidad futura que la Aseguradora

obtendrá de la inversión de las PTSV. Es decir, si bien es habitual que la Aseguradora
29
Las tablas de mortalidad cómo veremos más adelante, son en esencia, una forma de combinar las tasas de
mortalidad en una población a diferentes edades y se utilizan para medir el nivel de mortalidad de una determinada
población.
25
garantice en la Póliza un interés técnico fijo, las inversiones afectas a la Póliza

proporcionan una rentabilidad variable que dependerá, del mercado de negociación de
estas inversiones.
En el apartado previo se ha explicado que las PTSV y las inversiones afectas tienen
que guardar cierta congruencia en cuanto al flujo de caja. El riesgo de liquidez será
mayor cuanto más incapaces resulten ser las inversiones afectas, para hacer frente a
las prestaciones y gastos que se derivarán de las PTSV. En este sentido, entre las
funciones del actuario se encuentra la de estimar el flujo de caja derivado de la Póliza.
El ya mencionado riesgo de desviación de la prestación real respecto a la esperada,
puede ocasionar que el flujo de caja proporcionado por las inversiones afectas a las
PTSV, llegue a ser insuficiente para hacer frente a las prestaciones y gastos que
resulten de la Póliza.
Por otra parte, la congruencia entre las PTSV y las inversiones afectas, se ha de
manifestar también en términos de cobertura futura de las primeras respecto de las
últimas. La inadecuada cobertura futura puede venir motivada por la diferente dinámica
del valor de unas y otras:
• La valoración futura de las PTSV dependerá del número real de componentes del
grupo asegurado en el futuro. Al mismo tiempo estas PTSV engloban una serie de
opcionalidades implícitas cuyo valor y/o activación es aleatoria:
o Opción de rescate anticipado del Tomador de la Póliza por un precio
prefijado.
o Opción del Tomador de participación en los beneficios que proporcionen
las inversiones afectas.
o Opción del Tomador de cesar en el pago de primas periódicas, modificando
las prestaciones garantizadas según unas condiciones prefijadas. Incluso
rehabilitación de las prestaciones inicialmente garantizadas, mediante la
puesta al día en el pago de las primas periódicas según unas condiciones
prefijadas.
o ...
• Las inversiones afectas tienen un valor que dependerá de las expectativas de los
intervinientes en su mercado de negociación, en cuanto a los tipos de interés
implícitos en la negociación, al riesgo de impago del emisor del título, tasa de
recuperación en caso de impago, ....
Además de lo anterior, estas inversiones también pueden encerrar diversas
opcionalidades:
o Recompra por parte del emisor del título a un precio prefijado.
26
o Si se trata de un activo estructurado, puede contener derivados de crédito

que incrementen su rentabilidad, cómo CDSs, ...
o Si el activo estructurado incluye un derivado para cubrir frente a la
volatilidad de los tipos de interés, (Swap de tipos de interés), éste último
toma un valor que dependiendo de los tipos de interés implícitos en la
negociación, puede llegar a ser casi nulo.
o ...
A los riesgos financieros de liquidez y mercado mencionados, hemos de añadir el de

contrapartida, es decir, que los deudores de la Aseguradora incurran en impago. De
entre los deudores de la Aseguradora caben destacar:
• los emisores de títulos afectos a las PTSV, ó
• reaseguradores30 a los que se ha cedido parte de la cobertura de la Póliza.
Tanto en un caso cómo en el otro, la Aseguradora no queda eximida de sus
compromisos por lo que puede no tener recursos suficientes para hacer frente a las
prestaciones garantizadas.
Entre otras cuestiones por lo mencionado, para lograr los principales objetivos del
presente trabajo, haremos un especial recurso a los procesos estocásticos que
permitirán:
• La determinación del valor razonable de las PTSV incluyendo ajustes por:

o Riesgo de tipos de interés.
o Riesgo técnico.
o Riesgo de crédito.
o Opcionalidades implícitas.
• Determinar la congruencia del activo y pasivo en términos del valor razonable de

ambos, tanto en la fecha del cálculo cómo en los períodos que median hasta el
vencimiento de los compromisos de la Aseguradora.
1.3. ESTRUCTURA DE LA INVESTIGACIÓN.
La investigación se desarrolla a través de nueve capítulos, incluyendo éste en el que se

describe el ámbito de investigación. A continuación se incluyen las referencias bibliográficas,
para terminar con cuatro anexos.
30
El contrato de Reaseguro es un contrato en virtud del cual una Aseguradora (cedente), transfiere el riesgo asociado a
una operación de Seguro a otra Aseguradora (reasegurador), a cambio de una prima.
27
Planteamos la determinación del valor razonable de las PTSV según los niveles y
volatilidad de tres subyacentes: tipos libres de riesgo, spread por riesgo de crédito y tanto de
mortalidad. Asimismo se tendrá en consideración algunas de las asimetrías, que en el valor
razonable de las PTSV se manifiestan, cómo consecuencia de las opcionalidades implícitas en
la Póliza de Seguros de Vida.
Para lograr los dos objetivos expuestos, el trabajo plantea los siguientes hitos:
INTRODUCCIÓN.
Exposición del campo de estudio así cómo de los retos a los que actualmente se
enfrenta la ciencia actuarial con motivo de la reforma del tratamiento contable de las
provisiones técnicas.
El capítulo 2 comienza con una introducción a la composición y cuantificación de las

PTSV, así cómo a las opcionalidades implícitas en las mismas.
El apartado siguiente inicia en las Normas Internacionales de Contabilidad, y más en

particular en:
• la NIIF 4 de Contratos de Seguro, y
• las dos alternativas que se ha planteado la IASB, para la contabilización de los
instrumentos financieros en el ámbito internacional: el valor razonable y el valor
específico de la entidad.
Una vez centrados en el valor razonable de instrumentos financieros, se describen las

distintas posibilidades planteadas para su determinación a partir de la jerarquía establecida por
el Joint Working Group of Standard Setters (JWS)31.
A continuación se incorporan los rudimentos básicos estadístico – matemáticos a los

cuales será necesario recurrir a lo largo de todo el trabajo. Entre ellos caben destacar
elementos del cálculo estocástico cómo los procesos de wienner, el Lema de Ito, o los
procesos de Ornstein – Uhlenbeck, así cómo conceptos estadísticos cómo los modelos de
series temporales ARIMA y la metodología Box – Jenkins.
SUBYACENTES AL VALOR RAZONABLE DE LAS PTSV
31
Grupo de trabajo perteneciente a la American Academy of Actuaries encargado a solicitud entre otros reguladores
contables, de la IASB, de encontrar soluciones a los problemas que supone valorar todos los instrumentos financieros
por su valor razonable.
28
A partir de aquí incluimos una serie de tres capítulos que pretenden examinar los tres
subyacentes que consideraremos en la cuantificación consistente con el mercado de las PTSV.
En el capítulo 3 se presenta la manera de abordar la estimación del valor razonable de

las PTSV desde la perspectiva de los tipos de interés, propuesta por el presente trabajo.
Inicialmente se describen varias de las metodologías existentes para el tratamiento de los tipos
de interés de forma determinística y estocástica.
A continuación se explica cómo proceder al filtrado de la información existente en los

mercados de capitales, para delimitar la Estructura Temporal de Tipos de Interés (ETTI). Por
último se presentan los modelos afines unifactoriales, y más concretamente el modelo de Hull –
White (1990).
El capítulo 4 se centra en los sucesos objeto de aseguramiento en los Seguros de Vida:

supervivencia o fallecimiento del asegurado. Para ello presentamos en primer lugar diversos
modelos de ajuste de tablas de mortalidad dinámicas, haciendo especial énfasis en los
modelos de Heligman y Pollard (1980) y de Lee – Carter (1992). Éstos últimos serán los que se
ajusten a la población andaluza desde 1980 a 2000, también en el capítulo 4.
La parte final del capítulo 4, propone un proceso de difusión de la tabla de mortalidad

dinámica ajustada, de forma que quede recogida la volatilidad manifestada en el proceso de
ajuste.
El capítulo 5 presenta inicialmente varias alternativas para la incorporación del riesgo

de crédito en la estimación del valor razonable. Finalmente al igual que ya se ha hecho con el
tipo de interés y el tanto de mortalidad, se trata el spread por riesgo de crédito cómo un
proceso estocástico, implementado mediante un árbol trinomial recombinante calibrable a
mercado.
ESTIMACIÓN DEL VALOR RAZONABLE.
Una vez expuestos los tres subyacentes, en el capítulo 6 se procederá a la

determinación del valor razonable de las PTSV según los escenarios considerados respecto a
estos subyacentes. Así en el capítulo 6 se expone cómo valorar el flujo de caja que se deriva
de los contratos de Seguros de Vida, según los subyacentes considerados, a través de un árbol
trinomial recombinante con tres o cuatro dimensiones. En el ejemplo considerando difusión en
los tres subyacentes, obtenemos a través del árbol cuatridimensional, el equivalente a valorar
con 514.000 trayectorias diferentes respecto a las posibles combinaciones entre los
subyacentes.
29
DETERMINACIÓN DE LAS NECESIDADES DE RECURSOS PROPIOS.
Una vez se ha expuesto la metodología para determinar el valor razonable de las

PTSV, planteamos en el capítulo 7 una propuesta para la determinación de los recursos
propios necesarios cómo consecuencia del riesgo inherente al valor razonable de las PTSV. En
este capítulo 7 se describen en primer lugar las distintas alternativas que han considerado las
distintas legislaciones para determinar las necesidades de recursos propios de las entidades
aseguradoras que operan en el ramo de Vida.
Tras la introducción mencionada se procede a la exposición de un análisis de

sensibilidad del valor razonable de las PTSV, ante variaciones en los niveles y volatilidad de los
distintos subyacentes.
Por último presentamos una propuesta para tratar los riesgos implicados en el Seguro
de Vida holísticamente, y la inclusión en un mismo análisis del activo y el pasivo que se deriva
del negocio asegurador.
Para ello se determina el VAR de excedente mediante árboles trinomiales

recombinantes similares a los descritos para la estimación del valor razonable de las PTSV,
incluyendo asimismo difusión respecto al spread por riesgo de crédito del activo afecto.
APLICACIÓN PRÁCTICA
En el capítulo 8 se aplican a un caso práctico los modelos de valoración expuestos,

para la estimación del valor razonable de las PTSV y para la determinación de las necesidades
de recursos propios.
CONCLUSIONES.
Se recogen las conclusiones finales de la investigación en el capítulo 9, los principales

problemas que han surgido a lo largo de la misma, así cómo cuales pueden ser las futuras
líneas de investigación.
Después del capítulo 9 se incluyen las referencias bibliográficas por orden alfabético de
autores, y que han sido fuentes de información para la investigación.
Finalizamos con cuatro anexos cuyo objetivo es no dilatar la exposición de algunos

conceptos a lo largo de la investigación, desviando la atención del objetivo de la investigación.
30
1.4. FUENTES.
1.4.1. Búsqueda de información bibliográfica.
Se han consultado múltiples trabajos de investigación que tratan sobre temas

relacionados con nuestro análisis. La localización de estas fuentes se ha llevado a cabo vía
internet, si bien existe algún trabajo que se ha localizado en biblioteca convencional. Se
identifican las referencias bibliográficas mediante el apellido del autor/es y el año de
publicación de la misma.
1.4.2. Datos para el ajuste de la mortalidad de la población andaluza.
En este trabajo, se han elaborado unas tablas de mortalidad dinámicas para la

población andaluza, sin recargo de seguridad implícito. Para ello se ha contado con la siguiente
información que facilita el Instituto Nacional de Estadística a través de su página web
www.INE.es:
• Población andaluza femenina y masculina por edades desde 1980 a 2000.

• Número de muertes para la población andaluza femenina y masculina por edades
desde 1980 a 2000.
1.4.3. Aplicaciones informáticas.
Con la finalidad de aplicar el modelo de Lee – Carter, se ha programado una función en

Matlab 6.5., llamada LeeCarter, que permite ajustar tablas de mortalidad dinámicas a cualquier
población siempre que se pueda contar con más de 5 años de experiencia.
Para ajustar los modelos ARIMA correspondientes a los parámetros de la segunda Ley
de Heligman y Pollard aplicados sobre la población andaluza, se ha utilizado el paquete
estadístico Statgraphics y SPSS.
Para aplicar un modelo estocástico de evolución para cada uno de los subyacentes del
valor razonable de las PTSV, se ha programado en VBA para Microsoft Excel 2000 una función
denominada ArbolHW1 que devuelve un árbol trinomial para la difusión gaussiana con un
factor.
31
Para los cálculos masivos del valor razonable de las PTSV y del activo afecto, así cómo
para determinar el VAR de excedente se ha utilizado el entorno de programación Visual Basic
de Microsoft Visual Studio 6.0. complementado con Matlab 6.5.
También se ha utilizado Matlab 6.5. para representar los gráficos tridimensionales.
32
CAPÍTULO 2. INTRODUCCIÓN AL VALOR RAZONABLE DE LA
PROVISIÓN TÉCNICA DEL SEGURO DE VIDA. 35
2.1. ORGANIZACIÓN DEL CAPÍTULO 35
2.2. CONSIDERACIONES PREVIAS DE LAS PTSV. 35
2.3. INTRODUCCIÓN A LA NIIF 4 Y VALOR RAZONABLE. 42
2.3.1. Introducción a la NIIF 4. 42
2.3.2. Valor Razonable Vs. Valor Específico de la Entidad. 44
2.4. PRINCIPIOS DE VALORACIÓN PARA INSTRUMENTOS
FINANCIEROS. 45
2.4.1. Jerarquía de métodos de valoración. 45
2.4.2. Valor de negociación en el mercado. 46
2.4.3. Replicación de valores de mercado. 47
2.4.4. Valoración de los flujos de caja futuros. 47
2.5. INTRODUCCIÓN AL CÁLCULO ESTOCÁSTICO
APLICADO AL CAMPO FINANCIERO – ACTUARIAL. 50
2.5.1. Introducción a los modelos dinámicos estocásticos. 50
2.5.2. Elementos de cálculo estocástico. 54
2.6. SERIES TEMPORALES. MODELOS ARIMA. 68
2.6.1. Serie temporal 68
2.6.2. Predicción con modelos ARIMA. 75
33
34
CAPÍTULO 2.Introducción al Valor Razonable de la Provisión Técnica de Seguro de Vida.
CAPÍTULO 2. INTRODUCCIÓN AL VALOR

RAZONABLE DE LAS PROVISIONES
TÉCNICAS DE SEGUROS DE VIDA.
2.1. ORGANIZACIÓN DEL CAPÍTULO.
Este capítulo permite introducir los conceptos básicos acerca de las PTSV, así cómo
algunos rudimentos financieros – actuariales para aproximar su valor razonable.
Tiene cuatro partes claramente diferenciadas:
La primera introduce el concepto actuarial de PTSV en el apartado 2.2., así cómo los
actuales planteamientos de la International Acounting Standard Board (IASB) en materia de
Seguro y de valoración, en el apartado 2.3.
La segunda parte incorpora los conceptos financiero – actuariales necesarios para la

valoración consistente con el mercado de instrumentos financieros en general, y de Seguro
de Vida en particular en el apartado 2.4.
A continuación se introduce en el apartado 2.5., una serie de nociones básicas sobre

cálculo estocástico, necesarias para el tratamiento de los subyacentes al valor razonable
de las PTSV cómo procesos estocásticos.
El último apartado expone el concepto de series temporales ARIMA, así cómo la

metodología Box – Jenkins de selección de modelos de series temporales ARIMA. Esta
metodología nos será de utilidad para el ajuste de tablas de mortalidad dinámicas a la
población andaluza, en el capítulo 4.
Las nociones que proporcionan los dos últimos apartados, se hacen imprescindibles
para el entendimiento de algunas manipulaciones estadístico – matemáticas que se llevan a
cabo en los siguientes capítulos.
2.2. CONSIDERACIONES PREVIAS DE LAS PROVISIONES TÉCNICAS DE SEGUROS DE

VIDA.
Como explican Nieto y Vegas (1993) los elementos esenciales de la operación actuarial
que constituye el Seguro de Vida son:
35
[ ] [
a) Duración, t, T , dividida en periodos, t , t + ∆t . ]
b) Sucesos, ω, que según el contrato dan lugar al cobro de las primas, Π (ω , t ) , y al
pago de las cantidades estipuladas, K (ω , t ) .
c) Capitales financiero – dinámicos asociados a estos sucesos, Π (ω , t ) y K (ω , t ) .
Los mencionados capitales financiero – dinámicos son procesos financiero –

estocásticos, ya que incluyen los siguientes elementos básicos:
Estocástico: Se hallan condicionados a los sucesos posibles, ω , los cuales forman un conjunto
Ω . En nuestro caso tendremos
⎧ω1
⎪
Ω=⎨
⎪ω
⎩ 2
ω1 : supervivencia del asegurado.
ω 2 : fallecimiento del asegurado.
El conjunto Ω , se denomina espacio muestral, y forma parte de un espacio de

probabilidad (Ω, F, P ) .
El segundo elemento del espacio de probabilidad, será la σ – álgebra, F , o conjunto

de eventos relevantes a los que asignaremos cierta probabilidad. De modo que podemos
considerar F cómo un conjunto de información. Una filtración {Ft }∀t ≥ 0 es una familia creciente
de σ – álgebras incluidas en F tal que cada σ – álgebra contiene todos los conjuntos
contenidos en la σ – álgebra anterior, de manera que Fs ⊆ Ft para todo s ≤ t . Podemos
considerar una filtración, Ft cómo la “historia” del proceso al tiempo t.
El último componente del espacio de probabilidad es la medida de probabilidad, P , y

[ ]
que se corresponde con una función P : F → 0,1 que asigna a cada evento A ∈ F un
[ ]
número P ( A) ∈ 0,1 .
36
Financiero: Se trata de capitales dinámicos, por lo que es preciso introducir el proceso

estocástico cuenta bancaria, {β t }∀t ≥0 , tal que
⎛t ⎞
β (t ) = exp⎜⎜ ∫ r ( s )ds ⎟⎟
⎝0 ⎠
siendo
r (s ) : la intensidad de rentabilidad en el instante s .
En este aspecto profundizaremos en el capítulo 3.
Por otra parte, Nieto y Vegas (1993) distinguen a su vez dos subprocesos financiero –
estocásticos:
a) Aportaciones o primas pendientes de pago del Tomador de la Póliza:
{Π (ω , s)}∀ω∈Ω,∀s∈[t ,T ]
b) Prestaciones o pagos comprometidos por parte de la Aseguradora:
{K (ω , s)}∀ω∈Ω,∀s∈[t ,T ] {
Consideraremos para simplificar que los gastos incurridos por la aseguradora, son
asimismo prestaciones.
Las primas corresponden a un derecho de la aseguradora y es lo que De la Peña

(2003) denomina activo actuarial.
Las prestaciones aseguradas, junto a los gastos de administración y comercialización

del asegurador, determinan los compromisos de la aseguradora y es lo que De la Peña (2003)
denomina pasivo actuarial, ó pasivo de seguros.
Nieto y Vegas (1993) introducen el principio de equivalencia estática, como aquel que
considerando la operación actuarial en toda su duración, establece la igualdad entre el valor
actual de las aportaciones y de las prestaciones, determinados sobre la base de la esperanza
matemática de ambos procesos financiero – estocásticos. Es decir:
37
• Valor actual actuarial del subproceso de aportaciones:
m −1 ⎡ 1 ⎤
Π (t ) = ∑ Ep ⎢Π (ω , t i ) ⋅ Ft ⎥
i =0 ⎣ β (t i ) ⎦
si consideramos independencia entre el proceso de las aportaciones y el de la cuenta bancaria

tenemos que
m −1 ⎡ 1 ⎤
Π (t ) = ∑ Ep[Π (ω , t i ) Ft ]⋅ Ep ⎢ Ft ⎥
i =0 ⎣ β (t i ) ⎦
donde
t : tiempo en que toma efecto la Póliza.

m : número de pagos de primas.
{t i }im=−01 : tiempos en los que se produce el pago de las primas.
P(ω1 , t i )
Ep[Π (ω , t i ) Ft ] = Π (ω1 , t i ) ⋅ .
P(ω1 , t )
P(ω1 , t i )
: probabilidad de supervivencia en t i , condicionada a que se halla vivo en t .
P(ω1 , t )
⎡ 1 ⎤ ⎡ ⎛ ti ⎞⎤
Ep ⎢ Ft ⎥ = Ep ⎢exp⎜⎜ − ∫ r (t )dt ⎟⎟⎥
⎣ β (t i ) ⎦ ⎣⎢ ⎝ t ⎠⎦⎥
• Valor actual actuarial del subproceso de prestaciones, en tiempo discreto32:
⎡ 1 ⎤
K (t ) = ∑ Ep[K (ω , t i ) Ft ]Ep ⎢
n
Ft ⎥
i =0 ⎣ β (t i ) ⎦
donde
n : número de períodos de cobertura del Seguro.

P(ω1 , t i ) P(ω 2 , t i , t i +1 )
Ep[K (ω , t i ) Ft ] = K (ω1 , t i ) ⋅ + K (ω 2 , t i ) ⋅
P(ω1 , t ) P(ω1 , t )
32
En realidad el fallecimiento puede tener lugar en cualquier instante intermedio. Aquí asumimos para simplificar que el
fallecimiento únicamente puede tener lugar en los tiempos ti.
38
P(ω 2 , t i , t i +1 )
: probabilidad de fallecimiento del asegurado en el intervalo [t i , t i +1 ],
P(ω1 , t )
condicionada a que se halla vivo en t .
Cómo veremos, la valoración consistente con el mercado, utiliza una probabilidad, Q ,
riesgo – neutro, diferente de la probabilidad real, P . Proponer una metodología para usar esta
probabilidad de valoración, será uno de los objetivos fundamentales de la presente
investigación.
Por otra parte, el principio de equivalencia estática establece que
Π (t ) = K (t )
Si bajo el principio de equivalencia estática, es decir, considerando la operación

actuarial en su duración total, nos situamos en un período u posterior al origen, t , tanto el
subproceso de prestaciones cómo el de aportaciones queda dividido en dos partes. Llamando
K 1 (ω , u ) y Π 1 (ω , u ) a los capitales financiero – estocásticos correspondientes a las

prestaciones y aportaciones contenidas en el intervalo [t, u ] ; y haciendo corresponder
K 2 (ω , u ) y Π 2 (ω , u ) al intervalo que va desde u hasta el vencimiento T , podemos

establecer que
Π 1 (ω , u ) + Π 2 (ω , u ) ≈ K 1 (ω , u ) + K 2 (ω , u )
o lo que es lo mismo
Π 1 (ω , u ) − K 1 (ω , u ) ≈ K 2 (ω , u ) − Π 2 (ω , u )
El capital aleatorio
V (ω , u ) = Π 1 (ω , u ) − K 1 (ω , u ) ≈ K 2 (ω , u ) − Π 2 (ω , u )
recibe el nombre de reserva matemática a priori o ex–ante de la operación en el período t.
Su esperanza matemática será
Ep[V (ω , u )] = Ep[Π 1 (ω , u )] − Ep[K 1 (ω , u )] ≈ Ep[K 2 (ω , u )] − Ep[Π 2 (ω , u )]
39
y recibe el nombre de reserva matemática (en el sentido actuarial del término) a priori o ex–
ante en el período t.
Si denominamos Π 0 (u ) y K 0 (u ) a la realización concreta hasta u de las
aportaciones y prestaciones, así como Π (u , T ) y K (u , T ) a los capitales financieros –
[ ]
estocásticos correspondientes al período u, T , condicionados a las realizaciones hasta u ,
tendríamos dos partes bien diferenciadas:
• La primera parte hasta u
Π 0 (u ) − K 0 (u ) (2.1)
es un valor cierto.
• Mientras que la segunda parte desde u
K (u , T ) − Π (u, T ) (2.2)
sigue siendo una variable aleatoria.
Por supuesto, ambas partes (2.1) y (2.2) además de ser la primera un valor cierto y la
segunda una variable aleatoria, no tienen por qué ser equivalentes, dependiendo las
diferencias entre una y otra de las desviaciones que con respecto al valor medio representan
las concreciones del suceso asegurado hasta u .
El capital aleatorio
V (u, T ) = K (u, T ) − Π (u, T )
se denomina reserva matemática a posteriori o ex–post en el período u . Su esperanza

matemática
Ep[V (u , T ) Fu ] = Ep[K (u , T ) − Π (u , T ) Fu ]
es la reserva matemática prospectiva en sentido actuarial, a posteriori, valorada en u .
La esperanza matemática de ambos procesos se determina generalmente en la

práctica actuarial a partir de la esperanza matemática del suceso supervivencia o fallecimiento
40
del asegurado así cómo de la esperanza matemática de la función de descuento. En este

trabajo abordaremos la valoración de la reserva matemática a posteriori, a partir de un modelo
de valoración financiero – actuarial que recoge la esperanza matemática del suceso
supervivencia o fallecimiento del asegurado cómo un proceso estocástico, al igual que la
función de descuento.
En su determinación, cobra una gran importancia el modelo considerado acerca de:
• La supervivencia del asegurado, y que subyace en las tablas de mortalidad utilizadas

en la operación actuarial.
• El tanto de descuento a considerar en la actualización de todos los flujos.
Debido a la importancia de las tablas de mortalidad en la estimación de la probabilidad

real de ocurrencia del escenario que da lugar a los flujos de caja, así como en la determinación
del riesgo de estimación de las prestaciones (y cobros futuros de primas, por supuesto),
profundizaremos en éstas en el capítulo 4.
Con respecto al mencionado tanto de descuento, la cuantificación de las PTSV se lleva

a cabo de acuerdo con la legislación vigente (art. 33. del ROSSP), según el tipo de interés
técnico, y en general es admitida su determinación según el rendimiento medio que obtendrá la
compañía de la inversión de las PTSV. No obstante si nos centramos en el Seguro de Vida, la
duración de los contratos en ocasiones es enorme, lo que provoca que también lo sea la
incertidumbre respecto al rendimiento que obtendrá la compañía durante la vigencia de la
Póliza. Por lo que profundizaremos bastante más en todo ello en el capítulo 3.
Por otra parte si valoramos la reserva matemática prospectiva en sentido actuarial,

desde el punto de vista del Tomador de la Póliza, ésta valoración tendría en cuenta entre otros,
el riesgo de impago de la Aseguradora. El objetivo de la investigación, es aproximar para esta
reserva matemática, en adelante PTSV, el valor por el que se intercambiaría el derecho que
representa, en un mercado de negociación. El riesgo de impago se expondrá en el capítulo 5.
En cuanto a la prima, ésta se determina a partir de las prestaciones garantizadas por la

Póliza, en función de las hipótesis técnicas del producto (interés técnico, gastos de
administración y comercialización, tabla de mortalidad,…), no obstante, existen varias
opcionalidades incorporadas a la Póliza, que no es habitual cuantificar ni en la prima ni en las
PTSV. La posibilidad de rescate anticipado de la Póliza, constituye una opción implícita en la
Póliza, que generalmente no se valora en el importe de la prima a cobrar al tomador de la
41
Póliza, ni en las PTSV. En realidad, si el valor de rescate se calcula en función del interés
técnico garantizado en la Póliza, estamos ante un intercambio de tipos33.
Otra opción implícita en la Póliza, y que tampoco se cuantifica en la prima es la

participación en beneficios. No es extraño encontrarse con Seguros de Vida que ofrecen al
tomador de la Póliza, la participación en un porcentaje de la rentabilidad obtenida por la
inversión de las PTSV por encima del interés técnico. En caso de que la rentabilidad de las
inversiones no alcance el interés técnico garantizado, no se produce en cambio, un menoscabo
en las prestaciones garantizadas. En todo esto profundizaremos en el capítulo 6.
2.3. INTRODUCCIÓN A LA NIIF 4 Y VALOR RAZONABLE.
2.3.1. Introducción a la NIIF 4.
En la actualidad los mercados de capitales mundiales carecen de fronteras, y sus

participantes han de disponer de información financiera comparable, que les permita tomar
decisiones de inversión. Durante más de 30 años, el Consejo de Normas Internacionales de
Contabilidad (IASB) y su antecesor, el Comité de Normas Internacionales de Contabilidad
(IASC), han trabajado para desarrollar, un conjunto de Normas Internacionales para la
Información Financiera de alta calidad, de fácil comprensión e implantación, que puedan ser de
utilidad a los inversores en acciones, a las entidades de crédito y a otros posibles usuarios de
este tipo de información. Son los IAS o IFRS, en su denominación más actual, también
conocidas en España como NIC o NIIF.
Para implantar su "Estrategia en materia de Información Financiera" adoptada por la

Comisión Europea en junio de 2000, el Parlamento y el Consejo de la Unión Europea (UE)
aprobaron un Reglamento en el que se exigía a todas las empresas cotizadas de la UE la
aplicación antes de 2005, de las normas contables emitidas por el IASB en la elaboración de
sus estados financieros consolidados. Se permitía no obstante, que los estados miembros
decidan si la obligación de cumplir con los requisitos de las NIIF se extiende también a los
estados financieros de grupos no cotizados y estados financieros individuales.
Asimismo, los estados miembros tienen la opción de eximir de forma temporal (sólo
hasta 2007) a algunas empresas del cumplimiento con NIIF:
(1) aquellas empresas que coticen tanto en la UE como en una Bolsa fuera de la UE y
que apliquen los US GAAP como sus principales normas de contabilidad, y
(2) empresas que sólo tienen títulos de deuda negociables que cotizan en Bolsa.
33
Se refiere a que la aseguradora garantiza un tipo fijo, cuando en realidad el mercado de capitales proporciona un
interés variable.
42
La obligación de cumplir con las NIIF se aplica no sólo a los veinticinco estados
miembros de la UE sino también a los tres estados del Espacio Económico Europeo. Muchas
empresas importantes de Suiza (que no es miembro de la UE ni del EEE) ya aplican las NIIF.
Debido a la complejidad del negocio asegurador, resulta complicado establecer un

marco especial para los aspectos contables específicos del seguro. De ahí que en mayo de
2002 el IASB decidió proceder en su Proyecto de Seguros en dos fases. La primera fase
abarca la NIIF 4 (Contratos de Seguro), y en un sentido más amplio, la NIC 32 (Instrumentos
financieros: presentación e información a revelar) y la NIC 39 (Instrumentos financieros:
reconocimiento y valoración). En la segunda fase prevista para más allá del 2007, se tratarán
aspectos tan controvertidos cómo la valoración de las PTSV.
La NIIF 4 es la primera orientación del IASB sobre la contabilización de los contratos de

seguros (aunque no la última). Hay una Segunda Fase del Proyecto de Seguros del IASB en
marcha. El Consejo emitió la NIIF 4 debido a la necesidad urgente de mejorar los desgloses de
los contratos de seguros y mejorar moderadamente las prácticas de reconocimiento y
medición, a tiempo para la adopción de NIIF por parte de empresas cotizadas de toda Europa y
del resto del mundo en 2005.
La NIIF 4 se aplica a la práctica totalidad de los contratos de seguros (incluyendo los

contratos de reaseguros) que emite una entidad y a los contratos de reaseguros que posee. No
se aplica a otros activos y pasivos de una aseguradora, como activos y pasivos financieros,
dentro del alcance de la NIC 39. Por otro lado, no aborda la contabilización por parte de los
tomadores de los seguros.
La definición que la NIIF 4 incluye sobre contrato de seguros es "contrato en virtud del
cual una parte (la aseguradora) asume un riesgo de seguro significativo de otra parte (el
tomador del seguro) aceptando compensar al tomador del seguro si un determinado
acontecimiento futuro incierto (el acontecimiento asegurado) afecta negativamente al tomador
del seguro".
En cuanto a su aplicación, la NIIF exime a una aseguradora temporalmente (hasta la

finalización de la fase II del Proyecto de Seguros) de determinados requisitos de otras IFRS,
incluyendo el requisito de tener en cuenta el Marco del IASB a la hora de seleccionar políticas
contables para contratos de seguros.
Se incluye en el anexo I un cuadro resumen acerca de las políticas contables

introducidas por NIIF 4.
43
Asimismo se incluye en el anexo II un cuadro resumen de la información a revelar por

parte de la aseguradora exigido por la NIIF 4.
2.3.2. Valor Razonable Vs. Valor Específico de la Entidad.
Se entiende actualmente por “Fair Value” o valor razonable, aquel valor por lo que se
puede “cambiar” un activo o cancelar una obligación, entre dos partes que disponen de
información en un mercado.
Hay que distinguir el valor razonable del “Entity Specific Value” o valor específico de la
entidad. Este último representa el valor de un activo o pasivo para la empresa, y puede reflejar
factores que no están disponibles o no son relevantes para otros miembros del mercado.
No obstante, hemos de tener en cuenta que las definiciones de estas dos medidas
están todavía siendo debatidas a la fecha de elaboración de este trabajo. Hemos de ser
conscientes de que ambas palabras y el entendimiento del objeto de medida puede cambiar
con el tiempo.
A continuación se incluye un cuadro ilustrativo.
DIFERENCIAS
MEDIDA CONCEPTO SIMILITUDES
Base lógica Asunciones Calidad crediticia
Valor del activo o pasivo de la Valor de Basadas en Posiblemente

empresa, por el cual una compañía salidad o de el mercado. reflejado. Ambos implican el uso de la jerarquía
estaría dispuesta a transferir a otra fijación de métodos de valoración del JWS que
FAIR el control sobre el activo y/o pasivo inmediata. veremos en el siguiente punto.
VALUE existente en el balance a la fecha
en que se produce la transacción, Ambos anticipan la actualización de
entendida en un mercado de las asunciones de valoración a la fecha
libre competencia de ésta.
Para el pasivo de una aseguradora

Valor del activo o pasivo de la Fijación Específicas No en ambos se utilizan las técnicas
ENTITY empresa, que puede reflejar ordenada para la reflejado. del valor actualizado para reflejar
SPECIFIC factores que no están disponibles a lo largo entidad. estimaciones.
VALUE o no son relevantes para otros del tiempo.
miembros del mercado.
Cuadro 2.1. Cuadro comparativo entre Fair Value y Entity-Specific Value.
Cada uno de los objetos de medida propuestos representa un cambio importante de los
Principios Contables Generalmente Aceptados de España (PCGA).
Así en los PCGA se permite activar gastos que luego se amortizan a lo largo del
período durante el cual son reconocidos los ingresos. No hay lugar para tal amortización en un
sistema completamente prospectivo, cómo sería el del valor razonable.
44
En segundo lugar, actualmente las asunciones de valoración del pasivo están cerradas,
es decir se deben de cumplir “al pie de la letra”, sólo podrán ser cambiadas cuando se
necesiten reconocimientos de pérdida. Bajo el valor razonable, todas las asunciones de
valoración están abiertas y susceptibles de cambio en cada fecha de valoración.
Dada la profundidad de los contratos de Seguros de Vida, y la multitud de variables a

considerar, el valor razonable será muy sensible a las asunciones usadas, por lo que se debe
tener mucho cuidado en desarrollar un método consistente y disciplinado para establecer estas
asunciones; establecer éste método será todo un reto.
Al evaluar la dependencia de los resultados respecto de las asunciones tomadas, los

cuerpos que establecen la normativa contable enmarcarán muchas de sus discusiones en
términos de relevancia versus fiabilidad.
Las conclusiones que alcancen estos cuerpos se incluirán, al igual que las propuestas
actuales respecto de la normativa contable internacional, en el Draft Statement of Principles
(DSOP)34 establecido por el International Acounting Standard Board (IASB).
Por otra parte, el presente trabajo aborda exclusivamente la determinación del valor
razonable de las PTSV con un enfoque financiero – actuarial, sin entrar en más detalle en
cuanto a los aspectos contables de la norma.
2.4. PRINCIPIOS DE VALORACIÓN PARA INSTRUMENTOS FINANCIEROS.
2.4.1. Jerarquía de métodos de valoración.
Las distintas cuantificaciones que puede ofrecer una estimación derivan

fundamentalmente de los métodos utilizados en la valoración del instrumento financiero.
El “Joint Working Group of Standard Setters” (JWS) ha propuesto una jerarquía de

métodos para determinar el valor razonable de instrumentos financieros. Como muchos
contratos de seguro están incluidos dentro de su definición de instrumentos financieros, se
presume que esta jerarquía se aplicaría también a las PTSV.
La jerarquía (de mayor a menor fiabilidad) a utilizar en la valoración sería:
1. El valor de mercado cuando esté disponible.
34
Documento que incluye la proposición actualizada en materia de normativa contable internacional del IASB.
45
2. Cuando no exista valor de mercado para el instrumento que se quiera valorar, se usará el
valor de mercado de un instrumento análogo, ajustando las diferencias oportunas.
3. Si no existe un valor de mercado y no hay ningún instrumento análogo disponible, se

calculará el valor actual de los flujos esperados futuros de ese instrumento incluyendo un
ajuste en función del riesgo de impago.
2.4.2. Valor de negociación en el mercado.
Cuando séa posible disponer de un instrumento financiero en mercados vivos, amplios

y abiertos, entonces el precio de mercado es el valor razonable.
En algunas situaciones un mercado puede existir, pero el precio de mercado no sería el

valor razonable. Tales situaciones son las siguientes:
1. El mercado no es vivo, amplio, y abierto, o cada negociación puede tener lugar bajo
condiciones especiales o consideraciones únicas.
Por ejemplo, el volumen de negociación puede ser muy pequeño. Si ocurre eso, el precio
de mercado podría estar fuertemente influenciado por la oferta y demanda del día de
negociación y no representativas del curso de las condiciones del mercado general.
2. Puede haber restricciones en la negociación del mercado que hacen imposible completar
un intercambio de libre competencia.
Por ejemplo, si nos situamos en el caso de una operación de reaseguro, la compañía

aseguradora cedente no puede transferir sus PTSV completamente al reasegurador. Según
la legislación vigente, la cedente responde del pago de las prestaciones, haga o no frente
el reasegurador de sus obligaciones de reembolsar a la cedente su parte proporcional de la
prestación. Como la cedente no está completamente aliviada del riesgo en tal transacción
de reaseguro, el precio de la transacción no es el valor razonable. Sin embargo, el precio
de las transacciones de reaseguro puede proporcionar una guía para la determinación del
valor razonable, siempre que todos los riesgos inherentes sean tenidos en cuenta.
3. En casos extraños, puede haber consideraciones especiales debido al tamaño del

instrumento financiero.
Por ejemplo, un paquete de acciones que representa un interés de control en una

compañía puede tener un valor razonable mayor que el producto del número de acciones y
46
el precio del mercado por acción. En efecto, un interés de control tiene valor que se separa
del valor de las acciones individuales negociadas en el mercado.
2.4.3. Replicación de valores de negociación en el mercado.
Algunos productos ofrecidos por compañías de seguro se parecen mucho a otros

instrumentos ofrecidos por compañías no aseguradoras, por ejemplo, rentas temporales con un
mínimo riesgo de seguro.
En ocasiones es posible construir una cartera de títulos de negociación pública, que se

comporta de forma muy parecida a las PTSV, estando imbuida además de la mayoría de sus
riesgos. En tales situaciones el valor de la cartera de títulos puede servir como valor razonable
de las PTSV. Esta cartera de títulos se puede considerar como una “cartera de medida” ya que
sirve de guía para medir el valor de las PTSV, pero no es correcto referirse a tal cartera como
“cartera replicada” a no ser que encajen exactamente los flujos de caja de las PTSV en cada
escenario posible, incluyendo escenarios que implican impago por el riesgo de crédito.
En el caso de contratos que incluyen riesgos de seguro tales como la mortalidad, no

existen “carteras de medida” en mercados secundarios corrientes. Sin embargo, en algunas
situaciones, los riesgos de seguro son muy pequeños con relación al valor del instrumento
financiero. En aquellos casos, el valor de una cartera similar de títulos de negociación pública
puede proporcionar una guía para valorar las PTSV, siempre que se realicen los ajustes
necesarios para reflejar el riesgo de mortalidad.
2.4.4. Valoración de los flujos de caja futuros.
Lo que se pretende es encontrar en el mercado la información que nos permita poder

valorar los instrumentos que no cotizan. Esta valoración será relativa, no absoluta o
fundamental.
Cuando el valor de mercado no está disponible (o, debido a las consideraciones

mencionadas anteriormente, no representa el valor razonable), y para llevar a cabo una
valoración consistente con el mercado, hay al menos tres métodos teóricamente correctos para
estimar el valor de una serie de flujos de caja con riesgo de impago y dependientes del
escenario futuro respecto de la supervivencia o fallecimiento del asegurado:
1. El descuento de flujos de caja futuros ponderados con la probabilidad real del

escenario que proporciona estos flujos de caja, usando tipos de descuento
47
obtenidos de la suma de una tasa libre de riesgo y una prima de riesgo asociada al
riesgo de impago.
2. Modificar la probabilidad real de ocurrencia del escenario que da lugar a los flujos
de caja futuros con riesgo y descontar a los tipos de interés libres de riesgo, es lo
que se conoce como valoración riesgo – neutro.
3. Modificar la cuantía de los flujos de caja con riesgo y descontar a los tipos libres de
riesgo.
Veamos cada uno brevemente con un ejemplo para un único período.
Consideraremos una Póliza de Seguro de Vida con un valor consistente con el

mercado de S , cuya prestación dentro de un año será S px , si el asegurado vive y S qx si el
asegurado fallece a largo del año. Podemos aplicar los tres métodos de valoración como sigue.
Primero,
p x S px + (1 − p x ) S qx
S= (2.3)
1 + r + λσ S
donde
r : es el tipo libre de riesgo para un año,

P(ω1 , x + 1)
px = : es la probabilidad real de supervivencia del Asegurado a un año,
P (ω1 , x)
λ : es el precio de mercado del riesgo asociado a la Póliza, y
σS : un parámetro de volatilidad asociado con este riesgo. Podemos considerar λσ S cómo
una prima de riesgo de mercado.
Segundo,
π x S px + (1 − π x ) S qx
S= (2.4)
1+ r
donde
48
π x = p x − λ ⋅ p x ⋅ (1 − p x ) : es la probabilidad bajo una nueva medida de probabilidad, Q 35,

riesgo – neutro, es lo que conocemos cómo probabilidad martingala riesgo neutral, y que
analizaremos ampliamente más adelante.
O tercero,
S=
[p S
x px ]
+ (1 − p x ) S qx − Z
(2.5)
1+ r
donde
Z: es una cantidad que hace el numerador de (2.5) igual al equivalente cierto del pago
esperado con riesgo en el numerador de (2.4).
Con el objeto de ilustrar cómo la valoración con probabilidades martingala riesgo –

neutral compara la valoración con las probabilidades reales o usando un equivalente de
certeza, consideramos el ejemplo36 de una Póliza de Seguro de Vida.
Se trata de un Seguro Mixto cuyo capital garantizado por supervivencia a un año del
Asegurado es de 110€ y 90€ si fallece a lo largo del año. Consideraremos la probabilidad de
supervivencia, p x = 0,9877 , y un tipo de descuento ajustado al riesgo. Este tipo de interés
será
r + λσ S = 0,0520995
donde λ = 0,02 y σ S . = 0,104979. De este modo, el valor de esta Póliza es
p x ⋅ 110 + (1 − p x ) ⋅ 90
= 104,32€
1 + r + λσ S
De forma similar, este título puede ser valorado usando la probabilidad martingala,
π x = 0,9855 , y descontándolo al tipo libre de riesgo, r = 0,05.
35
Se trata de la probabilidad que se está utilizando en la valoración.
36
Este ejemplo una vez modificado se ha extraído de la monografía de la SOA, Babel y Merrill (1996), Valuation of
Interest – Sensitive Financial Instruments, pp. 43-44.
49
π x ⋅ 110 + (1 − π x ) ⋅ 90
= 104,32€
1+ r
Finalmente, usando el método del equivalente de certeza con Z = 0,219 , el valor

sería
p x ⋅ 110 + (1 − p x ) ⋅ 90 − 0,219
= 104,32€
1+ r
La conclusión es que el proceso de valoración puede contar para evaluar el riesgo,

tanto con las probabilidades reales, P , agregando al tipo libre de riesgo una prima de riesgo,
como con las probabilidades martingala riesgo – neutro, Q , y descontando al tipo libre de
riesgo, o por el ajuste de los flujos de caja a sus niveles de equivalente de certeza y
descontándo al tipo libre de riesgo. Sobre el cambio a la medida de probabilidad riesgo –
neutro Q , a través del teorema de Girsanov, profundizaremos en el apartado siguiente.
2.5. INTRODUCCIÓN AL CÁLCULO ESTOCÁSTICO APLICADO AL CAMPO FINANCIERO –

ACTUARIAL.
En la determinación del valor razonable de las PTSV, cobra una gran importancia la
cuantificación de los derivados implícitos, así cómo una cuantificación consistente con el
mercado, es decir, considerando la cuantificación en términos del valor de cotización de otros
instrumentos financieros.
Para abordar la valoración consistente con el mercado, haremos una primera

aproximación al cálculo estocástico.
2.5.1. Introducción a los modelos dinámicos estocásticos.
En ocasiones es muy complicado obtener información acerca de las expectativas sobre

los distintos escenarios a partir de los precios de mercado, debido a la inclusión en dichos
precios, de factores ajenos a los citados escenarios.
Para evitar el ruido inherente a los precios de mercado, así cómo los problemas que
hemos mencionado en el primer método de valoración de la jerarquía de la JWS, surgen los
modelos estocásticos de evolución.
50
A continuación expondremos una breve introducción a los modelos matemáticos que

devienen en modelos estocásticos de evolución.
Un modelo matemático supone la representación de un cierto aspecto de la realidad,

está basado en la lógica matemática, y sus elementos son variables y funciones, cuyas
relaciones matemáticas son similares a las del mundo real que modelizan.
Desde nuestro punto de vista nos interesa una primera clasificación de los modelos
matemáticos: modelos estáticos y dinámicos. En el primer caso la variable tiempo no es
importante, mientras que en el segundo caso, uno o varios de los elementos modelizados toma
valores dependientes del tiempo, describiendo trayectorias temporales.
Si nos centramos en los modelos dinámicos, podemos distinguir también entre modelos
dinámicos deterministas y estocásticos. En los primeros, tanto los parámetros cómo las
variables temporales, tienen asignados valores ciertos, mientras que en los modelos dinámicos
estocásticos, alguna variable o parámetro sigue un proceso estocástico, con lo cual las
variables temporales siguen una distribución de probabilidad.
Cómo regla general partiremos de modelos dinámicos estocásticos en tiempo continuo,

materializados a través de una ecuación diferencial estocástica. Por este motivo introduciremos
las ecuaciones diferenciales.
Resolución de ecuaciones diferenciales.
Una ecuación diferencial es una ecuación que relaciona una función desconocida, con
sus derivadas (o derivadas parciales) hasta un cierto orden.
Podemos clasificar las ecuaciones diferenciales cómo ecuaciones diferenciales

ordinarias (EDO) y ecuaciones en derivadas parciales (EDP). Las primeras son aquellas en las
que la función incógnita es una función de una sola variable, mientras que en las EDPs, la
función incógnita es una función de varias variables, siendo las derivadas intervinientes en la
ecuación, derivadas parciales.
Para resolver una ecuación diferencial existen métodos analíticos y métodos

numéricos.
• Métodos analíticos: persiguen obtener la función solución de la ecuación diferencial

mediante una expresión analítica, que incluye funciones elementales. No obstante, es
habitual que no existan soluciones analíticas para las ecuaciones diferenciales, por lo
51
que se deba recurrir a los métodos numéricos. Serán estos últimos los que
emplearemos a lo largo del presente trabajo
• Métodos numéricos: suponen la obtención de soluciones numéricas de problemas de

valores iniciales. En este caso aunque desconozcamos la expresión analítica, la
solución viene dada mediante vectores de valores numéricos, de modo que podemos
determinar en cada período el valor numérico de esta solución.
Los métodos numéricos se aplican a problemas de valores iniciales (o finales) y se

basan en la discretización de la ecuación diferencial, es decir en la transformación de la
ecuación diferencial o en tiempo continuo en una ecuación en diferencias finitas o en tiempo
discreto.
Dado que más adelante haremos referencia al esquema de discretización de Euler,

explicaremos de forma somera cual es su planteamiento en un caso sencillo, cómo es una
EDO de orden 1 no lineal. Partimos de:
⎧ dx(t )
⎪ dt = f ( x(t ), t )
⎪
⎨
⎪ x(t ) = x
⎪ 0 0
⎩
Si la EDO es de orden n, basta con transformarla en un sistema equivalente de n

ecuaciones diferenciales de orden 1.
Para la resolución supondremos el intervalo [t 0 , T ] , y consideraremos que dicho
[ ]
intervalo está dividido en subintervalos t i , t i +1 , de manera que t i +1 = t i + ∆t , siendo ∆t la
longitud del subintervalo.
Si aplicamos a la función x(t ) el desarrollo de Taylor de orden 1 obtenemos que:
x(t i + ∆t ) = x(t i ) + ∆t ⋅ x'+o(∆t 2 )
siendo
52
o(∆t 2 ) : el resto del polinomio de Taylor que depende de ∆t 2 . Si ∆t es infinitesimal, a

o(∆t 2 ) se le conoce cómo infinitésimo de orden 2, y puede considerarse despreciable a
efectos de aproximación.
Si sustituimos en la EDO, tenemos que:
dx(t )
x' = = f ( x(t i ), t i )
dt ti
De ambas expresiones nos queda:
x(t i + ∆t ) = x(t i ) + ∆t ⋅ f ( x(t i ), t i ) + o(∆t 2 )
Si despreciamos el infinitésimo de orden 2, o( ∆t ) , obtenemos

2
x(t i + ∆t ) ≈ x(t i ) + ∆t ⋅ f ( x(t i ), t i ) ,
con lo cual hemos obtenido un algoritmo recursivo para obtener el vector de valores numéricos
que constituyen la resolución numérica. Si lo representamos cómo diagrama de flujo:
x(t 0 ) = x0
i=0
x(t i + ∆t ) ≈ x(t i ) + ∆t ⋅ f ( x(t i ), t i )
i = i +1
Así conocido x 0 , determinamos el valor de x(t1 ) , que a su vez se convierte en un
valor conocido a partir del cual determinar x(t 2 ) , y así sucesivamente.
Es necesario para ilustrar las especificaciones de los modelos estocásticos de

evolución introducir los siguientes conceptos de cálculo estocástico.
53
2.5.2. Elementos de cálculo estocástico.
Definiremos una variable aleatoria X cómo una función definida sobre el espacio
muestral, Ω , que hace corresponder a cada ω ∈Ω un único número real, X (ω ) .
X = ( X 1 , X 2 ,..., X n ) es un vector aleatorio n – dimensional si sus componentes
X 1 , X 2 ,..., X n son variables aleatorias.
Podemos definir un proceso estocástico en tiempo continuo, {X t }∀t ≥0 , cómo una
sucesión de variables aleatorias definidas en Ω , en la cual X t representa el valor del
fenómeno descrito por el proceso estocástico en el período t. De este modo una trayectoria
muestral sería una realización de la evolución del proceso. El espacio muestral Ω es el
conjunto de todas las trayectorias muestrales.
Supondremos que todas las variables aleatorias X t toman valores en el conjunto S,
denominado espacio de estados del proceso. Este espacio de estados, S, es el conjunto más
pequeño con la propiedad de que P{X t ∈ S } = 1 ∀t .
Hasta un momento determinado del tiempo T , la evolución del fenómeno descrito por
el proceso estocástico {X t }t∈[0,T ) , constituye la historia hasta el momento T , siendo los
valores posteriores a este momento estocásticos.
Esta historia del fenómeno nos permite revisar la distribución de probabilidad que
atribuimos al valor del proceso {X t }∀t ≥ 0 . Así suponiendo que nos situamos en el momento t y
consideramos el valor del proceso en algún momento futuro u > t , la distribución del valor de
X u se halla caracterizada por las probabilidades P( X u ∈ A) para subconjuntos A medibles

del espacio de estados S. Si para todo t, u ∈ R + con u > t , y siendo para todo A ⊆ S :
[ ]
P X u ∈ A {X s }s∈[0,t ] = P (X u ∈ A X t ) ,
tenemos que {X t }∀t ≥ 0 es un proceso de Markov. Es decir, a partir de la información disponible
en el presente, el futuro es independiente del pasado, únicamente depende del valor presente.
Martingalas.
54
Un proceso estocástico será martingala cuando en cualquier período, la variación

esperada para el valor del proceso en cualquier período futuro es igual a 0. Matemáticamente
diremos que un proceso estocástico {X t }∀t ≥ 0 es martingala bajo P - martingala si para todo
t ≥ 0 tenemos
Et
P
(X u ) = X t ∀u ≥ t
siendo
P
Et : la esperanza cuantificada bajo la medida de probabilidad P , según la información en el
momento t.
De este modo tenemos que X t es la mejor predicción de X u dado Ft . Para ello se
han de cumplir también las siguientes condiciones:
• E Xt < ∞ ∀t
• {X t }∀t ≥0 es un proceso adaptado a {Ft }∀t ≥ 0 , es decir, ∀t , X t es medible en Ft .
Se usa el concepto de “martingala” en teoría de la probabilidad entre otras muchas

cuestiones para hacer referencia al “juego equitativo”, consistente en un juego reiterativo a
partir de un valor X t , con la información, Ft , hasta tiempo t . El juego será equitativo, si los
valores esperados futuros {X u }∀u ≥t , según una medida de probabilidades, P , dada la
información Ft , es precisamente el valor actual X t .
Procesos de Wiener.
Decimos que un proceso estocástico {X t }∀t ≥ 0 es un proceso de Wiener o movimiento
Browniano estándar (MBE) si cumple:
1. X0 = 0 .
2. X u − X t ≈ N (0, u − t ) ∀u > t ≥ 0 . (Incrementos normalmente distribuidos)
55
3. X t 2 − X t1 ,..., X tn − X tn −1 son mutuamente independientes ∀t n > t n −1 ... > t 0 ≥ 0 .

(Incrementos independientes).
[ ]
De la condición 2 y 3 deviene que ∀t ≥ 0 , X t ≈ N (0, t ) y Cov X u , X t = min(u , t ) ,
ya que ∀u > t ≥ 0 :
Cov[X t , X u ] = E [(( X u − X t ) + X t )X t ] =
[ ] = E[X
E [( X u − X t ) + X t ] + E X t
2
u − X t ]E [X t ] + t = 0 + t = t
4. {X t }∀t ≥0 tiene trayectorias muestrales continuas con probabilidad 1.
De este modo un MBE está definido según una medida de probabilidad P bajo la que
los incrementos tienen las propiedades anteriores, así
s2
⎛ X − Xt ⎞
h
1 −2
P⎜⎜ u < h ⎟⎟ = φ (h) ≡ ∫ e ds
⎝ u −t ⎠ − ∞ 2π
siendo
φ (.) : distribución acumulada de una normal estándar.
Hemos de caer en la cuenta de que un MBE es un proceso de Markov, ya que el

incremento desde el presente a cualquier período futuro es independiente del pasado. También
un MBE es martingala por ser el cambio esperado en el valor del proceso igual a 0.
Por otra parte Mikosch (1999) demuestra que las trayectorias muestrales de un MBE no
son diferenciables en ningún tiempo. A esta irregularidad hemos de añadir que la variabilidad
de estas trayectorias no se hallan acotadas en ningún intervalo finito [0, T ] . Estas dos
irregularidades son las que según Mikosch (1999) obligan a recurrir al cálculo estocástico.
Proceso de Wiener generalizado
Consideremos un MBE {Wt }∀t ≥ 0 y un proceso estocástico {X t }∀t ≥ 0 definido por:
X t = X 0 + µt + σWt , t ≥ 0
siendo
56
µ,σ : constantes y X 0 el valor inicial del proceso.
A partir de las propiedades del MBE, tenemos que X t se distribuye normalmente con
media µt y varianza σ 2 t . Así el cambio del proceso {X t }∀t ≥0 se determinará a partir de
X u − X t = µ (u − t ) + σ (Wu − Wt ) ∀u > t ≥ 0 .
El incremento en el proceso para un intervalo infinitesimal será
dX t = µdt + σdWt ,
en el que dWt , se puede considerar cómo una variable aleatoria de distribución N (0, dt ) . De
este modo el proceso {X t }∀t ≥0 se denomina proceso de Wiener generalizado donde el
parámetro µ denominado componente tendencial, determina el cambio esperado por unidad
de tiempo, y el parámetro σ o volatilidad del proceso, refleja la incertidumbre acerca de los

valores futuros del proceso.
El proceso de Wiener generalizado sigue siendo un proceso de Markov, y sus

trayectorias son continuas no diferenciables en ningún punto, pero ya no es necesariamente
una martingala cómo si lo era el MBE. Sólo será una martingala cuando el componente
tendencial tome el valor 0.
Cuando los parámetros µ y σ varían determinísticamente en el tiempo {X t }∀t ≥ 0 será
un proceso de Wiener generalizado no homogéneo en cuanto al tiempo y se puede escribir

cómo
dX t = µ t dt + σ t dWt
Para un intervalo de tiempo relativamente pequeño ∆t , tendremos un incremento

esperado en el proceso de aproximadamente µ∆t y su varianza será aproximadamente
también de σ 2 ∆t . Rigurosamente el incremento para este intervalo será de
t + ∆t t + ∆t
X t + ∆t − X t = ∫µ
t
u du + ∫σ
t
u dWu
57
t + ∆t
siendo ∫σ
t
u dWu la denominada integral estocástica o Integral de Ito.
De entre las muchas propiedades de la Integral de Ito, aquí destacaremos que si

t + ∆t
⎛ t + ∆t 2 ⎞
σ (u ) es una función determinística entonces ∫ σ u dWu tiene distribución N ⎜⎜ 0, ∫ σ u du ⎟⎟ .
t ⎝ t ⎠
Procesos de difusión.
Un proceso estocástico {X t }∀t ≥0 será un proceso de difusión unidimensional si se
puede representar para un intervalo de tiempo infinitesimal
dX t = µ ( X t , t )dt + σ ( X t , t )dWt
pasando a ser ahora el componente tendencial y la volatilidad, funciones del tiempo y del valor
actual del proceso. Cuando el proceso estocástico se halla en las dos partes de la igualdad,
esta se denomina ecuación diferencial estocástica (EDE).
Dado que dWt tiene una distribución N (0, dt ) , la media y varianza de los incrementos
en el proceso para un intervalo infinitesimal [t , t + dt ] condicionadas a la información
disponible en el instante t serán
Et [dX t ] = µ ( X t , t )dt
Vt [dX t ] = σ ( X t , t ) 2 dt
Rigurosamente el incremento en el proceso de difusión para el intervalo t , t + ∆t será [ ]
t + ∆t t + ∆t
X t + ∆t − X t = ∫ µ(X
t
s , s )ds + ∫σ ( X
t
s , s )dWs ,
siendo
t + ∆t
∫ µ(X
t
s , s )ds una Integral de Riemann y
58
t + ∆t
∫σ ( X
t
s , s )dWs una Integral de Ito.
Un proceso de difusión es un proceso de Markov debido a que tanto el componente

tendencial cómo la volatilidad dependen exclusivamente del valor actual del proceso. Al igual
que el proceso de Wiener generalizado no es una martingala, salvo en este caso que
µ ( X t , t) = 0 , ∀X t , t . Igualmente las trayectorias muestrales serán continuas y no
diferenciables en ningún punto. En cuanto al espacio de estados S y la distribución de los

valores futuros dependerán de las funciones µ y σ .
Lema de Ito.
Un proceso estocástico unidimensional {X t }∀t ≥0 es un proceso de Ito si sigue la
siguiente dinámica
dX t = µ t dt + σ t dWt ,
con X t ∈ R , donde µt y σt son a su vez procesos estocásticos.
El Lema de Ito se puede considerar cómo la correspondencia estocástica de la regla de

la cadena del cálculo ordinario. Se hace indispensable para resolver ecuaciones diferenciales
estocásticas en las cuales el proceso estocástico, sigue una dinámica en la que se incluyen a
su vez otros procesos estocásticos.
Sea el proceso de Ito anterior y f ( X t , t ) ∈ R una función continuamente diferenciable
dos veces respecto a X t y una vez respecto a t . Entonces el proceso estocástico {Yt }∀t ≥ 0
definido por Yt = f ( X t , t ) , será también un proceso de Ito, determinándose su dinámica cómo
sigue:
⎡ ∂f ( X t , t ) ∂f ( X t , t ) 1 ∂ 2 f ( X t , t) 2 ⎤ ∂f ( X t , t )
dYt = ⎢ + µt + σ t ⎥ dt + σ t dWt
⎣ ∂t ∂X ∂X ∂X
2
2 ⎦
Su demostración se puede encontrar en Shreve (1997).
La expresión anterior se puede escribir cómo
59
∂f ( X t , t ) ∂f ( X t , t ) 1 ∂ 2 f ( X t , t)
dYt = dt + dX t + (dX t ) 2 ,
∂t ∂X 2 ∂X 2
2
donde hemos de tener en cuenta para el cálculo de ( dX t ) que
(dt ) 2 = dtdWt = 0
(dWt ) 2 = dt ,
de manera que
(dX t ) 2 = ( µ t dt + σ t dWt ) 2 = µ t (dt ) 2 + 2 µ t σ t dt + σ t (dWt ) 2 = σ t dt

2 2 2
Teorema de Girsanov.
Una importante aplicación del teorema de Girsanov, es recoger la probabilidad de

valoración, en la ecuación diferencial estocástica que recoge la evolución del proceso
estocástico referente al precio del instrumento.
Según este teorema un proceso de Wienner generalizado con componente tendencial,

es decir, que no es martingala, se puede ver cómo un proceso de Wienner sin componente
tendencial, mediante un cambio sobre la medida de probabilidad, P .
Así, definido un espacio de probabilidad, (Ω, F, P ) , consideramos una variable
aleatoria, L ≥ 0 , con esperanza la unidad, tenemos que
Q( A) = E (1 A L )
define una nueva medida de probabilidad. El hecho de que la esperanza de L sea igual a 1
garantiza que
Q (Ω ) = E ( L ) = 1
Decimos que L es la densidad de Q respecto de P , en términos matemáticos
60
dQ
=L
dP
La esperanza matemática de la variable aleatoria X en el nuevo espacio de
probabilidad (Ω, F, Q ) será
EQ ( X ) = E ( XL )
Rigurosamente en términos generales, el teorema es el siguiente. Sea {X t , t ∈ 0, T [ ]}

un proceso adaptado que cumple la condición de Novikov:
⎛ ⎛1T 2 ⎞ ⎞
E exp⎜⎜ ∫ X t dt ⎟⎟ < ∞ ⎟ .
⎜
⎜ ⎟
⎝ ⎝2 0 ⎠ ⎠
[
y {Wt , t ∈ 0, T ]} un movimiento browniano.
Entonces, el proceso
t
~
Wt = Wt + ∫ X s ds
0
es un movimiento browniano respecto de la nueva medida de probabilidad Q .
Este teorema nos permitirá aplicar la nueva medida de probabilidad martingala riesgo -
neutral Q , usada en la valoración de instrumentos financieros cotizados, en lugar de la
probabilidad real, P .
Consideraremos cómo ejemplo el modelo de Black – Scholes, según el cual el precio

de un activo con riesgo, será
⎛ 1 ⎞
Pt = P0 exp⎜ σWt + µt − σ 2 t ⎟
⎝ 2 ⎠
donde interpretamos
61
µ : tanto de rendimiento medio

σ : volatilidad del rendimiento
Por otra parte tenemos el activo sin riesgo que evoluciona
β t = β 0 e rt
A continuación pretendemos encontrar la medida de probabilidad Q , que determina

que para esa probabilidad
⎡S ⎤ S
EQ ⎢ t ⎥ = 0
⎣ βt ⎦ β0
Por otra parte tenemos que según la medida de probabilidad real, P , se da
⎡S ⎤ S ⎡ ⎛ 1 ⎞⎤ S
E P ⎢ t ⎥ = 0 E P ⎢exp⎜ σWt + ( µ − σ 2 − r )t ⎟⎥ = 0 exp(( µ − r )t )
⎣ βt ⎦ β0 ⎣ ⎝ 2 ⎠⎦ β 0
De este modo, la medida de probabilidad, Q , riesgo – neutro ha de cambiar µ por r .

Llamando
~ µ −r
Wt = Wt + t
σ
tenemos que
dS t ⎛ µ −r ⎞ ~
= µdt + σdWt = rdt + σd ⎜Wt + t ⎟ = rdt + σdWt
St ⎝ σ ⎠
Así según el teorema de Girsanov, existe una probabilidad, Q , bajo la cual el proceso
~
Wt es un movimiento Browniano, con lo cual el rendimiento del activo S t , será equivalente al
de βt , es decir, el rendimiento libre de riesgo. En definitiva, valorar bajo la medida de
probabilidad Q , será equivalente a valorar con el tipo libre de riesgo, mas una prima de riesgo,
π (t ) , que recoge el precio de mercado del riesgo inherente al instrumento financiero, es decir,
una medida de la aversión al riesgo agregado en el mercado.
62
En adelante, diremos que se dá una situación de ausencia de oportunidad de arbitraje

(AOA), si existe una medida de probabilidad, Q , riesgo – neutro, equivalente a la medida de
probabilidad real, P , en los términos mencionados arriba. Asimismo, diremos que el mercado
es completo, si esta medida de probabilidad, Q , es única.
Procesos de Ornstein – Uhlenbeck.
Un proceso estocástico unidimensional {X t }∀t ≥0 es un proceso de Ornstein –
Uhlenbeck (O–U) si su dinámica es
dX t = [θ − aX t ]dt + σdWt
siendo θ, a y σ constantes, con a > 0 .
Una ventaja del proceso O-U es que exhibe reversión a la media, es decir, el
componente tendencial es positivo cuando
θ
Xt < ,
a
y negativo cuando
θ
Xt > ,
a
de manera que el proceso tiende permanentemente hacia su nivel de largo plazo
θ
.
a
Cuanto más lejos se halla el proceso del nivel de largo plazo, mayor es el valor
absoluto del componente tendencial, de manera que revierte más rápidamente al nivel de largo
plazo.
El parámetro a , determina la velocidad de ajuste hacia el nivel de largo plazo y se

denomina velocidad de ajuste o tasa de reversión a la media.
El valor que tome el proceso X t , en un instante t > 0 , sigue una distribución normal,
cuya esperanza matemática será:
63
θ
E [X t ] = X 0 e − at +
a
(1 − e ), − at
y varianza
V [X t ] = σ 2
(1 − e ) .
−2 at
2a
En el largo plazo la varianza tiende a
σ2
V [X t ] =
2a
Por otra parte el proceso O – U anterior se puede considerar el límite cuando ∆t → 0

de un proceso autorregresivo de orden 1, concretamente del siguiente AR(1):
θ
X t − X t −1 =
a
(1 − e ) + (e
−a −a
)
− 1 X t −1 + σ t ⋅ ε
siendo
σ2
σε 2 =
2a
(1 − e ) .
− 2 at
Así un valor pequeño de la tasa de reversión a la media deviene cómo veremos en un

alto grado de autocorrelación.
Esta discretización del proceso O–U, nos permitirá la implementación mediante árboles
trinomiales de los procesos estocásticos intervinientes en la determinación del valor razonable
de las PTSV.
Procesos de Cox.
Denotemos con T1 , T2 ,... , los tiempos de ocurrencia de un evento físico. La sucesión
{Ti }i≥1 será un proceso homogéneo de Poisson con intensidad λ , si los lapsos entre eventos,
64
Ti +1 − Ti , son independientes y exponencialmente distribuidos con parámetro λ . Así

suponiendo que
X t = ∑1{Ti ≤t }
i
es el número de ocurrencias del evento en el intervalo [0, t], {X t }t ≥0 es un proceso homogéneo
de Poisson con intensidad λ si los incrementos X t − X s son independientes y cuentan con
una distribución Poisson de parámetro λ (t − s ) ∀s < t ≥ 0 :
P[ X t − X s = k ] = λ (t − s) k exp(− λ (t − s) )
1 k
k!
Si suponemos que el momento de ocurrencia, τ , es el primer salto en un proceso de
Poisson con intensidad λ, entonces τ = T1 , se distribuye exponencialmente con parámetro
λ , y la probabilidad de ocurrencia será
F (T ) = P[τ ≤ T ] = 1 − e − λT
y la intensidad de ocurrencia
P[τ ∈ (t , t + j ]τ > t ] = λ
lim 1
j→∞ j
El proceso {X t }t ≥0 , será un proceso no homogéneo de Poisson con intensidad
determinística λt , si los incrementos X t − X s son independientes y para s < t tenemos
k
1⎛ ⎞
t
⎛ t ⎞
P[ X t − X s = k ] = ⎜⎜ ∫ λu du ⎟⎟ exp⎜ − ∫ λu du ⎟
k! ⎝ s ⎠ ⎝ s ⎠
siendo ahora la probabilidad de ocurrencia
⎛ T ⎞
F (T ) = P[τ ≤ T ] = 1 − exp⎜⎜ − ∫ λu du ⎟⎟
⎝ 0 ⎠
65
El proceso {X t }t ≥0 , es un proceso de Cox si la intensidad, λt , es a su vez un proceso
estocástico, {λt }t ≥0 , es decir, el proceso {X t }t ≥0 , se halla condicionado a las realizaciones de

la intensidad λt . En este caso la probabilidad condicional de ocurrencia será
⎡ ⎛ T ⎞⎤
F (T (λt ) 0≤t ≤T ) = P[τ ≤ T (λt ) 0≤t ≤T ] = 1 − E ⎢exp⎜⎜ − ∫ λu du ⎟⎟⎥
⎢⎣ ⎝ 0 ⎠⎥⎦
Métodos numéricos de resolución de ecuaciones diferenciales estocásticas.
En el apartado sobre resolución de ecuaciones diferenciales se expuso el esquema de

discretización de Euler para el caso de una ecuación diferencial ordinaria. Aquí expondremos
su aplicación para la implementación numérica de una ecuación diferencial estocástica.
Suponemos el siguiente proceso de difusión homogéneo
dX t = µ ( X t )dt + σ ( X t )dWt
donde,
µ ( X t ), σ ( X t ) son independientes del tiempo. Adicionalmente conocemos el valor del proceso
en el instante t , X t .
Nuestro objetivo es conocer una realización del proceso estocástico {X t }∀t ≥0 .

Fijaremos un salto de tiempo ∆t , para el cual aplicando el desarrollo que sugiere la fórmula de
Ito – Taylor obtenemos:
( )
X t + ∆t = X t + µ ( X t ) ⋅ ∆t + σ ( X t ) ⋅ ∆t ⋅ ε + σ ( X t ) ⋅ σ ' ( X t ) ⋅ ∆t ⋅ ε 2 − 1
siendo ε normales estándar independientes. Si consideramos que ∆t → 0 , podemos

despreciar la última parte del desarrollo anterior, con lo que tendríamos
X t = X t −1 + µ ( X t ) ⋅ ∆t + σ ( X t ) ⋅ ∆t ⋅ ε .
66
La expresión anterior proporciona un algoritmo recursivo que si cómo antes lo

representamos cómo diagrama de flujo:
X ti = X 0
t i +1 = t i + ∆t
z ti = ε ti
X ti +1 ≈ X ti + µ ( X ti ) ⋅ ∆t + σ ( X ti ) ⋅ ∆t ⋅ z ti
t i +1 = t i + ∆t
siendo z ti , muestras independientes de la normal estándar.
Cómo hemos podido comprobar en este caso únicamente podemos obtener muestras
del proceso estocástico, por lo que para obtener conclusiones sobre el mismo, tendríamos que
repetir el procedimiento anterior un número N de veces.
Volviendo al proceso de Ornstein – Uhlenbeck (O – U) expuesto anteriormente
dX t = [θ − aX t ]dt + σdWt
tenemos que
µ ( X t ) = [θ − aX t ]
σ (X t ) = σ
Por otra parte cuando consideramos dos procesos de difusión correlados,
dX t = µ ( X t )dt + σ ( X t )dWt
y
67
~
dYt = µ (Yt )dt + σ (Yt )dWt
donde
~
dWt ⋅ dWt = ρdt
tendremos que tener en cuenta en la discretización esta correlación ρ entre ambos, cómo
sigue
X t = X t −1 + µ ( X t ) ⋅ ∆t + σ ( X t ) ⋅ ∆t ⋅ ε
(
Yt = Yt −1 + µ (Yt ) ⋅ ∆t + σ (Yt ) ⋅ ∆t ⋅ ε ⋅ ρ + ε~ ⋅ 1 − ρ 2 )
siendo ε y ε~ dos normales estándar independientes.
2.6. SERIES TEMPORALES. MODELOS ARIMA.
2.6.1. Serie temporal
Una serie temporal es el resultado de observar una secuencia ordenada de valores de

una variable a lo largo del tiempo y en intervalos regulares (diariamente, mensualmente,
anualmente, …).
Hay dos formas de clasificar las series temporales:
1. Discretas y continuas; las primeras son aquellas que se recolectan únicamente en

intervalos de tiempo específicos y las segundas son aquellas que pueden ser
recolectadas continuamente en el tiempo.
2. Univariantes y multivariantes; las primeras involucran a una sola variable y las

segundas involucran a mas de una variable.
En este apartado únicamente vamos a estudiar aquellas series temporales que son
discretas y univariantes.
El estudio de las series temporales tiene como principal característica que las
observaciones son dependientes entre sí, por lo tanto es necesario el desarrollo de una
68
metodología estadística apropiada y específica para el análisis de este tipo de series, esta
metodología fue introducida por Box-Jenkins (1970, “Time series análisis: forecasting and
control”).
Una serie temporal como proceso estocástico es una familia de variables aleatorias
indexada en el tiempo
Z : ΩxT ⇒ R
(w, t ) ⇒ Z (w, t )
Para un conjunto T discreto el proceso serie temporal es de la forma:
{Z (w, t ) t ∈ T } ≡ {Z (w, t ) t = 0,±1,±2,...}
Procesos estacionarios
Un proceso serie temporal se dice que es estacionario en sentido estricto si la función

de distribución conjunta no se modifica al trasladarla en el tiempo, es decir:
F ( z i , z i +1 ,..., z k ) = F (z i + h , z i + h +1 ,..., z k + h )
La estacionaridad estricta es una condición muy fuerte ya que es muy difícil de

comprobar, por lo que surge una propiedad más débil pero más fácil de contrastar en la
práctica como es el concepto de estacionaridad en sentido débil, esta propiedad implica que los
momentos conjuntos existen y son independientes del origen temporal, es decir;
1. µ t = µ = cte
2. σ t2 = σ 2 = cte
3. Sea ρ k la función de correlaciones y k= t1 − t 2 entonces ρ (t1 , t 2 ) = ρ k
4. Sea γ k la función de covarianzas y k= t1 − t 2 entonces γ (t1 , t 2 ) = γ k
Estimación de los momentos de los procesos estacionarios
69
Una serie temporal Z t que sea un proceso estacionario viene caracterizado por su
media µ, su varianza σ2, sus autocorrelaciones simples ρk y autocorrelaciones parciales
φ k ,k .
Teniendo en cuenta que los valores exactos de estos parámetros únicamente podrían
ser calculados si se dispusiera de todas las trayectorias muestrales del proceso, lo cual en la
práctica es imposible, habría que estimar sus valores únicamente a través de un conjunto de
trayectorias de todas las anteriores, lo cual también es muy difícil en la práctica. De ahí que
generalmente, la solución final sea el cálculo de las incógnitas anteriores a partir de la
información obtenida a lo largo de la única trayectoria empírica.
Llamando z a la media muestral temporal se verifica que:
∑z t
z= t =1
∑ E(z ) t
E(z ) = t =1
=µ
T
Para la varianza, autocovarianza y autocorrelación los estimadores son los siguientes:
1⎡ 2 T −1
⎤ γ0 ⎡ T −1
⎤
V (z ) = E(z − µ ) 2 = ⎢
T⎣
σ + 2 ∑
i =1
(1 − i / T )γ i⎥ =
⎦ T ⎣
⎢1 + 2 ∑
i =1
(1 − i / T ) ρ i ⎥
⎦
1 T
γˆ k = ∑ (Z t − Z )(Z t −k − Z )
T t = k +1
γˆ k
ρˆ k =
γˆ 0
A partir de las estimaciones anteriores obtenemos la función de autocorrelación simple

muestral (a partir de ahora f.a.s. muestral) y la función de autocorrelación parcial muestral (a
partir de ahora f.a.p. muestral) que van a ser imprescindibles para los análisis posteriores.
70
Como función de k, a ρ̂ k se le denomina f.a.s. muestral y a su representación gráfica,
correlograma muestral.
La f.a.p. muestral φˆkk se obtiene por el método de Durbin y sus cálculos son los
siguientes:
φˆ11 = ρˆ 1
k
ρˆ k +1 − ∑ φˆk ⋅ j ρˆ k +1− j
j =1
φˆk +1⋅k +1 = k
1 − ∑ φˆk ⋅ j ρˆ j
j =1
Proceso de ruido blanco
Un proceso se denomina proceso de ruido blanco si viene definido por las siguientes
condiciones (t=1,2… y k≠0):
1. E (Z t ) = 0
2. V (Z t ) = σ 2
3. Cov( Z t , Z t − k ) = 0
La característica principal de un proceso ruido blanco es que su f.a.s. y f.a.p. son cero.
Este proceso no es muy usual encontrarlo en la práctica pero es muy útil como término
perturbador y convierte a Z t en una sucesión de v.a.i.i.d. N (0, σ

2
z ).
Procesos autorregresivos
Sea Z t un proceso serie temporal, diremos que es una representación autorregresiva
si puede ser expresado por medio de una regresión de su pasado infinito. Si llamamos
~
Z t = Z t − µ entonces:
71
~ ~ ~
Z t = π 1 Z t −1 + π 2 Z t − 2 + ... + at
El problema desde un punto de vista práctico es que este proceso contiene un número
infinito de parámetros. La solución a este problema será proponer modelos con un número
finito de parámetros, p , ó representaciones finitas autorregresivas de orden p , AR ( p ) .
Para ello se limita a un número finito de parámetros imponiendo que

π 1 = φ1 ,…, π p = φ p , π j = 0 , ∀j > p , por lo que el modelo AR( p) queda de la forma
~ ~ ~
Z t = φ1 Z t −1 + ... + φ p Z t − p + at
siendo at un ruido blanco.
Utilizando el operador retardo
~
(1 − φ1 B − ... − φ p B p ) Z t = at
y llamando
φ p ( B) = 1 − φ1 B − ... − φ p B p
obtenemos la expresión general de un proceso autorregresivo que es de la forma
~
φ p ( B) Z t = at
La estructura de un proceso AR ( p ) indica que el valor en el instante t es regresado
sobre su propio pasado en p retardos por lo que es autorregresivo hasta el instante t − p .
Procesos de medias móviles
Dado un proceso serie temporal la representación de medias móviles (MA) , asume

que el proceso puede expresarse como una combinación lineal de variables aleatorias
incorreladas de la forma:
~
Z t = µ + at + ψ 1 a t −1 + ψ 2 at − 2 + ...
72
Por lo comentado en el proceso anterior este proceso puede ser tratado de una manera
práctica imponiendo la condición: ψ 1 = −θ1 ,...,ψ q = −θ q ,ψ k = 0 siendo k ≥ q + 1 .
Se obtiene el proceso MA(q ) con representación general
~
Z t = at − θ 1 at −1 − θ 2 at − 2 − ... − θ q at − q
Introduciendo el operador retardo
~
Z t = at (1 − θ 1 B − θ 2 B 2 − ... − θ q B q )
y escrito de forma más compacta tenemos
~
Z t = θ q ( B ) at
Procesos mixtos (autorregresivos de medias móviles)
Este tipo de modelos surge porque en muchas ocasiones es más conveniente la

obtención de un modelo mixto ARMA( p, q ) que un AR ( p ) o MA(q ) . La forma general de
un proceso ARMA( p, q ) es la siguiente:
~
(1 − φ1 B − ... − φ p B p ) Z t = (1 − θ 1 B − θ 2 B 2 − ... − θ q B q )at
de forma compacta
~
φ p ( B) Z t = θ q ( B)at
En este modelo consideramos una serie de hipótesis:

• at es un ruido blanco,
• El proceso es estacionario e invertible y
• Los órdenes p y q son los mínimos posibles.
Cómo casos particulares tenemos:
73
ARMA( p,0) ≡ AR( p)
ARMA(0, q) ≡ MA(q)
Otra cuestión importante, es la posibilidad de incluir la constante y su significado en los

tres modelos anteriores:
• Si p = 0 ⇒ MA( q ) ⇒ Z t = θ 0 + θ q ( B ) at ... donde θ0 = µ .

• Si q = 0 ⇒ AR ( p ) ⇒ φ p ( B ) Z t = θ 0 + at donde θ 0 = (1 − φ1 − ... − φ p ) µ
• Si p, q ≠ 0 ⇒ ARMA( p, q ) ⇒ θ 0 ≠ µ
En el primer caso la constante coincide con la media, mientras que en los demás esto no es
así. Un contraste de hipótesis que se verá mas adelante indicará la idoneidad de incluir o no la
constante en el modelo.
Series temporales no estacionarias
Los procesos serie temporal no estacionarios son aquellos que tienen una media no
constante, una varianza no constante o ambas no son constantes.
Una serie temporal no estacionaria en la media puede plantear graves problemas en la

estimación de µ t . Las series temporales no estacionarias de tipo homogéneo (aquellos en los
que aunque el nivel de µt varíe en t el comportamiento general es muy parecido en sus
distintas partes) pueden convertirse en estacionarias mediante la operación de diferenciación
representada por (1 − B) . Se obtienen entonces procesos del tipo :

d
(1 − φ1 B − ... − φ p B p )(1 − B) d Z t = θ 0 + (1 − θ 1 B − θ 2 B 2 − ... − θ q B q )at
que llamaremos procesos ARIMA( p, d , q ) , utilizando el operador diferencia ∇ = 1 − B el

proceso anterior queda de la forma
φ p ( B)∇ d Z t = θ 0 + θ q ( B)at
donde: p es el orden de la parte autorregresiva estacionaria, d es el orden de integración del
proceso, q es el orden de la parte media móvil, a t es ruido blanco de varianza σ 2a y por
74
último, θ0 es la constante (hay que ver si se omite o no en el modelo ya que es un término de
tendencia determinista). Para convertir el proceso a estacionario normalmente basta con que
d =1 ó d = 2.
Puede ocurrir también que el proceso sea no estacionario en varianza, esta corrección
no se realiza de la misma forma que para el caso de la media, sino mediante transformaciones
Z t , Ln( Z t ) o mediante la familia de transformaciones de Box-Cox.
Es necesario destacar que cuando haya que diferenciar y transformar para estabilizar
la varianza primero se transforma y luego se diferencia.
Dentro de estos modelos ARIMA( p, d , q ) hay un modelo que es ampliamente

utilizado (para describir cotizaciones bursátiles, para estimar Kt en el modelo de Lee-Carter…) y
es el llamado “random walk” o paseo aleatorio, este modelo es un ARIMA(0,1,0) y su
expresión es de la forma:
(1 − B) Z t = c + at ⇔ Z t = Z t −1 + c + at
En un paseo aleatorio, el valor de Z en t depende de su valor en t - 1 mas una

perturbación aleatoria (mas una constante c que sólo se incluye en aquellos casos en los que
sea fundamental su aparición, ya que es un término de tendencia determinista).
2.6.2. Predicción con modelos ARIMA
La predicción de valores futuros es uno de los objetivos fundamentales en el análisis de

series temporales. Definimos los predictores óptimos como aquellos que minimizan en
promedio los errores de predicción al cuadrado, estos predictores se obtienen calculando los
valores esperados de las observaciones futuras condicionados a los datos observados.
Suponemos un modelo ARIMA( p, d , q ) dado por la expresión
φ p ( B)∇ d Z t = θ 0 + θ q ( B)at
disponemos de las observaciones Z n , Z n −1 , Z n − 2 ,..., es decir, disponemos de información
hasta el instante n y pretendemos predecir un valor futuro, k > 0 periodos adelante, Z n + k . Tal
predicción será una combinación lineal de la información disponible
75
Zˆ n (k ) = α 1 Z n + α 2 Z n −1 + ... + α n Z 1
Un predictor quedará definido una vez conocidos los valores αi que deben ser
calculados de manera óptima de acuerdo a algún criterio. Un criterio a utilizar sería minimizar el
error cuadrático medio
[
E Z n + k − Zˆ n (k ) ]2
En conclusión, el predictor de Z n (k ) de mínimos errores de media cuadrática sería la
esperanza de Z n + k condicionada a la información disponible.
En cuanto a
Zˆ n (k ) = E [Z n + k / Z n , Z n −1 , Z n − 2 ...]
es de vital importancia el error de predicción dado por
en (k ) = Z n + k − Zˆ n (k )
suponiendo a t normal entonces
⎛ k −1 ⎞
en (k ) ≈ N ⎜⎜ 0, σ 2 a ∑ψ 2 j ⎟⎟
⎝ j =0 ⎠
esto permite realizar inferencias respecto de Z n + k . El intervalo de confianza de Z n + k es
Zˆ n (k ) ± z1−α / 2 Var (en (k ))
con un nivel de confianza del 100 (1-α)% y donde
V (en (k )) = σ 2 (1 + ψ 12 + ... + ψ k2−1 )
76
Estacionalidad
La estacionalidad es un tipo de falta de estacionaridad en la media. Cuando ocurre esta

característica, la media de las observaciones no es constante pero evoluciona de forma
previsible de acuerdo con un patrón cíclico. El caso más habitual es que podamos incorporar la
estacionalidad dentro del modelo ARIMA obteniendo un modelo ARIMA estacional
multiplicativo.
Diremos que una serie es estacional cuando su valor esperado no es constante pero
varía de acuerdo a una pauta cíclica, por ejemplo si
E (Z t ) = E (Z t + s )
el modelo tiene una estacionalidad de período s. El periodo estacional s define el número de

observaciones que forman el ciclo estacional (s=12 para series mensuales, s=4 para
trimestrales,…). El modelo que representa la estacionalidad se llama modelo ARIMA
estacional multiplicativo
ARIMA( p, d , q) x( P, D, Q) s
y su fórmula general es la siguiente
~
Φ p ( B s )φ p ( B s )(1 − B) D (1 − B ) d Z t = Θ q ( B s )θ q ( B s )at
1
424 3 123 1
424 3 123
(a) (b ) (c) (d )
donde
(a)-> Polinomio autorregresivo de la parte estacional
(b)-> Polinomio autorregresivo de la parte regular
(c)-> Polinomio de media móvil de la parte estacional
(d)-> Polinomio de media móvil de la parte regular
D -> Orden de diferenciación de la parte estacional
d -> Orden de diferenciación de la parte regular
77
Metodología Box - Jenkins
Hasta este momento hemos caracterizado los modelos de series temporales desde un
punto de vista teórico, pero en la práctica, la selección de un modelo concreto para representar
el fenómeno descrito debe estar basado en un procedimiento adecuado. La metodología
estándar fue propuesta por Box y Jenkins y consta de una serie de etapas:
a. Identificación: consiste en elegir uno o varios modelos ARIMA que puedan

representar de forma adecuada la serie temporal. En esta fase hay que decidir si se
debe transformar la serie, si incluir la constante en el modelo y establecer los
órdenes p y q.
b. Estimación, consiste en estimar los parámetros de cada uno de los modelos

propuestos en la fase de identificación.
c. Diagnosis, consiste en determinar si los modelos anteriores son adecuados para

representar los datos.
d. Predicción y validación, consiste en realizar la predicción de valores futuros por

medio de los modelos seleccionados y validar el modelo con datos de refresco.
Identificación del modelo
Hay que realizar una serie de análisis y comprobaciones para identificar aquel modelo
o modelos que son los adecuados a través de los siguientes pasos:
1. Representación gráfica de la serie que permitirá observar si existe tendencia,

heterocedasticidad, estacionariedad, observaciones atípicas y otras características
típicas de no estacionariedad o no normalidad para posibilitar una posible
transformación de los datos.
2. Cálculo de la f.a.s. y f.a.p. muestrales una vez estabilizada la varianza (sólo si fuera
necesario), para decidir entonces si es necesario diferenciar la serie. Si la f.a.s.
decrece lentamente y la f.a.p. corta tras el primer retardo es indicio de no
estacionariedad. Hay que tener en cuenta que las consecuencias de no diferenciar son
mas graves que una diferenciación innecesaria, pero una sobrediferenciación complica
el modelo innecesariamente.
78
3. Calcular la f.a.s. y f.a.p. de la serie una vez transformada y diferenciada para

establecer los órdenes p y q de la forma:
Proceso f.a.s. f.a.p.

AR(p) Decrece exponencialmente o según Corta tras el retardo p
una sinusoidal amortiguada
MA(q) Corta tras el retardo q Decrece exponencialmente o
según una sinusoidal
amortiguada
ARMA(p,q) Corta tras el retardo q-p Corta tras el retardo p-q
Cuadro 2.2. Determinación de los órdenes p y q.
Normalmente p, q ≤ 3.
Por otra parte, el número de retardos en los que hay que calcular la f.a.s. y f.a.p.
muestrales ha de ser el cociente entre el número de observaciones y la constante 4.
En cuanto al número recomendable de observaciones para identificar un modelo

ARIMA con garantías es de 50, aunque si los datos son muy regulares pueden ser
menos. También es conveniente proponer diversos modelos que se irán eliminando
posteriormente.
4. Contrastar el término constante (aunque se puede incluir en el modelo

automáticamente y decidir sobre su eliminación en la fase de estimación mediante un
contraste oportuno).
Estimación de parámetros
En el modelo ARIMA( p, d , q ) dado por
(1 − φ1 B − ... − φ p B p )(1 − B) d Z t = θ 0 + (1 − θ 1 B − θ 2 B 2 − ... − θ q B q )at
los parámetros a estimar son (recordando que en el caso de que d=0 se sustituye θ0 por µ
como parámetro.):
• θ0
79
• σ 2a
• θ = (θ 0 ,..., θ p )
• φ = (φ1 ,..., φ q )
Los métodos de estimación de parámetros en series temporales son:
1) Método de los momentos: este método consiste en sustituir los momentos poblacionales
por sus respectivos momentos muestrales y resolver las ecuaciones resultantes. En
general para cualquier tipo de modelo los estimadores por este método son muy sensibles
a errores de redondeo, por lo que usualmente se utilizan para dotar de valores iniciales a
otros métodos se estimación más potentes. En consecuencia no es muy recomendable
para la obtención de parámetros definitivos.
2) Método de máxima verosimilitud: es el principal método de estimación de parámetros. Este

método selecciona como estimación aquellos valores de los parámetros que hacen que la
muestra observada sea la de mayor probabilidad de ser obtenida.
El cálculo de los estimadores de máxima verosimilitud comprende de 2 etapas:
a) Determinar la función de verosimilitud de la serie (o bien su logaritmo neperiano.
b) Maximizar la función.
La aplicación de este método da lugar a lo que se conoce como función de

verosimilitud exacta, que precisa de métodos lineales de optimización para
maximizarse. Esta complicación puede evitarse considerando dos alternativas: función
de verosimilitud condicionada y no condicionada, que son aproximaciones de la exacta,
pero donde la obtención de estimadores es mas simple.
A pesar de lo anterior, para el modelo general se precisa de un procedimiento de

estimación no lineal para obtener los estimadores. Existen diversos procedimientos
pero el más utilizado en series temporales es el algoritmo de Marquard37.
37
Este algoritmo que es una variación del algoritmo de Gauss-Newton es un método de maximización numérica y
permite calcular iterativamente, el valor numérico de la función de verosimilitud para cualquier valor de los parámetros
del modelo, a partir de los datos observados.
80
3. Método de los mínimos cuadrados: este método no es muy útil en series temporales. En el
modelo general usualmente se da la situación de que los estimadores mínimo cuadrados
son inconsistentes excepto si q=0, es decir, en procesos AR(p), luego este método sólo es
recomendable para este tipo de modelos.
En general el método mas aceptado en series temporales es el de máxima

verosimilitud por optimización numérica.
Diagnosis
El procedimiento de diagnosis consiste en realizar una serie de contrastes que nos

permitan decidir sobre las hipótesis básicas del modelo. Los contrastes son los siguientes:
• Análisis de estacionariedad: consiste en calcular las raíces de los polinomios

autorregresivo y de media móvil con objeto de comprobar la estacionariedad. Si alguna
raiz del polinomio autorregresivo estuviera próxima a la unidad nos indicaría que una
diferenciación adicional es necesaria, si esto ocurriera con alguna raiz del polinomio de
media móvil esto es indicio de sobrediferenciación.
• Análisis residual: en cualquier modelo ARIMA(p,d,q) siempre se impone que a t sigue
una normal N (0, σ 2 a ) , esto implica que las at son variables aleatorias
independientes, normales, centradas y homocedásticas.
Hay que tener en cuenta que desconocemos la perturbación a t pero en la práctica
disponemos de una estimación de la misma que son los residuos, que no son mas que
la diferencia entre el valor observado y el ajustado como habíamos visto anteriormente,
por tanto el análisis residual consiste en comprobar las hipótesis anteriores a partir de
los residuos.
El primer paso es el de observar el gráfico de la serie para ver si existen valores

atípicos y ver si se deben a errores en la toma de datos o que en realidad pertenecen a
la serie, este segundo caso en un problema ya que este tipo de valores oscurecen la
forma de la f.a.s. y f.a.p. dificultando la etapa de identificación.
Para estudiar la independencia se pueden utilizar contrastes no paramétricos o el test

de Box-Pierce, este último trata de contrastar las hipótesis
• H 0 : ρ1 = ρ 2 = ... = ρ h = 0
81
• H 1 : alguno distinto de 0
Se utiliza el estadístico Q que es de la forma
h
Q = T (T + 2)∑ (T − k ) −1 ρˆ k2 → χ 2 h − m
aprox .
k =1
donde:
h = T ó Ln(T)
m = número de parámetros.
Rechazamos H 0 a un nivel α dado cuando
Q ≥ X 21−α ,h − m
Si aceptamos H 0 implica que las h primeras autocorrelaciones simples no son
significativamente distintas de cero conjuntamente por lo que podemos considerar que

los residuos son un ruido blanco.
Gráficamente se puede comprobar lo anterior mediante la f.a.s. y f.a.p. de los residuos,

de tal forma que si no hay ningún pico significativo los residuos son ruido blanco. El
hecho de que aparezca en un retardo alto una autocorrelación significativa de forma
aislada no quiere decir que no sea un ruido blanco.
Para estudiar la normalidad de los residuos de forma gráfica se pueden utilizar un

histograma, Q-Q plot y P-P plot. De forma analítica se pueden aplicar el contraste de
Kolmogorov-Smirnov, el de Shapiro-Wilks…
Para comprobar si los residuos están centrados utilizamos un contraste de media t-

student, hay que tener en cuenta que este contraste se basa en la independencia de
los residuos, por lo que se tiene que comprobar cuando los residuos sean un ruido
blanco.
82
Para comprobar la homocedasticidad se puede utilizar el contraste de Chow que

consiste en dividir la muestra en dos partes y comprobando que la varianza permanece
igual.
• Sobreespecificación del modelo, sirve para comprobar si el modelo contiene

parámetros redundantes. El hecho de que haya un parámetro no significativo indica
que el modelo puede estar sobreespecificado y se puede simplificar. Si el parámetro no
significativo es el correspondiente a un orden alto (MA(q) o AR(p)) entonces se puede
eliminar dicho parámetro, si estuviese en un orden intermedio entonces hay que
estudiar las correlaciones con el resto de parámetros.
Una vez que los modelos hayan pasado por esta fase pueden ocurrir tres cosas: la
primera que el modelo cumpla con todas las hipótesis y por lo tanto es un candidato a
representar los datos; la segunda es que no cumpla alguna de las hipótesis pero que la
deficiencia pueda ser modificada obteniendo un modelo que sí cumple las hipótesis y la
tercera que es cuando el modelo no cumple con alguna de las hipótesis y es imposible
modificarlo, este modelo debe ser desechado.
Validación
En muchas ocasiones una vez aplicadas las fases descritas anteriormente, se puede
dar la circunstancia de la existencia de mas de un modelo aceptable desde el punto de vista del
procedimiento utilizado y por lo tanto no hay un criterio para determinar que modelo es mejor
que otro, por ello es necesario la introducción de estadísticos denominados criterios para
seleccionar modelos y están basados en dos aspectos:
I. Criterios basados en los residuos del modelo ajustado
I.a. Criterio AIC de Akaike
Supongamos que hemos ajustado un modelo con un total de M parámetros a un

conjunto de datos, este criterio es de la forma:
AIC(M) = -2 Ln(Máxima Verosimilitud) + 2M
El primer sumando cuantifica la pobreza del ajuste y el segundo el número de

parámetros utilizado. Adaptando su expresión a un modelo generalizado estimado a través de
la verosimilitud no condicionada
AIC ( M ) = T ⋅ Ln(σˆ a2 ) + 2M
83
Cuanto más pequeño sea este valor mejor será el modelo, se puede observar por el
segundo sumando que penaliza a los modelos con un número mayor de parámetros.
I.b. Criterio de información bayesiano BIC.
Este modelo es una extensión bayesiana del criterio AIC y es de la forma:
σˆ z2
−1
M σˆ a2
BIC ( M ) = T ⋅ Ln(σˆ a2 ) − (T − M ) Ln(1 − ) + M ⋅ Ln(T ) + M ⋅ Ln( )
T M
En este caso como en el anterior elegiremos aquel modelo con un BIC menor.
II. Criterios basados en los errores de predicción futura de la muestra
Cuando el propósito es predecir valores futuros se pueden utilizar criterios alternativos

para la selección del modelo que pueden basarse en muestras no utilizadas para estimarlos.
a) Error medio porcentual
N
1 ek
MPE ( M ) =
N
∑Z
k =1 n+ k
b) Error cuadrático medio
N
1
MSE ( M ) =
N
∑e
k =1
2
k
c) Error absoluto medio
N
1
MAE ( M ) =
N
∑e
k =1
k
d) Error absoluto medio porcentual
N
1 ek
MAPE ( M ) =
N
∑Z k =1 n+k
Cuanto menor sean estas medidas mejor es el modelo.
84
SEGUNDA PARTE: SUBYACENTES AL VALOR
RAZONABLE VALUE DE LAS PROVISIONES TÉCNICAS DE
SEGUROS DE VIDA
85
86
CAPÍTULO 3. LOS TIPOS DE INTERÉS Y EL VALOR RAZONABLE. 89
3.2. INTRODUCCIÓN A LOS TIPOS DE INTERÉS. 89
3.3. CLASIFICACIÓN DE LOS MODELOS DE LA ETTI. 92
3.3.1. Modelos estáticos. 92
3.3.2. Modelos dinámicos. 92
3.3.2.1. Modelos que no se ajustan a la ETTI actual. 92
3.3.2.1.1. Modelos de una variable. 93
3.3.2.1.2. Modelos de dos variables. 93
3.3.2.2. Modelos que se ajustan a la ETTI actual. 95
3.4. DETERMINACIÓN DE LA ETTI ACTUAL. 96
3.5. MODELOS AFINES UNIFACTORIALES.
MODELO DE HULL – WHITE. 98
3.5.1. Modelos afines unifactoriales. 98
3.5.2. Modelo de Hull – White. 102
3.5.2.1. Resultados analíticos. 102
3.5.2.2. Implementación mediante árboles
trinomiales. 106
3.5.2.3. Calibración. 119
87
88
CAPÍTULO 3. Los tipos de interés y el Valor Razonable.
CAPÍTULO 3. LOS TIPOS DE INTERÉS

EN EL VALOR RAZONABLE.
La finalidad de este capítulo es identificar el tipo de interés a considerar cómo

subyacente del valor razonable de las PTSV, así cómo proponer un proceso estocástico
inherente a este subyacente.
Tras una introducción a los tipos de interés en las PTSV, se procede a una descripción
de los distintos modelos sobre la ETTI.
A continuación en el punto 3.4. se expone cómo determinar la ETTI vigente en un

determinado período, a partir de un proceso de filtrado de la información presente en los
mercados de capitales.
Finalmente en el punto 3.5. abordamos el modelo de Hull – White, que permite tratar de
manera aproximada el proceso estocástico correspondiente a los tipos de interés en el futuro.
Este modelo nos permitirá la determinación del valor razonable de las PTSV, considerando
diversas trayectorias futuras en los tipos de interés.
3.2. INTRODUCCIÓN A LOS TIPOS DE INTERÉS EN LAS PTSV.
Al aplicar la jerarquía del JWS en las PTSV, el método más frecuente es el 3.
Una cuestión de gran importancia en la determinación del valor actual es la

determinación del tipo de descuento.
Según la legislación vigente el tipo de descuento máximo a aplicar en la valoración de

las PTSV, se fija cada año según el tipo de la deuda pública a 5 o más años, matizado para
evitar volatilidad (si éstas se determinan bajo el amparo del artículo 33.1. del ROSSP), o bien,
según el rendimiento medio que obtendrá la compañía de la inversión de las PTSV (si se
determinan según el artículo 33.2.).
No obstante, el tipo de descuento a aplicar en la estimación del valor razonable,

debería determinarse en cada momento según los tipos que se negocien en el mercado de
capitales.
89
Se acepta generalmente que el grado de riesgo de impago afecta al tipo de interés

exigido al título. Tipos de interés mayores están asociados a un mayor riesgo del propietario del
título. Lo anterior sugiere que existe un tipo de interés determinado por el mercado, asociado al
riesgo cero. Tal tipo de interés se llama “tipo de interés libre de riesgo”, el cual debe ser usado
en el cálculo del valor actual de flujos de caja con riesgo cero.
Para ser técnicamente correctos, el término “tipo libre de riesgo” debe realmente
referirse a la curva del tipo spot libre de riesgo, ya que el tipo libre de riesgo depende del
tiempo transcurrido antes del pago. En adelante siempre que hagamos referencia al término
“tipo libre de riesgo”, se tratará de la estructura temporal de tipos de interés (ETTI) o curva del
tipo spot libre de riesgo.
En España, se asume frecuentemente que el tipo libre de riesgo es el correspondiente

a la deuda pública. Hay al menos dos razones por las cuales este tipo no es realmente el tipo
libre de riesgo:
1. La deuda pública no está realmente libre de riesgo porque está denominada en

euros. El nivel futuro de inflación presenta un riesgo en la medida en que el poder
adquisitivo del título en el futuro es incierto.
2. La liquidez no es requerida en un título libre de riesgo con flujos de caja ciertos. La

deuda pública es un instrumento muy líquido, por la cual implícitamente se incluye una
opción a vender al valor corriente de mercado antes de la fecha de vencimiento. Si esta
opción tiene un valor, entonces un título puro libre de riesgo con flujos de caja ciertos
tiene un menor valor y un mayor rendimiento que la deuda pública.
En este contexto, el término “libre de riesgo” significa “libre de riesgo de impago” y

nominalmente cierto, pero puede retener otros riesgos como la inflación y riesgos de coste de
oportunidad.
Debido a la dificultad en la determinación práctica del tipo libre de riesgo y debido a la

rareza (o inexistencia) de flujos de caja que están verdaderamente libres de riesgo, un valor
presente tomado al tipo libre de riesgo es útil más como una línea divisoria que como un
resultado final. El valor razonable de cualquier instrumento financiero divergirá del valor
presente al tipo libre de riesgo debido a la valoración del mercado de los riesgos implicados en
el instrumento.
Por otra parte, el tipo libre de riesgo sigue una estructura temporal, y describir
exactamente esta estructura es fundamental para determinar el valor razonable de un
instrumento financiero.
90
Antes de proceder a una descripción de los modelos sobre la ETTI, incluiremos una
serie de definiciones:
Definimos el tipo de interés libre de riesgo vigente en t , para el plazo que media hasta
T , por R (t , T ) , de tal forma que
P (t , T ) = exp(− (T − t ) R(t , T ) )
será el precio en t del bono libre de riesgo que vence en T . A partir del precio del bono libre
de riesgo, P (t , T ) , podemos asimismo obtener
ln(P(t , T ) )
1
R (t , T ) = −
T −t
Desarrollando la expresión anterior, obtenemos el tipo instantáneo en tiempo t , cómo
lim lim 1
r (t ) = R(t , t + ∆t ) = − ln(P(t , t + ∆t ) )
∆t → 0 ∆t → 0 ∆t
equivalente a
⎡ ∂ ln(P(t , T ) ) ⎤
r (t ) = − ⎢ ⎥
⎣ ∂t ⎦ T =t
Por otra parte, el tipo de interés forward observado en t , F (t , t1 , t 2 ) , para el período
[ ]
comprendido entre t1 ,t 2 , siendo t < t1 < t 2 , será
ln (P(t , t1 ) ) − ln (P(t , t 2 ) ) R(t , t1 )(t1 − t ) − R(t , t 2 )(t 2 − t )

F (t , t1 , t 2 ) = =
t 2 − t1 t 2 − t1
Del mismo modo que para el tipo instantáneo, obtenemos el tipo forward instantáneo,
cómo
∂ ln P(t , T )
f (t , T ) = −
∂T
91
3.3. CLASIFICACIÓN DE LOS MODELOS DE LA ETTI.
Los modelos de la ETTI son muy utilizados para proporcionar un ajuste del riesgo del
tipo de interés, así como para valorar los derivados implícitos en el instrumento financiero.
Estos modelos se pueden clasificar siguiendo a Fernández (1997) en estáticos y

dinámicos; y dentro de estos últimos en aquellos que no se ajustan a la ETTI actual, y los que
sí se ajustan.
3.3.1. Modelos estáticos.
Los modelos estáticos a partir de la información existente en el mercado, determinan la

ETTI implícita en la negociación. De esta manera, los modelos estáticos no describen una
difusión de la ETTI, sino la situación al momento de valoración, ya que la ETTI no surge
explícitamente.
Como ejemplo de modelos estáticos tenemos los siguientes:
Modelos de esplines cuadráticos, cúbicos o exponenciales, como por ejemplo el modelo de

Vasicek y Fong adaptado al mercado español por Contreras et al (1996) y que se expone a
continuación.
Técnicas de bootstrapping a partir de bonos o tipos de interés de las ramas fijas de los
Interest Rate Swaps (IRSs).
3.3.2. Modelos dinámicos.
Si bien la ETTI del momento de valoración es perfectamente conocida, la ETTI

transcurrido un tiempo sigue una evolución estocástica. Por este motivo los modelos dinámicos
incorporan la evolución de los tipos de interés a lo largo del tiempo.
Dentro de los modelos dinámicos, existen varios que no replican la ETTI actual, e
incluso que generan ETTIs que no coinciden con las curvas reales del mercado. Esto no
tendría sentido de no ser que la finalidad de estos modelos no es simplemente valorar bonos,
sino valorar derivados de tipos de interés, o determinar la exposición al riesgo de tipo de
interés.
3.3.2.1. Modelos que no se ajustan a la ETTI actual.
92
Estos modelos como se ha mencionado antes, son fáciles de implementar, no obstante

al no ser consistentes con la ETTI actual no valoran correctamente bonos.
Dentro de éstos cabe distinguir entre modelos de una variable y modelos de dos
variables.
3.3.2.1.1. Modelos de una variable.
La ETTI se determina a partir de una variable, que generalmente suele ser el tipo a
corto, el cual sigue el siguiente proceso estocástico
dr (t ) = β (m − r (t ))dt + σ r γ dW (t )
Se incluye un cuadro con alguno de estos modelos.
Merton (1973) dr (t ) = mdt + σ dW (t )
Black – Scholes (1973) dr (t ) = r (t )(βdt + σ dW (t ) )
Cox (1975) dr (t ) = β r (t )dt + σ r (t )τ dW (t )
Vasicek (1977) dr (t ) = β (m − r (t ) )dt + σ dW (t )
Dothan (1978) dr (t ) =σ r (t )dW (t )
Brennan y Schwartz (1979) dr (t ) = β (m − r (t ) )dt + σr (t )dW (t )
Cox, Ingersoll y Ross (1985) dr (t ) = β (m − r (t ) )dt + σ r (t )dW (t )
Constantinides (1992) ( )
dr (t ) = α 0 + α 1 r (t ) + α 2 r (t ) − α 3 dt + σ 0 (r (t ) − σ 1 )dW (t )
Chan et. al (1992) dr (t ) = (α 0 + α 1 r (t ) )dt + σr (t )τ dW (t )
Duffie y Kan (1996) dr (t ) = (α 0 + α 1 r (t ) )dt + σ 0 + σ 1 r (t ) dW (t )

Cuadro 3.1. Modelos de la ETTI dinámicos de una sola variable, que no se ajustan a la ETTI.
Como ventaja resaltar que la mayoría de estos modelos incorporan reversión a la

media; y como inconveniente (además de que no replican la ETTI) que en algunos, como el de
Vasicek, pueden aparecer tipos de interés negativos.
3.3.2.1.2. Modelos de dos variables.
La ETTI se determina a partir de dos variables. Por ejemplo:
93
- Tipo de interés real, R (t ) , y tasa de inflación instantánea esperada, π (t ) 38.

- Tipo de interés a corto, r (t ) , y a largo plazo, l (t ) 39.
- Tipo de interés a largo plazo, l (t ) , y spread entre tipos a largo y a corto, s (t ) 40.
- Tipo de interés a corto plazo, r (t ) , y volatilidad de los tipos a corto v (t ) 41.

...
dR(t ) = β R (m R − R(t ) )dt + σ R R(t ) dWR (t )

Richard (1978)
dπ (t ) = β π (mπ − π (t ) )dt + σ π π (t ) dWφ (t )
Brennan y Schwartz dr (t ) = (α r + m r (l (t ) − r (t )) )dt + σ r dWr (t )

(1980b), (1982) dl (t ) = (α l + ml r (t ) + β l l (t )) )dt + l (t )σ l dWl (t )
dR(t ) = β R (m R − R(t ) )dt + σ R dWR (t )

Boyle (1980)
dπ (t ) = β π (mπ − π (t ) )dt + σ π dWφ (t )
n
Langetieg (1980) dR(t ) = β R (m R − R(t ) )dt + σ R dWR (t ) r (t ) = ∑ xi (t )
i =1
Schaefer y Schwartz ds (t ) = β s (m s − s (t ) )dt + σ s dWs (t )

(1984) dl (t ) = β ( s, l , t )dt + σ l l (t ) dWl (t )
Fong y Vasicek (1991), dr (t ) = ( )

β r r − r (t ) dt + v dWr (t )
(1992a), (1992b) dv(t ) = β (v − v(t ) )dt + ε
v v dWv (t )
Longstaff y Schwartz dx (t ) = (a x − b x x (t ) )dt + c x x dW x (t )

(1992) dy (t ) = (a y − b y y (t ) )dt + c y y dW y (t )
Duffie y Kan (1996) dxi (t ) = (ai + bi xi (t ) )dt + ci + d i xi dWi (t ) i = 1,...n
dr (t ) = β r (θ − r (t ) )dt + v dWr (t )
Chen (1996) ( )
dθ (t ) = β θ θ − θ (t ) dt + σ θ θ dWθ (t )
dv(t ) = β (v − v(t ) )dt + σ

v v v dWv (t )
r (t ) = y1 (t ) + y 2 (t )
Chen y Scott (1992)
dy i (t ) = β i (mi − y i (t ) )dt + σ i y i dWi (t ) i = 1,2
Cuadro 3.2. Modelos de la ETTI dinámicos de varias variables, que no se ajustan a la ETTI.
38
Richard (1978)
39
Brennan y Schwartz (1980b y 1982)
40
Schaefer y Schwartz (1984)
41
Fong y Vasicek (1991, 1992a y 1992b)
94
Al permitir formas más complejas de la ETTI, se acerca más a la actual que los
modelos de una variable. Como inconveniente destacar su complejidad respecto de los
anteriores modelos, lo que motiva que se deba recurrir para su implementación a métodos
numéricos.
3.3.2.2. Modelos que se ajustan a la ETTI actual.
Podemos distinguir tres familias de modelos dinámicos que se ajustan a la ETTI actual.
La primera familia de modelos que se ajustan a la ETTI actual, son versiones

extendidas de los modelos descritos en el apartado 3.3.2.1.1. De las tres familias que
expondremos son los primeros en aparecer. En este tipo de modelos una determinada función
del tipo instantáneo evoluciona bajo la probabilidad riesgo – neutro según la difusión:
df (r ) = (θ (t ) − af (r ))dt + σdW (t ) (3.1)
La función θ (t ) se calibra de manera que el modelo sea consistente con la ETTI

inicial.
Como ejemplo de estos modelos tenemos:
Hoo - Lee (1986) dr (t ) = θ (t )dt + σdW (t )
⎡ σ ' (t ) ⎤
Black, Derman y Toy (1990) d ln(r (t )) = ⎢θ (t ) − dt + σ (t )dW (t )
⎣ σ (t ) ⎥⎦
Black y Karasinski (1991) d ln(r (t )) = (θ (t ) − a ln(r (t )))dt + σdW (t )
Hull - White (1990) dr (t ) = (θ (t ) − ar (t ))dt + σdW (t )
Cuadro 3.3. Modelos de la ETTI dinámicos de una sola variable, que se ajustan a la ETTI.
Dentro de esta familia, tenemos también una serie de modelos de dos factores de
riesgo, que replican además la ETVs:
df (r ) = (θ (t ) − a(t ) f (r ))dt + σ (t )dW (t )
Las dos funciones a (t ) y σ (t ) son parámetros de volatilidad que en este caso
proporcionan dos grados de libertad adicionales. Permiten replicar la ETVs inicial, así como la
volatilidad futura del tipo instantáneo.
95
De dos factores es por ejemplo el modelo de Hul – White extendido:
dr (t ) = (θ (t ) − a(t )r (t ))dt + σ (t )dW (t )
A la segunda familia pertenece el modelo de Heath, Jarrow y Morton (1992) (HJM) que
aborda la evolución de los tipos forward instantáneos. Su idea es modelizar la ETTI en su
totalidad. Utiliza la ETTI actual cómo valor inicial de modo que bajo la probabilidad, Q , riesgo –
neutro los tipos forward instantáneos evolucionan según la siguiente EDE
df (t , T ) = µ (t , T )dt + σ (t )dW (t )
Debiendo especificar una EDE para cada vencimiento T .
Posteriormente han aparecido los denominados “Market Models”, cómo el modelo de

Brace, et. al. (1997) (BGM) (considera que los tipos LIBOR implícitos son lognormales), o el
modelo de Jamshidian (1997)) (considera que los tipos swap forward son lognormales) que
abordan la evolución de tipos forward no instantáneos. Éstos modelos son en realidad más
realistas que los tipo HJM, ya que los tipos forward instantáneos no son observados en la
realidad.
Como ventajas de esta familia de modelos destaquemos que se puede extender a

varios factores de riesgo, permitiendo replicar además de la ETTI actual, cuyos tipos implícitos
son una de las variables explicativas del modelo, replicar también la estructura temporal de
volatilidades (ETVs) implícita en la negociaciación. Como principal inconveniente, decir que
debido a la propiedad de no markovianidad, son muy difíciles de implementar mediante
métodos numéricos (salvando la simulación de montecarlo).
La última generación de modelos, presenta cómo ventajas además de tomar cómo dato
los tipos implícitos en la ETTI actual, y replicar también la ETV, que es un modelo markoviano,
y cómo tal puede implementarse numéricamente en forma de árbol recombinante. Éste es el
caso del Markovian Function model (Hunt et. al. 2000).
3.4. DETERMINACIÓN DE LA ETTI ACTUAL.
Vamos a exponer de entre los métodos disponibles para determinar la ETTI actual, la
adaptación propuesta por Contreras et al. (1996) del modelo de Vasicek y Fong (1982) al caso
español.
96
Vasicek y Fong proponen un método no paramétrico que se basa en funciones splines

exponenciales para estimar la función de descuento. Su modelo es el siguiente:
p
Pk = ∑ C k , j D (t k , j ) − Qk − Wk + ε k , k = 1,2,...n
j =1
Pk : precio del k-ésimo bono,

C k , j : flujos de caja del k-ésimo bono como una fracción del valor a la par,
t k , j : plazo hasta el pago del flujo de caja,
D(t k , j ) : función de descuento,
Qk : descuento en el precio atribuible al efecto de los impuestos,

Wk : descuento en el precio consecuencia de opciones de amortización anticipada (calls), y
n : número de bonos utilizados en la muestra para estimar la estructura temporal.
Otras asunciones de Vasicek y Fong son:
• E [ε k ] = 0
•
[ ]
E ε k2 = s 2 wk
,
dónde
w k = ⎛⎜ k ⎞
dP
⎝ dYk ⎟⎠
Yk es la TIR del bono k-ésimo

C k dPk
• Qk = q
Pk dY k
• W k = wI k , donde I k es una variable artificial que toma valor uno en el caso de bonos con
opciones de amortización anticipada y cero en caso contrario.
Contreras et al. (1996) redefinen Wk y Qk para adaptarlos a las características de la
deuda pública española, eliminando Wk dado que no existen bonos del Estado con opciones
de amortización anticipada y redefinen Qk de acuerdo con el sistema impositivo español como:
• Q k = 0 para las Letras del Tesoro.
97
p
Q k = qC k ∑ (1 +Yk )
−t k , j
• para todos los Bonos y Obligaciones del Estado hasta
j =1
1998 y sólo en el caso de los no segregables a partir de 1999, donde C k es la
cuantía del cupón del k-ésimo bono.
Se utiliza un único nudo para ajustar las splines exponenciales. Dicho nudo se localiza
en el momento del tiempo que minimiza la suma de cuadrados de los residuos.
3.5. MODELOS AFINES. EL MODELO DE HULL – WHITE.
3.5.1. Modelos afines unifactoriales.
Dentro de los modelos dinámicos expuestos, existe un grupo conocido por la literatura
al respecto cómo modelos afines. Estos modelos se caracterizan porque el precio de los bonos
cupón cero, se puede expresar cómo
P(t , T , r (t )) = A(τ )e B (τ ) r
siendo
τ =T −t
Estos modelos ofrecen una solución para el precio de los bonos cupón cero que cuenta
con importantes propiedades.
Este tipo de modelos suponen que el precio del bono de descuento, P (t , T ) , depende
de un único factor de riesgo que identificamos con el tipo instantáneo, r (t ) , por lo que lo
representaremos por P(t , T , r (t )) .
Asimismo parten de que la evolución del tipo instantáneo, r (t ) , sigue la siguiente EDE
dr (t ) = µ (t , r (t ))dt + σ (t , r (t ))dW (t )
donde el coeficiente de deriva, µ (t , r (t )) y la volatilidad, σ (t , r (t )) , vendrán especificados por

el correspondiente modelo afín unifactorial. Para modelizar el precio del bono de descuento,
P(t , T , r (t )) , se introduce el numerario cuenta bancaria β (t ) , definida cómo
98
⎛t ⎞
β (t ) = exp⎜⎜ ∫ r ( s)ds ⎟⎟
⎝0 ⎠
para considerar que existe una probabilidad, Q , riesgo – neutro, según la cual los precios
P(t , T , r (t ))
β (t )
son martingala.
A partir del desarrollo de Itô – Taylor obtenemos
⎛ ∂P ∂P 1 ∂2P ⎞
dP(t , T , r (t )) = ⎜⎜ dt + dr + (dr ) 2 ⎟⎟(t , T )
⎝ ∂t ∂r 2 ∂r 2
⎠
⎛ ∂P ∂P 1 2 ∂ 2 P ⎞ ∂P
= ⎜⎜ dt + µ + σ ⎟(t , T )dt + σ
2 ⎟
(t , T )dW (t )
⎝ ∂t ∂r 2 ∂r ⎠ ∂r
Si identificamos
⎛ ∂P ∂P 1 2 ∂ 2 P ⎞
P (t , T , r (t )) ⋅ µ P (t , T ) = ⎜
⎜ dt + µ + σ ⎟(t , T )
2 ⎟
⎝ ∂t ∂r 2 ∂ r ⎠
∂P
P (t , T , r (t )) ⋅ σ P (t , T ) = σ (t , r ) (t , T )
∂r
podemos escribir
dP (t , T , r (t )) = P(t , T , r (t ))(µ P (t , T ) + σ P (t , T )dW (t ) )
En cuanto al cambio a la medida de probabilidad, Q , riesgo neutro, consideramos
µ P (t , T ) − r (t )
π (t ) = −
σ P (t , T )
cómo una prima asociada al factor de riesgo, e independiente del plazo t, T . Así tenemos que[ ]
bajo esta nueva medida de probabilidad, que P(t , T , r (t )) cumple
99
dP (t , T , r (t )) = P(t , T , r (t ))((r (t ) − σ P (t , T )π (t ))dt + σ P (t , T )dW (t ))
Aplicando el teorema de Girsanov podemos escribir lo anterior
~
dP(t , T , r (t )) = P(t , T , r (t ))(r (t )dt + σ P (t , T )dW (t )) (3.1)
donde
~
dW = dW − π (t )dt
Asimismo bajo esta medida, la difusión del precio del bono tendría lugar bajo un nuevo
coeficiente de deriva, así
⎛ ∂P ∂P 1 2 ∂ 2 P ⎞
P (t , T , r (t )) ⋅ µ~P (t , T ) = ⎜⎜ dt + ( µ + σπ (t )) + σ ⎟(t , T )
⎝ ∂t ∂r 2 ∂r 2 ⎟⎠
por lo que tendríamos que
( ~
dP(t , T , r (t )) = P(t , T , r (t )) µ~P (t , T ) + σ P (t , T )dW (t ) ) (3.2)
Combinando (3.1) y (3.2) llegamos a:
∂P ∂P 1 2 ∂ 2 P
+ ( µ + σπ (t )) + σ − rP = 0
∂t ∂r 2 ∂r 2
así cómo la condición final P (T , T ) = 1 para todo r en t = T .
Llegados a este punto, los modelos afines unifactoriales, solucionan el anterior

problema de valor final considerando que el precio del bono cupón cero es de la forma
P(t , T , r (t )) = A(τ )e B (τ ) r , τ = T − t
La forma de las funciones A(τ ) y B (τ ) dependerán del modelo afín unifactorial.
En el caso del modelo de Vasicek (1977)
100
dr (t ) = β (m − r (t ) )dt + σ dW (t )
tenemos que
1 ⎛ σ2
⎞ σ2 ⎫
A(τ ) = ( B(τ ) − τ )⎜⎜ β ( β m − π 0σ ) −
⎟⎟ − B(τ ) 2 ⎪
β ⎝ ⎠ 4β
2 3
⎪⎪
⎬
1 ⎪
B(τ ) = (1 − exp(− βτ ) ⎪
β ⎪⎭
donde π0 es la prima de riesgo del modelo de Vasicek (1977) que es una constante.
O en el modelo de Cox, Ingersoll y Ross (1985)
dr (t ) = β (m − r (t ) )dt + σ r (t )dW (t )
se obtiene
2 kθ
⎡ 2θ exp((θ + ψ ) τ ) ⎤ σ2 ⎫
⎪
A(τ ) = ⎢ 2 ⎥
⎪
⎢ (θ + ψ )(exp(θτ − 1) + 2θ ⎥
⎣ ⎦ ⎪
⎪
⎬
2(exp(θτ ) − 1) ⎪
B(τ ) = ⎪
(θ + ψ )(exp(θτ − 1) + 2θ ⎪
⎪⎭
donde
θ = ψ 2 + 2σ 2 ,
ψ = β + πσ
En este modelo se considera que la prima de riesgo depende del nivel de tipos de
interés
r (t )
π (t , r (t )) = π 0
σ
101
Por el contrario no son modelos afines, aquellos que consideran para el tipo de interés
instantáneo un comportamiento lognormal, cómo por ejemplo el modelo de Black y Karasinski
(1991), o el modelo de Dothan (1978).
3.5.1. Modelo de Hull – White.
3.5.1.1. Resultados analíticos.
El modelo de Hull – White se viene utilizando activamente por un gran número de

mesas de mercados de capitales de las entidades financieras, para la valoración y cobertura de
derivados sobre tipos de interés.
Nos es útil principalmente por dos motivos:
• Para proporcionar un ajuste en el valor razonable por el riesgo de tipo de interés,

es decir, para incorporar en la valoración la incertidumbre asociada a la evolución
futura de los tipos de interés.
• Puede medir la asimetría derivada de muchas opcionalidades implícitas en las

pólizas de seguros de vida, y por tanto el incremento en el valor razonable de las
PTSV derivado de estas opcionalidades.
Usaremos la versión de un factor, que si bien no ajusta la ETVs, sí que ajusta la ETTI,
además de tener reversión a esta ETTI, lo cual será suficiente para exponer la metodología que
nos interesa abordar en la determinación del valor razonable de las PTSV.
Expondremos los resultados analíticos del modelo, para posteriormente llevar a cabo la
implementación numéricamente mediante un árbol trinomial de tipos de interés. De tal forma
que no implementaremos la evolución del tipo instantáneo, sino del tipo continuo a un plazo
corto determinado.
El modelo de Hull – White, se conoce también cómo Vasicek extendido y aporta sobre
este entre otras cosas que se puede replicar la ETTI. El modelo de Hull – White de un factor,
considera que el proceso riesgo – neutro para el tipo instantáneo tiene la forma
dr (t ) = (θ (t ) − ar (t ))dt + σdW (t )
102
donde a y σ son constantes, pero la función θ depende del tiempo de modo que la ETTI
quede perfectamente replicada. No obstante, en su artículo de 1990 Hull y White consideran
también a y σ dependientes del tiempo de modo que también se puede replicar la ETVs.
El modelo de Hull – White pertenece al grupo de los modelos afines, y cómo tal,
proporciona al problema de valor final
∂P ∂P 1 2 ∂ 2 P ⎫
+ ( µ + σπ (t )) + σ − rP = 0⎪
∂t ∂r 2 ∂r 2
⎪
⎬
P(T , T , r (t )) = 1 ⎪
⎪
⎭
una solución de la forma
P(t , T , r (t )) = A(τ )e B (τ ) r , τ = T − t (3.3)
Si identificamos en este caso
µ (t ) = (θ (t ) − ar (t ))
y hacemos que π (t ) = 0 , el anterior problema de valor final quedaría
∂P ∂P 1 2 ∂ 2 P ⎫
+ (θ (t ) − ar (t )) + σ − rP = 0⎪
∂t ∂r 2 ∂r 2
⎪
⎬
P (T , T , r (t )) = 1 ⎪
⎪
⎭
Diferenciando en la expresión anterior respecto a t y a r en los términos de la

solución propuesta, llegamos a:
⎡ ⎤
⎢⎣ A'−θ (t ) AB + 2 σ AB − (B'−aB + 1)r ⎥⎦ P = 0
1 2 2
siendo
∂A(τ )
A' (τ ) =
∂τ
103
∂B(τ )
B ' (τ ) =
∂τ
Dividiendo por P (t , T , r (t )) y teniendo en cuenta que para todo r se ha de cumplir la

anterior expresión llegamos a
1 ⎫
A'−θ (t ) AB + σ 2 AB 2 = 0⎪
2 ⎪
⎬
B'− aB + 1 = 0 ⎪
⎪
⎭
Por otra parte la condición final P (T , T , r (t )) = 1 equivale a decir que A(0) = 1 y
B (0) = 0 .
Dado que la segunda ecuación no incluye la función θ , tenemos la misma solución que
para el modelo de Vasicek:
1 − e − aτ
B (τ ) =
a
Para resolver la primera ecuación a partir de la solución anterior e integrando en el

[ ]
intervalo s ∈ t , T , obtenemos
⎡ T σ2 σ2 ⎤
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 (B(τ ) − τ ) − B(τ ) 2 ⎥
⎣ t 2a 4a ⎦
En cuanto al proceso r (t ) , tenemos que
d (e at r ) = e at dr + ae at rdt = θ (t )e at dt + e at σdW (t )
de manera que
t t
e at r (t ) = r (0) + ∫ θ (u )e au du + σ ∫ e au dW (u )
0 0
lo cual una vez simplificado equivale a
104
t t
r (t ) = r (0)e − at + ∫ θ (u )e a ( t −u ) du + σ ∫ e a ( t −u ) dW (u )
0 0
Podemos proceder por otra parte, descomponiendo el proceso cómo sigue:
r (t ) = Ω(t ) + s (t )
donde el segundo es un proceso similar al del tipo instantáneo pero con reversión a 0
ds (t ) = − as (t )dt + σdW (t )⎫
⎪
⎬
s ( 0) = 0 ⎪
⎭
cuya resolución proporciona para el proceso s (t ) que
⎛ 1 − e − 2 at ⎞
s (t ) ≈ N ⎜ e − at , σ ⎟
⎜ 2a ⎟
⎝ ⎠
Para que se de la mencionada equivalencia entre el proceso r (t ) y la suma de los
otros dos, una vez obtenida la evolución correspondiente a s (t ) , se ha de cumplir que
Ω'+ aΩ = θ ⎫
⎪
⎬
Ω(0) = r (0)⎪⎭
cuya resolución es inmediata
(e − at Ω)' = e − atθ
por lo que obtenemos
t
Ω(t ) = r (0)e − at + ∫ θ (u )e a ( t −u ) du
0
De esta forma el proceso para r (t ) será
105
⎛ 1 − e − 2 at ⎞
⎜
r (t ) ≈ N Ω(t ), σ ⎟
⎜ 2a ⎟
⎝ ⎠
La labor del proceso Ω(t ) es que el proceso r (t ) replique perfectamente la ETTI.
Nos interesa trabajar con el tipo continuo a un plazo ∆t , R (t , t + ∆t ) en lugar del tipo
instantáneo, r (t ) , ya que de esta forma podemos acometer su implementación numérica

mediante árboles trinomiales.
3.5.2.2. Implementación mediante árboles trinomiales.
Asumiremos que el tipo al plazo ∆t, Rt ,sigue el mismo proceso estocástico descrito
para el tipo instantáneo r (t )
dRt = (θ (t ) − aRt )dt + σdWt (3.4)
siendo por supuesto, los parámetros de volatilidad a y σ , distintos a los que resultarían para
el tipo instantáneo.
Cómo se expuso en el capítulo 2, el anterior proceso estocástico de Ornstein –

Uhlenbeck se puede escribir una vez discretizado cómo sigue:
θ (t )
Rt − Rt −1 =
a
(1 − e ) + (e
−a −a
)
− 1 Rt −1 + ε t
siendo
ε t ≈ N (0, σ ε 2 ) ,
donde
σ2
σε =
2
2a
(1 − e ) .
− 2 at
106
Expondremos el algoritmo para la implementación en árbol, del modelo de un factor de

Hull – White.
En primer lugar cómo ya se ha expuesto para el tipo instantáneo se procede a la

descomposición del proceso Rt en dos procesos claramente diferenciados:
Rt = S t + Ω(t )
donde
S t es un proceso estocástico similar a Rt , pero con nivel de reversión a 0.

Ω(t ) es una función determinística dependiente de t.
La anterior descomposición permite acometer el proceso de implementación en dos

pasos. El primer paso se centra en la construcción del proceso S t , de manera que quede
recogida toda la volatilidad inherente al proceso Rt . Mientras que en el segundo paso, se
adaptan los valores de Ω(t ) , de modo que se repliquen perfectamente los precios de los
bonos P (0, t ) .
Primer paso.
Según la anterior descomposición el proceso S t tendrá la siguiente evolución
temporal:
dS t = −aS t dt + σdW ' t ⎫

⎬ (3.5)
S0 = 0 ⎭
El proceso S t es un proceso de Ornstein – Uhlenbeck y como tal exhibe reversión a la
media, que en este caso es 0, es decir, el componente tendencial es positivo cuando S t < 0 , y
negativo cuando S t > 0 .
Para su implementación hemos de discretizar el proceso, considerando un salto

temporal ∆t , que determina que la anterior dinámica pase a ser cómo vimos en el capítulo 2,
el siguiente proceso AR(1):
( )
S t − S t −1 = e − a∆t − 1 S t −1 + ε t
107
siendo
ε t ≈ N (0, σ ε 2 ) ,
donde
σ2
σε 2 =
2a
(1 − e ) . − 2 at
La aproximación mediante árboles trinomiales consiste en considerar esperanzas y

varianzas condicionales de los saltos de S t a partir de la anterior expresión de modo que:
E [S i − S i −1 S i −1 ] = M ⋅ S i −1 ⎫
⎪
⎬ (3.6.)
V [S i − S i −1 S i −1 ] = V ⎪⎭
siendo
(
M = e − a∆t − 1 )
σ 2 (1 − e −2 a∆t )
V =
2a
Fijémonos que M y V son cantidades determinadas a partir de a y σ2, siendo

cuando ∆t → 0 :
M ≈ −a ⋅ ∆t
y
V ≈ σ 2 ⋅ ∆t
Si consideramos saltos de tiempo constantes, ∆t , e igualmente unos parámetros a y
σ2 constantes, podemos fijar unos valores de S t , cuyo valor será múltiplo de un espacio, ∆S ,
por determinar.
108
Para unas cantidades fijas de ∆t y ∆S , podemos identificar los valores del proceso
S i , por S (i, j ) ≡ S (i∆t , j∆S ) .
Dado que pretendemos ajustar tres condiciones:

• media,
• varianza y
• probabilidades de transición,
hemos de construir árboles con ramificación trinomial.
Un árbol trinomial constituye la representación natural en tiempo discreto de un

determinado proceso estocástico, de la siguiente forma
Figura 3.1. Árbol trinomial para un paso temporal ∆t.
Cada nodo del mallado en el espacio (t, s), se denotará por (i, j) ≡ (i∆t, j∆s).
A continuación podremos comprobar que el esquema de bifurcación varía:
a) Configuración central
El esquema de bifurcación normal a partir del nodo (i − 1, j ) es:
(i, j + 1)
1
2 (i, j)
(i - 1, j)
3
(i, j - 1)
Figura 3.2. Configuración central
109
En este caso, si para (i − 1)∆t tenemos un valor del proceso S (i − 1, j ) , entonces el
valor del proceso en el siguiente salto temporal, puede tomar tres valores: S (i, j + 1) , S (i, j ) y
S (i, j − 1) .
Cómo ya se ha explicado, implementamos el árbol trinomial de manera que tanto la

media como la varianza proporcionadas por el árbol, sean idénticas a las que exhibe
localmente S t . De ahí que se pueda plantear el siguiente sistema de ecuaciones lineales con
incógnitas las probabilidades de transición sobre el árbol, p1 ( j ) , p 2 ( j ) y p 3 ( j ) :
E [∆S S (i − 1, j )] = ∆S ( p1 ( j ) − p3 ( j ) ) = M ⋅ S (i − 1, j ) = M ⋅ j ⋅ ∆S ⎫
⎪
⎪
[ ]
V ∆S 2 S (i − 1, j ) = ∆S 2 ( p1 ( j ) + p3 ( j ) ) = V + (M ⋅ S (i − 1, j ) )
2 2⎪
= V + (M ⋅ j ⋅ ∆S ) ⎬ (3.7)
⎪
⎪
p1 ( j ) + p 2 ( j ) + p3 ( j ) = 1 ⎪⎭
siendo
p1 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j + 1) ;

p 2 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j ) ;
p3 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j − 1) .
La resolución de (3.7) es:
w ( jM ) 2 + jM ⎫
p1 ( j ) = + ⎪
2 2 ⎪
⎪⎪
p 2 ( j ) = 1 − w − ( jM ) 2 ⎬ (3.8)
⎪
w ( jM ) − jM ⎪
2
p3 ( j ) = + ⎪
2 2 ⎪⎭
siendo
∆t
w =V
∆S 2
110
Fijado un parámetro de reversión a la media, a , y un plazo ∆t, estas probabilidades

dependen de w y de la altura j del nodo (i, j ) correspondiente al árbol trinomial.
Transcurridos n saltos temporales (i = n) tenemos que la probabilidad de subida será
1 1
p n ,1 ( j ) = p1 ( j ) − + w
6 2
Para que las probabilidad de transición se tornen estacionarias42, basta con establecer
1
w= ,
3
de modo que todas ellas serán independientes del corte temporal, i , dependiendo
exclusivamente de la altura j .
Así a partir de V , determinamos el valor de
∆S = 3V∆t ,
De esta forma:
1 ( jM ) 2 + jM ⎫
p1 ( j ) = + ⎪
6 2 ⎪
⎪
2 ⎪
p 2 ( j ) = − ( jM ) 2 ⎬ (3.9)
3 ⎪
⎪
1 ( jM ) 2 − jM ⎪
p3 ( j ) = + ⎪
6 2 ⎭
para todos los cortes temporales.
Por otra parte, es necesario que todas las probabilidades de transición se mantengan
positivas, no siendo así cuando
42
Independientes del nivel temporal i.
111
2
3
j<−
M
Para evitar que ocurra esto, hemos de plantear configuraciones alternativas de manera
que la probabilidad central se mantenga positiva sea cual sea el valor de j .
b) Configuración ascendente
(i, j + 2)
(i, j + 1)
2
3
(i - 1, j) (i, j)
Figura 3.3. Configuración ascendente
En este otro esquema de bifurcación las probabilidades de transición son:
p1 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j + 2) ;

p 2 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j + 1) ;
p3 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j ) .
Al igual que hemos hecho en el caso de la configuración central, obtenemos las

probabilidades
1 ( jM ) 2 − jM ⎫
p1 ( j ) = + ⎪
6 2 ⎪
⎪
1 ⎪
p 2 ( j ) = − − ( jM ) + 2 jM ⎬
2
3 ⎪
⎪
7 ( jM ) 2 − 3 jM ⎪
p3 ( j ) = + ⎪
6 2 ⎭
(3.10)
Como en el caso de la configuración central, es la probabilidad p 2 ( j ) la que cambia
de signo según varía el índice j, siendo p 2 ( j ) > 0 cuando
112
1+ 2 1− 2
3 3
− < j<−
M M
Así los j´s que permiten la sustitución de la configuración ascendente por la central son
2 1− 2
3 3
− < j min < −
M M
c) Configuración descendente
1
(i - 1, j) (i, j)
3
(i, j - 1)
(i, j - 2)
Figura 3.4. Configuración descendente
Aquí las probabilidades de transición son
p1 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j ) ;

p 2 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j − 1) ;
p3 ( j ) : probabilidad de transición del nodo (i − 1, j ) a (i, j − 2) .
En este caso
7 ( jM ) 2 + 3 jM ⎫
p1 ( j ) = + ⎪
6 2 ⎪
⎪
1 ⎪
p 2 ( j ) = − − ( jM ) − 2 jM ⎬
2
(3.11)
3 ⎪
⎪
1 ( jM ) 2 + jM ⎪
p3 ( j ) = + ⎪
6 2 ⎭
113
Siendo p 2 ( j ) > 0 cuando
1− 2 1+ 2
3 3
< j<
M M
Los j´s que permiten la sustitución de la configuración descendente por la central son
1− 2 2
3 3
< j max <
M M
Las probabilidades de transición son simétricas de manera que j min = − j max , siendo
p1 ( j ) = p3 (− j ) y p 2 ( j ) = p 2 (− j ) . De esta manera podemos escoger j max como el entero

más próximo por la derecha del límite inferior del anterior intervalo de j´s permitidos, tomándose
j min = − j max .
La regla para decidir la ramificación adecuada para cada nodo, de acuerdo con las
anteriores restricciones, será una vez definida
⎡ 0,1835 ⎤
L=⎢ ⎥,
⎣⎢ M ⎦⎥
de manera que
− L ≤ j ≤ L ⇒ central ⎫
⎪
⎪
j > L ⇒ descendente ⎬
⎪
⎪
j < − L ⇒ ascendente ⎭
Llegamos de este modo a la siguiente configuración del árbol trinomial:
114
Figura 3.5. Árbol trinomial para un paso temporal ∆t.
Para ilustrar el proceso anterior, incluiremos un ejemplo. Si suponemos unos

parámetros de Vasicek de a=0,09860 y σ = 0,01103 obtenemos:
J p1(j) p2(j) p3(j)
2 0,902612 0,006984 0,090404

1 0,124127 0,657850 0,218023
0 0,166667 0,666667 0,166667
-1 0,218023 0,657850 0,124127
-2 0,090404 0,006984 0,902612
Cuadro 3.1.: Probabilidades estacionarias de transición en el árbol de la variable St
J S0 S1 S2
2 0,036401
1 0,018200 0,018200
0 0 0 0
-1 -0,018200 -0,018200
-2 -0,036401
Cuadro 3.2.: Valores temporales en el árbol de la variable St.
Segundo paso
115
El segundo paso en la implementación del modelo consiste en convertir este árbol para
S t en el correspondiente para Rt .
Puesto que
dRt = (θ (t ) − aRt )dt + σdWt
y que
dS t = −aS t dt + σdWt
tenemos que Ω(t ) es totalmente determinístico:
dΩ(t ) = (θ (t ) − aΩ(t ))dt
Para recuperar los tipos a plazo en el árbol Ri , j ≡ R (i∆t , j∆t ) , lo único que hay que
hacer es determinar en cada período el valor de Ω i ≡ Ω(i∆t ) .
Precios Arrow – Debreu.
Introducimos Qi , j como el valor actualizado de un activo cuyo flujo de caja es 1 en el
nodo (i, j) y 0 en cualquier otro caso, es lo que denominamos precios Arrow - Debreu. Tanto los
Ω i como los Qi , j se pueden obtener mediante inducción forward para que la ETTI quede
replicada.
Supongamos que la curva cupón cero es:
t P(0, t)
0 1
1 0,977469
2 0,947188
3 0,912773
4 0,875619
5 0.837634
Cuadro 3.3.: CCC.
116
El proceso sería:
1. Inicializar la inducción forward haciendo Q0, 0 = 1 y puesto que para i = 0, j toma
exclusivamente el valor 0, resulta Ω 0 = R0 .
Para nuestro ejemplo,
⎡ 1 ⎤
R0 = ln ⎢ ⎥ = 2,27884%
⎣ 0,977469 ⎦
2. El siguiente paso es calcular los precios Arrow-Debreu Q1,1 , Q1, 0 y Q1, −1 , que según
se ha establecido serán:
Q1,1 = Q0,0 ⋅ p1 (0,1) ⋅ e − R0 = 0,162912 ⎫

⎪
⎪⎪
Q1,0 = Q0,0 ⋅ p 2 (0,0) ⋅ e − R0 = 0,651646 ⎬
⎪
⎪
Q1, −1 = Q0,0 ⋅ p3 (0,−1) ⋅ e − R0 = 0,162912⎭⎪
3. A partir del conjunto completo de precios Arrow - Debreu en un determinado paso de

tiempo, i, ya podemos proceder al cálculo de la cantidad Ω i .
Los precios observados en los nodos (i, j`s) para un bono con vencimiento en i + 1 serán
también los factores de descuento aplicables al período [i, i + 1], por lo que el precio del
bono que vence en el instante i = 2 tiene los precios en cada uno de los nodos (1, j`s):
P1,1 (2) = e − ( Ω1 + ∆S ) ⎫
⎪
⎪⎪
P1,0 (2) = e −Ω1 ⎬
⎪
⎪
P1, −1 (2) = e −( Ω1 − ∆S ) ⎪⎭
A partir de la ecuación fundamental de valoración en tiempo y pagos discretos, el precio

observado desde el inicio del bono que vence en i = 2 será:
P(2) = Q1,1e − ( Ω1 + ∆S ) + Q1,0 e − Ω1 + Q1, −1e − ( Ω1 − ∆S )
117
Por lo que se obtiene
⎛ ∑ Q1, j e − j∆S∆t ⎞
⎜ j ⎟
Ω1 = log⎜ ⎟ =0,031524
⎜ P(2) ⎟
⎝ ⎠
Quedando determinados
R1,1 = Ω 1 + S 1 = 0,049725 ⎫
⎪
⎪
R1,0 = Ω 1 + S 0 = 0,031524 ⎬
⎪
⎪
R1, −1 = Ω 1 + S −1 = 0,013324⎭
Hemos obtenido un algoritmo recursivo.
En cuanto a la generalización de las expresiones anteriores:
⎛ ∑ Qi , j e´− j∆S∆t ⎞ ⎫
⎜ j ⎟ ⎪
Ωi = log⎜ ⎟ ⎪
⎜ P(i + 1) ⎟ ⎪
⎝ ⎠ ⎬
⎪
´− Rij ' ∆t ⎪
Qi +1, j = ∑ Qi , j ' p( j ' , j )e ⎪
j' ⎭
Para nuestro ejemplo obtenemos
J 0 1 2
2 0,01924
1 0,16291 0,20721
0 0 0,65165 0,48979
-1 0,16291 0,21099
-2 0,01995
Cuadro 3.4.: Precios Arrow Debreu.
118
J 0 1 2 3 4
2 7,36119% 7,83677% 8,14159%

1 4,97247% 5,54114% 6,01672% 6,32154%
0 2,27887% 3,15242% 3,72110% 4,19668% 4,50150%
-1 1,33237% 1,90105% 2,37663% 2,68145%
-2 0,08100% 0,55658% 0,86140%
Cuadro 3.5. Tipos R(t).
Gráficamente:
R i,j
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00 1,00 2,00 3,00 4,00
Gráfico 3.1.: Árbol del tipo de interés a corto plazo.
3.5.2.3. Calibración.
La calibración del modelo Hull – White consiste en obtener el valor de los parámetros
de volatilidad a y σ , a partir del mercado de derivados.
Para que un instrumento financiero sea válido para calibrar, debe ser negociado
activamente. En España contamos por ejemplo con el caplet, como instrumento financiero
negociado activamente en el mercado de derivados OTC sobre tipos de interés.
Los caplets se suelen valorar con el modelo de Black. Según este modelo, el valor
actualizado de un caplet con fecha de inicio, t , del periodo de amortización del tipo interés
vigente entre t y T , sería
[
C (0, t , T ) = L(T − t )e − R ( 0,T ) F (0, t , T ) N (d1) − Rcap N (d 2) ]
119
siendo
L(T − t ) : cantidad fija sobre la que se estima el caplet, también denominado nocional del
caplet,
F (0, t , T ) : el tipo forward para el período t a T observado en la fecha de valoración,
log( F (0, t , T ) / Rcap ) ± σ 2 (t ) ⋅ t / 2

d1, 2 =
σ (t ) t
y σ (t ) la volatilidad para el caplet con fecha de inicio t .
Identificamos esta volatilidad con la del proceso de forwards:
σ s 2 (t ) = V ( F ( s, t , T ) Gs −1 )
siendo G s −1 la información disponible hasta el período s − 1 .
Por otra parte obtenemos inmediatamente los tipos forward implícitos a partir de la
relación
F (0, T ) ⋅ T − F (0, t ) ⋅ t
F (0, t , T ) =
T −t
Considerando:
φt = log Ft − log Ft −1
obtenemos un estimador insesgado de la volatilidad de Ft , σ 2 t , utilizando las m

observaciones más recientes cómo sigue
1 m
σ 2t = ∑
m − 1 i =1
(φ t −i − φ ) 2
donde
1 m
φ= ∑ φ t −i
m i =1
120
Por último se ha de escoger una medida de bondad del ajuste. Si disponemos de n

instrumentos podríamos escoger
n Ci − M i
∑
i =1 Ci
siendo
Ci el precio de mercado del i-ésimo instrumento y
M i es el precio proporcionado por el modelo.
Los parámetros para los que el modelo quedaría calibrado, serían aquellos que
minimizaran esta distancia
⎛ n C i − M i ( a, σ ) ⎞
arg min⎜⎜ ∑ ⎟
⎟ (3.12.)
⎝ i =1 Ci ⎠
Una aplicación práctica de esta calibración se puede encontrar en Navarro (2003).
Hasta aquí, nos hemos centrado en el proceso estocástico correspondiente a los tipos
de interés para la determinación del valor razonable. El paso siguiente será identificar el
proceso estocástico correspondiente a la supervivencia del asegurado, durante los períodos de
vigencia de la póliza.
121
122
CAPÍTULO 4. RIESGO TÉCNICO Y EL VALOR RAZONABLE. 125
4.2. INTRODUCCIÓN AL RIESGO TÉCNICO EN LOS
SEGUROS DE VIDA. 126
4.3. INTRODUCCIÓN A LAS TABLAS DE MORTALIDAD. 130
4.4. TABLAS DE MORTALIDAD DINÁMICAS. 133
4.4.1. Métodos paramétricos. 134
4.4.1.1. Métodos estructurales. 134
4.4.1.2. Métodos no estructurales. 139
4.4.2. Métodos no paramétricos. 141
4.4.3. Métodos basados en factores de reducción
de la mortalidad. 143
4.5. APLICACIÓN A LA POBLACIÓN DE LA COMUNIDAD
ANDALUZA. 149
4.6. PROCESO ESTOCÁSTICO ASOCIADO A LA MEDIDA
DE MORTALIDAD. 176
4.7. PROCESO ESTOCÁSTICO ASOCIADO AL FACTOR
DE DESCUENTO ACTUARIAL. 200
123
124
CAPÍTULO 4. Riesgo técnico y el Valor Razonable.
CAPÍTULO 4. RIESGO TÉCNICO EN EL

VALOR RAZONABLE.
En este capítulo se expone la influencia del riesgo técnico en el valor razonable de las
PTSV.
Descomponemos el riesgo técnico en dos clases de riesgo:

• Riesgo sistemático o de desconocimiento de la prestación esperada.
• Riesgo no sistemático o de desviación respecto de la prestación esperada.
La metodología propuesta para recoger en la estimación del valor razonable de las

PTSV las dos clases de riesgo mencionadas, se descompone en dos partes:
En primer lugar se ajusta la tabla de mortalidad dinámica correspondiente a la

población de donde se extrae el colectivo asegurado.
En segundo lugar se propone un proceso de difusión de la medida de mortalidad

inherente a esta tabla de mortalidad dinámica.
Así el apartado 4.2. introduce el riesgo técnico en los Seguros de Vida, para centrarse
en el riesgo biométrico.
A continuación se presenta el concepto de tablas de mortalidad y de sus diferentes

modalidades, para exponer en el apartado que sigue los distintos métodos de ajuste de tablas
de mortalidad dinámicas.
En el apartado 4.5. se ajustan las tablas de mortalidad dinámicas para Andalucía,

mediante dos métodos de ajuste: el modelo de Heligman y Pollard y el modelo de Lee – Carter.
Aunque será este último el escogido por el presente trabajo para ser incorporado a la
metodología propuesta, el modelo de Heligman y Pollard servirá de contraste de los resultados
obtenidos.
El último apartado propone un proceso de difusión para el tanto de mortalidad,

implementándose numéricamente a través de árboles trinomiales recombinantes. La
implementación en forma de árbol, permitirá en los capítulos que siguen la construcción de
algoritmos para la estimación del valor razonable de las PTSV, rápidos y fácilmente aplicables
125
4.2. INTRODUCCIÓN AL RIESGO TÉCNICO EN LOS SEGUROS DE VIDA.
El riesgo técnico puede ser definido como aquel derivado de una inadecuada o
insuficiente estimación de las prestaciones futuras de las pólizas. Este riesgo puede ser
dividido en dos partes:
1. Riesgo no sistemático o de desviación de la prestación real respecto de la prestación

esperada.
2. Riesgo sistemático o de desconocimiento de la prestación esperada.
Riesgo no sistemático.
El riesgo no sistemático puede ser reducido tomando un gran número de prestaciones

independientes. Si bien en ocasiones puede ser especialmente difícil de diversificar, no
existiendo además en la mayoría de los casos instrumentos financieros que permitan de
manera fácil y barata la negociación de tales riesgos.
Supongamos una Póliza de Seguro de Vida por la cual el Asegurado percibirá al

vencimiento la siguiente prestación
⎧X → τ > n
⎪
X ( n) = ⎨
⎪ 0 →τ ≤ n
⎩
siendo τ el tiempo hasta el fallecimiento. Es lo que denominamos en el argot actuarial “capital

diferido”. Si la aseguradora tiene m contratos de estas características tenemos cómo valor
actualizado de la prestación correspondiente a un contrato de esta cartera
1 m
V (0) = ∑ P(0, n) X i (n)
m i =1
donde
P(0, n) : precio del bono cupón cero,

X i (n) : prestación en n de la Póliza i – ésima.
Según la ley de los grandes números tenemos que
126
⎛ n ⎞
V (0) ⇒ exp⎜⎜ − ∫ r (t )dt ⎟⎟ Ep[ X (n)] para m→∞
⎝ 0 ⎠
es decir, la frecuencia relativa de las prestaciones tiende a la esperanza matemática de estas

prestaciones cuando el número de contratos tiende a infinito.
En los Seguros de Vida, la prestación esperada depende de la supervivencia humana o

de la muerte. Es por ello que para el análisis del riesgo técnico correspondiente a los Seguros
de Vida, nos centraremos en el riesgo biométrico.
El riesgo biométrico es aquel asociado al fenómeno de la supervivencia humana,

caracterizado por el suceso de que un individuo, perteneciente a un colectivo determinado
supere con vida una edad concreta. También se puede caracterizar por el complementario, que
sería el suceso de que un individuo perteneciente a un colectivo determinado, fallezca antes de
alcanzar una edad concreta.
Denominaremos por q x , a la esperanza matemática de fallecer en un año para un
individuo de edad x .
Si consideramos un grupo específico de individuos de edad x y que representaremos
por l x (donde l 0 toma un valor 10n), la variable aleatoria número de fallecidos en un año d x ,
sigue una distribución binomial ( d x ~ B (l x , q x ) ), con esperanza matemática y varianza:
E (d x ) = l x ⋅ q x ⎫
⎪
⎬
V (d x ) = l x ⋅ q x ⋅ (1 − q x )⎪⎭
Cómo comenta Betzuen (1989) con antelación a la fijación del precio del Seguro de
Vida, es imprescindible analizar el comportamiento de la mortalidad para el colectivo a
asegurar. Existen dos posibilidades para definir la mortalidad del colectivo, la primera es
establecer la expresión analítica de la distribución de probabilidad sobre la variable tiempo
futuro de supervivencia, y la segunda es la construcción de la tabla de mortalidad.
127
Se incluye un cuadro resumen con la expresión analítica de la ley de mortalidad

propuesta por algunos autores. Esta viene expresada en función del tanto instantáneo o fuerza
de mortalidad43, o de la probabilidad de fallecimiento.
1
De Moivre (1724) µ x +t = , 0<t <ω−x
ω − x−t
Gompertz (1825) µ x +t = Bc x +t , t > 0
Makeham (1860) µ x +t = A + Bc x +t , t > 0
Weibull (1939) µ x + t = k ( x + t ) n , k , n, t > 0

1
Thiele (1972) µ x = a1 exp(−b1 x) + a 2 exp(− b2 ( x − c) 2 ) + a3 exp(b3 x)
2
A + Bc x
Perks (1825) µx =
Kc − x + 1 + Dc x
n
qx
Heligman y Pollard (1980) = ∑ Ai exp(− Bi ( f i ( x) − C i ) Di
1 − q x i =1
Cuadro 4.1. Distribuciones analíticas del tiempo de supervivencia.
En cuanto a la construcción de tablas de mortalidad nos extenderemos ampliamente en

los apartados 4.3 y siguientes.
Riesgo sistemático.
El riesgo sistemático puede ser reducido por la suscripción de un gran número de

coberturas de seguro. Aunque los riesgos que tienen distribuciones con alta curtosis44, son
especialmente difíciles de reducir a través de la diversificación.
El riesgo técnico de desconocimiento de la prestación esperada se agrava en el caso

de los seguros de Vida, ya que la duración de los contratos es mucho mayor.
Para reducir este riesgo, se podrían utilizar activos referenciados explícitamente al

comportamiento de la cartera asegurada. Este enfoque se ha dado en llamar mercado de
“Reaseguro Dinamico” y ya fue propuesto por Sondermann (1991) y Delbaen y Haezendonck
(1989), analizado mas recientemente por Mǿller (2004). Algunas aplicaciones en Seguros de
Vida pueden encontrarse en Mǿller (1998) y Steffensen (2001).
43
Como veremos mas adelante, el tanto instantáneo de mortalidad es la intensidad de fallecimiento del asegurado.
44
Supone una probabilidad muy pequeña de una pérdida extremadamente grande.
128
Mas recientemente se han introducido los llamados “mortality bonds” y “mortality

45
swaps” .
Los “mortality bonds” son en esencia un bono cuyo flujo de caja se halla referenciado al
comportamiento de la mortalidad de una cohorte de referencia. Tenemos cómo antecedentes el
EIB/BNP Long – term longevity bond, de noviembre 2004, que se trata de un bono de duración
25 años, cuyo flujo de caja se halla indiciado a una población de referencia consistente en una
cohorte de hombres de 65 años de Inglaterra y Gales, y cuyo objetivo es cubrir el riesgo de
longevidad. También tenemos otro antecedente, el Swis – Re Short – term catastrophe bond,
consistente en un bono de duración 3 años, cuyo flujo de caja se halla referenciado a los
fallecimientos debidos a catástrofes, de la cohorte de referencia compuesta por personas de
varios países. Cubre los fallecimientos debidos a catástrofes, que suelen ser excluidos de
muchos seguros de fallecimiento.
En cuanto a los “mortality swap” supone el intercambio de una corriente fija de pagos a
una cartera asegurada, por los que tendrán lugar en realidad según el comportamiento de la
cartera asegurada. Tenemos un ejemplo en lo que Schrager (2006) denomina GAOs
(Guaranteed Annuity Options) y que toman cómo subyacente una renta vitalicia, constante a
prima única, que se devenga en un tiempo posterior, T , a la fecha de valoración t .
Por otra parte, para modelizar el riesgo técnico sistemático, se han desarrollado
últimamente varios modelos. Así por ejemplo tenemos el caso del modelo de Lee – Carter46
que considera para el factor de la medida de mortalidad dependiente del tiempo cronológico un
modelo ARIMA(0, 1, 0). Posteriormente ha sido adaptado por Denuit, et. al (2005) para
aplicarlo estocásticamente en tiempo continuo. Milevsky y Promislow (2001) aplican el
denominado modelo de Gompertz con reversión a la media, mientras que Dahl (2004) aplica un
modelo afín de los ya expuestos para el proceso estocástico correspondiente al tanto
instantáneo de mortalidad. Biffis y Millossovich (2006) analizan modelos afines con saltos. En
cuanto a modelos de la forma HJM (sobre tipos forward) mencionados para los tipos de interés,
tenemos el caso del modelo de Smith – Olivier descrito en Olivier y Jeffrey (2004).
Blake, et. al. (2004) aplican modelos de la familia de los “Market Models” para “forward
life annuity rates” y “forward Survivor Credit Offer Rates (SCOR)”. El primer caso toma como
subyacente unas rentas diferidas a prima única del tipo de las ya mencionadas GAOs, mientras
que el segundo es una reminiscencia del τ –LIBOR (el London Interbank Offer Rate con
duración o tenor τ ), así si tenemos que respecto a los tipos de interés el τ –LIBOR se define
como
45
Ver Blake, et. al (2006) para mas detalle.
46
Ver Lee – Carter (1992) y Lee (2000).
129
1 − P(t , t + τ )
L=
τP(t , t + τ )
para un forward SCOR tendríamos
1−τ p x +t
Q
L=
τ τ p x +t Q
En nuestro caso una vez construida la tabla de mortalidad para la población andaluza
de los años 1980 a 2000 por los modelos de Heligman y Pollard y de Lee – Carter,
construiremos en el apartado 4.6. un modelo estocástico afín unifactorial no homogéneo, es
decir, que replique la tabla de mortalidad ajustada, similar al que Hull y White aplican a los tipos
de interés. Una vez definido el modelo para el tipo instantáneo,
dµ x (t ) = (θ (t ) − aµ x (t ))dt + σ dW (t )
lo implementaremos numéricamente mediante árboles trinomiales recombinantes. La

calibración del modelo debería llevarse a cabo a partir de “mortality bonds” o “mortality swap”,
de modo que quede recogida adecuadamente la probabilidad, Q , riesgo neutro. De no ser
posible proponemos como hacerlo a partir del ajuste del modelo ARIMA del modelo de Lee –
Carter, con lo cual no se habría calibrado a mercado, pero sí consideraría el riesgo sistemático
de desconocimiento de la prestación esperada.
4.3. INTRODUCCIÓN A LAS TABLAS DE MORTALIDAD.
Siguiendo a Palacios (1996) una tabla de mortalidad es una serie temporal en la que se
pone de manifiesto la reducción gradual de un grupo inicial de individuos, como consecuencia
de los fallecimientos. De esta manera, la tabla refleja los individuos que sobreviven a cada
edad.
Las dimensiones temporales que nos interesan desde el punto de vista de una tabla de
mortalidad, siguiendo a Montserrat y Guillén (1999) son las siguientes:
• Nos referiremos al tiempo cronológico o de calendario como al período en que se

realiza la observación demográfica, y lo denotaremos por t. Por ejemplo, la mortalidad
observada en el año 1990 será la correspondiente a t = 1990.
130
• El tiempo será una duración si hace referencia al período transcurrido desde el suceso
origen hasta un tiempo cronológico determinado. Así la edad o tiempo biológico de 29
años en el año 1990, corresponderá a x = 29.
• Por último el tiempo en el sentido de línea de vida, será aquella trayectoria de la cual
conocemos el suceso origen pero no el suceso final. A las personas que comparten el
suceso origen las denominamos cohorte. Así la cohorte de 1975, será g = 1975.
Estas tres dimensiones temporales se relacionan de la manera siguiente:
g+x=t
Para profundizar en todo lo anterior ver Montserrat y Guillén (1999).
La tabla de mortalidad facilita de manera asombrosa los cálculos de todo tipo de

valoraciones actuariales, y mucho más, cuando no existía la potencia en los cálculos que en la
actualidad proporcionan los medios computacionales
Tablas estáticas y dinámicas.
La tabla de mortalidad es una abstracción matemática que modeliza la supervivencia

de los individuos pertenecientes a un determinado colectivo. El fenómeno de la supervivencia
se halla caracterizado porque sus sucesos se refieren a la posibilidad de que un individuo
perteneciente al colectivo alcance y supere una edad concreta, siendo por tanto ésta última el
eje fundamental de la tabla de mortalidad.
Los postulados recogidos en Vegas (1982) respecto de las tablas de mortalidad son los
que siguen:
• Principio de Homogeneidad: según el cual todos los individuos considerados son

equivalentes en términos de mortalidad, es decir, la variable edad de muerte es una
variable aleatoria idénticamente distribuida.
• Principio de Independencia: las variables edad de muerte de los individuos pertenecientes

al colectivo, son además de variables aleatorias idénticamente distribuidas, como se citaba
en el Principio anterior, independientes entre sí (a partir de ahora v.a.i.i.d).
• Principio de estacionariedad: la probabilidad de un individuo de sobrevivir a una edad

concreta es independiente del tiempo cronológico.
131
Desde el punto de vista del tiempo cronológico las tablas de mortalidad pueden ser:
De momento: no tiene en cuenta el tiempo cronológico. La cohorte considerada por la tabla

de mortalidad se compone de múltiples generaciones, tratándose todas ellas cómo si se
trataran de una misma generación.
De generación: sí que considera en su estructura el tiempo cronológico para la

determinación del suceso origen nacimiento. De esta manera cada cohorte corresponderá
a una generación real.
Por otra parte, en la legislación española se aplican lo que se conoce por tablas de
mortalidad de segundo orden. Esto quiere decir que implícitamente incorporan un margen de
seguridad en sus probabilidades condicionadas, que será diferente según se trate de un
Seguro de Vida – Ahorro47 o de Vida – Riesgo48. La probabilidad de fallecimiento en el primer
caso se atenúa, mientras que en el segundo se agrava.
La finalidad de este margen de seguridad es, entre otras, la de hacer frente a

desviaciones desfavorables de la siniestralidad real respecto de la esperada. Si pretendemos
un acercamiento al valor razonable de las Provisiones Técnicas no es de recibo incorporar este
margen, por lo que las tablas vigentes no serían validas desde nuestro punto de vista.
Entre las tablas de mortalidad vigentes en la actualidad para los Seguros de Vida, y
más concretamente para los de Ahorro, tenemos las tablas de momento GRM/F – 95, y las
tablas generacionales PERM/F – 2000 P (para la nueva producción), y las PERM/F – 2000 C
(para los contratos en cartera).
De las tablas GRM/F – 95 (de momento y experiencia suiza), ha quedado demostrado

(Betzuen, 1997), que sobrevaloran la mortalidad española para edades mayores, lo cual,
infravaloraría por consiguiente el valor razonable de las PTSV de Seguros de Vida – Ahorro.
Con respecto a los Seguros de Vida – Riesgo contamos con las tablas de momento
GKM/F – 95.
Las actuales tablas de mortalidad quedan invalidadas en primer lugar porque están
elaboradas para una población genérica, con un comportamiento de mortalidad que no tiene
por qué ser similar al de la población objeto de aseguramiento, y en segundo lugar porque
incorporan el citado margen de seguridad.
47
Seguro cuya prestación consiste en un capital pagadero a la supervivencia del Asegurado.
48
La prestación en este caso, consiste en un capital pagadero al fallecimiento del Asegurado.
132
Es por ello que incluiremos los mecanismos básicos que permitan la construcción de
unas tablas de mortalidad dinámicas, más adecuadas y particularizadas para la población
objeto de estudio, por supuesto sin margen de seguridad.
Han sido escogidas las tablas de mortalidad dinámicas, debido a que en la literatura
actuarial se ha reconocido últimamente que éstas son las más adecuadas. Elaboraremos una
tabla de mortalidad dinámica sin margen de seguridad para la población andaluza. La tabla se
elaborará sobre la base de la experiencia de mortalidad de los años 1980 a 2000 en Andalucía,
a fin de mostrar como se implementarían los resultados obtenidos en la cuantificación del valor
razonable de las PTSV.
Antes haremos una exposición de varios modelos que permiten la obtención de tablas
de mortalidad dinámicas.
4.4. TABLAS DE MORTALIDAD DINÁMICAS.
Los métodos de obtención de tablas dinámicas se pueden clasificar siguiendo a Debón

et.al. (2004) en tres grandes grupos:
1.-Modelos paramétricos: ajustan a la mortalidad una función dependiente de unos

parámetros, q x ,t (ó m x ,t ) = f (α i , x) donde x es la edad (v.a. independiente) y αi
son los distintos parámetros a estimar. Como puede observarse, estamos ante un
problema de regresión, con las ventajas que esta técnica estadística tiene, entre las
que destaca la posibilidad de obtener una medida de la bondad del ajuste del modelo y
facilitar así la comparación.
Hay que tener en cuenta en esta metodología, que la introducción de más parámetros
al modelo dará lugar a una medida de la bondad del ajuste mejor, siendo de vital
importancia mantener un equilibrio entre el número final de parámetros escogidos y
esta bondad de ajuste, para evitar una sobreparametrización del modelo.
Los modelos paramétricos a su vez pueden ser:
a) Modelos estructurales: consideran que la influencia del tiempo afecta

únicamente a los parámetros: establecen un mismo modelo a lo largo de los
años calibrado según el tiempo cronológico.
b) Modelos no estructurales: incorporan el tiempo cronológico como variable.
133
2.-Modelos no paramétricos: se combinan las ideas básicas de procesos estocásticos

donde el tiempo cronológico es la escala de tiempo, y la edad una covariable del
proceso.
3.-Modelos basados en los factores de reducción: los cuales una vez modelizadas
las medidas de mortalidad, incorporan la evolución de éstas según el tiempo
cronológico a través de los factores de reducción.
Un procedimiento óptimo para la estimación de tablas de mortalidad dinámicas es,

primero utilizar la metodología no paramétrica, con la finalidad de aplicarla como método de
smoothing o suavizado de la mortalidad y posteriormente utilizar modelos paramétricos para su
estimación final (incluyendo o no factores de reducción).
4.4.1. Métodos paramétricos.
4.4.1.1. Métodos estructurales.
En estos métodos la medida de mortalidad q x ,t , m x ,t , ..., es función de la edad x, de
forma que el modelo se mantiene a lo largo de los años, dependiendo del tiempo cronológico a
través del valor de sus parámetros, es decir, q x ,t = f (α 1 (t ), α 2 (t ),..., α n (t )) , donde αi son
los parámetros a estimar.
Por lo tanto ajustan el mismo modelo para los distintos años, obteniendo una secuencia
de parámetros estimados, para posteriormente analizar la serie cronológica de cada parámetro
y ajustarla para obtener estimaciones de los parámetros a futuro.
Modelo de Heligman y Pollard.
Las leyes de Heligman y Pollard (1980) se ajustaron inspirándose en Thiele (1972) a la

Australia de la posguerra.
Su expresión genérica es:
n
qx
= ∑ Ai exp(− Bi ( f i ( x) − C i ) Di
1 − q x i =1
134
siendo Ai, Bi, Ci, Di, con i = 1, 2, ..., n, los parámetros a estimar.
Las tres expresiones que realmente se ajustaron son las que siguen:
• Primera ley.
+ D exp(− E (ln x − ln F ) ) +
x
( x + B )C GH
qx = A
2
1 − GH x
• Segunda ley.
(
q x = A ( x + B ) + D exp − E (ln x − ln F ) +
C 2
) GH x
1 − KGH x
• Tercera ley.
( )
K
GH x
qx = A ( x + B )C
+ D exp − E (ln x − ln F ) +
2
1 − KGH x
K
Como puede observarse en las tres leyes anteriores, la mortalidad en el método de

Heligman y Pollard está dividida en tres sumandos, donde cada uno de ellos tiene una
interpretación particular:
• Primer sumando, se refiere a la mortalidad infantil (en especial en el primer año de

vida), que hace que la función qx sea decreciente para valores de x pequeños.
• Segundo sumando, representa la mortalidad para edades más adultas, donde se

muestra una joroba que indica la existencia de una sobremortalidad debida al
fallecimiento por accidentes, enfermedades como el SIDA, mortalidad maternal…
• Tercer sumando, refleja el crecimiento de la mortalidad en relación con el aumento de

la edad x.
De las tres leyes anteriores vamos a utilizar la segunda ley en nuestro estudio, ya que
al introducir el parámetro k mejora el ajuste de la primera ley para edades altas (tercer
sumando) y su fórmula es menos laboriosa que la de la tercera ley por lo que se facilitarán los
cálculos.
135
Los parámetros se estiman para cada uno de los años mediante mínimos cuadrados
ponderados no lineales de la forma:
∑ w (q − F ( x) )
2
x x
x
donde F (x ) es la función a ajustar y la inversa de w x es proporcional a la varianza de la
1
observación a la edad x, sirviendo como ponderación de la forma .
(q x )n
La estimación de los parámetros se realiza mediante métodos iterativos de ajuste para

un modelo de regresión no lineal, el método más usual es el de Gauss-Newton.
Una vez estimados los valores de los parámetros para cada uno de los años hay que
determinar el modelo que siguen, para ello se ajusta una serie temporal a cada parámetro y se
obtienen las predicciones para posteriormente obtener la predicción de q x .
Para el ajuste de las series temporales utilizamos la metodología de Box-Jenkins que

expusimos en el capítulo 2, cuyo procedimiento resumido es el siguiente:
1. Se estabiliza la varianza para posteriormente diferenciar la serie (estos dos pasos no

son obligatorios, sólo se hacen si fuese necesario).
2. Observando las funciones de autocorrelación simple y de autocorrelación parcial se

asignan varios valores a p y q .
3. A partir de los valores de p y q se proponen varios modelos ARIMA( p, d , q ) que
cumplen una serie de hipótesis (normalidad, independencia…).
4. De los modelos propuestos se escogerá aquel modelo que tenga una medida BIC
menor.
Con ello conseguimos reducir el número de series temporales a analizar, de 109 series
(que son las edades consideradas habitualmente en una tabla de mortalidad), analizamos 9
series.
Si bien algunos autores dudan de la robustez de este modelo (ver v.g. Gage y Mode
(1993)), servirá a nuestra causa cómo contraste de los resultados obtenidos respecto de la
población andaluza mediante el modelo de Lee – Carter que veremos a continuación.
136
Modelo de Lee-Carter.
El modelo de Lee – Carter (1992) ajusta a la medida de mortalidad la función:
q xt = exp(a x + bx k t ) + ε xt
o equivalentemente
ln(q xt ) = a x + bx k t + ε ' xt
Éste modelo relaciona las tasas de mortalidad por edad con un único factor no
observable kt que engloba las características generales de la mortalidad en el año t conocidas
cómo índice de mortalidad.
Los parámetros a x y bx son los parámetros que dependen de la edad, siendo bx el
factor que captura la dinamicidad del proceso.
En cuanto al ajuste del modelo para que la función tenga solución única los parámetros
han de ser normalizados, por lo que en primer lugar normalizamos a x resultando
^ ∑ ln q xt
ax = t
El modelo de Lee – Carter supone que los componentes de la serie vectorial q x ,t ,
pueden escribirse como una combinación lineal de n factores comunes más un término error:
Qt = P ft + εt
m ×1 = m × n n ×1 m ×1
siendo f t un vector n-dimensional de factores comunes.
137
Es por ello que para estimar los valores bx y k t aplicamos el método del Singular
)
Value Decomposition49 (SVD) a la matriz ln(q xt ) − a x .
A partir de los resultados, normalizamos los valores de bx y k t , de manera que
∑b x =1 y ∑k t = 0.
En función de estos valores normalizados, reestimamos k t utilizando la ecuación
) )
D t = ∑ ( N xt exp(a x + k t bx ))
x
donde:
Dt : número total de muertes en el año t .

N xt : población de edad x en el año t .
Las estimaciones de k t se hallan mediante métodos iterativos.
^
Posteriormente hay que encontrar un modelo para k t utilizando Box-Jenkins. En
muchas aplicaciones un buen modelo es un ARIMA(0,1,0) con una constante negativa que
refleja el decrecimiento de la mortalidad a través de los años, este modelo es de la forma:
k t = c + k t −1 + ε t
donde
c: es la constante y
ε t : es ruido blanco, es decir, ε t ~ N (0, σ ε ) .
49
Cualquier matriz Amxn, sea singular o no, puede ser descompuesta en un producto de tres matrices, de la forma A = U
D V’, donde Umxm y Vnxn son matrices ortogonales (por lo que sus inversas son iguales a sus transpuestas), y D es una
matriz diagonal cuyos elementos diagonales son los valores singulares de A (son las raíces cuadradas positivas de los
valores propios de A’A). Las columnas de U son los vectores singulares por la izquierda de A y las columnas de V son
los vectores singulares de A por la derecha.
138
4.4.1.2. Métodos no estructurales.
Método logarítmico.
El modelo logarítmico es utilizado por Benjamín y Soliman (1995). Este modelo

representa la mortalidad en función del tiempo t y de la edad x mediante la expresión
q xt = α x + ( β x ) t
tomando logaritmos
ln(q xt ) = ln(α x ) + t ln(β x )
donde los parámetros dependientes de la edad han de ser estimados por algún método de
optimización.
Otro método logarítmico con un planteamiento diferente al anterior considera que la

mortalidad decrece de forma exponencial para cada edad, x , de forma que para t > t0
q xt = q xt0 exp(−λ x (t − t 0 ))
donde
q xt0 : es la mortalidad base
exp(−λ x (t − t 0 )) es el factor de proyección

λx es la tasa anual media de mejora:
ln 2
λx =
Tx
siendo Tx el tiempo necesario para que la tasa de mortalidad a la edad x disminuya a la mitad
del valor considerado en t0.
Funciones Gompertz-Makeham con respecto a la edad y el tiempo.
Renshaw et al. (1996) adaptan las funciones Gompertz-Makeham a fin de incluir el

tiempo como variable. El modelo es el siguiente:
⎛ s r r s ⎞
µ xt = exp⎜ β 0 + ∑ β j L j ( x' ) + ∑ α j t ' + ∑∑ γ ij L j ( x' )t 'i ⎟⎟
⎜ i
⎝ j =1 i =1 i =1 j =1 ⎠
139
donde x' ´ y t ' son transformaciones de la edad y el tiempo de forma que los valores estén
dentro del intervalo [-1,1] y L j (x ' ) son los polinomios de Legendre generados por
L0 ( x) = 1
L1 ( x) = x
Ln +1 ( x) = xLn ( x) − nLn −1 ( x) ; (n es un nº entero mayor o igual que 1).
El modelo también se puede escribir de la forma
⎛ s ⎞ ⎛ r ⎛ s ⎞ ⎞
µ xt = exp⎜⎜ β 0 + ∑ β j L j ( x' ) ⎟⎟ + exp⎜ ∑ ⎜⎜α j + ∑ γ ij L j ( x' ) ⎟⎟t 'i ⎟
⎜ i =1 ⎟
⎝ j =1 ⎠ ⎝ ⎝ j =1 ⎠ ⎠
donde el primer término puede interpretarse como una función Gompertz – Makeham
LGM(0,s+1) correspondiente a la graduación y el segundo término como un ajuste del efecto
del año del calendario.
Para estimar los parámetros αi , β j y γ ij se supone que las muertes observadas son
valores correspondientes a las variables aleatorias, D x ,t , Poisson independientes de media y
varianza
E ( D xt ) = λ xt = E xt µ xt ⎫
⎪
⎬
V ( D xt ) = φλ xt ⎪
⎭
donde Ext son los expuestos centrales al riesgo y φ un parámetro de escala que hay que tener
en cuenta cuando los datos están basados mas en pólizas que en individuos (ya que a un
individuo le pueden pertenecer varias pólizas).
Las variables Poisson se suponen variables respuesta de un modelo lineal

generalizado cuyo link es
log(λ xt ) = log E xt + log µ xt = η xt ,

despejando
s r r s
log(λ xt ) = log E xt + β 0 + ∑ β j L j ( x' ) + ∑ α i t ' i + ∑∑ γ ij L j ( x' )t ' i .
j =1 i =1 i =1 j =1
140
La estimación de los parámetros se realiza usando la expresión
1
φ
∑ − (λ
xt
xt + d xt + log λ xt )
y es el núcleo de la función correspondiente a la log-verosimilitud de variables Poisson

independientes D x ,t con media E ( D xt ) = λ xt .
La bondad de ajuste se realiza mediante la Unscaled Deviance
) ⎡ ⎛d ⎞ ) ⎤
D(d xt , λ xt ) = 2∑ ⎢log⎜⎜ )xt ⎟ − (d xt − λ xt )⎥
⎟
⎣ ⎝ λ xt
xt ⎢ ⎠ ⎥⎦
^
donde λ xt es el número de muertes que predice el modelo y la Scaled Deviance, obtenida
dividiendo la Unscaled Deviance por el parámetro de escala φ:
)
) D(d xt , λ xt )
S (d xt , λ xt ) =
φ
La forma de proceder para determinar los parámetros es la siguiente:
1. Los valores de r y s se optimizan calculando la mejora de la Deviance para sucesivos
incrementos de r y s y su comparación con el valor de una variable χ2 de un grado
de libertad. Los valores finales de r y s serán los máximos a partir de los cuales los
incrementos de la Deviance no resultan estadísticamente significativos.
2. Elección de los γ ij que determinan si el factor de actualización temporal depende de la
edad, para ello partiendo de los valores r y s se analiza si el incremento de la

Deviance al introducir cada parámetro resulta significativo.
3. Determinación de los errores estándar de las estimaciones y su significación utilizando

la t-student.
4. Validación final del modelo analizando los residuos Deviance y Pearson.
141
4.4.2. Métodos no paramétricos.
Cómo ya se ha comentado, en los métodos no paramétricos se combinan las ideas

básicas de procesos estocásticos donde el tiempo cronológico es la escala de tiempo, mientras
que la edad se trata como una covariable del proceso. El método utilizado es el del smoother
kernel que veremos a continuación.
El modelo de mortalidad dentro del esquema de procesos estocásticos es una función

bidimensional. Sean t el tiempo cronológico y X (t ) el proceso de edad. Observamos n
individuos (i = 1,2,...n) . Sea N i el número de fallos observados para el i-ésimo individuo en el
intervalo [t1,t2]. Suponemos N = ( N 1 ,...N n ) , modelamos la intensidad aleatoria del proceso
λ = (λ1 ,..., λ n ) de N dependiente de los valores
λi (t ) = α ( X i (t ), t )Yi (t )
sin restringir la forma funcional de α . X i (t ) es el proceso predecible unidimensional de la
edad y Yi (t ) es un proceso predecible que toma el valor 1 cuando el individuo está bajo riesgo
y 0 en caso contrario.
La Estimación constante local de α dados el kernel unidimensional k y b=(b1,b2)

vector bandwidth bidimensional consiste en estimar
) D xt
α ( x, t ) =
E xt
donde
n
D xt = ∑ ∫ K b1 ( x −X i ( s )) K b2 (t − s )dN i ( s )
t2
t1
i =1
n
E xt = ∑ ∫ K b1 ( x − X i ( s )) K b2 (t − s )dYi ( s )
t2
t1
i =1
Para poder separar el efecto de las dos componentes nos restringimos a los
submodelos multiplicativos bidimensionales
α ( x, t ) = α 1 ( x)α 2 (t )
142
− −
que puede ser interpretado como un ratio de mortalidad continuo. Siendo α 1 ( x) y α 2 (t ) las
componentes univariantes de interés, donde
t2 t2 t2
α 1 ( x) = ∫ α ( x, t )dt = ∫ α 1 ( x)α 2 (t )dt = α 1 ( x) ∫ α 2 (t )dt = α 1 ( x)c1
t1 t1 t1
n2 n2 n2
α 2 ( x) = ∫ α ( x, t )dx = ∫ α 1 ( x)α 2 (t )dx = α 2 (t ) ∫ α 1 ( x)dx = α 2 (t )c 2
n1 n1 n1
Los valores y la constante son estimados por
) )
α 1 ( x) = ∫ α ( x, t )dt ⎫
t2
t1 ⎪
) n2 ) ⎪
α 2 ( x) = ∫ α ( x, t )dx ⎬
⎪
n1
) t 2 n2 )
c = ∫ ∫ α ( x, t )dxdt ⎪
t1 n1 ⎭
Las ventajas de este modelo son que puede aplicarse cuando hay pocos datos y
permite una rápida impresión del desarrollo de la mortalidad.
4.4.3. Métodos basados en factores de reducción de la mortalidad.
Los factores de mejora de la mortalidad RF(x,t) son valores que permiten proyectar las
tablas de mortalidad a lo largo del tiempo al tener en cuenta los cambios que la medida de
mortalidad ha sufrido en el transcurrir de los años.
Sea t el tiempo con origen en t=0, el factor de reducción está caracterizado por la
ecuación
q xt = q x 0 RF ( x, t ), t ≥ 0
sujeto a las restricciones
RF ( x,0) = 1 ∀x ≥ 0
0 ≤ RF ( x, t ) ≤ 1 ∀x ≥ 0 ∀t ≥ 0
donde qx0 es el tanto de mortalidad de la tabla base.
143
Modelización de los factores de reducción
Sean Dxt las variables aleatorias que representan el número real de muertes a edades
individuales y Ext los correspondientes expuestos iniciales en t = t1, t1+1,…,tmax. Las variables
Dxt son independientes donde cada una de ellas sigue una distribución binomial ~ B ( E x ,t , q x ,t )
y parámetro de sobredispersión φ . Podemos definir el GLM cuyas variables de respuesta son:
D xt
Yxt =
E xt
con
E (Yxt ) = q xt ⎫
⎪⎪
q (1 − q xt ) ⎬
Var (Yxt ) = φ xt ⎪
E xt ⎭⎪
con un predictor lineal η xt y una función monótona y diferenciable g tal que
η xt = g (q xt ) ⇔ q xt = g −1 (η xt )
obteniendo
g −1 (η xt )
RF ( x, t ) =
q x0
Descomponiendo el predictor lineal
η xt = η x 0 + η ' xt con η ' x0 = 0
Hay que proporcionar una estructura paramétrica para η ´xt de forma que η ´x0=0 de la
que obtener
g −1 (η x 0 + η ' xt )
RF ( x, t ) =
g −1 (η x 0 )
y que cumpla las dos restricciones expuestas anteriormente.
Las estructuras paramétricas consideradas pueden ser:
144
1. Una recta paramétrica que pasa por el origen y cuya pendiente dependa de la edad
η ' xt = β xt
2. Caso general de splines con k+1 nodos
r k
∑∑ β
i =1 j =1
ij ( x − x j )i + t, ∀( x, t )
como caso particular de splines cúbicos satisfactorios
r = 3 y β ij = 0, ∀i = 1,2
Para ajustar la recta de la primera opción el predictor es
η xt = g (q x 0 ) + β xt
donde g(qx0) se calcula aplicando el link a los valores graduados del periodo base. Los valores
ajustados son
) )
η xt = g (q x 0 ) + β xt
con el error
) )
se(η xt ) = se( β xt )t
Aplicando la función inversa del link
)
ηq xt = g −1 (η xt ) = g −1 ( g (q x 0 ) + β xt )
que podemos sustituir en la expresión de los factores de reducción para calcular sus valores
ajustados o sus logaritmos
) )
) q xt g −1 ( g (q x 0 ) + β xt )
RF ( x, t ) = =
q x0 q x0
145
) )
log( RF ( x, t )) = log( g −1 ( g (q x 0 ) + β xt )) − log(q x 0 )
Por otra parte, es conveniente representar los resultados en escala logarítmica, el

objetivo de nuestro análisis son los factores de reducción
q xt
= RF ( x, t )
q x0
log(q xt ) − log(q x 0 ) = log( RF ( x, t ))
suponiendo que conocemos dxt y Ext se pueden realizar estudios retrospectivos para años
posteriores al periodo base. Para tales datos podemos obtener ratios brutos
d xt
q ' xt =
E xt
y sustituyendo nos proporcionan los valores
z xt = log(q' xt ) − log(q x 0 )
que se puede representar gráficamente respecto de t para cada edad.
Modelo de Lee-Carter modificado
El modelo de Lee-Carter de ajustes y predicción de tendencias de mortalidad puede ser

adaptada a la construcción de factores de reducción de mortalidad. Formulando la metodología
en función de la fuerza de mortalidad tenemos la ecuación
log(µ xt ) = log(µ x 0 ) + log( RF ( x, t ))
que adaptándola al modelo Lee-Carter
log(µ xt ) = α x + β x k t
sujeto a las restricciones k0=0 donde
146
α x 0 = log(µ x 0 ) ⇒ µ x 0 = exp(α x 0 )
β x = log( RF ( x, t )) ⇒ RF ( x, t ) = exp( β x k t )
Los parámetros estarán unívocamente determinados si se cumple además
k 0 = 0, ∑β x
x = 1, α x 0 = log(µ x 0 )
con t = t1, t1+1, …, tm, …, tn.
Sean:
h = t n − t1 + 1 rango de años de calendario de los datos
g = tn − tm + 1 rango de un subintervalo que especifica el periodo de datos que
han sido graduados y en cuyo centro se va a fijar el origen t0.
⎡g⎤
t0 = tn − ⎢ ⎥
⎣2⎦
⎡g⎤ g
donde ⎢ ⎥ es la parte entera de .
⎣2⎦ 2
El modelo puede ajustarse siguiendo estos pasos:
1. Estimación de α x0 de una de estas formas
1.1 Dada la tabla de mortalidad estándar basada en un grupo de g años
)
α = log(µ x 0 )
1.2 A partir de la tabla de mortalidad estándar basada en un grupo de g años
⎛ tn ⎞
⎜ ∑ d xt ⎟
) ⎜ t =t ⎟
α x0 = log⎜ tn m ⎟
⎜ ∑ E xt ⎟
⎜ t =t ⎟
⎝ m ⎠
147
1.3 La media geométrica de los datos de mortalidad brutos
d xt
rxt =
E xt
para los años de tm a tn ambos inclusive
) ⎛ tn ⎞
α x0 = log⎜⎜ ∏ (rxt )1 / g ⎟⎟
⎝ t =t m ⎠
2. Suavizar si es necesario el valor anterior obtenido en los pasos 1.2 y 1.3
3. Estimar ( β x , kt ) aplicando el SVD a la matriz formada por
)
z xt = log(rxt ) − α x 0
^
4. Ajustar k t de forma que el total de muertes observadas ∑d
x
xt sea igual al total de
muertes ajustadas
) ) ) ) )
∑d
x
xt , ∀t con d xt = E xt exp(α x 0 + β x k t )
^ ^
5. Transformar k t en k t - k t 0
^
6. Suavizar βx si fuera necesario
7. Contrastar la bondad de ajuste calculando los residuos
)
d xt − d xt
)
d xt
Posteriormente predecir los k t siguiendo el modelo de series temporales, según el
paso 5 con el proceso ARIMA(0,1,0) , este particular proceso queda
148
k t = k t −1 + λ + ε t
{ }
por lo que k t se predice linealmente. Denotando la predicción como k t n + s : s > 0 , el factor de
predicción se predice mediante
)
log( RF ( x, t n + s )) = β x k tn + s
Para el proceso ARIMA(0,1,0)
) )
k t n + s = k t n + sλ
y de aquí
) ) )
RF ( x, t n + s ) = exp( β x (k tn + sλ ))
4.5. APLICACIÓN A LA POBLACIÓN DE LA COMUNIDAD ANDALUZA.
Se han aplicado a la Comunidad Andaluza, la segunda ley de Heligman y Pollard

destacado por Felipe y Guillén (1999), y el modelo de Lee – Carter destacado por Debón et. al.
(2004).
Modelo de Heligman y Pollard.
Como ya se ha explicado antes, la segunda Ley de Heligman y Pollard es la que sigue:
(
q x = A ( x + B ) + D exp − E (ln x − ln F ) +
C 2
) GH x
1 − KGH x
Siendo éste el primer modelo que se ha ajustado a la mortalidad de la población

andaluza para los años 1980 – 2000.
No se han considerado menores de 15 años, por ser esta la edad mínima para ser
asegurado, ni los mayores de 84 años por la escasez de datos para éstas edades.
Al analizar esta función distinguimos tres términos:
149
Primer sumando: se trata de una exponencial de decrecimiento rápido que refleja la

caída de la mortalidad durante los primeros años de vida.
Dado que la edad mínima para ser asegurado es 15 años, vamos a obviar en
nuestro estudio este nivel.
Segundo sumando: con un comportamiento parecido al de la lognormal, tiene que

ver con la mortalidad para las edades juveniles. Provoca lo que se denomina
“joroba de los accidentes”, y cobra valor cuando existe un incremento en la
mortalidad para las edades juveniles más que proporcional al que resultaría de
tener en cuenta únicamente el primer sumando.
Tercer sumando: es la ley de Gompertz, y determina un crecimiento en la

mortalidad para las edades adultas prácticamente geométrico.
Al obviar el primer sumando la función que se ha ajustado es la que sigue:
(
q x = D exp − E (ln x − ln F ) +
2
) GH x
1 − KGH x
Recurrimos al algoritmo recursivo de Gauss – Newton, para obtener los estimadores de

cada uno de los años para los hombres que siguen:
AÑO D E F G H K
(10 3 ) (10 5 )
1980 0,532 4,969 20,913 3,716 1,107 1,408
1981 0,552 9,400 20,645 4,926 1,102 0,817
1982 0,549 7,441 20,964 3,874 1,106 1,355
1983 0,552 6,214 21,480 3,327 1,108 1,488
1984 0,623 10,304 20,464 4,510 1,103 1,018
1985 0,768 10,291 21,294 4,127 1,104 1,155
1986 0,657 7,490 21,628 4,127 1,104 1,063
1987 0,816 6,889 22,595 4,207 1,103 1,070
1988 0,862 6,413 22,064 4,508 1,102 0,791
1989 1,055 5,613 23,496 3,960 1,104 0,992
1990 1,016 6,075 23,947 4,662 1,100 0,550
1991 1,189 4,916 25,783 3,145 1,108 2,230
1992 1,183 5,983 25,461 3,634 1,105 1,972
1993 1,226 5,034 27,900 2,502 1,111 2,469
1994 1,064 3,059 30,741 2,622 1,109 2,169
1995 1,337 3,389 32,117 1,777 1,116 2,837
1996 1,362 1,958 37,213 1,390 1,119 1,979
1997 0,831 0,945 36,889 2,539 1,109 2,466
1998 1,836 0,494 97,752 0,938 1,125 2,369
1999 0,812 2,165 33,115 2,182 1,111 1,453
2000 0,914 0,645 51,648 1,704 1,114 1,375
Cuadro 4.1: Estimaciones de los parámetros para la segunda ley de Heligman y Pollard, en la
población andaluza. Hombres.
150
Para las mujeres tendríamos los siguientes estimadores
AÑO D E F G H K
(10 3 ) (10 5 )
1980 0,468 1,403 39,696 0,477 1,130 1,542
1981 0,441 1,062 42,886 0,403 1,132 1,448
1982 0,329 0,665 41,997 0,450 1,130 1,456
1983 0,391 0,677 41,712 0,367 1,133 1,378
1984 0,384 0,705 46,604 0,374 1,132 1,281
1985 0,326 1,126 33,683 0,369 1,132 1,121
1986 0,364 0,359 37,792 0,352 1,132 1,070
1987 0,426 0,428 50,156 0,383 1,131 1,063
1988 0,421 0,816 42,598 0,367 1,131 0,943
1989 0,326 0,696 34,064 0,361 1,131 0,967
1990 0,517 1,214 43,072 0,311 1,132 0,931
1991 0,448 1,416 36,249 0,282 1,135 1,879
1992 0,383 1,386 31,241 0,309 1,132 1,842
1993 0,488 1,956 37,746 0,236 1,137 1,896
1994 0,485 2,512 38,224 0,299 1,132 1,444
1995 0,523 3,160 37,918 0,305 1,131 1,062
1996 0,506 2,588 35,494 0,293 1,131 0,433
1997 0,433 1,602 38,535 0,322 1,131 1,669
1998 0,317 1,504 36,137 0,284 1,132 0,308
1999 0,432 4,203 38,990 0,282 1,131 0,267
2000 0,449 4,238 39,789 0,274 1,131 0,389
Cuadro 4.2: Estimaciones de los parámetros suavizados para la segunda ley de Heligman y
Pollard, en la población andaluza. Mujeres.
En cuanto a la bondad del ajuste se ha realizado la prueba del R2, dando lugar a la
siguiente tabla en la que también se ha incluido el error porcentual absoluto medio (MAPE). Los
resultados para los hombres son los que siguen:
AÑO R 2 (ajust.por g.l) MAPE

1980 97,4953 13,2697
1981 97,5599 13,8574
1982 98,1975 9,7281
1983 98,0399 9,7679
1984 97,6367 15,0695
1985 98,6369 7,4377
1986 98,3238 8,2580
1987 98,3847 9,8707
1988 98,6398 10,6560
1989 97,5098 12,7547
1990 98,7028 8,3379
1991 98,4008 9,3502
1992 98,1446 8,0444
1993 98,2175 11,7508
1994 97,7508 17,6117
1995 97,2680 19,0985
1996 97,5964 13,3020
1997 97,7461 12,6947
1998 97,7243 16,2469
1999 98,0249 14,3792
2000 98,5396 10,6892
Cuadro 4.3: Bondad del ajuste y contraste MAPE del modelo de Heligman
y Pollard, en la población andaluza. Hombres.
151
Para las mujeres:

1980 99,3100 20,3360
1981 99,0695 14,2580
1982 99,2700 23,4768
1983 99,3428 20,7534
1984 99,0065 29,8215
1985 99,2683 17,2497
1986 99,3741 21,1380
1987 99,3400 20,2430
1988 99,3800 17,8300
1989 99,4355 18,1699
1990 99,2635 21,2715
1991 98,8019 21,2208
1992 98,5520 17,5375
1993 98,8108 18,3708
1994 98,7564 23,8974
1995 99,0664 20,4689
1996 99,0634 22,9069
1997 98,8692 21,7589
1998 98,9643 30,4115
1999 99,0402 34,5878
2000 98,9210 37,6049
y Pollard, en la población andaluza. Mujeres
No obstante si tenemos en cuenta la dispersión que provoca la mortalidad de los

últimos años de la serie, hemos de suavizar los estimadores con la finalidad de obtener una
serie temporal más adecuada, obteniendo la siguiente estimación:
AÑO D E F G H K
(10 3 ) (10 5 )
1980 0,544 7,270 20,841 4,172 1,105 1,193
1981 0,546 7,006 21,001 3,961 1,106 1,267
1982 0,562 7,665 20,893 4,071 1,105 1,217
1983 0,609 8,730 20,970 4,153 1,104 1,167
1984 0,630 8,348 21,166 3,993 1,105 1,216
1985 0,683 8,238 21,492 4,060 1,104 1,159
1986 0,745 8,277 21,609 4,296 1,103 1,020
1987 0,832 7,339 22,216 4,186 1,103 1,014
1988 0,881 6,496 22,746 4,293 1,102 0,893
1989 0,988 5,981 23,577 4,096 1,103 1,126
1990 1,061 5,800 24,150 3,982 1,104 1,307
1991 1,134 5,524 25,317 3,580 1,105 1,642
1992 1,136 5,013 26,766 3,313 1,107 1,878
1993 1,200 4,476 28,400 2,736 1,110 2,335
1994 1,235 3,885 30,686 2,385 1,112 2,285
1995 1,164 2,877 32,972 2,166 1,113 2,384
1996 1,286 1,969 35,741 1,853 1,116 2,364
1997 1,236 1,790 36,216 1,765 1,116 2,221
1998 1,151 1,242 40,122 1,750 1,115 1,928
1999 1,098 1,063 40,849 1,840 1,115 1,916
2000 1,187 1,102 42,169 1,608 1,117 1,732
Pollard, en la población andaluza. Hombres.
152
Con respecto a las mujeres los estimadores suavizados son:
AÑO D E F G H K
(10 3 ) (10 5 )
1980 0,413 1,043 41,527 0,443 1,131 1,495
1981 0,407 0,952 41,573 0,424 1,131 1,482
1982 0,403 0,902 42,579 0,414 1,131 1,427
1983 0,374 0,847 40,625 0,392 1,132 1,371
1984 0,359 0,706 42,119 0,382 1,132 1,260
1985 0,378 0,659 42,077 0,369 1,132 1,157
1986 0,384 0,687 40,944 0,369 1,132 1,085
1987 0,373 0,685 41,138 0,366 1,132 1,026
1988 0,411 0,703 39,659 0,355 1,132 0,991
1989 0,428 0,914 39,310 0,341 1,132 1,157
1990 0,419 1,106 39,304 0,326 1,133 1,312
1991 0,433 1,334 37,599 0,300 1,133 1,503
1992 0,464 1,697 36,931 0,288 1,133 1,599
1993 0,466 2,086 37,135 0,286 1,133 1,625
1994 0,477 2,320 36,487 0,288 1,133 1,336
1995 0,487 2,363 36,471 0,291 1,132 1,301
1996 0,453 2,273 37,578 0,300 1,132 0,983
1997 0,442 2,611 37,870 0,297 1,131 0,804
1998 0,427 2,827 37,789 0,291 1,131 0,748
1999 0,408 2,887 38,363 0,290 1,131 0,613
2000 0,399 3,315 38,305 0,280 1,131 0,658
Pollard, en la población andaluza. Mujeres.
En este caso los valores de R2 y del MAPE son los siguientes para hombres y mujeres
respectivamente:

1980 99,4650 11,9676
1981 99,1649 10,0450
1982 99,6502 14,5520
1983 99,6336 13,1744
1984 99,1295 14,6210
1985 99,4606 12,8667
1986 99,6976 13,7159
1987 99,6388 13,1342
1988 99,5935 11,9609
1989 99,5661 12,1512
1990 99,3754 13,7709
1991 99,4973 14,3586
1992 99,3969 15,3115
1993 99,3444 12,4838
1994 99,4023 14,5336
1995 99,2900 13,3893
1996 99,3590 14,2004
1997 99,5803 15,9666
1998 99,4303 20,1361
1999 99,4825 20,3658
2000 99,3280 17,6469
y Pollard suavizado, en la población andaluza . Hombres
153
2
AÑO R (ajust.por g.l) MAPE
1980 99,4650 11,9676
1981 99,1649 10,0450
1982 99,6502 14,5520
1983 99,6336 13,1744
1984 99,1295 14,6210
1985 99,4606 12,8667
1986 99,6976 13,7159
1987 99,6388 13,1342
1988 99,5935 11,9609
1989 99,5661 12,1512
1990 99,3754 13,7709
1991 99,4973 14,3586
1992 99,3969 15,3115
1993 99,3444 12,4838
1994 99,4023 14,5336
1995 99,2900 13,3893
1996 99,3590 14,2004
1997 99,5803 15,9666
1998 99,4303 20,1361
1999 99,4825 20,3658
2000 99,3280 17,6469
y Pollard suavizado, en la población andaluza . Mujeres
Posteriormente al igual que Felipe y Guillén (1999) aplicamos el método de series

temporales propuesto por Box y Jenkins (1976) sobre las estimaciones de los parámetros
anteriores, para obtener modelos ARIMA suficientemente válidos.
Los modelos elegidos son los que siguen para los hombres:
D E F G H K
Modelo ARIMA(0,1,0) ARIMA(0,1,1) ARIMA(1,2,0) ARIMA(0,1,2) ARIMA(1,1,0) ARIMA(0,1,2)
Constante X
Trans. X X X X
Cuadro 4.9: Modelo ARIMA aplicado en los parámetros suavizados para la predicción. Hombres.
Mientras que para las mujeres son:
D E F G H K
Modelo ARIMA(0,1,1) ARIMA(1,1,0) ARIMA(5,1,0) ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0)
Constante X X
Trans. X X X X X
Cuadro 4.10: Modelo ARIMA aplicado en los parámetros suavizados para la predicción. Mujeres.
154
A partir de estos modelos ARIMA, los valores de los parámetros predichos desde 2001
a 2020 para los hombres son los siguientes:
AÑO D E F G H K
(10 3 ) (10 5 )
2001 1,216 0,848 40,124 1,547 1,117 1,769
2002 1,244 0,848 38,468 1,451 1,117 1,769
2003 1,272 0,848 36,862 1,451 1,117 1,769
2004 1,300 0,848 35,512 1,451 1,117 1,769
2005 1,327 0,848 34,264 1,451 1,117 1,769
2006 1,355 0,848 33,158 1,451 1,117 1,769
2007 1,382 0,848 32,143 1,451 1,117 1,769
2008 1,409 0,848 31,220 1,451 1,117 1,769
2009 1,436 0,848 30,370 1,451 1,117 1,769
2010 1,463 0,848 29,588 1,451 1,117 1,769
2011 1,489 0,848 28,862 1,451 1,117 1,769
2012 1,516 0,848 28,187 1,451 1,117 1,769
2013 1,542 0,848 27,558 1,451 1,117 1,769
2014 1,568 0,848 26,968 1,451 1,117 1,769
2015 1,594 0,848 26,416 1,451 1,117 1,769
2016 1,619 0,848 25,895 1,451 1,117 1,769
2017 1,645 0,848 25,405 1,451 1,117 1,769
2018 1,671 0,848 24,941 1,451 1,117 1,769
2019 1,696 0,848 24,502 1,451 1,117 1,769
2020 1,721 0,848 24,085 1,451 1,117 1,769
Cuadro 4.11: Predicciones de los parámetros para la segunda ley de Heligman y Pollard, en la
población andaluza. Hombres
Con respecto a las mujeres quedaría:

AÑO D E F G H K
(10 3 ) (10 5 )
2001 0,397 3,564 38,187 0,270 1,131 0,702
2002 0,397 3,564 38,265 0,262 1,131 0,719
2003 0,397 3,564 38,265 0,253 1,131 0,719
2004 0,397 3,564 38,265 0,245 1,131 0,719
2005 0,397 3,564 38,265 0,237 1,131 0,719
2006 0,397 3,564 38,265 0,228 1,131 0,719
2007 0,397 3,564 38,265 0,220 1,131 0,719
2008 0,397 3,564 38,265 0,211 1,131 0,719
2009 0,397 3,564 38,265 0,203 1,131 0,719
2010 0,397 3,564 38,265 0,195 1,131 0,719
2011 0,397 3,564 38,265 0,186 1,131 0,719
2012 0,397 3,564 38,265 0,178 1,131 0,719
2013 0,397 3,564 38,265 0,169 1,131 0,719
2014 0,397 3,564 38,265 0,161 1,131 0,719
2015 0,397 3,564 38,265 0,152 1,131 0,719
2016 0,397 3,564 38,265 0,144 1,131 0,719
2017 0,397 3,564 38,265 0,136 1,131 0,719
2018 0,397 3,564 38,265 0,127 1,131 0,719
2019 0,397 3,564 38,265 0,119 1,131 0,719
2020 0,397 3,564 38,265 0,110 1,131 0,719
Cuadro 4.12: Predicciones de los parámetros para la segunda ley de Heligman y Pollard, en la
población andaluza. Mujeres.
155
Modelo de Lee – Carter.
También se ha ajustado el modelo de Lee – Carter (1992) a la población andaluza para

el mismo período, con la finalidad de contrastar ambos resultados. Recordemos que el modelo
de Lee – Carter ajusta la siguiente función:
ln(q x , y ) = a x + bx k y + ε ' x , y
No obstante, cómo ya se ha hecho referencia, para que el modelo tenga solución única,
los parámetros han de normalizados. Para ello en primer lugar normalizamos el valor de ax
resultando
∑ ln(q x, y )
aˆ x =
y
T
^
Los resultados obtenidos para hombres y mujeres a x son los que siguen
Edad Hombres Mujeres Edad Hombres Mujeres

15 -7,808 -8,357 51 -5,109 -6,000
16 -7,508 -8,405 52 -5,014 -5,905
17 -7,380 -8,301 53 -4,884 -5,818
18 -7,171 -8,166 54 -4,794 -5,753
19 -7,072 -8,170 55 -4,711 -5,615
20 -7,046 -8,108 56 -4,605 -5,541
21 -6,917 -8,182 57 -4,523 -5,484
22 -6,883 -8,058 58 -4,429 -5,360
23 -6,832 -8,181 59 -4,316 -5,240
24 -6,857 -7,980 60 -4,246 -5,175
25 -6,781 -8,036 61 -4,162 -5,055
26 -6,723 -7,965 62 -4,085 -4,949
27 -6,680 -7,874 63 -3,964 -4,859
28 -6,670 -7,824 64 -3,902 -4,748
29 -6,549 -7,741 65 -3,776 -4,629
30 -6,567 -7,661 66 -3,709 -4,526
31 -6,501 -7,556 67 -3,616 -4,439
32 -6,463 -7,480 68 -3,527 -4,306
33 -6,467 -7,456 69 -3,422 -4,170
34 -6,487 -7,425 70 -3,316 -4,050
35 -6,362 -7,260 71 -3,246 -3,915
36 -6,336 -7,216 72 -3,123 -3,783
37 -6,281 -7,203 73 -3,029 -3,672
38 -6,232 -7,100 74 -2,930 -3,529
39 -6,153 -7,015 75 -2,844 -3,408
40 -6,080 -6,933 76 -2,723 -3,271
41 -6,030 -6,928 77 -2,623 -3,135
42 -5,916 -6,757 78 -2,535 -2,982
43 -5,827 -6,694 79 -2,436 -2,856
44 -5,784 -6,619 80 -2,314 -2,707
45 -5,647 -6,534 81 -2,236 -2,594
46 -5,565 -6,466 82 -2,128 -2,465
47 -5,472 -6,338 83 -2,040 -2,351
48 -5,396 -6,260 84 -1,962 -2,225
49 -5,302 -6,185 >=85 -1,664 -1,765
50 -5,171 -6,067
Cuadro 4.13: Valores de ak normalizados para el modelo de Lee - Carter.
156
A continuación estimamos los valores bx y k y a través del Singular Value
Decomposition (SVD), aplicado a la matriz ln(q x , y ) − aˆ x . No obstante y dado que para que el
modelo tenga solución única los parámetros bx y k y han de ser normalizados de manera que
∑b x =1 y ∑k y = 0 . Obteniendo:

15 0,296 0,006 51 0,296 0,010
16 0,268 0,015 52 0,230 0,019
17 0,003 0,035 53 0,246 0,015
18 0,009 0,024 54 0,222 0,017
19 0,243 0,024 55 0,184 0,014
20 -0,045 0,022 56 0,113 0,014
21 -0,044 0,039 57 0,237 0,017
22 -0,034 0,023 58 0,138 0,016
23 -0,173 0,030 59 0,211 0,019
24 -0,161 0,014 60 0,252 0,019
25 -0,393 0,008 61 0,166 0,020
26 -0,417 0,003 62 0,200 0,023
27 -0,567 0,007 63 0,231 0,018
28 -0,841 0,024 64 0,203 0,017
29 -0,804 -0,001 65 0,207 0,019
30 -1,021 0,001 66 0,203 0,019
31 -0,733 0,007 67 0,205 0,017
32 -0,982 0,008 68 0,176 0,018
33 -0,882 0,002 69 0,222 0,016
34 -0,928 0,008 70 0,284 0,018
35 -0,690 0,007 71 0,241 0,017
36 -0,397 -0,003 72 0,320 0,017
37 -0,313 0,019 73 0,274 0,016
38 -0,099 0,007 74 0,273 0,016
39 -0,098 0,010 75 0,294 0,016
40 0,067 0,005 76 0,322 0,016
41 0,014 0,005 77 0,311 0,015
42 0,228 0,014 78 0,257 0,013
43 0,130 0,007 79 0,259 0,012
44 0,178 0,012 80 0,238 0,012
45 0,059 0,006 81 0,246 0,013
46 0,170 0,009 82 0,219 0,011
47 0,207 0,006 83 0,126 0,012
48 0,179 0,012 84 0,241 0,011
49 0,230 0,017 >=85 0,303 0,007
50 0,192 0,018
Cuadro 4.14: Valores de bk normalizados para el modelo de Lee - Carter. Hombres y
Mujeres
A continuación en lugar de considerar los resultados para k y obtenidos del SVD,
reestimamos k y utilizando la ecuación
157
D y = ∑ N x , y exp(aˆ x + k y bˆx )
x
Dando lugar a los siguientes resultados de k y
Año Hombres Mujeres Año Hombres Mujeres

1980 0,50232 14,34867 1991 -0,01636 -3,54663
1981 0,56774 13,04597 1992 -0,22811 -8,14748
1982 0,38986 10,36936 1993 -0,21629 -5,84921
1983 0,35433 11,10903 1994 -0,37338 -9,23175
1984 0,34472 7,51604 1995 -0,29052 -9,57255
1985 0,39376 7,93592 1996 -0,25542 -6,68203
1986 0,25294 6,48588 1997 -0,48048 -9,19282
1987 0,17589 5,07784 1998 -0,28585 -7,66584
1988 0,18265 4,63239 1999 -0,39324 -9,27095
1989 0,15554 2,37694 2000 -0,62463 -11,60429
1990 0,13115 0,45904
Cuadro 4.15: Valores de ky reestimados. Hombres y Mujeres
De esta manera ya tenemos ajustados los parámetros, y sólo resta comprobar la

bondad del ajuste así como el análisis de los errores, antes de aplicar Box - Jenkins. Para ello
hemos realizado la prueba R2, así como la del error porcentual absoluto medio (MAPE), dando
lugar a los siguientes resultados para los hombres:

1980 99,6666 8,0683
1981 99,7993 9,1663
1982 99,8038 7,1021
1983 99,8477 7,7512
1984 99,8563 7,1082
1985 99,8928 6,2736
1986 99,9014 6,6653
1987 99,8028 8,0298
1988 99,7847 7,7607
1989 99,7098 11,2975
1990 99,7038 10,3163
1991 99,4941 9,6591
1992 99,4947 8,2150
1993 99,6956 7,6027
1994 99,6564 8,0336
1995 99,6713 9,1550
1996 99,3732 9,2745
1997 99,5457 12,7844
1998 99,4818 14,4403
1999 99,2777 16,0761
2000 99,2666 24,2985
Cuadro 4.16: Bondad del ajuste y contraste MAPE del modelo de Lee - Carter,
en la población andaluza. Hombres.
158
Para las mujeres:

1980 99,6495 12,8143
1981 99,8023 10,8058
1982 99,9091 13,6786
1983 99,9218 10,4448
1984 99,7383 11,8450
1985 99,8112 13,4746
1986 99,8638 11,6127
1987 99,8015 10,6564
1988 99,8432 9,6636
1989 99,7506 10,3450
1990 99,8121 8,8155
1991 99,5576 10,6798
1992 99,2564 13,2430
1993 99,5981 10,6962
1994 99,6823 11,2338
1995 99,8758 11,3737
1996 99,8207 10,5146
1997 99,5368 12,4120
1998 99,7209 13,9056
1999 99,6934 13,8640
2000 99,8421 13,7814
en la población andaluza. Mujeres
Aplicamos para k y Box-Jenkins, obteniendo un buen modelo ARIMA(0,1,0) con
constante, que para hombres sería:
k y = k y −1 − 0,05635 + ε y
Mientras que para las mujeres quedaría
k y = k y −1 − 1,2976 + ε y
Comparación de ambos modelos.
Si nos detenemos un momento y analizamos la determinación de la medida de

mortalidad según el modelo de Lee – Carter:
ln(q x , y ) = a x + bx k y + ε ' x , y
159
determinamos que si tenemos un bx positivo, tendremos un decremento de la mortalidad ante
un k y menor; y lógicamente, ocurre lo contrario ante un bx negativo, es decir, frente a un k y
menor, obtendremos un incremento de la mortalidad.
Si observamos los resultados obtenidos, podemos comprobar que se produce un

decremento de la mortalidad con el tiempo cronológico, para ambos sexos y todas las edades,
con la excepción de los hombres de entre 20 y 39 años.
Parece afectar este incremento de la mortalidad con el tiempo, a lo que conocemos

cómo la “joroba de los accidentes” de los hombres. Si bien el modelo de Heligman y Pollard
también predice un incremento de la mortalidad para este tramo de edad, este incremento es
mucho menos acusado que en el modelo de Lee – Carter, cómo puede apreciarse al
comprobar la medida de la mortalidad con el tiempo para una edad de 30 años:
0,00470
0,00420
0,00370
Observados
0,00320 Heligman y Pollard

Lee - Carter
0,00270
0,00220
0,00170
0,00120
0,00070
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Gráfico 4.1.: Comparativa de la medida de la mortalidad qxy para una edad de 30 años. Hombres
No obstante, para las mujeres ambos modelos están de acuerdo en una disminución de
la medida de mortalidad para 30 años, la gráfica es la que sigue
160
0,00090
0,00080 Observados
Heligman y Pollard
0,00070 Lee - Carter
0,00060
0,00050
0,00040
0,00030
0,00020
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Gráfico 4.2.: Comparativa de la medida de la mortalidad qxy para una edad de 30 años. Mujeres
En cuanto a una edad intermedia de 45 años, tanto para hombres como para mujeres,
ambos modelos coinciden en una pequeña disminución de la mortalidad con los años. Para
hombres quedaría como sigue:
0,00440
0,00390
0,00340
Observados
Heligman y Pollard
0,00290
Lee - Carter
0,00240
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Gráfico 4.3.: Comparativa de la medida de la mortalidad qxt para una edad de 45 años. Hombres
161
Para mujeres sería:
0,00180
0,00160
0,00140
0,00120
Real
0,00100 Heligman y Pollard
Lee - Carter
0,00080
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Por último, si nos centramos en edades adultas, y más concretamente en una edad de
72 años, el modelo de Lee – Carter predice una disminución más acentuada que el modelo de
Heligman y Pollard, tanto para hombres cómo para mujeres; esto puede comprobarse
gráficamente:
0,05900
0,05400
0,04900
0,04400
0,03900
Real
Heligman y Pollard
0,03400
Lee - Carter
0,02900
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Gráfico 4.5.: Comparativa de la medida de la mortalidad qxy para una edad de 72 años. Hombres
162
0,03350
0,02850
0,02350
Real
0,01850
Heligman y Pollard
Lee - Carter
0,01350
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Si representamos gráficamente la medida de mortalidad
ω x , y = ln[q x , y ]
para todas las edades según ambos modelos y comparados asimismo con las observaciones
reales, para los años 1980 y 2000, así como la predicción para 2010, podemos acotar las
tendencias en la mortalidad según tramos de edad.
Para el año 1980 los resultados son los que siguen:
0,00
-1,00
-2,00
-3,00 Observados
Heligman y Pollard
-4,00
Lee - Carter
-5,00
-6,00
-7,00
-8,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Gráfico 4.7.: Comparativa de los resultados para wxy obtenidos mediante el modelo de
Heligman y Pollard, Lee - Carter y los observados. Año 1980. Hombres.
163
0,00
-1,00
-2,00
Observados
-3,00
Heligman y Pollard
-4,00 Lee - Carter
-5,00
-6,00
-7,00
-8,00
-9,00
-10,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Heligman y Pollard, Lee - Carter y los observados. Año 1980. Mujeres.
Para el año 2000 tendríamos los siguientes resultados:
0,00
-1,00
-2,00
Observados
-3,00
Heligman y Pollard
-4,00 Lee - Carter
-5,00
-6,00
-7,00
-8,00
-9,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Heligman y Pollard, Lee - Carter y los observados. Año 2000. Hombres.
164
0,00
-2,00
Observados
-4,00 Heligman y Pollard
Lee - Carter
-6,00
-8,00
-10,00
-12,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Heligman y Pollard, Lee - Carter y los observados. Año 2000. Mujeres.
La predicción de ambos modelos para el año 2010, sería la siguiente:
0,00
-1,00
-2,00
-3,00
Lee - Carter
-5,00
-6,00
-7,00
-8,00
-9,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Heligman y Pollard y Lee - Carter. Año 2010. Hombres.
165
0,00
-2,00

Lee - Carter
-6,00
-8,00
-10,00
-12,00
-14,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Heligman y Pollard y Lee - Carter. Año 2010. Mujeres.
De esta manera hemos comprobado que los resultados obtenidos mediante ambos
modelos para las mujeres, predicen una disminución para todas las edades.
La proyección de la curva de la medida de mortalidad para los próximos 50 años

correspondiente a las mujeres, según el modelo de Lee – Carter, es la que sigue:
0,00
-2,00
-4,00
-6,00 2000
2010
2020
-8,00 2030
2040
-10,00 2050
-12,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83
Gráfico 4.13.: Resultados proyectados de wxy obtenidos mediante el modelo de

Lee – Carter,. Mujeres.
En la cual observamos una disminución en la mortalidad para todas las edades.
166
No obstante, con respecto a los hombres hemos comprobado que ambos modelos
coinciden en predecir una disminución en la mortalidad para todas las edades salvo para los
adultos – jóvenes, en concreto en lo que conocemos como la “joroba de los accidentes”.
Coincidimos con Alonso et.al.(2005) en que el incremento de la mortalidad que

concluyen ambos modelos se puede deber al aumento de los accidentes de tráfico y la
epidemia del SIDA, y que en los últimos años está remitiendo. Esto último se puede comprobar
si analizamos las tasas reescaladas de manera que no influya el valor absoluto de la tasa, para
comparar las diferentes dinámicas:
2,50
20
25
2,00 30
35
39
1,50
1,00
0,50
0,00
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
00
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
Gráfico 4.14.: Tasas de mortalidad reales reescaladas. Hombres.
Si no eliminamos este efecto, el modelo sobreestimaría en el futuro la mortalidad para

estas edades, lo que se puede comprobar si proyectamos la curva de la medida de la
mortalidad para hombres andaluces a 50 años, mediante el modelo de Lee - Carter:
0,00
-1,00
-2,00
-3,00
-4,00
-5,00 2000
-6,00 2010
-7,00 2020
2030
-8,00
2040
-9,00
2050
-10,00
15
20
25
30
35
40
45
50
55
60
65
70
75
80
Gráfico 4.15.: Resultados proyectados de wxy obtenidos mediante el modelo

De Lee – Carter,. Hombres.
167
Para eliminar el efecto de la sobremortalidad nos basaremos en el segundo sumando

del modelo de Heligman y Pollard, que es el que introduce el efecto de la “joroba de los
accidentes”, ajustando dicha función a las medidas de mortalidad de las cinco edades
anteriores (de 15 a 19 años de edad) y a las cinco posteriores (de 40 a 44 años de edad), para
utilizar de esta manera los valores estimados de las medidas de mortalidad para las edades de
20 a 39 en lugar de las reales.
Como resultado de introducir la modificación anterior, obtenemos los siguientes

resultados proyectados de la curva de la medida de mortalidad:
0,00
-1,00
-2,00
-3,00
-4,00
-5,00
2000
-6,00 2010
2020
-7,00
2030
-8,00 2040
-9,00 2050
-10,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83

Lee – Carter, detraída la sobremortalidad juvenil masculina. Hombres.
En el gráfico anterior no se observa el incremento que mucho menos pronunciado,

sigue existiendo en la joroba de los accidentes, si nos centramos en dicho intervalo de edad
obtenemos el siguiente gráfico:
168
0,0030
0,0025
0,0020
2000
2010
0,0015
2020
2030
0,0010 2040
2050
0,0005
0,0000
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
Gráfico 4.17.: Resultados proyectados de qxy para 20 a 39 años obtenidos mediante

el modelo de Lee – Carter, detraída la sobremortalidad juvenil masculina. Hombres.
Esto sí se puede considerar más o menos lógico, si tenemos en cuenta que pese a que
dicha sobremortalidad ha remitido en los últimos años (años 1999 y 2000), se halla a niveles
superiores a los iniciales de la serie (año 1980).
De todo lo visto anteriormente en el modelo de Lee-Carter, se puede observar que el

proceso presenta dos incongruencias, que si bien al principio pueden pasar casi
desapercibidas, al proyectarse la mortalidad a lo largo de los años, éstas se acentúan de forma
considerable (como puede observarse en los gráficos 4.13, 4.15 y 4.16):
El primer problema es la existencia de unos saltos en algunas probabilidades de

fallecimiento entre dos edades consecutivas que en realidad se pueden considerar ilógicas ya
que deberían presentarse de una forma mucho mas atenuada.
El segundo problema es la presencia de unos valores de qx mayores para unas edades

más pequeñas (al margen del intervalo de edades donde existe el problema de la
sobremortalidad ya estudiada anteriormente) y que como en el caso anterior hay que
solucionar.
Por estas razones se presenta la necesidad de una suavización de los datos para
eliminar estos dos efectos, suavización que se va a realizar sobre los parámetros a x y bx de
las tablas de mortalidad femenina y de la masculina sin sobremortalidad.
169
Existen muchos métodos de suavización de datos, el que se va a utilizar en este caso

va a ser el de las medias móviles ponderadas con información de los tres años anteriores y
posteriores, su fórmula general es la siguiente
K
y x0 = y x0 ⋅ w x 0 + ∑ ( y x 0 + p ⋅ w x0 + p + y x 0 − p ⋅ w x0 − p )
~
P =1
donde ∑w
∀x
x =1
Para la población andaluza los parámetros suavizados quedan de la siguiente forma:

15 -7,790 -8,439 50 -5,193 -6,082
16 -7,581 -8,362 51 -5,097 -5,996
17 -7,393 -8,285 52 -4,999 -5,907
18 -7,228 -8,228 53 -4,898 -5,818
19 -7,088 -8,183 54 -4,802 -5,730
20 -6,967 -8,151 55 -4,706 -5,638
21 -6,856 -8,130 56 -4,611 -5,546
22 -6,755 -8,106 57 -4,518 -5,455
23 -6,661 -8,084 58 -4,426 -5,357
24 -6,575 -8,042 59 -4,334 -5,258
25 -6,498 -7,998 60 -4,246 -5,159
26 -6,428 -7,945 61 -4,158 -5,056
27 -6,366 -7,879 62 -4,069 -4,953
28 -6,310 -7,812 63 -3,978 -4,850
29 -6,260 -7,733 64 -3,887 -4,744
30 -6,215 -7,655 65 -3,794 -4,637
31 -6,175 -7,581 66 -3,703 -4,528
32 -6,139 -7,508 67 -3,612 -4,415
33 -6,107 -7,441 68 -3,518 -4,297
34 -6,079 -7,375 69 -3,423 -4,173
35 -6,054 -7,304 70 -3,326 -4,047
36 -6,033 -7,236 71 -3,229 -3,917
37 -6,021 -7,167 72 -3,130 -3,789
38 -6,016 -7,096 73 -3,031 -3,662
39 -6,011 -7,025 74 -2,931 -3,532
40 -6,001 -6,948 75 -2,831 -3,401
41 -5,969 -6,870 76 -2,731 -3,266
42 -5,912 -6,784 77 -2,629 -3,129
43 -5,838 -6,702 78 -2,529 -2,991
44 -5,752 -6,617 79 -2,429 -2,855
45 -5,659 -6,529 80 -2,329 -2,722
46 -5,569 -6,445 81 -2,232 -2,595
47 -5,477 -6,353 82 -2,134 -2,469
48 -5,383 -6,263 83 -2,042 -2,348
49 -5,291 -6,173 84 -1,988 -2,267
Cuadro 4.18: Valores de ax normalizados y suavizados para el modelo de Lee - Carter.
Hombres y Mujeres.
170

15 0,007 0,009 50 0,014 0,015
16 0,013 0,016 51 0,014 0,016
17 0,018 0,021 52 0,014 0,016
18 0,022 0,025 53 0,013 0,016
19 0,026 0,026 54 0,012 0,016
20 0,027 0,028 55 0,011 0,016
21 0,028 0,028 56 0,010 0,016
22 0,028 0,026 57 0,009 0,017
23 0,028 0,022 58 0,010 0,017
24 0,028 0,017 59 0,011 0,018
25 0,028 0,013 60 0,011 0,019
26 0,028 0,010 61 0,012 0,020
27 0,027 0,009 62 0,012 0,020
28 0,026 0,009 63 0,011 0,019
29 0,025 0,007 64 0,012 0,019
30 0,024 0,006 65 0,012 0,019
31 0,023 0,006 66 0,012 0,018
32 0,022 0,005 67 0,011 0,018
33 0,020 0,005 68 0,011 0,018
34 0,019 0,006 69 0,010 0,017
35 0,017 0,006 70 0,010 0,017
36 0,016 0,007 71 0,010 0,017
37 0,014 0,008 72 0,010 0,017
38 0,012 0,008 73 0,010 0,017
39 0,010 0,008 74 0,010 0,016
40 0,008 0,008 75 0,011 0,016
41 0,005 0,008 76 0,010 0,015
42 0,004 0,009 77 0,010 0,014
43 0,004 0,009 78 0,010 0,014
44 0,006 0,009 79 0,009 0,013
45 0,008 0,009 80 0,009 0,012
46 0,011 0,009 81 0,009 0,012
47 0,012 0,010 82 0,009 0,012
48 0,013 0,012 83 0,009 0,011
49 0,014 0,014 84 0,009 0,011
Cuadro 4.19: Valores de bx normalizados y suavizados para el modelo de Lee - Carter.
Hombres y Mujeres.
Al variar los parámetros anteriores obtendremos unas nuevas estimaciones

para los kt futuros que son los siguientes:
Año Hombres Mujeres Año Hombres Mujeres

1980 9,55068 14,45367 1991 0,27982 -0,91038
1981 11,72585 12,90290 1992 -3,59045 -4,53071
1982 7,54060 10,60192 1993 -2,69844 -3,38805
1983 6,07352 10,54834 1994 -6,81826 -6,60790
1984 8,31936 7,37817 1995 -3,06554 -8,13951
1985 7,85675 6,90005 1996 -7,73414 -8,10053
1986 3,99908 5,45306 1997 -8,41794 -5,52760
1987 3,15486 4,54866 1998 -7,28777 -9,90589
1988 3,12874 3,66199 1999 -7,81119 -11,46065
1989 2,16672 1,40739 2000 -12,69314 -12,66755
1990 2,38255 -0,28630
Cuadro 4.20: Valores de ky reestimados una vez suavizados. Hombres y Mujeres
171
Variando también la constante de los modelos ARIMA(0,1,0) que ahora son de la forma
Hombres: k y = k y −1 − 1,1122 + ε y
Mujeres: k y = k y −1 − 1,3561 + ε y
Las medidas de bondad de ajuste de los nuevos modelos son:

1980 99,3451 16,3365
1981 99,3746 11,6735
1982 99,4177 14,9494
1983 99,5218 15,6638
1984 99,7500 6,6858
1985 99,7038 10,9958
1986 99,7820 13,8580
1987 99,5678 12,3438
1988 99,8448 9,5774
1989 99,7328 9,5546
1990 99,7051 13,5880
1991 99,6962 11,8535
1992 99,7497 12,4762
1993 99,7797 17,0270
1994 99,6451 12,0653
1995 99,6028 18,5193
1996 99,7675 12,7612
1997 99,1712 23,1902
1998 99,6877 18,9799
1999 99,5593 22,5275
2000 99,6035 22,6506
Cuadro 4.21: Bondad del ajuste y contraste MAPE del modelo de Lee – Carter,
en la población andaluza suavizada. Hombres.

1980 99,5541 15,8049
1981 99,2630 13,6610
1982 99,7534 17,1857
1983 99,7311 13,1879
1984 99,4174 14,3859
1985 99,4536 15,1479
1986 99,7903 14,9313
1987 99,7823 17,4676
1988 99,7442 15,5516
1989 99,6383 12,8113
1990 99,6061 13,5978
1991 99,8688 21,6392
1992 99,7773 18,3617
1993 99,8002 19,8113
1994 99,8504 17,2733
1995 99,6983 25,4528
1996 99,8509 16,4556
1997 99,8199 23,8147
1998 99,6563 19,8430
1999 99,7773 20,9559
2000 99,7808 32,3850
en la población andaluza. Mujeres
172
Finalmente obtenemos los gráficos de la evolución de la mortalidad con los datos

suavizados:
0,00
-1,00
-2,00
-3,00
-4,00
2000
-5,00 2010
-6,00 2020
-7,00 2030
2040
-8,00
2050
-9,00
-10,00
15
20
25
30
35
40
45
50
55
60
65
70
75
80
Lee – Carter suavizado. Hombres.
0,00
-2,00
-4,00
-6,00 2000
2010
-8,00 2020
2030
2040
-10,00
2050
-12,00
15
19
23
27
31
35
39
43
47
51
55
59
63
67
71
75
79
83

Lee – Carter suavizado. Mujeres.
Comparando estos últimos con los gráficos 4.13. y 4.16., llegamos a la conclusión de
que mediante el suavizado se ha conseguido eliminar los dos problemas anteriormente citados
y observamos además que tanto la mortalidad como las medidas de bondad de ajuste apenas
han sufrido variaciones.
A continuación elaboraremos la tabla de mortalidad a partir de cuya distribución

aproximada, abordaremos la influencia del riesgo biométrico en el valor razonable de las PTSV.
173
Construcción de la tabla de mortalidad.
Una tabla de mortalidad dinámica se trata actuarialmente como generacional, es decir,

se establece una tabla para cada generación.
En cuanto a la construcción de nuestra tabla generacional, a partir de los resultados

obtenidos del modelo de Lee - Carter, tenemos dos opciones dependiendo de la capacidad
computacional:
• Generar cómo paso previo a cualquier cálculo actuarial, la tabla de mortalidad
correspondiente a todas las generaciones, de manera que no sea necesario
generar la tabla de mortalidad individual para cada ocasión.
• Disponer de la información necesaria, para construir la tabla de mortalidad
correspondiente a la generación a la que pertenece el Asegurado cuyas
valoraciones actuariales se van a llevar a cabo.
En el primer caso partimos de la matriz cuadrada, en la que por columnas tenemos el

tiempo cronológico desde el año de nacimiento de la primera generación considerada hasta el
correspondiente a la última, y por filas las edades desde 15 (por ser ésta la edad mínima
considerada) hasta la edad máxima considerada.
A partir de aquí, asignamos a cada componente de la matriz la medida de mortalidad

qxy correspondiente según los resultados del modelo de Lee - Carter.
En cuanto a los valores de estas qxy, siempre que el valor no haya sido proyectado,
utilizaremos la correspondiente a este año 2000. En realidad estas medidas de mortalidad no
serán utilizadas siempre que estemos calculando valores actuariales posteriores al año 2000,
pero es necesario introducir éstas componentes con el fin de facilitar la utilización de las tablas.
La medida de mortalidad quedaría como sigue
⎛ q15, 2000 q15, 2000 q15, 2000 q15, 2000 q15, 2000 q15, 2000 q15, 2000 q15, 2000 ⎞
⎜ ⎟
⎜ q16, 2001 q16, 2000 q16, 2000 q16, 2000 q16, 2000 q16, 2000 q16, 2000 q16, 2000 ⎟
⎜q q17 , 2001 q17 , 2000 q17 , 2000 q17 , 2000 q17 , 2000 q17 , 2000 q17 , 2000 ⎟
⎜ 17, 2002 ⎟
⎜q q18, 2002 q18, 2001 q18, 2000 q18, 2000 q18, 2000 q18, 2000 q18, 2000 ⎟
Q xt = ⎜ 18, 2003
q q19, 2003 q19, 2002 q19, 2001 q19, 2000 q19, 2000 q19, 2000 q19, 2000 ⎟
⎜ 19, 2004 ⎟
⎜ q 20, 2005 q 20, 2004 q 20, 2003 q 20, 2002 q 20, 2001 q 20, 2000 q 20, 2000 q 20, 2000 ⎟
⎜q q 21, 2005 q 21, 2004 q 21, 2003 q 21, 2002 q 21, 2001 q 21, 2000 q 21, 2000 ⎟
⎜ 21, 2006 ⎟
⎜q q 22, 2006 q 22, 2005 q 22, 2004 q 22, 2003 q 22, 2002 q 22, 2001 q 22, 2000 ⎟⎠
⎝ 22, 2007
174
Así, la primera columna sería la tabla correspondiente a la generación de 1985, la

segunda a la de 1984, y así sucesivamente (recordemos que la edad mínima que hemos
considerado es 15 años).
La tabla de mortalidad se obtiene a partir de la matriz anterior, y suponiendo una

cohorte de 100.000 individuos para una edad de 15 años (l(15) = 100.000) mediante el
siguiente proceso iterativo:
l x +1, y +1 = l x , y ⋅ (1 − q x , y )
En el segundo caso, es decir, cuando estimamos la tabla de mortalidad a aplicar al

caso particular del Asegurado objeto de valoración, tendríamos a partir de las estimaciones de
los parámetros a x y bx por edades y del parámetro k y por años, la tabla de mortalidad
generada cómo sigue:
x lx q x, y
x0 l x0 = 10 n (
q x0 , y0 = exp a x0 + bx0 k y0 )
x0 + 1 (
l x0 +1 = l x0 1 − q x0 , y0 ) (
q x1 +1, y1 +1 = exp a x1 +1 + bx1 +1 k y1 +1 )
x0 + T (
l x0 +T = l x0 +T −1 1 − q x0 +T −1, y0 +T −1 )
donde
y 0 : fecha de realización de los cálculos.

x0 : edad del Asegurado en la fecha de los cálculos, y 0 .
T : número de años de duración del seguro.
Una vez construida la tabla de mortalidad, podemos obtener la esperanza matemática

de los siguientes sucesos:
• Probabilidad de supervivencia en el año y + t de un asegurado de edad x , en el año
y:
l x +t , y +t
t p x, y =
l x, y
175
• [
Probabilidad de fallecimiento en el intervalo y , y + t de un asegurado de edad x , en ]
el año y :
l x +t , y +t − l x , y
t q x, y =
l x, y
• Probabilidad de fallecimiento en el intervalo y + t , y + T [ ] de un asegurado de edad
x , en el año y :
l x + t , y + t l x + t , y + t − l x + T , y +T l x + t , y + t − l x +T , y +T
t / T −t q x , y = t p x , y ⋅T −t q x +t , y +t = ⋅ =
l x, y l x +t , y +t l x, y
Si la probabilidad de supervivencia o fallecimiento no tiene un subíndice precedente, se

considera que el suceso abarca un año de duración, es decir,
l x +1, y +1 ⎫
p x, y = ⎪
l x, y ⎪⎪
⎬,
l x +1, y +1 − l x , y ⎪
q x, y = ⎪
l x, y ⎪⎭
4.6. PROCESO ESTOCÁSTICO ASOCIADO A LA MEDIDA DE MORTALIDAD.
4.6.1. Resultados analíticos.
Una vez construida la tabla de mortalidad generacional, disponemos de la esperanza

matemática de todas las probabilidades condicionadas de supervivencia y fallecimiento. No
obstante, esta esperanza matemática no es más que una representación de todas las posibles.
Nuestro objetivo aquí es considerar difusión sobre la tabla de mortalidad dinámica

ajustada, al igual que ya lo hemos hecho con la ETTI. Ello permitiría recoger en la valoración
un ajuste por el riesgo técnico de desconocimiento de la prestación esperada.
Cómo ya se expuso al inicio del presente capítulo, el riesgo técnico se puede separar
en dos partes claramente diferenciadas: riesgo de desconocimiento de la prestación esperada
o sistemático, y riesgo de desviación respecto de esta prestación esperada o no sistemático.
176
Recordemos que la medida de mortalidad que hemos ajustado mediante el método de

Lee – Carter ha sido
ln(q x , y ) = a x + bx k y + ε ' xy
quedando determinado a su vez el valor del parámetro k y , mediante un modelo

ARIMA(0,1,0) con constante negativa
k y = k0 + c ⋅ y + ε y
Así
ln(q x , y ) = a x + bx ⋅ (k 0 + c ⋅ y + ε y ) + ε ' xy
En media los resultados de nuestro ajuste son los siguientes:
[
Ep ln(q x , y ) ]
y x
Gráfico 4.20.: Resultados proyectados de ln(qxt) obtenidos mediante el modelo de

Lee – Carter suavizado. Hombres.
177
[
Ep ln(q x , y ) ]
y x
Gráfico 4.21.: Resultados proyectados de ln(qxt) obtenidos mediante el modelo de

Lee – Carter suavizado. Mujeres.
La variabilidad del parámetro k y , viene determinada por el ruido blanco, εy, que
constituye una distribución normal de media 0 y desviación típica σy. Los intervalos de
confianza al 95% son en nuestro caso los que siguen:
20
10
-10
-20
-30
Kt
Int.Inf
-40
Int.Sup
-50
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Gráfico 4.22.: Intervalos de confianza para el kt correspondiente al modelo Lee – Carter.

Hombres.
178
20
10
-10
-20
Kt
-30 Int.Inf
Int.Sup
-40
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Mujeres.
El riesgo de desconocimiento de la prestación esperada, se puede derivar del error,

εy, mientras que el riesgo de desviación de la prestación real respecto a la prestación
esperada se puede derivar del error ε xy .
Consideraremos
[ ]
Ep ln(q x , y ) = a x + bx ⋅ (k 0 + c ⋅ y + ε y )
es decir, supondremos la esperanza matemática del suceso fallecimiento, para los años 2001 y
siguientes, cómo un proceso estocástico. Si para ilustrar lo anterior, representamos la
distribución de probabilidad correspondiente a la esperanza matemática, de una mujer de 70
[ [
años de edad en los años 2001 y siguientes, Pr Ep ln(q 70 , y ) , tendríamos: ]]
179
[ [
Pr Ep ln(q70, y ) ]]
[
Ep ln(q 70, y ) ]
Gráfico 4.24.: Distribución de la esperanza matemática de la medida de mortalidad para una mujer
de 70 años en los años 2001 y siguientes.
El otro riesgo técnico, el de desviación de la prestación real respecto de la esperada, se

puede extraer de la distribución de probabilidad del número de fallecidos en un año, d xy ,
consistente en una binomial, B (l x , y , q x , y ) , y su aproximación aplicando el teorema de Moivre –
Laplace, a una normal, N ( md , σ d ) , siendo
md = l x , y ⋅ q x , y
σ d = l x , y ⋅ q x , y ⋅ (1 − q x , y )
Si bien el error ε xy , o riesgo de desviación de la prestación real respecto de la
esperada puede llegar a ser importante, aquí nos centraremos en el error, εy, o riesgo de
desconocimiento de la prestación esperada. Dejaremos para futuras investigaciones el

desarrollo del modelo para la incorporación del error ε xy .
180
Para introducir en la valoración el riesgo de desconocimiento de la prestación

esperada, usado en la valoración de las PTSV, consideraremos que el tanto instantáneo o
fuerza de mortalidad, µ x (t ) , definido cómo
⎡ ∂ ln(T −t p x +t ) ⎤
µ x (t ) = ⎢− ⎥
⎣ ∂t ⎦ T =t
sigue un proceso estocástico, cuya evolución cumple la siguiente EDE:
dµ x (t ) = (θ (t ) − aµ x (t ))dt + σ dW (t )
Hemos de diferenciar los parámetros a y b , de los parámetros de Vasicek, a y b

correspondientes al modelo de Hull – White para los tipos de interés.
A partir de aquí introduciremos la probabilidad de supervivencia del Asegurado en t ,
⎛ t ⎞
t p x = exp⎜⎜ − ∫ µ x ( s )ds ⎟⎟
⎝ 0 ⎠
para considerar que existe una medida de probabilidad, Q riesgo neutro, para la cual las
[ ]
probabilidades de supervivencia del Asegurado en t, T , condicionadas a la supervivencia en
t,
t / T −t p x = t p x ⋅T −t p x +t
son martingala. Esto nos permitirá determinar la probabilidad de supervivencia en el intervalo

[t, T ] , T −t p x +t , la cual consideramos que sólo tiene un solo factor de riesgo, y que
identificamos con el tanto instantáneo de mortalidad, µ x (t ) . Por lo anterior, representamos la
probabilidad de supervivencia por T −t p x +t ( µ x (t )) . Aplicando Itô – Taylor así cómo las
manipulaciones algebraicas expuestas para el tipo instantáneo obtenemos que
d τ p x +t =τ p x +t (m P (t , T ) + σ P (t , T )dW (t ) )
donde
181
τ =T −t
1 ⎛ ∂τ p ∂τ p 1 2 ∂ 2 τ p ⎞
m p (t , T ) = ⎜
⋅⎜ dt + (θ (t ) − aµ (t )) + σ ⎟(t , T )
2 ⎟
τ p x +t ⎝ ∂t ∂ µ 2 ∂ µ ⎠
1 ∂ p
σ p (t , T ) = σ (t , µ ) τ (t , T )
τ p x +t ∂µ
Para determinar la probabilidad, Q , riesgo neutro, identificamos cómo prima asociada
al factor de riesgo, µ (t ) , independiente del plazo [t, T ]
m p (t , T ) − µ (t )
π (t ) = −
σ p (t , T )
Bajo la nueva medida de probabilidad, Q , tenemos que τ p x +t ( µ x (t )) cumple
( ~
d τ p x +t =τ p x +t µ (t ) + σ P (t , T )dW (t ) )
donde hemos aplicado el teorema de Girsanov:
~
dW = dW − π (t )dt
Ya se ha expuesto para el tipo instantáneo que el cambio a la medida de probabilidad

Q , riesgo neutro, a partir de las expresiones anteriores proporciona asimismo
( ~
d τ p x +t =τ p x +t m P ' (t , T ) + σ P (t , T )dW (t ) )
siendo
1 ⎛∂ p ∂ p 1 2 ∂2 τ p ⎞
m p ' (t , T ) = ⋅ ⎜⎜ τ dt + (θ (t ) − aµ (t ) + σ π (t )) τ + σ ⎟(t , T )
τ p x +t ⎝ ∂t ∂µ 2 ∂µ 2 ⎟⎠
A partir de las expresiones anteriores y haciendo que π (t ) = 0 llegamos al siguiente
problema de valor final en el punto t = T :
182
∂τ p ∂τ p 1 2 ∂ 2 τ p ⎫
+ (θ (t ) − aµ ) + σ − µ τ p x + t = 0⎪
∂t ∂µ 2 ∂µ 2
⎪
⎬
⎪
τ p x +t = 1
⎪
⎭
cuya resolución proporciona
τ p x +t = A(τ )e − B (τ ) µ ( t ) (4.1)
siendo
1 − e − aτ
B(τ ) =
a
⎡ T σ
2
σ
2
⎤
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 (B(τ ) − τ ) − B(τ ) 2 ⎥
⎢⎣ t 2a 4a ⎥⎦
En cuanto al proceso µ x (t ) , tendremos
t t
µ x (t ) = µ x (0)e − at
+ ∫ θ ( s )e a (t − s )
ds + σ ∫ e a ( t − s ) dW ( s )
0 0
Ya se ha expuesto cómo el anterior proceso se puede descomponer cómo la suma de

dos procesos:
µ x (t ) = Ω(t ) + s (t )
con una evolución para s (t ) similar al de µ x (t ) pero con reversión a 0
ds (t ) = − ar (t )dt + σ dW (t )⎫
⎪
⎬
s (0) = 0 ⎪
⎭
cuya resolución da lugar a
183
⎛ 1 − e − 2 at ⎞
⎜
s (t ) ≈ N e , σ
− at ⎟
⎜ 2a ⎟
⎝ ⎠
El proceso Ω(t ) determinista será
t
Ω(t ) = e − at
⋅ ∫ e au θ (u )du + θ (0)
0
y por consiguiente
⎛ 1 − e − 2 at ⎞
⎜
µ x (t ) ≈ N Ω(t ), σ ⎟
⎜ 2a ⎟
⎝ ⎠
Usando el proceso Ω(t ) , obtenemos que el proceso µ x (t ) replica perfectamente la
tabla de mortalidad previamente ajustada.
⎛ ⎛ T ⎞ ⎞
p x +t ( µ x (t )) = Ep⎜ exp⎜⎜ − ∫ µ x ( s )ds ⎟⎟ Ft ⎟
τ
⎜ ⎝ t ⎠ ⎟⎠
⎝
donde cómo antes, τ =T −t .
4.6.2. Implementación mediante árboles trinomiales.
Implementaremos numéricamente el anterior proceso estocástico a través de un árbol

trinomial. Para ello supondremos que la difusión tiene lugar cada período de tiempo ∆t , para lo
cual definiremos el tanto de mortalidad a un plazo t , t + ∆t [ ]
t + ∆t
µ ∫µ
∆t
x +t = x ( s)ds
t
de modo que la probabilidad de supervivencia del asegurado de edad x + t durante el plazo
[t , t + ∆t ] será
184
∆t (
p x + t = exp − µ x∆+t t )
En adelante, y dado que la tabla de mortalidad se ha ajustado para tramos de un año
de duración, fijaremos para el tanto de mortalidad un plazo ∆t = 1 . De esta manera a partir de
la tabla de mortalidad ajustada obtenemos:
⎡ l x +1 ⎤
µ 1 x = − log ⎢ ⎥
⎣ lx ⎦
No obstante, cómo ya se ha explicado en el punto anterior, la tabla de mortalidad lo es
de doble entrada: tiempo biológico y tiempo cronológico. De este modo la medida µ 1 x, y , ha de

tener dos subíndices, y , para referirnos al tiempo cronológico, y x para referirnos al tiempo
biológico. Así a partir de la tabla de mortalidad ajustada mediante el modelo de Lee – Carter
obtenemos
⎡ l x +1, y +1 ⎤
µ 1 x , y = − log ⎢ ⎥
⎣⎢ l x , y ⎦⎥
Sin olvidar lo anterior, usaremos para simplificar en la exposición de la implementación

mediante árboles trinomiales, la siguiente notación
µ 1 x +t , y +t ≡ µ 1t
Supondremos que la medida de mortalidad, µ 1t , es un proceso estocástico que sigue

la dinámica expuesta para µ x (t ) :
dµ t1 = (θ (t ) − aµ t1 )dt + σ dW (t )
Como ya se estableció para el tipo simple a corto, tenemos el proceso µ 1t separado
en dos componentes: una determinística y otra estocástica con nivel de reversión a 0, como
sigue
µ 1t = S t + Ω t
donde
185
Ω t es una función determinística que únicamente depende de t . Su finalidad es que el

proceso replique la tabla de mortalidad ajustada mediante Lee – Carter. De este modo Ω t ,
depende de la edad del asegurado, x , el año de calendario en el que se efectúan los cálculos,
y , y del tiempo transcurrido, t .
S t es un proceso estocástico similar a µ 1t pero con nivel de reversión a 0.
Primer paso.
Cómo antes el primer paso consiste en el ajuste del proceso estocástico auxiliar S t ,
cuya evolución recordemos que es
dS t = − aS t dt + σ dWt ⎫
⎬
S0 = 0 ⎭
Y que en tiempo discreto supone el proceso autorregresivo ya expuesto de primer

orden, AR(1)
( )
S t − S t −1 = e − a∆t − 1 S t −1 + ε t
siendo
ε t ≈ N (0, σ ε 2 ) ,
donde
(1 − e ).
2
σ
σε =
2 − 2 at
2a
A partir de la expresión anterior consideramos esperanzas y varianzas condicionales de

los saltos de S t :
E [S i − S i −1 S i −1 ] = M ⋅ S i −1 ⎫
⎪
⎬ (4.2.)
V [S i − S i −1 S i −1 ] = V ⎪⎭
186
siendo
(
M = e − a∆t − 1 )
V =
2
(
σ 1 − e − 2 a∆t )
2a
El paso siguiente, consistía en plantear la igualdad entre la media y varianza

proporcionadas por el árbol y las que exhibe localmente el proceso S t , de manera que se
pueda dar solución a las probabilidades de transición sobre el árbol p1 ( k ) , p 2 ( k ) y p 3 ( k ) :
E [∆S S k ] = ∆S ( p1 (k ) − p3 (k ) ) = M ⋅ S k ⎫
⎪
⎪
[ ] 2⎪
V ∆S 2 S k = ∆S 2 ( p1 (k ) + p3 (k ) ) = V + (M ⋅ S k ) ⎬ (4.3)
⎪
⎪
p1 (k ) + p 2 (k ) + p3 (k ) = 1 ⎪⎭
siendo
p1 (k ) : probabilidad de transición del nodo (i, k ) a (i + 1, k + 1) ;

p 2 (k ) : probabilidad de transición del nodo (i, k ) a (i + 1, k ) ;
p3 (k ) : probabilidad de transición del nodo (i, k ) a (i + 1, k − 1) .
donde k = 0 es el nivel central.
La resolución de (4.3) es:
w (kM ) 2 + kM ⎫
p1 (k ) = + ⎪
2 2 ⎪
⎪⎪
p 2 (k ) = 1 − w − (kM ) 2 ⎬ (4.4)
⎪
w (kM ) − kM ⎪
2
p3 (k ) = + ⎪
2 2 ⎭⎪
siendo
187
∆t
w =V
∆S 2
Para que las probabilidades de transición sean estacionarias, fijamos cómo en el caso
del tipo simple a corto
1
w= ,
3
de lo que deviene que
∆S = 3V∆t .
De este modo las probabilidades de transición tampoco dependen del tiempo, y se

determinarán de igual forma a cómo ya se ha hecho para el tipo a corto, dando lugar a las
siguientes probabilidades de transición:
p1 (k ) : probabilidad de subida, que en función de la configuración del árbol para el
nodo correspondiente podrá ser de
- 1∆S para el siguiente nodo, si es una configuración normal,
- mantenimiento si corresponde a una configuración descendiente,
- 2∆S si se trata de una configuración ascendente.
p 2 (k ) : probabilidad de mantenimiento, que en función de la configuración del árbol
para el nodo correspondiente se traduce en
- mantenimiento para el siguiente nodo, si es una configuración normal,
- -1∆S si corresponde a una configuración descendiente,
- 1∆S si se trata de una configuración ascendente.
p3 (k ) : probabilidad de bajada, que en función de la configuración del árbol
corresponde a
- -1∆S para el siguiente nodo, si es una configuración normal,
- -2∆S si corresponde a una configuración descendiente,
- mantenimiento si se trata de una configuración ascendente.
Así el proceso estocástico S t , no plantea ninguna diferencia respecto al considerado
para el tipo a corto, salvo por supuesto la calibración de los parámetros a y σ que veremos
más adelante.
Para ilustrar el procedimiento anterior, expondremos un ejemplo de implementación del

árbol trinomial recombinante para la medida, µ i,k .
188
Partimos de unos parámetros de Vasicek de a = 0,203954 y σ = 0,45231%
Siguiendo el proceso ya descrito obtenemos los siguientes valores para las

probabilidades de transición:
J p1(k) p2(k) p3(k)
1 0,906937 0,001627 0,091437

0 0,166667 0,666667 0,166667
-1 0,091437 0,001627 0,906937
Cuadro 4.24.: Probabilidades de transición en el árbol de la variable St que son
estacionarias.
Igualmente los valores de Si son
J Si
1 0,70992%
0 0,00000%
-1 -0,70992%
Cuadro 4.25.: Valores temporales
en el árbol de la variable St.
Segundo paso
El segundo paso en la implementación del modelo consiste en convertir este árbol para
S t en el correspondiente para µ 1t , de manera que quede replicada la tabla de mortalidad del

asegurado correspondiente.
Para determinar los valores de µ 1t a cada plazo en el árbol
µ 1i ,k ≡ µ 1 x , y (i∆t , k∆S ) ,
lo único que resta es determinar en cada período las cantidades Ω i ≡ Ω(i∆t )
189
En cuanto a las cantidades Ω i , nos apoyaremos en los razonamientos que sugieren
los ya tratados precios Arrow – Debreu.
El sentido económico que le atribuiremos en este caso es el valor probable de un euro

prometido en el escenario correspondiente a:
- supervivencia del asegurado en i + 1, y
- que el tanto de mortalidad µ 1i,k se halle en el nodo k, para el intervalo i + 1.
El proceso sería como antes el que sigue:
1. Inicializamos el algoritmo con Q0, 0 = 1. Puesto que para i = 0, k toma el valor 0
⎛ l x +1, y +1 ⎞
únicamente, resulta que Ω 0 = µ 1 0 = − log⎜⎜ ⎟
⎟
l
⎝ x, y ⎠
2. El siguiente paso consiste en calcular los seudo - precios Q1,1 , Q1, 0 y Q1, −1 . De su
definición, se deriva:
Q1,1 = Q0, 0 ⋅ p3 (1) ⋅ p x , y ⎫

⎪
⎪⎪
Q1, 0 = Q0, 0 ⋅ p 2 (0) ⋅ p x , y ⎬
⎪
⎪
Q1, −1 = Q0, 0 ⋅ p1 (−1) ⋅ p x , y ⎪⎭
siendo
l x +1, y +1
p x, y =
l x, y
la probabilidad de supervivencia del asegurado en el primer año.
4. Una vez se tiene un conjunto completo de seudo - precios Qi ,k en un determinado paso de
tiempo, i, ya podemos proceder al cálculo de la cantidad Ω i .
Por otra parte, la probabilidad de supervivencia del asegurado para un año, una vez
transcurrido el primer año, p x +1, y +1 , será diferente según los siguientes nodos:
190
p x +1, y +1 (1) = exp(− (Ω1 + ∆S ) ) ⎫

⎪
⎪⎪
p x +1, y +1 (0) = exp(− Ω1 ) ⎬
⎪
⎪
p x +1, y +1 (−1) = exp(− (Ω1 − ∆S ) )⎪⎭
Aplicando Bayes podemos determinar inmediatamente que:
2 p x = Q1,1 exp(− (Ω1 + ∆S ) ) + Q1,0 exp(− Ω1 ) + Q1, −1 exp(− (Ω1 − ∆S ) )
Por lo que se obtiene la expresión
⎛ 1 ⎞
⎜ ∑ Q1, j ⋅ exp(− j∆S ) ⎟
⎜ j = −1 ⎟
Ω1 = log⎜ ⎟
2 px
⎜⎜ ⎟⎟
⎝ ⎠
Y ya es inmediato obtener los valores
µ 1 x +1,1 = Ω1 + S1 ⎫
⎪
⎪⎪
µ 1 x +1,0 = Ω 0 + S 0 ⎬
⎪
⎪
µ x +1, −1 = Ω −1 + S −1 ⎪⎭
1
El enfoque anterior proporciona un algoritmo recursivo, ya que en general
⎛ ⎞ ⎫
⎜ ∑ Qi , j ⋅ exp(− j∆S ) ⎟ ⎪
⎜ ∀j ⎟ ⎪
Ω i = log⎜ ⎟
i +1 p x
⎪⎪
⎜ ⎟ ⎬
⎜ ⎟
⎝ ⎠ ⎪
⎪
Qi , j = ∑ Qi −1, j ' ⋅p j (i − 1, j ' ) ⋅ p x +i −1, j ' ⎪
j' ⎪⎭
Los seudo – precios Arrow – Debreu para nuestro ejemplo serían
191
J 0 1 2 3 4
1 0,164584 0,269280 0,334385 0,373259

0 1,000000 0,658335 0,433295 0,285227 0,187917
-1 0,164584 0,271159 0,338974 0,380767
Cuadro 4.26.: Valores temporales en el árbol de los precios Arrow – Debreu, para el tanto de mortalidad.
Y por último los valores correspondientes a µ 1i ,k
J 0 1 2 3 4
1 2,11482% 2,28046% 2,46667% 2,68457%

0 1,25767% 1,40490% 1,57054% 1,75675% 1,97465%
-1 0,69497% 0,86062% 1,04683% 1,26473%
Cuadro 4.27.: Valores temporales en el árbol de la variable tanto de mortalidad.
Gráficamente
µ 1i ,k
0,03
0,025
0,02
0,015
0,01
0,005
0
0 1 2 3 4
Gráfico 4.23.: Árbol del tanto de mortalidad a cada plazo.
4.6.3. Calibración
Cómo hemos podido comprobar, la construcción del árbol trinomial para el tanto de
mortalidad se sirve de la tabla de mortalidad ajustada, de modo que las probabilidades de
supervivencia obtenidas con la tabla de mortalidad son equivalentes a las proporcionadas por
el árbol trinomial. La calibración que persigue este apartado es la determinación de los
parámetros de volatilidad a y σ .
192
El objetivo es pasar de la probabilidad real, P , a una probabilidad martingala riesgo –

neutro, Q , que considere las expectativas de los intervinientes en el mercado, en cuanto a la
futura evolución de la medida de mortalidad.
Lamentablemente no tenemos un mercado de instrumentos financieros líquido y cuyo

subyacente sea el tanto de mortalidad. Como ya hemos mencionado, unicamente tenemos
cómo antecedentes el EIB/BNP Long – term longevity bond, de noviembre 2004, y el Swis – Re
Short – term.
Aquí expondremos cómo calibrar nuestro modelo a partir de un derivado OTC, que
tomará cómo subyacente una renta vitalicia, constante a prima única, que se devenga en un
tiempo posterior, T , a la fecha de valoración t . Es lo que Schrager (2006) denomina GAOs
(Guaranteed Annuity Options).
Denotemos por Fx (t , T ) , la cuantía determinada en t , de una pensión vitalicia
constante y pagadera a partir de T (diferida por tiempo T − t ), por períodos vencidos de

longitud, ∆t , a cambio de una prima única de un euro, sin gastos que se devengará asimismo
en T . El valor razonable de Fx (t , T ) sería si no consideramos riesgo de crédito
Q
τ E x +t
F x (t , T ) =
τ / a x +t Q
siendo
τ =T −t
E x + t =τ p x + t ⋅ P (t , T ) Q ⇒ valor actual actuarial en t , de un euro prometido en T , para un
Q Q
τ
persona de edad x + t , en t , bajo la probabilidad martingala riesgo neutro, Q .

ω −T −1
τ / a x +t Q = ∑ p x + t ⋅ P (t , i ) Q ⇒ valor actual actuarial en t , de una renta vitalicia,
Q
i −t
i =T +1
constante y postpagable pagadera a partir de T , para un persona de edad x + t , en t , bajo la

probabilidad martingala riesgo neutro, Q .
ω : edad máxima que puede alcanzar la persona.
La valoración de esta pensión determinada en T , sería en cambio
193
1
F x (T , T ) = Q
a x +T
Así consideramos a continuación que existe una medida de probabilidad Q x ,
equivalente según la cual

V (t )
T −t Qx
/ a x +t
es martingala, siendo V (t ) el proceso correspondiente a un instrumento financiero que cotiza
en el mercado. Bajo esta medida de probabilidad, Q x , tenemos que Fx (t , T ) es martingala,
viniendo reglada su evolución según la siguiente EDE
dFx (t , T ) = Fx (t , T )[σ x (t , T )dZ (t ) + σ P (t , T )dW (t )]
siendo
dZ (t ) : movimiento Browniano para la evolución de la medida de mortalidad, según la nueva

medida de probabilidad Q x .
σ x (t , T ) : proceso de la volatilidad de Fx (t , T ) , respecto de los cambios en la medida de
mortalidad.
dW (t ) : movimiento Browniano para la evolución de los tipos de interés sin riesgo, según la
nueva medida de probabilidad Q x .
σ P (t , T ) : proceso de la volatilidad de Fx (t , T ) , respecto de los cambios en los tipos de
interés.
Si consideramos que σ x (t , T ) y σ P (t , T ) son determinísticos, entonces Fx ( s, T )
para t < s ≤ T es log-normal bajo Q x , siendo
⎫
EQx [Fx ( s, T ) Ft ] = Fx (t , T ) ⎪
⎪⎪
⎬
(
VarQx [Fx ( s, T ) Ft ] = ∫ σ x (u , T ) + σ P (u , T ) du ⎪
⎪
)
s
2 2
t ⎭⎪
donde Ft representa toda la información disponible en t .
194
Consideramos a continuación un contrato que tiene una garantía referenciada a esta

pensión vitalicia anual a partir de T . En el mercado abierto, cada euro en tiempo T , garantiza
una pensión vitalicia anual de F x (T , T ) (suponiendo ausencia de gastos y a valor razonable).
El mencionado contrato garantiza que la pensión por cada euro de prima en T , será cómo
mínimo de K , por lo que se obtendrá
max{K , Fx (T , T )}
lo cual en términos de Fx (T , T ) , será
max{K , Fx (T , T )}
= 1 + G (T )
Fx (T , T )
donde
( K − Fx (T , T )) +
G (T ) = : representa el valor en T de la opción implícita.
Fx (T , T )
Consideramos además que de un número inicial de asegurados, N (0) , de referencia
cómo nominal, cobrarán los que sigan vivos en T , y que denotamos por N (T ) . Asimismo con
la información hasta T , FT , tenemos que el número de asegurados, N (T ) , sigue una

Q
distribución binomial de parámetros N (t ) y τ p x +t , determinándose su valor esperado cómo
Q
Q T px
N (t )τ p x +t . Ésta última expresión también se puede definir cómo N (t ) Q
, de modo que
t px
Q
podemos reemplazar el valor esperado de N (T ) por n(t ) T p x , siendo
N (t )
n(t ) = Q
t px
Lo anterior nos será de utilidad más adelante en la expresión 4.4, debido a que el valor
de N (T ) es condicionalmente independiente de la tabla de mortalidad en uso en tiempo T .
Por otra parte, el valor total del contrato en T , teniendo en cuenta este nominal
referenciado al número de supervivientes será
195
N (T ) max{K , Fx (T , T )}a x +T
Q
y el de la opción implícita
( K − Fx (T , T )) +
G (T ) = N (T )
Fx (T , T )
Suponemos que la opción implícita se cotiza con precio G (t ) en t , de manera que
G (t )
, es martingala bajo la medida de probabilidad Q x . La propiedad martingala de Q x ,
τ / a x +t Q
implica que
G (t ) ⎡ G (T ) ⎤
= EQx ⎢ Ft ⎥
τ / a x +t Q
⎢⎣τ / a x +t
Q
⎥⎦
⎡ ( K − Fx (T , T )) + ⎤
= EQx ⎢ N (T ) F ⎥
Fx (T , T ) ⋅ τ / a x +t
t
⎢⎣ ⎥⎦
Q
⎡ ⎡ ( K − Fx (T , T )) + ⎤ ⎤
= EQx ⎢ EQx ⎢ N (T ) FT ⎥ Ft
⎥
⎢ ⎣⎢ F (T , T ) ⋅ τ / a
Q
⎦⎥ ⎥⎦
⎣ x x +t
⎡ ( K − Fx (T , T )) + ⎤
= EQx ⎢ EQx [N (T ) FT ] Ft⎥
⎢⎣ Fx (T , T ) ⋅ τ / a x +t ⎥⎦
Q
⎡ Q ( K − Fx (T , T ))
+ ⎤
= EQx ⎢n(t ) T p x Ft⎥ (4.4)
⎢⎣ Fx (T , T ) ⋅ τ / a x + t ⎥⎦
Q
[
= EQx n(t )( K − Fx (T , T )) + Ft ]
Llegando de éste modo a que
G (t ) = n(t )τ / a x +t ( KΦ (−d 2 ) − Fx (t , T )Φ (−d1 ))

Q
donde
log Fx (t , T ) / K ± 1 σ Fx
2
d1, 2 = 2
σ Fx
Φ (⋅) : distribución acumulada de la normal estándar.
196
( )
T
σ Fx = ∫ σ x (u , T ) + σ P (u , T ) du .
2 2 2
Los parámetros, a y σ , para los que el modelo quedaría calibrado, serían aquellos
que minimizaran esta distancia
⎛ n Gi − M i ( a, σ ) ⎞
⎜ ⎟
arg min⎜ ∑ ⎟⎟
⎜ i =1 Gi
⎝ ⎠
siendo
Gi : el precio de mercado del instrumento financiero descrito, y
M i (a, σ ) : el valor proporcionado por el modelo para este instrumento, considerando difusión
en los tipos de interés y el tanto de mortalidad, cómo expondremos largamente en el capítulo 6.
Dado que no existen en la actualidad instrumentos calibrantes de estas características,
determinaremos los parámetros a y σ , a partir del ajuste de las tablas de mortalidad. Para
ello nos serviremos del modelo de Lee – Carter, así cómo del ajuste del parámetro k y .
Recordemos que la medida de mortalidad ajustada fue
q x , y = exp(a x + bx k y ) + ε xy ,
Además de los resultados del ajuste para los parámetros a x , bx y k y , disponemos de
la volatilidad de la serie temporal del parámetro k y , al que ajustamos un modelo ARIMA. Tanto
para mujeres cómo para hombres andaluces ha ajustado bien un ARIMA(0, 1, 0) con constante
negativa:
k y = k y −1 + c + ε y
siendo
ε y ≈ N (0, σ y )
197
Teniendo en cuenta que el valor del tanto de mortalidad µ y , en términos del parámetro
k y , se determina cómo sigue:
µ y = − ln (1 − exp(a x +t −i + bx +t −i k y ) )
obtenemos un estimador insesgado de la volatilidad inherente al parámetro µy :
2
1 t ⎛⎜ 1 − exp(a x +t − y + bx +t − y kˆ y ) ⎞⎟
σµ = ∑ ln
n − 1 y =t 0 ⎜ 1 − exp(a x +t − y + bx +t − y k y ) ⎟
⎝ ⎠
donde
t : es el año final de la serie ajustada.

t 0 : es el año inicial de la serie ajustada.
k y : valor del parámetro obtenido por el método del SVD para el modelo de Lee – Carter una
vez normalizado, para el año de calendario y .
k̂ y : valor del parámetro ajustado por el modelo ARIMA(0,1,0) , para el año de calendario y .
Para el caso de las mujeres andaluzas podemos representar gráficamente el parámetro
k y , y el ajustado por el ARIMA(0,1,0) , k̂ y , para una mujer de 70 años en el año 2005, cómo
sigue
15
10
-5 kt(real)
kt(arima)
-10
-15
80
82
84
86
88
90
92
94
96
98
00
19
19
19
19
19
19
19
19
19
19
20
Gráfico 4.24.: Parámetro ky del modelo de Lee – Carter y su ajuste

mediante un ARIMA(0, 1, 0).
198
Con respecto al parámetro a o tasa de reversión a la media, nuestra propuesta para

simplificar los algoritmos de valoración que surgen y que el arbol trinomial resultante, no sea
especialmente abierto, es hacer
0,1835
L= ≤2
M
siendo
L = apertura máxima del árbol trinomial; abs ( j ) ≤ L
M = exp(− a) − 1
con lo cual
a ≥ 0,09624
Una vez conocido el valor del parámetro a , obtenemos el valor de σ a considerar en
el árbol como
σ = σω ⋅
(1 − exp(−a))
a
Cómo ya se ha mencionado anteriormente, únicamente se ha tenido en cuenta el

riesgo de desconocimiento de la prestación esperada. Dejamos abierta la línea de investigación
correspondiente al riesgo técnico de desviación de la prestación real respecto a la esperada.
Decir aquí que a partir de la esperanza matemática anterior, obtenemos la distribución

de probabilidad de la variable aleatoria número de fallecidos en un año, para una cartera de
l x , y asegurados de x años de edad, en el año de calendario y . Esta variable aleatoria sigue
una distribución binomial
d x , y ≈ B(l x , y , q x , y ) ,
siendo d x , y el número de fallecidos de edad x en el año de calendario y . Si aplicamos el
teorema de Moivre – Laplace, podemos aproximar la distribución binomial a una normal de

parámetros
[ ]
E d x, y = l x, y ⋅ q x, y ⎫
⎪
⎬
[ ]
D d x, y = l x, y ⋅ q x, y ⋅ (1 − q x , y ) ⎪⎭
199
Por otra parte y para efectuar los cálculos a nivel de póliza, si tenemos en cartera l x , y
contratos de las mismas características, las anteriores medidas estadísticas serían:
⎡ d x, y ⎤ ⎫
E⎢ ⎥ = q x, y ⎪
⎢⎣ l x , y ⎥⎦ ⎪
⎪
⎬ (4.5)
⎡ d x, y ⎤ q x, y ⋅ (1 − q x , y ) ⎪
D⎢ ⎥= ⎪
⎣⎢ l x , y ⎦⎥ l x, y ⎪⎭
Así cuanto mayor es la cartera asegurada menor resulta la desviación típica.
Por otra parte cualquier estructura tipo árbol recombinante, tendría que tener distintos
escenarios incluso desde el nodo inicial, ya que es posible la desviación de la prestación real
respecto de la esperada para cualquier período.
Una representación de este tipo de árbol sería:
µ 1i ,n "
µ 1i ,k '
1 1 1
Gráfico 4.23. Árbol de transición conjunto de µ i,k‘ y µ i,n ”, considerando la distribución de µ i,n ” ‘desde el
período inicial
siendo en este caso
200
µ 1i ,k ' : nivel de la medida de mortalidad esperada,

µ 1i ,n " : nivel relativo de la medida de mortalidad real, respecto de la esperada,
considerando de este modo, que la medida de mortalidad a emplear en los cálculos sería la
suma de ambos componentes.
4.7. PROCESO ESTOCÁSTICO ASOCIADO AL FACTOR DE DESCUENTO ACTUARIAL.
Vegas y Nieto (1993) definen la fuerza de capitalización actuarial γ (s) , que permite
determinar el valor actual actuarial de un euro prometido en t para el caso de supervivencia
del asegurado, a partir del factor de descuento actuarial ( T −t E x +t ) cómo sigue
⎡ ⎛ T ⎞⎤
T −t E x +t = E ⎢exp⎜⎜ − ∫ γ ( s )ds ⎟⎟⎥
⎣⎢ ⎝ t ⎠⎦⎥
siendo
γ ( s) = µ ( s) + r ( s)
µ (s) : fuerza de mortalidad para el instante s.
r (s ) : tipo instantáneo para el instante s.
llegamos a que el precio del bono con riesgo sería ahora
T −t E x +t = P(t , T ) A(τ )e − B (τ ) µ x ( t ) (4.5)
donde
P(t , T ) : precio del bono sin riesgo según la dinámica de la expresión 3.3
τ =T −t
B(τ ) =
1
a
[
1 − e − aτ ]
⎡ T~ ⎤
σ2
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 B(τ ) − τ −
σ2
(
B(τ ) 2 ⎥ )
⎣ t 2a 4a ⎦
2
σ y a : parámetros correspondiente a la calibración del tanto instantáneo de mortalidad.
201
~
θ (t ) = θ (t ) + ρ ⋅ σ ( s) ⋅ σ ( s) ⋅ B(τ )
ρ : correlación entre el tipo instantáneo de interés y el tanto instantáneo de mortalidad
B(τ ) =
1
a
[
1 − e − aτ ]
σ y a : parámetros correspondiente a la calibración del tipo instantáneo.
En adelante, supondremos que la probabilidad de supervivencia y precio del bono

cupón cero, son procesos estocásticos independientes que evolucionan según ya se ha
expuesto en los apartados anteriores. En estas circunstancias, el factor de descuento actuarial,
T −t E x +t , sería el siguiente proceso estocástico
T −t E x +t = P(t , T ) T −t p x +t
donde ahora
P (t , T ) : precio en t del bono cupón cero con vencimiento en T, según la expresión 3.3;
T −t p x +t : probabilidad de supervivencia en T , para un Asegurado de edad t , según la

expresión 4.1.
La implementación práctica la llevaremos a cabo mediante métodos numéricos y más

concretamente, un árbol trinomial recombinante tridimensional.
Si consideramos el tanto de capitalización actuarial a corto en tiempo continuo derivado

de la tabla de mortalidad dinámica cómo
γ 1t = µ 1t + Rt
obtenemos el siguiente factor de descuento actuarial
1 ( )
E x +t , y + t = exp − γ 1t
El paso siguiente sería considerar la difusión en el tanto de mortalidad conjuntamente

con la del tipo de interés.
Para el árbol trinomial conjunto obtenemos la siguiente configuración:
202
µ 1i,k
( R, µ 1 )
Ri , j
Figura 4.1. Transición del tipo de interés libre de riesgo y tanto de mortalidad a partir de un
nodo central
Es decir, cada nodo da lugar a nueve ramas con sus correspondientes probabilidades
de ocurrencia.
Estas probabilidades de transición conjuntas, suponiendo independencia entre la curva

de mortalidad y la ETTI, se obtienen simplemente como sigue
µ 1i,k
Subida mantenim. bajada
Subida p1µ ⋅ p1R p 2µ ⋅ p1R p3µ ⋅ p1R
Ri , j mantenim. p1µ ⋅ p 2R p 2µ ⋅ p 2R p3µ ⋅ p 2R
bajada p1µ ⋅ p3R p 2µ ⋅ p3R p3µ ⋅ p3R

Cuadro 4.23. Probabilidades de transición conjuntas del tipo de interés libre
de riesgo y tanto de mortalidad a partir de un nodo central
En adelante para identificar la transición a la que se halla referida la probabilidad,

emplearemos dos subíndices: el primero corresponderá al tipo de interés, Ri , j , y el segundo a
la medida de mortalidad, µ
1
i, k , de manera que
203
p j ,k = p Rj ⋅ p kµ
Dado que en este caso estamos tratando con tres dimensiones (tiempo, nivel de tipos a
corto y nivel de mortalidad), cada nodo se especificará (i, j, k), siendo el primer índice el nivel
temporal, el segundo el nivel del nodo respecto al tipo a corto, donde j = 0 es el nivel central, y
el último el nivel del nodo desde el punto de vista de la mortalidad, siendo k = 0 el nivel central.
El tipo a plazo en el nodo (i, j, k) se denotará por Ri , j , y la medida de mortalidad se
denotará por µ 1i,k . De este modo el tanto de capitalización actuarial sería en el nodo (i, j, k):
γ 1i , j ,k = Ri , j + µ 1i ,k
Él árbol de transición conjunto para nuestro ejemplo será
Ri , j
µ 1i,k
i
Gráfico 4.24. Árbol de transición conjunta de del tipo de interés libre de riesgo y tanto de mortalidad
Hasta aquí hemos introducido en el análisis el ajuste por riesgo de interés y el riesgo
técnico y sólo resta el ajuste por riesgo de crédito que veremos en el capítulo siguiente.
204
CAPÍTULO 5. EL RIESGO DE CRÉDITO Y EL VALOR RAZONABLE. 207
5.2. INTRODUCCIÓN AL RIESGO DE CRÉDITO EN
EL VALOR RAZONABLE. 208
5.3. MODELOS DE VALORACIÓN DEL RIESGO DE CRÉDITO. 209
5.3.1. Método de valoración de opciones. 211
5.3.2. Modelo de Jarrow-Turnbull. 215
5.3.3. Modelo de Jarrow – Lando – Turnbull. 218
5.4. PROCESO ESTOCÁSTICO ASOCIADO AL SPREAD POR
RIESGO DE CRÉDITO. 221
5.4.1. Resultados analíticos 221
5.5. DIFUSIÓN DEL TIPO DE INTERÉS, SPREAD POR
RIESGO DE CRÉDITO Y MEDIDA DE MORTALIDAD. 236
5.5.2. Implementación mediante árboles trinomiales 237
205
206
CAPÍTULO 5. El riesgo de crédito y el Valor Razonable.
CAPÍTULO 5. EL RIESGO DE CRÉDITO

EN EL VALOR RAZONABLE.
Aunque no nos decantamos sobre si debe y en qué grado debe ser incluído el riesgo
de crédito en el valor razonable de las PTSV, se exponen una serie de propuestas para
hacerlo.
El capítulo comienza con una pequeña introducción, en la que se expone una breve
clasificación de los modelos de valoración del riesgo de crédito.
Destacamos el modelo de Jarrow – Turnbull (1995) a través del apartado 5.3.3., ya que
este modelo permite su calibración a mercado, lo cual es requerido para nuestro objetivo de
acercamiento al valor razonable.
En el siguiente apartado se expone el modelo de Jarrow – Lando – Turnbull (1997), y

que incorpora sobre el anterior la información del rating crediticio, en las probabilidades de
dafault.
En el apartado 5.4. presentamos el modelo para la difusión del spread de crédito de

Schönbucher (1999), y que desarrolla a partir del trabajo de Lando (1998). El motivo es que
nos permitirá crear un árbol trinomial recombinante para el spread por riesgo de crédito y con
éste implementar un árbol trinomial en cuatro dimensiones, para la determinación del valor
razonable de las PTSV.
El apartado 5.4.3. expone la calibración de los parámetros de Vasicek,

correspondientes al proceso estocástico del spread por riesgo, a partir de una opción sobre
CDSs. Ya se ha expuesto previamente, que para que un instrumento financiero séa apto para
calibrar, ha de ser negociado activamente. Encontrar este tipo de instrumento para la empresa
aseguradora de la cual estamos valorando las PTSV, quizás puede ser complicado.
Hasta que exista este mercado, tendríamos que inferir esta distribución a partir de
información histórica, cómo ya hemos hecho con el tanto de mortalidad.
De cualquier modo, con la incorporación de la difusión en el spread por riesgo de

crédito, queda completo nuestro modelo teórico de determinación del valor razonable de las
PTSV, tomando cómo subyacentes el tipo de interés libre de riesgo, el tanto de mortalidad y
este spread por riesgo de crédito
207
5.2. INTRODUCCIÓN AL RIESGO DE CRÉDITO EN EL VALOR RAZONABLE.
Durante la realización del presente trabajo, se está debatiendo si debe ser y en qué
grado debe ser reflejado el riesgo de crédito en la valoración de las PTSV. La discusión de este
tema nos podría llevar un libro entero.
Más que abordar una exposición profunda de las dos posturas enfrentadas, nuestro
propósito aquí es resaltar la base lógica que hay detrás de cada reflexión del riesgo de crédito
en las estimaciones del valor razonable, presentar algunos argumentos que rebaten tal postura,
y listar algunas cuestiones que merecen también ser comentadas, así como proponer varios
métodos de determinación y cuantificación del riesgo de crédito en el ámbito del valor
razonable.
La base racional que sustenta el reflejo de la calidad crediticia en el valor razonable de

las PTSV es la siguiente:
• Las PTSV de una compañía es el activo de “alguien”. Desde la perspectiva del poseedor de
la póliza, su valor se ve reducido por el riesgo de crédito de la compañía aseguradora. Por
tanto, la calidad crediticia de la compañía aseguradora debe ser reflejada en el precio.
• Desde otro punto de vista, la compañía aseguradora mantiene en su balance las PTSV
como pasivo para responder de los compromisos que surgen por la póliza. La compañía
aseguradora podría extinguir su obligación pagando una cantidad al poseedor de la póliza.
Esta cantidad deberá ser la misma que cualquier otra compañía pagaría por la póliza.
Como el precio de la póliza refleja el riesgo de crédito de la aseguradora, la cantidad que le
cuesta a la aseguradora mantener tal obligación refleja su propia calidad crediticia.
• La mayoría de los pasivos financieros de muchas industrias cuenta con un mercado de

negociación pública, y el precio para tales deudas ya refleja la calidad crediticia del emisor.
Posiblemente, una compañía podría comprar su deuda o negociar mas deuda en el
mercado. En consecuencia, a no ser que el valor razonable de sus deudas sea establecido
a su valor de mercado (el cual refleja su calidad crediticia), una compañía podría manipular
sus ganancias por la negociación de su propia deuda.
Alguno de los argumentos principales en contra del reflejo de la calidad crediticia en los
pasivos de una aseguradora incluyen lo siguiente:
• Si el valor de las PTSV refleja la calidad crediticia de la aseguradora, entonces las

ganancias de la aseguradora pueden aumentar si su calidad crediticia disminuye. Ello es
208
contrario a lo que en un principio se podría pensar, y proporciona información menos

relevante a los usuarios sobre sus estados financieros.
• Los argumentos para reflejar la calidad crediticia en las PTSV se basan en la valoración de
activos. Los activos se negocian, y sus valoraciones reflejan la calidad crediticia. Pero las
PTSV, no se negocian. Por tanto, no hay valor de mercado para estas, y los modelos de
valoración de activos no necesariamente se aplican a la valoración de las PTSV.
• Los valores de las PTSV que no son ajustados para reflejar el rating de crédito son más
útiles a los usuarios de los estados financieros, incluyendo acreedores y compradores
potenciales de la firma. Por ejemplo, el valor de las PTSV de una parte que asume
responsabilidad para el pago de las prestaciones sería independiente de la calidad
crediticia de la original parte responsable para cumplir con la obligación.
Para profundizar más en este tema,consultar:
• “Understanding deh Issues –Credit Standing and Liability Measurement”. Junio 2001 –
Volumen 4, Serie 1, FASB, disponible en http://www.fasb.org/articles&reports/vol4
series1.shtml
• Casualty Actuarial Society –“White Paper on Fair Valuing Property/Casualty Insurance

Liabilities”, Section H –Credit Standing and Fair Value, disponible en:
http://www.casact.org/research/tffvl/inditex.htm
• Girard, Luke, 2002. “An approach to Fair Valuation of Insurance Liabilities Using the Firm´s
Cost of Capital”, Vol. 4.
La principal dificultad de la consideración del riesgo de crédito en el valor razonable,

estriba en reflejar de alguna manera el precio del riesgo en el mercado.
5.3. MODELOS DE VALORACIÓN DEL RIESGO DE CRÉDITO.
Podemos clasificar en tres grupos los distintos modelos de valoración del riesgo de
crédito elaborados hasta ahora:
• En la primera clase de modelos, los pasivos se entienden como opciones establecidas

contra los activos subyacentes de la compañía, con los pagos a todos los pasivos de la
209
entidad en quiebra completamente especificados. La quiebra es determinada mediante la

50
evolución de los activos de la firma en conjunción con varios pactos de deuda .
Este enfoque es difícil de implementar en la práctica, porque la prioridad de la

estructura de pagos a todos los pasivos de la compañía debe ser especificada e incluida en
51
el proceso de valoración y esto es complicado . Además, como este enfoque no usa
información del rating, no nos sirve para valorar derivados crediticios cuyos pagos
dependen directamente de la calidad crediticia, por ejemplo, los pagarés sensibles al
52
crédito y los pagarés con difusión ajustada .
• La segunda clase de modelos trata el riesgo de crédito como el pago de una fracción de
cada euro prometido en el momento de quiebra. Dicha fracción viene dada exógenamente.
La quiebra se produce cuando el valor de los activos subyacentes de la compañía queda
53
por debajo de una frontera especificada exógenamente . Este enfoque simplifica el
cálculo, ya que los flujos de caja vienen determinados exógenamente y esto evita el tener
que establecer la prioridad de la estructura de pagos a todos los pasivos en quiebra de la
compañía. Aún así, presenta dos inconvenientes: primero, se requieren estimaciones para
los parámetros del valor de activos, lo cual no siempre es observable y segundo, no
funciona con varios derivados crediticios cuyos pagos dependen del rating crediticio de la
deuda.
• La tercera clase de modelos evita estos dos últimos problemas. Esta clase, como la
anterior, también contempla el riesgo de crédito como pago de una fracción de cada euro
prometido en el momento de la quiebra; pero dicho momento es ahora dado como un
54
proceso exógeno . Es decir, el proceso de quiebra viene especificado exógenamente y no
depende explícitamente de los activos subyacentes de la compañía. La ventaja de este
enfoque es que permite establecer asunciones exógenas en observables. Esta clase de
55
modelos presume la ausencia de oportundidad de arbitraje .
Este tercer enfoque puede ser fácilmente modificado para incluir la información del
rating en el proceso de quiebra, y por tanto, puede ser utilizado para valorar derivados
crediticios dependientes del rating. El modelo de Jarrow – Lando – Turnbull incorpora sobre el
50
Por ejemplo, Black y Cox (1976), Chance (1990), Merton (1974), y Shimko, Tejima, y Van Deventer (1993).
51
Jones, Mason, y Rosenfeld (1984).
52
Das y Tufano (1995)
53
Hull y White (1991) o Longstaff y Schwartz (1992)
54
Jarrow y Turnbull (1995) y Litterman e Iben (1991)
55
Se puede hacer una analogía entre esta clase de modelos y aquellos usados para valorar opciones sobre acciones
de interés variable, es decir, las asunciones exógenas en observables, de Jarrow y Turnbull (1995) es igual que Black y
Scholes (1973), como la asunción de Merton (1974) en valores de la firma es equivalente al enfoque de Geske (1979).
210
modelo de Jarrow y Turnbull precisamente esta mejora, es decir, caracterizar el proceso de

quiebra como un estado finito del proceso de Markov en el rating de crédito de la firma.
Por otra parte existe multitud de modelos para cuantificar este riesgo que recogen
ideas de algunos de los enfoques anteriores y que son utilizados habitualmente por diversas
compañías, como el modelo de Credit-Suisse (CreditRisk+), el modelo de J. P. Morgan (Credit
Metrics), que supone un desarrollo sobre el conocido Risk Metrics, …
Se incluye el siguiente cuadro resumen
METODOLOGÍA ENFOQUE
Supone que el precio de la deuda depende del Rating,

Credit Metrics centrando su atención en la incertidumbre asociada a la
variación en el mismo.
Adopta un punto de vista actuarial y está diseñado para
Credit Risk +
medir el riesgo de una cartera de deuda minorista.
Metodología parecida a la anterior, es la que se ha
Modelo de Vasicek en Basilea II
adoptado en el Nuevo Acuerdo de Capital de Basilea
Introduce aspectos econométricos y la incertidumbre de
Credit Portfolio View
ciclos económicos.
Incorpora un índice que intenta capturar la calidad crediticia
Credit Manager de una empresa a partir de datosde balance y de la
volatilidad que tiene el activo de la empresa.
Cuadro 5.1. Modelos de cuantificación del riesgo de crédito.
A continuación, se presentan cuatro métodos que proporcionan una base teórica sobre
cómo medir el precio del riesgo de crédito en el mercado, así como ejemplos de aplicación.
5.3.1. Método de valoración de opciones.
Tanto Merton (1974) como Black y Scholes (1973) ya sugirieron que los títulos
corporativos se pueden considerar como opciones sobre los activos de la compañía. Estos
activos incluyen el valor del inmovilizado, el fondo de comercio, etc., en definitiva, partidas
difíciles de valorar.
Supongamos el caso de una compañía sencilla del sector no financiero, con accionistas
y negociación de bonos. Los titulares de los bonos, lo son por el valor de los activos hasta el
211
nominal de la deuda, y los accionistas son titulares por el valor de los activos en exceso de este
nominal. Lo anterior se traduce en que se puede considerar una acción, como una opción de
compra sobre los activos, y cuyo strike será el nominal de la deuda.
De este modo para un bono cupón cero, si suponemos tipos de interés constantes, el
valor de una acción se puede determinar a partir de la fórmula de Black – Scholes de
valoración de opciones de compra. El valor del bono sería la diferencia entre la opción de
compra de la acción y el activo subyacente. Así, los titulares de los bonos se les puede
considerar poseedores de acciones y deudores de la venta de una opción de compra a
accionistas.
Recordemos la fórmula de Black – Scholes para una opción de compra:
C = AN (d1 ) − Xe − rT N (d 2 )
donde
ln( A / X ) + (r + σ 2 / 2) / T
d1 =
σ T
d 2 = d1 − σ T
siendo
C = valor de la opción call = valor de la acción en el modelo de Merton

A = valor actual del activo de la compañía,
N(d) = densidad normal estándar función de d,
X = precio de ejercicio = valor nominal de la deuda,
r = tipo libre de riesgo constante,
T = vencimiento para la opción,
σ = desviación típica anual de la rentabilidad de las acciones.
Entonces el valor del bono es A-C.
Cabe hacer en este punto tres consideraciones:
Primero, el valor del bono con riesgo converge al valor del bono libre de riesgo
conforme aumenta el valor de activo de la compañía.
Segundo, el valor del bono decrece conforme aumenta la volatilidad del activo.
212
Tercero, la rentabilidad esperada sobre los activos no es un componente explícito del

valor del bono.
Para analizar la primera observación nos fijamos en que un incremento en el valor del
activo provoca un aumento en el valor de la acción y el valor de la deuda, hasta un límite. Lo
más que un bono puede valer al vencimiento es X, el valor nominal de la deuda. Conforme el
valor de los activos aumenta, el valor de la acción converge a
C = A − Xe − rT . (5.1.)
También observamos que conforme A crece mucho respecto a X, d1 y d 2 incrementan

y el valor de la opción call (acción) aumenta hacia un limite superior de (5.1.). Luego el valor del
bono es
A − C = Xe − rT .
De este modo, para numerosos valores de activos, el bono está libre de riesgo y el
precio del bono es el flujo de caja prometido descontado al tipo libre de riesgo. Vemos que este
resultado se mantiene para activos relativamente “conservadores” con una reducida desviación
típica o para activos muy arriesgados con una desviación típica alta. Para cualquier nivel de
riesgo dado (la desviación típica de activos) el bono estará libre de riesgo para un número
suficiente de activos.
El segundo punto trata con la volatilidad. Un incremento en la volatilidad hace aumentar

el valor de una opción. Esto se puede ver tomando la derivada respecto a σ de la fórmula de
valoración de la opción. Por consiguiente, en igualdad de condiciones, el valor del bono
decrece cuando aumenta la volatilidad. Intuitivamente a mayor volatilidad en los activos, mayor
probabilidad de que la compañía no pueda hacer frente a sus pagos y los titulares de los bonos
reciban los activos de la firma como pago parcial de su prestación. Así, el primer punto no viola
la intuición de este segundo punto.
En cuanto a la última consideración, ya hemos visto en el punto 2.3.4. que en la

valoración de un Seguro de Vida al tipo libre de riesgo, consideramos las probabilidades
martingala riesgo neutral cómo sigue:
π x S px + (1 − π x ) S qx
S=
1+ r
determinándose la probabilidad riesgo neutral como vimos,
213
π x = px − λ ⋅ px ⋅ qx
es decir, en función de las probabilidades ciertas y el precio de mercado del riesgo asociado
con la incertidumbre sobre el pago prometido.
La misma intuición se mantiene en una fórmula más complicada de valoración de

opciones de Black-Scholes. El precio de mercado del riesgo de activo de la compañía entra en
la relación entre la medida de martingala, N(d) en la fórmula de valoración de la opción, y la
densidad de probabilidad “cierta”.
Tenemos una representación alternativa del valor de un bono corporativo en el marco

de la valoración de una opción. Recordemos la relación de paridad “put-call”
P = C + Xe − rT − A
donde P es el precio de una opción de venta sobre los mismos activos, A, teniendo el mismo
precio de ejercicio, X, y el mismo vencimiento, T, que la opción de compra, C. La expresión de
paridad put-call se puede volver a escribir como
A − C = Xe − rT − P. (5.2.)
Obsérvese que el lado de la izquierda de esta expresión es el valor del bono, como se
ha descrito arriba. La parte derecha es el precio del bono con riesgo menos una opción de
venta. Así, el valor de un bono corporativo puede ser descompuesto en un bono libre de riesgo
y una opción de venta sobre los activos de la compañía. Por conveniencia referiremos el valor
del flujo de caja del bono, descontado a los tipos libres de riesgo, como valor de un bono
sintético libre de riesgo. De esta manera, la descomposición implica dos términos: el valor de
un bono sintético libre de riesgo y la opción de venta.
Esta es una descomposición útil para determinar la sensibilidad respecto a los cambios
en el tipo de interés y los cambios en la calidad de crédito. Cambios en el tipo de interés
impactarán en ambos términos, pero el precio del bono libre de riesgo capturará sólo el puro
valor del dinero en el tiempo. Cambios en la calidad crediticia, serán capturados por el valor de
la opción de venta.
Es importante caer en la cuenta de que la forma de valorar una opción difiere del
simple descuento del flujo de caja del pasivo a los tipos libres de riesgo, sino que ha de haber
alguna medida del riesgo. Dicha medida se toma de manera adecuada en el presente método
de descomposición. No es sin embargo, una buena medida del riesgo, usar la rentabilidad de la
214
cartera de activo como tipo de descuento, ya que el rendimiento de la cartera de activo no es la

clave del riesgo en pasivos. Las claves son la sobrecapitalización (A-X) y la volatilidad del
rendimiento de activos.
Cuando hablamos de más de un periodo podemos recurrir a un modelo dinámico de

estimación de la ETTI, como por ejemplo el de Hull y White. La diferencia con la ecuación (5.2.)
anterior es que
Xe − rT
tendría que ser sustituído por
[
E r Xe − rT ,]
tal como se ha establecido en el apartado anterior. Siendo como ya se ha visto Er, la esperanza
de riesgo neutral (martingala) sobre posibles tipos de interés.
La ecuación (5.2.) anterior, quedaría como sigue:
[
A − C = E r Xe − rT − P. ] (5.3.)
El valor de la put, P, dependerá de la sobrecapitalización actual,
[
A − E r Xe − rT , ]
y de la volatilidad del activo, como se comentó arriba.
5.3.2. Modelo de Jarrow-Turnbull.
Este modelo utiliza la información disponible en precios del mercado, más algún dato
exógeno de análisis, para de ahí, suponiendo que el mercado está libre de arbitraje, deducir la
probabilidad que el mercado está adjudicando, a través de precios, a la evolución estocástica
(riesgo - neutro) de los distintos subyacentes.
El modelo de Jarrow-Turnbull requiere de:
1. La ETTI sin riesgo actual, así como su evolución obtenida mediante un modelo
dinámico de estimación que ajuste la ETTI actual, como puede ser el de Hull - White.
2. La ETTI actual de las deudas cuyo riesgo queremos analizar.
215
Esta última se sitúa por encima de la anterior, además, el diferencial crece con el
tiempo a vencimiento.
Este modelo asume que dicho diferencial se debe exclusivamente al riesgo de
contrapartida (riesgo de crédito), haciendo caso omiso de liquidez u otros posibles
factores.
3. Tasa de recuperación asociada a la deuda en caso de insolvencia. Será un número
comprendido entre 0 y 1. En caso de impago, por cada euro se recuperan δ euros.
Éste es el único dato exógeno.
El intervalo de tiempo fijo lo denotamos cómo antes por ∆t, que en los ejemplos será 1
año. La ETTI sin riesgo hoy la denotamos como hemos hecho con anterioridad por P(0; n), e
incorporamos la ETTI con riesgo (correspondiente a la deuda que pretendemos valorar), y que
c
denotamos por P (0; n): es el precio hoy del bono cupón cero con riesgo que vence en tiempo
n∆t, cuyo nominal es 1 y también es un dato de mercado.
El diferencial de precios lo denotamos por
P c (0, n)
φ (0, n) =
P(0, n)
y debe cumplir que
0 ≤ φ (0, n) ≤ φ (0, n − 1) ≤ 1
es decir, el precio del bono con riesgo tiene que decrecer con el tiempo con respecto al bono
sin riesgo, debido a la acumulación progresiva del riesgo.
Recordemos que hemos llamado Ri al tipo continuo anual sin riesgo para el período i∆t,
siendo una variable aleatoria, cuya evolución la tenemos ya especificada a partir del modelo
Hull – White que expusimos en el capítulo 3.
A continuación introducimos el proceso de la cuenta bancaria, β (n) , la variable
aleatoria definida mediante
⎛ ⎛ n −1 ⎞ ⎞
β (n) = exp⎜⎜ ⎜⎜ ∑ R j ⎟⎟ ⎟⎟ ,
⎝ ⎝ j =0 ⎠ ⎠
Inicializándola con el dato adicional de que β (0) = 1 tenemos
216
⎛ 1 ⎞
P(0, n) = Ep⎜⎜ ⎟⎟
⎝ β ( n) ⎠
Introducimos τ* cómo el tiempo aleatorio en el que ocurre el estado de quiebra , el

56
cual consideramos estado absorbente, es decir, que una vez se ha producido no es posible
cambiar de estado.
Los flujos de caja procedentes del bono { } {

P c (0, n) serán δ si τ * ≤ n , y 1 si τ * > n . }
Así
⎛ 1 ⎞
P c (0, n) = Ep⎜⎜ (δ ⋅ 1{τ * ≤ n} + 1{τ * f n}) ⎟⎟
⎝ B ( n) ⎠
siendo {
1{τ * ≤ n} la función indicadora del evento τ * ≤ n . }
A continuación, asumimos que el proceso estocástico de evolución de tipos {Ri } y el

proceso del momento de quiebra, representado como τ* son estadísticamente independientes.
Bajo esta asunción, podemos calcular
⎛ 1 ⎞
P c (0, n) = Ep⎜⎜ ⎟⎟ ⋅ Ep(δ ⋅ 1{τ * ≤ n} + 1{τ * f n}) = P(0, n) ⋅ (δ + (1 − δ ) ⋅ c(0, n) )
⎝ B (n) ⎠
donde
c(0, n) = Ep(τ * > n )
De aquí podemos deducir
P c (0, n)
φ (0, n) = = (δ + (1 − δ ) ⋅ c(0, n) )
P(0, n)
y ya es inmediato
56
El término quiebra no debe ser interpretado demasiado literal. En nuestro contexto, se refiere a cualquier caso de
“peligro” financiero que lleve a los propietarios de bonos a recibir menos de lo que se les prometió.
217
φ (0, n) − δ
c(0, n) = (5.4.)
1−δ
Como ejemplo vamos a considerar un título de renta fija cupón cero de duración 5
años, cuya tasa de recuperación vamos a suponer del 75%.
Si suponemos que el precio de un bono cupon cero de las mismas características pero
sin riesgo de credito es P(0, n) = P(0,5) = 0,831644 , y que el precio del título cupón cero con
c
riesgo que nos ocupa es P (0, 5) es 0,821249:
P c (0, n) P c (0,5) 0,821249

φ (0, n) = = = =0,9875
P(0, n) P(0,5) 0,831644
nos queda
φ (0,5) − δ 0,9875 − 0,75

c(0,5) = = = 0,95
1−δ 1 − 0,75
El modelo de Jarrow – Turnbull considera únicamente dos estados, si la compañía se

encuentra en estado de quiebra o solvencia, mientras que el modelo de Jarrow – Lando –
Turnbull, el estado de solvencia queda asimismo caracterizado en función del rating de crédito
asignado al emisor del bono.
5.3.3. Modelo de Jarrow – Lando – Turnbull.
Este modelo además de los requerimientos del modelo de Jarrow – Turnbull, necesita
el rating de crédito de la compañía.
Nos interesa incorporar la información que aporta el rating crediticio, desde una doble
vertiente:
• probabilidad de incumplimiento de cada rating de crédito, y
• probabilidades de transición entre los diferentes ratings de crédito.
De esta manera además de incorporar el riesgo de crédito en la determinación del valor

razonable de las PTSV, podemos incorporar simulaciones sobre los diferentes estados posibles
en el futuro de la entidad.
218
El modelo de Jarrow – Lando – Turnbull obtiene la distribución para el momento de
quiebra τ* a través de las cadenas de Markov en tiempo homogéneo para un espacio finito de
estados S = {1,...K } . El espacio de estados S representa los ratings de crédito posibles,

siendo 1 el mayor (AAA en el ranking de Moody) y K –1 el menor (C en el ranking de Moody).
El último estado, K, representa la quiebra. Se pueden obtener estimaciones de esta matriz de
transición (a un año), del Moody´s Special Report (1992), siendo por otra parte extraño que se
produzcan movimientos de dos ratings en un mismo año.
Llamemos Q a la matriz K x K de transición:
⎛ q1,1 q1, 2 ... q1,k ⎞

⎜ ⎟
⎜ q 2,1 q 2, 2 ... q 2,k ⎟
Q = ⎜ ... ⎟
⎜ ⎟
⎜ q k −1,1 q k −1, 2 ... q k −1,k ⎟
⎜0 ⎟
⎝ 0 ... 1 ⎠
donde
qi , j ≥ 0, ∀i, j , i ≠ j
y
k
q i ,i ≡ 1 − ∑ q i , j , ∀i, j , i ≠ j .
j =1
La entrada (i,j)-ésima, qi , j , representa la actual probabilidad de migración de un estado

i a otro j. Asumamos para simplificar que la quiebra (estado K) es un estado absorbente, de tal
forma que q k ,i = 0 para i = 1,…,K – 1 y q k ,k = 1 , lo que explica la última fila de la matriz de

transición.
Sea qi , j (0, n) la probabilidad de transición del estado i en el momento 0 al estado j en
el momento n. Es bien conocido que la matriz de transición KxK de n intervalos, Q0,n , cuya
entrada (i, j) es qi , j (0, n) satisface Q0,n = Q n (producto n de la matriz doblada de Q).
Bajo la asunción de mercado perfecto y ausencia de arbitraje, la matriz de transición

del tiempo t al tiempo t + 1 bajo martingala es dada por:
219
⎛ q1,1´(t , t + 1) q1, 2 ´(t , t + 1) ... q1, K ´(t , t + 1) ⎞

⎜ ⎟
⎜ q 2,1´(t , t + 1) q 2, 2 ´(t , t + 1) ... q 2, K ´(t , t + 1) ⎟
⎜ ... ⎟
⎜ ⎟
Qt ,t +1 ' = ⎜ ⎟
⎜ q K −1,1´(t , t + 1) q K −1, 2 ´(t , t + 1) q
... K −1, K ´( t , t + 1) ⎟
⎜ ⎟
⎜0 0 ... 1 ⎟
⎜ ⎟
⎝ ⎠
donde
qi , j ' (t , t + 1) ≥ 0, ∀i, j , i ≠ j
k
qi ,i ' (t , t + 1) ≡ 1 − ∑ q i , j ' (t , t + 1), ∀i, j , i ≠ j
j =1
si y sólo si qi, j ≥ 0
Sin restricciones adicionales, las martingalas qi , j ' (t , t + 1) pueden depender de la

historia completa de todo el proceso hasta el momento t. Por lo tanto, bajo martingalas, el
proceso no tiene por qué ser de Markov. Para facilitar la implementación práctica, es deseable
imponer mayor estructura a estas probabilidades. Es por ello que incluimos los ajustes de
proporcionalidad π i (t ) que satisfacen
q i , j ' (t , t + 1) = π i (t ) ⋅ qi , j ∀i, j , i ≠ j (5.5.)
siendo π i (t ) una función determinística del tiempo, tal que
qi , j ' (t , t + 1) ≥ 0, ∀i, j , i ≠ j
y
k
∑q
j =1
i, j ' (t , t + 1) ≤ 1 para i=1, …, K.
En forma de matriz, podemos escribirlo como:
220
Qt ,t +1 '− I = Π (t )[Q − I ]
donde I es la matriz identidad KxK y Π (t ) = diag (π 1 (t ),...π k −1 (t ),1) es una matriz diagonal
KxK .
La última fila en la matriz de transición para Qt ,t +1 ' en conjunción con la ecuación (5.5.)
implica que
π k (t ) ≡ 1, ∀t
Los ajustes de proporcionalidad π i (t ) tienen la interpretación de ser primas de riesgo,
las cuales transforman las actuales probabilidades a aquellas usadas en la valoración.
Dada esta estructura, podemos ahora calcular la probabilidad de que ocurra la quiebra
después de la fecha n, es decir, c(t , n) = Qt ' (τ * > n) .
Suponiendo que la compañía se encuentra en el estado i al tiempo t, denotado por

η t = i , la probabilidad de que ocurra quiebra después del momento n es
c(t , n) = Qt ' (τ * > n) = ∑ qi , j ' (t , n) = 1 − qi ,k ' (t , n)

j≠k
5.4. PROCESO ESTOCÁSTICO ASOCIADO AL SPREAD POR RIESGO DE CRÉDITO.
Siguiendo a Lando (1998) consideraremos el tiempo hasta el default, τ * , a partir de un

proceso de Cox. Consideramos N (t ) cómo un proceso de Poisson en tiempo no homogéneo e
intensidad λ (t ) . La intensidad λ (t ) , también denominada intensidad del proceso de Cox, es
un proceso estocástico adaptado con
∫ λ ( s)ds < ∞ ∀t > 0 ,

0
221
Siendo
{ }
∞
N (t ) := max i τ i ≤ t = ∑1{τ ≤t }
i
i =1
La probabilidad de obtener exactamente n saltos sin conocer la realización del proceso

sería:
[[
Pt [N (T ) − N (t ) = n ] = Et P N (T ) − N (t ) = n {λ ( s )}{T ≥ s ≥t } ]]
⎡1 T n
⎤
= Et ⎢ ⎛⎜ ∫ λ ( s )ds ⎞⎟ exp⎛⎜ − ∫ λ ( s )ds ⎞⎟⎥
T
⎣ n! ⎝ t ⎠ ⎝ t ⎠⎦
Definimos el proceso
⎡ ⎛ T ⎞ ⎤
c(t , T ) = Et ⎢exp⎜⎜ − ∫ λ ( s )ds ⎟⎟ Ft ⎥
⎢⎣ ⎝ t ⎠ ⎥⎦
Para τ > t , c(t , T ) será la probabilidad de supervivencia de la entidad desde t hasta

T . Así en general tendremos que
[
1{τ >t } c(t , T ) = Et 1{τ >T } ]
Definimos el factor para la reducción del tanto de incumplimiento, q’, cómo

consecuencia de la tasa de recuperación, δ , de manera que
⎡ ⎛ T ⎞⎤ P c (t , T )
Et ⎢exp⎜⎜ − ∫ q' λ ( s )ds ⎟⎟⎥ = = φ (t , T )
⎢⎣ ⎝ t ⎠⎥⎦ P(t , T )
En primer lugar analizaremos el caso de independencia entre el proceso del tipo libre
de riesgo, y el spread por riesgo de crédito. Supondremos que existe una probabilidad P,
riesgo neutro, tal que para esta probabilidad, los diferenciales de precios, φ (t , T ) , por el
numerario, φ (0, t ) ,
φ (t , T )
φ (0, t )
222
son martingala. Suponemos asimismo que la intensidad de default reducida, q ' λ , cumple la
siguiente ecuación diferencial estocástica:
dq ' λ (t ) = (θ (t ) − aq ' λ (t ))dt + σ dW (t ) (5.6)
A partir de un desarrollo similar al que seguimos para el tipo instantáneo llegamos a

que
φ (t , T ) = A(τ )e − B (τ ) q 'λ ( t ) , τ =T −t
donde
1 − e − aτ
B(τ ) =
a
⎡ T σ2
(
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 B(τ ) − τ −
⎢⎣ t
σ2
4a
⎤
B(τ ) 2 ⎥)
⎥⎦
2a
Supongamos ahora que existe cierta correlación, ρ , entre el tipo libre de riesgo y la
tasa de default reducida. En este caso no podemos separar la evolución de ambos procesos.
Siendo la difusión del tipo libre de riesgo
dr (t ) = (θ (t ) − ar (t ))dt + σdW (t )
y la del spread por riesgo de crédito
dq ' λ (t ) = (θ (t ) − aq ' λ (t ))dt + σ dZ (t )
así cómo la correlación
dW (t )dZ (t ) = ρdt
llegamos a que el precio del bono con riesgo sería ahora
P c (t , T ) = P (t , T ) A(τ )e − B (τ ) q 'λ ( t ) (5.7)
223
donde
τ =T −t
1⎡
B(τ ) = 1 − e − aτ ⎤
⎢⎣ ⎥⎦
a
⎡ T~ σ2
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 B(τ ) − τ −
⎢⎣ t
(
σ2
4a
⎤
B(τ ) 2 ⎥)
⎥⎦
2a
2
σ y a : parámetros correspondiente a la calibración de la tasa de incumplimiento reducida.
~
θ (t ) = θ (t ) + ρ ⋅ σ ( s) ⋅ σ ( s) ⋅ B(τ )
B(τ ) =
1
a
[
1 − e − aτ ]
Al igual que ya hemos hecho en el caso del tipo continuo a corto definimos
t +1
qλ = ∫ q' λ (t )dt
1
t
t
cómo el spread por riesgo de crédito vigente para el intervalo [t , t + 1].
Aquí el valor de la reducción sobre la tasa de default queda determinado cómo sigue
c(t , t + 1) =
[ (
Et exp − qλ1t − δ )]
1−δ
[ ( )]
Et exp − qλ1t = δ + c(t , t + 1) ⋅ (1 − δ )
con lo cual tenemos
224
q = − log(δ + c(t , t + 1) ⋅ (1 − δ )) ⋅
1
λ1t
De esta forma el valor de q será menor cuanto mayor sea la tasa de recuperación. Si
δ =0 el valor de q será 1.
En adelante, tomaremos el valor conjunto de qλ1t , cómo un spread por riesgo de

crédito, que determina el diferencial de tipos de bonos con riesgo respecto a los de bonos sin
riesgo.
Usando el spread por riesgo de crédito, qλ1 t , evitamos añadir una rama adicional que
recoja la posibilidad de quiebra en el árbol trinomial. La medida que realmente
implementaremos en nuestro modelo será la correspondiente a la expresión (5.6), con qλ1t .
La implementación será diferente según exista correlación o no entre el tipo a corto,
Rt , y el spread por riesgo de crédito, qλ1 t .
Si suponemos independencia entre qλ1 t y el tipo Rt podemos generar árbol trinomial
correspondiente a qλ1t , de forma independiente. Simplemente hemos de llevar a cabo los dos
pasos expuestos para el tipo a corto suponiendo:
dqλ1t = (θ t − aqλ1t )dt + σ t dWt
El árbol trinomial con reversión a 0 de S t no plantea ninguna diferencia respecto al

correspondiente al tipo a corto.
En cuanto al paso 2 simplemente nos hemos de basar en el diferencial de precios de

manera que
[ ]
E exp(− qλ1 t ⋅ n) = φ (0, n) ,
225
Para determinar las cantidades Ω i , nos apoyaremos igualmente en los precios Arrow
– Debreu. En este caso los seudo - precios de Arrow – Debreu se determinan exactamente
igual, pero sustituyendo el tipo a corto por qλ1 t .
El proceso sería como antes el que sigue:
• Inicializamos el algoritmo con Q0, 0 = 1. Puesto que para i = 0, j toma el valor 0
únicamente, resulta que Ω 0 = qλ10 = − log φ (0,1)
• El siguiente paso consiste en calcular los seudo - precios Q1,1 , Q1, 0 y Q1, −1 . De su
definición, se deriva:
(
Q1,1 = Q0,0 ⋅ p1 (1) ⋅ exp − qλ1 0 ⎫ )
⎪
⎪⎪
(
Q1, 0 = Q0,0 ⋅ p 2 (0) ⋅ exp − qλ1 0 ⎬ )
⎪
⎪
(
Q1, −1 = Q0,0 ⋅ p3 (−1) ⋅ exp − qλ1 0 ⎪⎭ )
• Una vez se tiene un conjunto completo de seudo - precios Qi , j en un determinado
paso de tiempo, i, ya podemos proceder al cálculo de la cantidad Ωi .
Aplicando Bayes determinamos:
φ (0,2) = Q1,1 exp(− (Ω1 + ∆S1 ) ) + Q1,0 exp(− Ω1 ) + Q1, −1 exp(− (Ω1 − ∆S1 ) )
Por lo que se obtiene la expresión
⎛ 1 ⎞
Ω1 = log⎜ ∑ Q1,l ⋅ exp(− l∆S1 )⎟ − log(φ (0,2) )
⎝ l = −1 ⎠
Quedaría perfectamente identificado el proceso como sigue
226
⎛ 1 ⎞ ⎫
⎜ ∑ Qi ,l ⋅ exp(− l∆S i ) ⎟ ⎪
Ω i = log⎜ l = −1 ⎟ ⎪
⎜ φ (0, i + 1) ⎟ ⎪⎪
⎜ ⎟ ⎬
⎝ ⎠ ⎪
⎪
Qi ,l = ∑ Qi −1,l ' ⋅p l (i − 1, l ' ) ⋅ exp(− qλ1i −1,l ' )⎪
l' ⎭⎪
Lo anterior sería suficiente de no existir correlación entre el tipo Rt y qλ1t . Si

suponemos que existe una correlación de ρ entre ambos, hemos de generar
conjuntamente el árbol ( Rt , qλ1t ).
El proceso siguiendo a Schönbucher (1999) sería en este caso en primer lugar
construir un árbol trinomial para el tipo Ri , j , donde
dRt = (θ ' t −a ' Rt )dt + σ ' t dW 't
A continuación se determinan las probabilidades conjuntas de transición (R i, j )

, qλ1i ,l .
Para ello introduciremos el factor ε, de la siguiente manera si ρ <0
qλ1 t
Subida p 3λ ⋅ p 3R − ε p 2λ ⋅ p3R − 4ε p1λ ⋅ p3R + 5ε
Rt mantenim. p 3λ ⋅ p 2R − 4ε p 2λ ⋅ p 2R + 8ε p1λ ⋅ p 2R − 4ε
bajada p 3λ ⋅ p1R + 5ε p 2λ ⋅ p1R − 4ε p1λ ⋅ p1R − ε

Cuadro 5.1.: Probabilidades conjuntas de transición para rho<0
Mientras que si ρ >0
227
qλ1 t
Subida p3λ ⋅ p3R + 5ε p 2λ ⋅ p3R − 4ε p1λ ⋅ p 3R − ε
Rt mantenim. p 3λ ⋅ p 2R − 4ε p 2λ ⋅ p 2R + 8ε p1λ ⋅ p 2R − 4ε
bajada p 3λ ⋅ p1R − ε p 2λ ⋅ p1R − 4ε p1λ ⋅ p1R 5 + 5ε

Cuadro 5.2: Probabilidades conjuntas de transición para rho>0
Siendo
⎧ 1
⎪ 36 ρ ρ >0
⎪
ε =⎨
⎪ 1
⎪− 36 ρ ρ <0
⎩
No obstante la implementación conjunta sólo puede llevarse a cabo cuando el valor de

ε no es demasiado elevada, ya que de no ser así daría lugar a probabilidades de
transición negativas.
Tenemos de esta manera una configuración tridimensional para cada nodo:
qλ1 x +i ,l
( R, qλ1 )
Ri , j
Figura 5.1. Transición del tipo libre de riesgo y spread por riesgo de crédito a partir de un nodo
central
228
• El proceso expuesto respecto al paso 2 para i ≥ 1 sería sustituido por
[ (
E exp − ( Rn + qλ1 n ) ⋅ n = P c (0, n) )]
De esta forma se tendría en cuenta los tipos Rt en los precios Arrow – Debreu, como
sigue. Como antes Q0, 0 = 1 y
Ω 0 = qλ1 0 = − log φ (1)
A continuación
Qi , j ,l = ∑p j ,l (
(i − 1, j ' , l ' ) ⋅ Qi −1, j ',l ' ⋅ exp − ( Ri −1, j ' + qλ1 i −1,l ' ) )
∀j ',l '
Y de esta forma
P c (0, i + 1) = ∑ Qi , j ,l ⋅ exp(− ( Ri , j + Ω i + l∆S i )

j ,l
Así ya tenemos el algoritmo recursivo perseguido:
⎛ ⎞ ⎫
⎜ ∑ Qi , j ,l ⋅ exp(− Ri , j + l∆S i ) ⎟ ⎪
⎜ j ,l ⎟ ⎪
Ω i = log⎜ ⎟ ⎪
P c (0, i + 1) ⎬
⎜ ⎟
⎜ ⎟ ⎪
⎝ ⎠
Qi , j ,l (
= ∑ p j ,l ( j ' , l ' ) ⋅ Qi −1, j ',l ' ⋅ exp − ( Ri −1, j ' + qλ i −1,l ' ) ⎪⎪
1
)
∀j ,l ⎭
Para ilustrar lo anterior incluiremos un ejemplo que parte de los siguientes precios de
bonos cupón cero sin riesgo y arriesgados:
229
c
t P(0, t) P (0, t)
1 0,977469 0,967345
2 0,947188 0,927384
3 0,912773 0,884212
4 0,875619 0,839357
5 0,837634 0,794676
Cuadro 5.3.: Curva cupón cero con y sin
riesgo.
Si partimos de unos parámetros de Vasicek para qλ1t , de a = 0,4 y σ =0,49452%, y

suponemos que no existe correlación, los valores de qλ1i ,l son
J 0 1 2 3 4
1 0,017833 0,017790 0,017649 0,017508

0 0,010412 0,010727 0,010684 0,010543 0,010402
-1 0,003620 0,003577 0,003436 0,003295
Cuadro 5.4.: Valores temporales en el árbol del spread por riesgo de crédito a corto.
Gráficamente:
qλ1i ,l
0,02
0,02
0,02
0,01
0,01
0,01
0,01
0,01
0,00
0,00
0,00
0,00 1,00 2,00 3,00 4,00
Gráfico 5.1.: Árbol de spread de riesgo de crédito a corto.
230
En cuanto a la valoración del bono con riesgo, se llevaría a cabo en nuestro caso con el
siguiente árbol conjunto:
Ri , j
qλ1i ,l
Gráfico 5.2.: Árbol conjunto del tipo libre de riesgo y el spread por riesgo de crédito a corto.
5.4.3. Calibración.
Para poder calibrar el modelo necesitamos un derivado sobre el spread por riesgo de
crédito, y una cotización de la correlación entre este spread y el tipo libre de riesgo.
En primer lugar introduciremos el concepto de derivados de crédito.
Los derivados de crédito son instrumentos financieros over the counter (OTC), cuyo
flujo de caja se halla vinculado al cambio en la calidad crediticia del subyacente. Desde su
introducción, los mercados han crecido enormemente, pasando a ser un importante vehículo
para que las instituciones financieras puedan protegerse o asumir riesgo crediticio.
Cabe destacar la figura del credit default swap (CDS). Un CDS consiste en un contrato
entre dos partes, comprador y vendedor de protección, sobre el posible default también
denominado evento de crédito, por parte del emisor de un título de referencia, conocido cómo
nombre de referencia. Así el comprador de protección paga una prima periódica y constante
hasta el vencimiento del contrato, también denominada spread del CDS, a cambio de una
eventual contraprestación del vendedor de protección, en caso de que se produzca un default
231
por parte del emisor del título de referencia. El CDS vence cuando se produzca el default o al
término del plazo establecido en el contrato si éste ocurre con anterioridad.
La contraprestación en caso de que se produzca el evento de crédito, consiste en la

diferencia entre el nominal del título y su valor de mercado a la fecha del evento de crédito. La
liquidación puede ser por diferencia entre los dos importes o por entrega física por parte del
comprador de protección, del título a cambio de su valor nominal.
Para su valoración introducimos el ya expuesto proceso de la cuenta bancaria, en

tiempo continuo esta vez:
⎛t ⎞
β (t ) = exp⎜⎜ ∫ r (t )dt ⎟⎟
⎝0 ⎠
y suponemos cómo antes τ , el tiempo hasta el default.
Cómo ya se ha explicado el compromiso del comprador de protección supone el pago
de una prima periódica postpagable. Los tiempos t i , 1 ≤ i ≤ n en que se devenga la prima

s (t 0 ) del CDS serán equidistantes, t i = t i + ∆t , salvo si ocurre el default, en cuyo caso y para
*
el período que media desde aquel en que se pagó la última prima, t i , y la fecha del default,
∆τ = τ − t i ,
*
el comprador de protección habrá de pagar la prima proporcional. De este modo la valoración

del compromiso del comprador de protección será:
C (t 0 ) = s (t 0 ) ⋅ CDS c (t 0 )
donde
⎡n 1 1 ⎤
CDS c (t 0 ) = Ep ⎢∑ ⋅ ∆t ⋅ 1{ti ≤τ } + ⋅ ∆τ ⋅ 1{τ ≤tn } Ft 0 ⎥
⎣ i =1 β (t i ) β (τ ) ⎦
En cuanto al compromiso del vendedor de protección, si suponemos que la tasa de

recuperación, viene determinada exogenamente y es independiente del tiempo de default, su
valor vendría dado por:
232
⎡ 1 ⎤
V (t 0 ) = Ep ⎢ (1 − δ ) ⋅ 1{t 0 ≤ τ ≤ t n } Ft 0 ⎥
⎣ β (τ ) ⎦
Dado que en t 0 , ambos compromisos han de ser equivalentes,
V (t 0 ) = C (t 0 ) ,
el valor de la prima se determina inmediatamente
V (t 0 )
s (t 0 ) =
CDS c (t 0 )
Existen ya cotizaciones de derivados sobre los CDS, y podemos encontrar una

descripción en Patel (2003), donde también se incluyen aplicaciones prácticas. En Hull y White
(2002) y Schönbucher (2003) se adapta el modelo de Black para aplicarlo a opciones sobre
CDS.
Supondremos ahora que valoramos en t < t1 , es decir, antes del primer pago de prima
del CDS, de la siguiente forma:
C (t ) = s (t ) ⋅ CDS c (t )
donde
⎡ n 1 1 ⎤
CDS c (t ) = Ep ⎢∑ ⋅ ∆t ⋅ 1{ti ≤τ } + ⋅ ∆τ ⋅ 1{τ ≤tn } Ft ⎥
⎣ i =1 β (t i ) β (τ ) ⎦
⎡ 1 ⎤
V (t ) = Ep ⎢ (1 − δ ) ⋅ 1{t 0 ≤ τ ≤ t n } Ft ⎥
⎣ β (τ ) ⎦
siendo ahora
V (t )
s (t ) =
CDS c (t )
233
la prima del CDS que correspondería según la filtración hasta t , Ft , respecto al tiempo hasta
el default.
Consideremos también un derivado sobre el CDS, cuyo flujo de caja será
(s(t ) − s ) CDS
* + c
(t ) ,
es decir, otorga el derecho pero no la obligación de comprar protección por la prima s * en

tiempo t .
El valor de este derivado es
⎡ β (t ) ⎤
CDSO(t ) = 1{τ >t } Ep ⎢ ( +
)
s (t 0 ) − s * CDS c (t 0 ) ⋅ 1{τ >t 0} Ft ⎥
⎣ β (t 0 ) ⎦
Mediante el cambio a la medida de probabilidad Q expuesto por Schönbucher (2003)

llegamos a
⎢⎣
(
CDSO(t ) = 1{τ >t } CDS c (t ) EQ ⎡ s (t 0 ) − s * )
+
Ft ⎤
⎥⎦
de manera que las primas s (t ) , son martingalas. Suponiendo que la difusión es lognormal, es
decir,
ds (t ) = s (t )σdW (t )
podríamos obtener explícitamente el valor de la opción anterior, a partir de la fórmula de Black:
[
CDSO(t ) = 1{τ >t } CDS c (t ) s (t ) N (d1 ) − s * N (d 2 ) ]
donde
ln(s (t ) / s * ) ± σ 2 ⋅ T
d1, 2 =
σ⋅ T
234
En cuanto a la volatilidad σ de los spread s (t ) , se determinada históricamente. Se

seguiría un proceso similar al descrito en la calibración del tipo de interés. Puede verse un
ejemplo en Hull y White (2002). Para ello y considerando:
ϕ i = ln(si ) − ln(si −1 )
obtenemos un estimador insesgado de la volatilidad de s i , σ 2 i , utilizando las m observaciones

más recientes:
1 m
σ 2i = ∑
m − 1 j =1
(ϕ i − j − ϕ ) 2
siendo
1 m
ϕ= ∑ ϕ i− j
m j =1
No obstante, si encontramos cotización de la correlación entre el tipo libre de riesgo y la

probabilidad de default del nombre de referencia, se tendría en cuenta a efectos de la evolución
futura de s (t ) .
Finalmente en cuanto a la calibración, hemos de de escoger una medida de bondad del

ajuste. Si disponemos de n instrumentos podríamos escoger
n CDSO j − M j
∑
j =1 CDSO j
siendo
CDSOj el precio de mercado del j-ésimo instrumento y
Mj es el precio proporcionado por el modelo. El flujo de caja que tomaría sería
(
F (i, l ) = qλ1 i ,l − s * )
+
El modelo quedaría calibrado para los parámetros que minimizaran esta distancia
235
⎛ n CDSO j − M j (a, σ ) ⎞
⎜ ⎟
arg min⎜ ∑ ⎟⎟ (5.8)
⎜ j =1 CDSO j
⎝ ⎠
5.5. DIFUSIÓN DEL TIPO DE INTERÉS, SPREAD POR RIESGO DE CRÉDITO Y TANTO DE
MORTALIDAD.
Si introducimos este spread por riesgo de crédito, qλ1t , el valor actual actuarial de un
euro prometido en caso de supervivencia del asegurado, será ahora
1 [ (
E c x + t = E exp − ( Rt + µ 1x + t + qλ1t ) )] (5.6)
correspondiente a la suma de los importes que recibiría el Tomador en caso de solvencia de la

aseguradora:
1 [ (
E ' x +t = E exp − ( µ 1x + t + Rt + λ1t ) )]
y en caso de quiebra de la aseguradora:
1 [ ( )(
E" x + t = E exp − ( µ 1x + t + Rt ) ⋅ 1 − exp − λ1t ⋅ δ( )) ]
Cómo ya se ha expuesto consideraremos el spread por riesgo de crédito para
simplificar.
Suponiendo difusión en todos los términos del tanto de capitalización actuarial, e

independencia entre el tanto de mortalidad y el resto de subyacentes considerados, el proceso
para el valor actual actuarial en tiempo continuo sería:
T −t E x + t = P c (t , T ) T −t p x +t
donde
P c (t , T ) : el valor del bono con riesgo, según la dinámica de la expresión 5.7.
236
T −t p x + t : probabilidad de supervivencia en T , para un Asegurado de edad t , según la

expresión 4.1.
En cuanto a su implementación mediante árboles trinomiales, podemos partir del árbol
conjunto ( qλ t / Rt ), y combinarlo con el correspondiente a µ 1t .

1
Para ello obtenemos las
probabilidades de transición conjuntas, suponiendo independencia entre µ 1t y el resto cómo:
µ 1t subida qλ1 t
Subida p 3q,λ3, R ⋅ p3µ p 2q,λ3, R ⋅ p3µ p1q,λ3 , R ⋅ p3µ
Rt mantenim. p 3q,λ2, R ⋅ p3µ p 2q,λ2, R ⋅ p3µ p1q,λ2 , R ⋅ p3µ
bajada p 3q,λ1 , R ⋅ p3µ p 2q,λ1, R ⋅ p3µ p1q,1λ , R ⋅ p3µ
µ 1t mantenimiento qλ1 t
qλ , R µ qλ , R µ
Subida p 3, 3 ⋅p 2 p 2,3 ⋅p 2 p1q,λ3 , R ⋅ p 2µ
Rt mantenim. p3q,λ2, R ⋅ p 2µ p 2q,λ2, R ⋅ p 2µ p1q,λ2 , R ⋅ p 2µ
bajada p3q,λ1 , R ⋅ p 2µ p 2q,λ1, R ⋅ p 2µ p1q,1λ , R ⋅ p 2µ
µ 1t bajada qλ1 t
Subida p 3q,λ3, R ⋅ p1µ p 2q,λ3, R ⋅ p1µ p1q,λ3 , R ⋅ p1µ
Rt mantenim. p 3q,λ2, R ⋅ p1µ p 2q,λ2, R ⋅ p1µ p1q,λ2 , R ⋅ p1µ
bajada p 3q,λ1 , R ⋅ p1µ p 2q,λ1, R ⋅ p1µ p1q,1λ , R ⋅ p1µ
Cuadro 5.5.: Probabilidades conjuntas
Siendo p qj ,λk, R las probabilidades de transición conjuntas ( qλ1t / Rt ), cómo se ha visto

en los cuadros 5.1. y 5.2. según la correlación existente entre ambos subyacentes.
237
A partir de ahora y para identificar la transición a la que se halla referida la probabilidad,
emplearemos tres subíndices: el primero corresponderá al tipo Ri , j , el segundo a la medida
µ 1i,k y el último para qλ1i ,l , de manera que
p j ,k ,l = p Rj ,,lqλ ⋅ p kµ
Dado que en este caso estamos tratando con cuatro dimensiones (tiempo, nivel de
tipos a corto, nivel de tanto de mortalidad y nivel de spread de crédito), cada nodo se
especificará (i, j, k, l):
• siendo el primer índice el nivel temporal,
• el segundo corresponde al nivel del tipo a corto,
• el tercero al nivel desde el punto de vista de la mortalidad,
• y el último el nivel del spread por riesgo de crédito..
El tipo a plazo en el nodo (i, j, k, l) se denotará por Ri , j , la medida de mortalidad se
denotará por µ 1i,k y el spread por riesgo de crédito por qλ1i ,l . De este modo el tanto de
capitalización actuarial sería en el nodo (i, j, k, l):
γ 1i , j ,k ,l = Ri , j + µ 1 x +i ,k + qλ1i ,l
De este modo un nodo normal tendría una configuración de transición

cuatridimensional con 27 ramas, siendo para el nodo (0, 0) de nuestro ejemplo:
238
Ri , j
µ 1i,k
qλ1i ,l
Figura 5.2. Transición de los tres subyacentes considerados a partir del nodo origen
239
240
TERCERA PARTE: ESTIMACIÓN DEL VALOR RAZONABLE.
241
242
CAPÍTULO 6. ESTIMACIÓN DEL VALOR RAZONABLE. 245
6.2. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS. 246
6.3. OPCIÓN DE RESCATE. 250
6.4. OPCIÓN DE PARTICIPACIÓN EN BENEFICIOS. 253
6.5. VALORACIÓN CON DIFUSIÓN EN LA MEDIDA DE
MORTALIDAD. 258
6.6. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS
Y MEDIDA DE MORTALIDAD. 260
6.6.1. Valoración sin opciones. 260
6.7. VALORACIÓN CON DIFUSIÓN EN EL TIPO DE INTERÉS,
MEDIDA DE MORTALIDAD Y SPREAD POR RIESGO DE
CRÉDITO. 263
6.7.1. Valoración incluyendo spread de crédito. 263
6.7.2. Valoración con difusión en los tipos de interés,
spread de crédito y tanto de mortalidad. 265
6.8. RESUMEN DE VALORACIONES PROPUESTAS. 278
243
244
CAPÍTULO 6. Estimación del Valor Razonable.
CAPÍTULO 6. ESTIMACIÓN DEL VALOR

RAZONABLE.
Este capítulo expone la metodología para el cálculo de las PTSV con difusión en los
tipos de interés, el spread por riesgo de crédito y el tanto de mortalidad. Asimismo presenta un
método simplificado de estimación del valor razonable correspondiente a las opciones de
rescate y de participación en beneficios implícitas en gran parte de Pólizas de Seguros de Vida.
El apartado 6.2. sin considerar riesgo de crédito, explica cómo se valoran las PTSV a
través del árbol trinomial, cuyas dimensiones serán el tiempo y el nivel de tipos de interés. De
esta manera el tanto de capitalización actuarial tendría difusión únicamente en el tipo de interés
y no consideraría spread por riesgo de crédito:
γ 1i , j = Ri , j + µ 1i
En los apartados 6.3. y 6.4 se propone una metodología para estimar el valor razonable
correspondiente a una póliza de seguro que incluye una opción de rescate y participación en
beneficios.
El apartado 6.5. expone la valoración a través del árbol trinomial, cuyas dimensiones
serán el tiempo y el nivel del tanto de mortalidad. En este caso el tanto de capitalización
actuarial consideraría difusión en el tanto de mortalidad:
γ 1i ,k = Ri + µ 1i ,k
El siguiente apartado se refiere a la forma de valorar a través del árbol trinomial

tridimensional, cuyas dimensiones serán el tiempo, el nivel de tipos de interés y el nivel del
tanto de mortalidad. Es decir, con difusión en el nivel de tipos de interés y del tanto de
mortalidad:
γ 1i , j ,k = Ri , j + µ 1i , k
En dos subapartados se detiene en la opción de rescate y de participación en

beneficios.
245
El apartado 6.7. incorpora en la valoración el spread por riesgo de crédito. En un

principio se toma este spread sin difusión, para dar cuenta del efecto que tiene incorporarlo en
la valoración:
γc = Ri , j + µ 1i , k + qλ1i
1
i , j ,k
Por último consideramos difusión también en este spread de crédito, de forma que la
valoración incluya difusión en todos los subyacentes.
γc = Ri , j + µ 1i ,k + qλ1i ,l
1
i , j , k ,l
6.2. VALORACIÓN DE LAS PTSV CON DIFUSIÓN DEL TIPO DE INTERÉS.
La valoración de las PTSV bajo la probabilidad Q , riesgo – neutro si mantenemos la

notación que usamos en el capítulo 2 sería
EQ [V (t , T ) Ft ] = EQ [K (t , T ) − Π (t , T ) Ft ]
donde
K (t , T ) : es el proceso de las prestaciones y gastos, y

Π (t , T ) : es el proceso de las primas.
Nuestra propuesta es valorar las PTSV en tiempo discreto a través del árbol trinomial
para la difusión de los subyacentes considerados.
Valorar con el árbol trinomial para la difusión de los tipos de interés, consiste
básicamente en descontar desde el corte temporal en que tiene lugar el vencimiento de la
Póliza hasta el de la fecha de valoración, el flujo de caja proporcionado por la Póliza de Seguro
de Vida.
Para este descuento se tendrá en cuenta el tipo Ri , j y el tanto de mortalidad, µ 1i ,

correspondiente a cada nodo. El transcurso desde un determinado nodo a otro se realizará,
según las probabilidades de transición entre nodos.
246
Recordemos que los nodos en el árbol se especifican (i, j), siendo el primer índice el
nivel temporal y el segundo el nivel del nodo, donde j = 0 es el nivel central.
Para los primeros i´s el índice j vá desde j = - i hasta j = i; pero más adelante para i´s
posteriores el índice j vá desde j = - L hasta j = L, para garantizar la estabilidad del árbol
trinomial y por tanto que todas las probabilidades de transición son positivas (incluida p2).
El tipo a plazo en el nodo (i, j) se denotará por Ri , j , y el tanto de mortalidad para el
período i por µ 1i (no estamos suponiendo aún difusión en este término), de manera que el
valor de las PTSV en el nodo (i, j) de V(i, j), será:
⎡ ⎤
( )
3
V (i, j ) = exp − γ 1i , j ⋅ ∆t ⋅ ⎢ S i +1 + ∑ p k ⋅ V (i + 1, j k )⎥
⎣ k =1 ⎦ (6.1.)
(
+ Fi ⋅ 1 − exp(− µ i ⋅ ∆t )
1
)
siendo
Si+1 : flujos de caja por garantías, gastos o primas pagaderos a la supervivencia del asegurado
en i+1. Las primas a cobrar se considerarán con signo menos.
Fi : flujos de caja por garantías o gastos pagaderos al fallecimiento del asegurado entre i e i+1.
En este caso hemos establecido la hipótesis de fallecimiento al inicio del periodo considerado.
γ 1i , j = Ri , j + µ 1i : tanto de capitalización actuarial con difusión en los tipos de interés.
Si suponemos el fallecimiento al final del período considerado:
⎡ ⎤
( )
3
⎣ k =1 ⎦
(
+ Fi ⋅ exp(− Ri , j ⋅ ∆t ) ⋅ 1 − exp(− µ i ⋅ ∆t )
1
)
Y por último si tiene lugar a mitad del período:
⎡ ⎤
( )
3
⎣ k =1 ⎦
⎛ 1 ⎞
(
+ Fi ⋅ exp⎜ − Ri , j ⋅ ∆t ⎟ ⋅ 1 − exp(− µ 1 i ⋅ ∆t ) )
⎝ 2 ⎠
En adelante y para simplificar consideraremos el fallecimiento a comienzos del período.
247
Este proceso se repite hasta obtener el valor V(0, 0), que sería el valor actual en el
árbol trinomial.
Los flujos de caja serán positivos si son de pago y negativos si son de cobro (primas
pendientes de cobro). Esto es así debido a que las PTSV son una obligación para la compañía
aseguradora, y como tal queda minorada por los flujos de cobro a los que tiene derecho.
Para ilustrar la valoración en el árbol en un contexto de Pólizas de Seguros, nos

centraremos en la más simple PTSV, como es una Póliza de Seguro pura de Ahorro, lo que
denominamos Capital Diferido. En su forma más sencilla, el Capital Diferido es un poco más
que un bono cupón cero.
Como hipótesis técnicas, consideramos un interés técnico garantizado del 3%, los
gastos de gestión son del 1% para adquisición (gadq) sobre la prima de tarifa, para
administración (gadm) del 0,08% sobre el capital garantizado y del 0,02% para gastos de
gestión de siniestros (ggs), también sobre el capital garantizado.
La medida de mortalidad que consideraremos será la resultante de nuestro ajuste del

modelo de Lee – Carter a la población andaluza.
El asegurado será una mujer de 70 años (x = 70) en el año 2005, siendo este último a
su vez el año de efecto. De esta manera nos centraremos en la tabla de mortalidad
generacional resultante de nuestro ajuste, para una mujer nacida en el año 1935.
Dado que el seguro dura 5 años (n = 5), hemos de recurrir a los resultados de la
medida de mortalidad para una edad a partir de 70 años
El valor de la prima de tarifa (todos los valores son tanto por uno del capital
garantizado) será
1 + gadm + ggs
Π" x:n ¬= n E x , y ⋅
1 − gadq
1 + 1%
Π"70:5 ¬= 5 E 70, 2005 ⋅ = 0,812797
1 − 1%
248
La PTSV a determinar según el ROSSP será a prima de inventario y al tipo de interés

utilizado en la tarifa, siempre y cuando cumpla los requisitos establecidos en el artículo 33. Su
expresión es la siguiente:
tV ' x = n−t E x + t , y + t ⋅ (1 + gadm + ggs )
Si determinamos el valor de la PTSV a la fecha de efecto obtenemos:
l 75, 2010
0V '70 = 5 E 70, 2005 ⋅ (1 + gadm + ggs ) = ⋅ v 5 ⋅ (1 + 1% ) = 0,804669
l 70, 2005
En cambio, la valoración de la PTSV en el árbol trinomial partiría del flujo de caja

nominal, que sería:
S n = (1 + gadm + ggs )
S 5 = (1 + 1%)
Lo que daría lugar a la siguiente valoración en el árbol:
J 0 1 2 3 4
2 0,766351 0,832314 0,912894

1 0,759437 0,805345 0,861695 0,929661
0 0,781374 0,808963 0,846328 0,892115 0,946737
-1 0,861716 0,889394 0,923606 0,964125
-2 0,934649 0,956209 0,981834
Cuadro 6.1. Precios en el árbol trinomial con difusión en el tipo de interés libre de riesgo.
No hemos incluido el valor en el período igual a 5 debido a que será igual en todo caso
a S5.
En este caso la valoración en el árbol de la PTSV es menor que valorada según el

ROSSP debido a que la ETTI libre de riesgo que hemos considerado de mercado, proporciona
una tasa de descuento a 5 años mayor que el 3% de tipo de interés técnico garantizado.
Hasta aquí se ha expuesto la forma de valoración más sencilla, que es cuando el flujo
de caja coincide con los cortes temporales ∆t. Esto no siempre es así, ya que es muy posible
que la fecha de efecto de la Póliza, no coincida con la fecha del cálculo; o bien, que el seguro
249
considere unos cortes temporales ∆t, diferentes a los que hemos supuesto para implementar el
árbol.
Cuando la póliza que valoramos proporciona flujos que no coinciden con los cortes
temporales ∆t, hemos de generar un árbol trinomial para un intervalo de tiempo que recoja los
57
cortes temporales en los cuales caen los flujos .
De ser variables las distancias entre los cortes temporales, es decir, con ∆ti
dependientes del corte temporal ti, tendríamos una distancia vertical entre nodos adyacentes y
una esperanza condicionada también variables, ya que
⎫
(
M i = e − a∆ti − 1 ⎪ ) ⎪
⎬ (6.2)
Vi =
σ 1− e
2
( − 2 a∆t i ⎪
⎪
)
2a ⎭
Las probabilidades de transición entre nodos no sufrirían ninguna modificación.
6.3. OPCIÓN DE RESCATE.
En cuanto a opcionalidades implícitas en pólizas de seguros, podemos encontrar

multitud de ellas, por la posibilidad de rescate anticipado de la Póliza, liberación del pago de
primas en el caso de pago periódico, participación en beneficios, …
Si nos centramos en una de las más importantes, como es la opción de rescate, existen
dos tendencias en cuanto a su consideración en el ámbito del valor razonable.
Una de ellas considera la opción de rescate como un flujo probable de pago más,
determinado según su probabilidad de ocurrencia, de modo que el resto de flujos de caja
probables queda minorado. A partir de aquí, el valor razonable se determinaría con esta nueva
corriente de flujos de caja probables.
La otra tendencia considera la opción de rescate como una cierta asimetría en la

valoración que puede tomar el valor razonable, en la medida en que si bien este valor no se
halla acotado en cuanto a sus valores máximos, si lo está en sus mínimos que no pueden ser
inferiores al valor de rescate.
57
Ver Hull y White (1996)
250
Este enfoque es similar al que aborda la IAS 39 al establecer el “deposit floor” ó mínimo
en la posible valoración del pasivo en la medida en que pueda ser cancelado anticipadamente
por el poseedor del titulo a un precio determinado previamente.
También cabría considerar el enfoque aportado por esta segunda tendencia, si

tenemos en cuenta que la compañía aseguradora ha de mantener en su balance como PTSV
una cantidad, que no puede ser inferior a la cuantía comprometida en concepto de rescate con
el Tomador del seguro, con independencia de los tipos del mercado.
Son muchas y muy variadas las ventajas e inconvenientes de tomar una u otra
hipótesis, siendo asimismo los resultados muy diferentes en uno y otro caso. Si tenemos en
cuenta que generalmente el valor de rescate se determina cómo un porcentaje de las PTSV,
estimadas según la base técnica de la Póliza, al aplicar el primer método, obtendríamos un
resultado mucho menor que el obtenido de aplicar el segundo método.
Cabe incluso la posibilidad de que al valorar la opción de rescate cómo una cadena de
flujos que matizan el resto, la cuantificación resulte menor que la obtenida sin considerar dicha
opción. Si tenemos en cuenta que el rescate es un derecho, y cómo tal su valor mínimo es
nulo, lo anterior sería una incongruencia.
Independientemente de todo lo anterior, aquí no pretendemos defender uno u otro

método, simplemente prentendemos la exposición de la metodología a aplicar en cualquier
caso. Dado que el primer enfoque únicamente supone considerar unos flujos probables en
lugar de otros, nos extenderemos más en el segundo.
Así si lo que estamos valorando es una Póliza de Seguro con opción de rescate a un
tipo de interés garantizado, siendo el valor de rescate en tiempo i∆t de i R x ; el valor de la
Póliza V(i, j) será como mínimo de i Rx :
⎫
⎪
⎪
V R (i, j ) = max[V (i, j ); i R x ] ⎪
⎪
⎬ (6.3)
⎡ ⎤⎪
( )
3
V (i, j ) = exp − γ 1 i , j ⋅ ∆t ⋅ ⎢ S i +1 + ∑ p k ⋅ V R (i + 1, j k )⎥ ⎪
⎣ k =1 ⎦⎪
(
+ Fi ⋅ 1 − exp(− µ i ⋅ ∆t )
1
) ⎪
⎭
251
Las implicaciones que tiene tomar este enfoque en cuanto a la opción de rescate en el
cálculo, son de una doble vertiente:
1. Límite al valor de las PTSV en el nodo (i, j).
2. Dado que en el valor de las PTSV en el nodo (i, j) influye el valor en los nodos (i+1, j1),
(i+1, j2) y (i+1, j3), al hallarse estos condicionados por el límite que establece el valor
i +1 R x , indirectamente también se halla afectado el valor en el nodo (i, j). Esto sucede
como paso previo a la comparación con el mínimo que representa i Rx .
Si volvemos al ejemplo anterior, y consideramos que el Tomador del Seguro tiene la

opción de rescate al 98% del valor de la PTSV valorada al interés técnico, tendríamos los
siguientes valores de reserva y rescate:
Final del año tV’x i Rx
1 0,839109 0,822327
2 0,876555 0,859024
3 0,917079 0,898737
4 0,961561 0,942330
Cuadro 6.2. Valores de reserva y rescate.
Tomando estos valores de rescate, obtenemos la siguiente valoración en el árbol

trinomial condicionado:
J 0 1 2 3 4
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
0 0,803044 0,825940 0,859167 0,898925 0,946736
-1 0,865431 0,890828 0,923605 0,964125
-2 0,935255 0,956209 0,981833
Cuadro 6.3. Precios en el árbol incluyendo opción de rescate.
No sería necesario valorar de esta manera, si la póliza contiene lo que se denomina

“cláusula antiarbitraje”, consistente en determinar el valor de rescate como el menor entre la
PTSV y el valor de realización de los activos afectos a estas PTSV.
Por otra parte cabe la posibilidad de que los flujos probables que proporciona la póliza,
como se ha comentado antes, no tengan un devengo en los cortes anuales. Asimismo es
252
posible que el rescate se pueda producir todos los meses y no exclusivamente en cada
anualidad completa. En este caso habría que considerar una distancia temporal, ∆t, tan
pequeña cómo séa necesaria para que la valoración evalúe bien la opción de rescate, aunque
con ello el árbol trinomial recombinante será mucho más abierto.
6.4. OPCIÓN DE PARTICIPACIÓN EN BENEFICIOS.
En multitud de ocasiones se incluye en la póliza de seguro la cláusula de participación

en beneficios (PB). La aseguradora ofrece al tomador un porcentaje de la rentabilidad obtenida
de la inversión de las PTSV en la medida en que supera el interés técnico garantizado en
Póliza.
La materialización de esta PB puede ser un extorno de prima, una reducción en el

compromiso pendiente por parte del Tomador, o bien un incremento en las prestaciones
garantizadas.
Si bien en Pólizas de exteriorización de compromisos por pensiones, es corriente

cualquiera de las dos primeras opciones, en caso de Pólizas de Seguro individuales, es muy
habitual el tercero de los casos, es decir, incrementar las prestaciones garantizadas.
En este último caso desde nuestro punto de vista, se verían incrementados los flujos
probables de pagos correspondientes a la Póliza.
El incremento que se produce en los flujos probables de pagos de la Póliza por PB,
tendría que incrementar consecuentemente el valor razonable de la PTSV, ya que hemos de
considerar la totalidad de los flujos que proporciona el instrumento financiero.
También incrementaría el valor razonable cualquiera de las otras dos posibilidades de

materialización de la PB, ya que si se materializa en un extorno de prima se puede considerar
como en un flujo probable de pago por la cuantía del extorno; y si se materializa en una
reducción del compromiso pendiente para el Tomador, podría considerarse como un flujo
probable de cobro menor por dicho concepto; de ambas posibilidades deviene un incremento
en el valor razonable.
Cualquiera de las modalidades de PB provoca una asimetría en el resultado de la

operación de seguro para la compañía aseguradora, ya que cuando la rentabilidad de las
inversiones en que se halla materializada la PTSV supera el interés técnico, corresponde a la
aseguradora el beneficio que proporciona únicamente el resultado después de imputar la PB.
253
Mientras que si no consigue una rentabilidad igual o mayor al interés técnico, la pérdida
resultante es asumida íntegramente por la aseguradora.
Aquí nos centraremos en la PB que se materializa en un incremento en las

prestaciones garantizadas por la Póliza.
Para determinar el incremento que proporciona la PB en el valor razonable de la PTSV,

hemos de tener en consideración la rentabilidad de las inversiones afectas.
Un problema surge en la determinación de la rentabilidad futura de las inversiones en

que se materializa la PTSV. Además es posible que esas inversiones puedan ser sustituidas
por otras si la aseguradora lo estima conveniente y así se halla establecido en los
condicionados de la Póliza.
Para obviar toda esta problemática, consideraremos a los fines de determinar esta
rentabilidad, las plusvalías que puedan existir actualmente en el valor razonable de las
inversiones afectas, y considerar a continuación una hipótesis diferente según la consideración
o nó en el valor razonable de las PTSV el spread por riesgo de crédito de la aseguradora. Si la
determinación del valor razonable de las PTSV no considera el spread por riesgo de crédito,
únicamente se tendría en cuenta la rentabilidad del activo libre de riesgo, mientras que si el
valor razonable de las PTSV incluye el spread por riesgo de crédito de la aseguradora,
consideraremos para estimar la PB futura, la rentabilidad del activo libre de riesgo más este
spread por riesgo de crédito.
El principal motivo por el que este método no carece totalmente de rigor técnico,
cuando la aseguradora cuenta con la posibilidad de elección discrecional del activo afecto, es
que la aseguradora podría realizar las actuales inversiones con la consecuente plusvalía y
sustituirlas por un activo libre de riesgo de similar flujo de caja.
Lo anterior siempre y cuando la rentabilidad del activo libre de riesgo séa como mínimo
igual al tipo de interés técnico garantizado, de acuerdo con el artículo 33 del ROSSP. De otro
modo habría que modificar el tipo de interés técnico, determinándose las PTSV a contabilizar
según el nuevo tipo de interés técnico.
Por todo lo anterior proponemos la siguiente metodología para la determinación del

valor razonable correspondiente a la opción de PB, cuando esta supone un incremento en las
prestaciones garantizadas:
254
• En primer lugar se determina para cada nodo del árbol trinomial, las consecuencias en
términos de incremento de las prestaciones garantizadas según los condicionados y las
hipótesis técnicas de la Póliza.
• A continuación se determina la cuantía de los flujos de caja en que se traduce la PB,

incluyendo los que devienen por supervivencia y fallecimiento.
• Posteriormente descontamos a través del árbol trinomial y hasta el nodo origen de la

PB, la totalidad de los flujos de caja proporcionados por dicha PB según el algoritmo
PBi , j = exp(−γ 1i , j ⋅ ∆t )
⎡ PB ⎤
( )
3
⋅ ⎢ S i +1 + ∑ p sV PB (i + 1, j s )⎥ + F PB i ⋅ 1 − exp(− µ 1i ⋅ ∆t )
⎣ s =1 ⎦
siendo
PB
S i+1 : flujos de caja por garantías, gastos o primas pagaderos a la supervivencia del
asegurado en i+1 provenientes de la PB.
PB
F i : flujos de caja por garantías o gastos pagaderos al fallecimiento del asegurado
entre i e i+1 provenientes de la PB.
V PB (i + 1, j s ) : valoración en el nodo (i + 1, j s ) del árbol trinomial, del flujo de caja

derivado de la PB generada en el nodo (i, j ) .
PBi , j : descuento hasta el nodo origen, a través del árbol trinomial, del flujo de caja
derivado de la PB generada en el nodo (i, j ) .
• Y por último, consideramos estos valores descontados para cada nodo, como un flujo
de caja con devengo en el nodo origen de la correspondiente PB, para descontar y
agregar desde el final del árbol hasta el nodo origen (0, 0) todo el flujo de caja:
V PB (i, j ) = exp(− γ x +i , j ) ⋅ ∑ p k ⋅ V PB (i + 1, j k ) + PBi , j

3
k =1
La mejor manera de explicar la metodología expuesta es a través de un ejemplo

numérico.
255
Nos centraremos en el ejemplo anterior en el que supondremos que la participación en

beneficios se determina a partir del 90% de la rentabilidad de las inversiones afectas y que
supondremos equivalente a la del activo libre de riesgo.
Partiremos del árbol trinomial de tipos de interés que aparece en el cuadro 3.5.
Asimismo suponemos idénticas hipótesis técnicas, es decir, un interés técnico

garantizado del 3% (IT), los gastos de adquisición del 1% sobre la prima de tarifa, del 0,08% de
administración sobre el capital garantizado y del 0,02% de gastos de gestión de siniestros
también sobre el capital garantizado. La tabla de mortalidad será igualmente la resultante de
nuestro ajuste a la población andaluza.
En cuanto a la PB, consideraremos que proporciona una prima de inventario, es decir

sin considerar gastos de adquisición, que incrementa la garantia para supervivencia. Esta
prima se considera con efecto al comienzo de la anualidad en que se devenga. Supondremos
asimismo que esta PB no proporciona futura PB, siendo la base del cálculo la PTSV
determinada con el criterio fijado al respecto actualmente por el ROSSP. La prima de inventario
del bono por PB se determinará cómo sigue:
pb (i , j ) = i V ' x ⋅(90% ⋅ R (i, j ) − IT ) + 58
El capital del bono será:
pb (i, j )
cb(i, j ) =
Π ' x +i +1:n −i −1 ¬
dado que
Π ' x + i:n − i ¬ = n −i E x + i ⋅ (1 + gadm + ggs )= iV ' x
tenemos que
cb(i, j ) = (90% ⋅ R (i, j ) − IT ) +
La cuantía de los capitales por PB en nuestro caso serán:
58
En adelante el operador ()+, hará referencia al máximo entre 0 y el resultado de la expresión incluída entre
paréntesis.
256
J 0 1 2 3 4
2 0,036251 0,040531 0,043274

1 0,014752 0,019870 0,024151 0,026894
0 0,003490 0,007770 0,010513
-1
-2
Cuadro 6.4.: Árbol de cuantías del capital del bono considerando el nodo origen de la PB.
Por otra parte el flujo de caja proporcionado por la PB es de la misma estructura que el
original, es decir,
= S n ⋅ cb(i, j )
PB
Sn
por lo que para descontarlo hasta el nodo origen, simplemente hemos de hacer:
PB(i, j ) = V (i, j ) ⋅ cb(i, j )
En nuestro ejemplo obtenemos:
J 0 1 2 3 4
2 0,027781 0,033734 0,039505

1 0,011203 0,016002 0,020810 0,025002
0 0,002954 0,006932 0,009953
-1
-2
Cuadro 6.5.: Árbol de flujos probables de pagos procedentes de la PB descontados hasta el nodo
origen de la PB.
El paso siguiente sería considerar estos flujos probabilizados y descontados hasta el

nodo en que se origina la PB, como unos flujos que caen en dicho nodo y que hay que llevar
hasta el origen según las probabilidades de cada nodo, descontando y acumulando:
El resultado para nuestro ejemplo es el siguiente árbol:
257
J 0 1 2 3 4
2 0,084866 0,067108 0,039505

1 0,058258 0,053321 0,042574 0,025002
0 0,025165 0,022562 0,020832 0,017111 0,009953
-1 0,007920 0,005032 0,002082
-2 0,002317 0,000879
Cuadro 6.6.: Precios en el árbol de la opción de participación en beneficios.
Cuando no coincidan los cortes temporales de la Póliza con los cortes ∆t, considerados
para el árbol trinomial, procederíamos cómo ya se ha expuesto anteriormente, modificando la
distancia temporal, ∆ti, así cómo la construcción del árbol trinomial recombinante según
establece la expresión 6.2.
Hasta aquí hemos considerado el valor razonable libre de riesgo de crédito, y hemos
sido coherentes con ello en la determinación de la opción de PB. Una vez incluyamos en la
determinación del valor razonable de las PTSV el riesgo de crédito, modificaremos toda la
metodología anterior, de manera que la opción de PB considerará el tipo libre de riesgo más un
spread por riesgo de crédito.
6.5. VALORACIÓN DE LAS PTSV CON DIFUSIÓN DEL TANTO DE MORTALIDAD.
En los apartados anteriores hemos considerado difusión únicamente en el tipo de

interés, por lo que el paso siguiente es analizar cómo procederíamos con la difusión del tanto
de mortalidad.
Para centrarnos en la difusión del tanto de mortalidad consideraremos que el tipo Ri

será único para cada plazo, siendo este tipo el que servirá para descontar los flujos cuya
probabilidad de ocurrencia dependerá de cada nodo dentro del árbol.
Siguiendo con la notación anterior tenemos que:
⎡ ⎤
( )
3
⎣ k =1 ⎦ (6.4)
(
+ Fi ⋅ 1 − exp(− µ i , j ⋅ ∆t )
1
)
siendo en este caso
258
γ 1i , j = Ri + µ 1i , j
Este proceso se repite hasta obtener el valor V(0, 0), que sería el valor actual actuarial
a través del árbol trinomial, de las PTSV con difusión en el tanto de mortalidad.
Para ilustrar esta valoración volveremos al ejemplo anterior, con las mismas hipótesis
en cuanto a gastos, pero reemplazando la difusión en la ETTI, por la difusión en el tanto de
mortalidad, que en este caso sería la correspondiente al cuadro 6.2. El tipo continuo a corto
sería:
Año Rt
1 2,27887%
2 3,14690%
3 3,70104%
4 4,15562%
5 4,43498%
Cuadro 6.7. ETTI
De esta forma obtenemos la siguiente valoración en el árbol trinomial:
J 1 2 3 4 5
1 0,792253 0,832303 0,881483 0,940593

0 0,781374 0,809438 0,847089 0,892917 0,947294
-1 0,826995 0,862138 0,904500 0,954043
Cuadro 6.8. Precios en el árbol.
El resultado es el mismo que obtuvimos con difusión en el tipo de interés y valor

esperado del tanto de mortalidad.
Para valorar las asimetrías correspondientes a las opcionalidades implícitas

recurriremos al árbol conjunto que surge al considerar el tanto de capitalización actuarial cómo
γ 1i , j ,k = Ri , j + µ 1i , k
259
6.6. VALORACIÓN DE LAS PTSV CON DIFUSIÓN DEL TIPO DE INTERÉS Y DEL TANTO
DE MORTALIDAD.
6.6.1. Valoración sin opciones.
Cómo ya se ha expuesto considerando difusión en ambos subyacentes, trabajamos

con una medida de la distribución de probabilidad de ambos procesos estocásticos más
completa que la esperanza matemática.
Recordemos que las probabilidades de transición conjuntas suponiendo independencia

entre la curva de mortalidad y la ETTI, se obtienen simplemente como sigue
µ 1i,k
Subida p3µ ⋅ p3R p 2µ ⋅ p3R p1µ ⋅ p3R
Ri , j mantenim. p 3µ ⋅ p 2R p 2µ ⋅ p 2R p1µ ⋅ p 2R
bajada p 3µ ⋅ p1R p 2µ ⋅ p1R p1µ ⋅ p1R

Cuadro 6.9. Probabilidades de transición conjuntas para el tipo de interés libre
de riesgo y el tanto de mortalidad a partir de un nodo central
En adelante supondremos
p j ,k = p Rj ⋅ p kµ
especificándose cada nodo cómo (i, j, k), siendo el primer índice el nivel temporal, el segundo
el nivel del nodo respecto al tipo a corto, donde j = 0 es el nivel central, y el último el nivel del
nodo desde el punto de vista de la mortalidad, siendo k = 0 el nivel central.
El tipo a plazo en el nodo (i, j, k) se denotará por Ri , j , y la medida de mortalidad
denotará por µ 1i,k ; siendo el valor de las PTSV en el nodo (i, j, k) de V(i, j, k), que se
determinará a partir del flujo de caja como sigue:
V (i, j , k ) = exp(−γ 1i , j ,k ⋅ ∆t ) ⋅
⎡ ⎤
( )
3 3 (6.5)
⋅ ⎢ S i +1 + ∑∑ p s ,rV (i + 1, j s , k r )⎥ + Fi ⋅ 1 − exp(− µ 1 i , k ⋅ ∆t )
⎣ s =1 r =1 ⎦
siendo
260
γ 1i , j ,k = Ri , j + µ 1i , k
En nuestro ejemplo, obtenemos el siguiente árbol de valoración
Jµ JR 1 2 3 4 5
2 0,752883 0,821557 0,906367

1 0,743256 0,791192 0,850558 0,923014
1 0 0,791728 0,831455 0,880584 0,939967
-1 0,843357 0,873764 0,911669 0,957232
-2 0,918224 0,943851 0,974813
2 0,766259 0,832214 0,912824

1 0,759379 0,805248 0,861592 0,929590
0 0 0,781374 0,808901 0,846226 0,892007 0,946664
-1 0,861650 0,889287 0,923495 0,964051
-2 0,934537 0,956095 0,981758
2 0,779872 0,843010 0,919327

1 0,775851 0,819554 0,872768 0,936213
-1 0 0,826447 0,861260 0,903579 0,953408
-1 0,880341 0,905086 0,935475 0,970920
-2 0,951140 0,968497 0,988753
Cuadro 6.10. Valoración en el árbol conjunto para el tipo de interés libre de riesgo y el tanto de mortalidad de la
PTSV.
Cómo podemos comprobar las distintas valoraciones efectuadas sin considerar

opciones, son equivalentes. Esto es así debido a que el árbol trinomial es simétrico en cuanto a
los subyacentes considerados (tipos de interés y tanto de mortalidad), siéndolo también las
valoraciones que en el mismo se realicen.
La finalidad perseguida es valorar las opciones implícitas, al suponer éstas una

asimetría en sus posibles valoraciones. De este modo, cuanto más difusión tenga lugar en la
valoración más importancia cobran estas opciones, por lo que tenemos que tener un especial
cuidado en cuantificar esta difusión.
En cuanto al caso de no coincidir los cortes temporales de los flujos de caja con los del
árbol trinomial, se procedería como ya se expuso anteriormente.
261
6.6.2. Opción de rescate.
Con la misma notación anterior tenemos
V R (i, j , k ) = max[V (i, j , k ); i R x ] ⎫

⎪
⎪
⎪⎪
⎬
V (i, j , k ) = exp(−γ 1i , j , k ⋅ ∆t ) ⎪
⎡ ⎤ ⎪
( )
3 3
⋅ ⎢ S i +1 + ∑∑ p s ,rV R (i + 1, j s , k r )⎥ + Fi ⋅ 1 − exp(− µ 1i ,k ⋅ ∆t ) ⎪
⎣ s =1 r =1 ⎦ ⎪⎭
Para el ejemplo los resultados son:
Jµ JR 1 2 3 4 5
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0,822513 0,859167 0,898925 0,942253
-1 0,851173 0,877538 0,912100 0,957232
-2 0,919854 0,944033 0,974813
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
0 0 0,804595 0,826892 0,859167 0,898925 0,946664
-1 0,866002 0,891038 0,923575 0,964051
-2 0,935288 0,956128 0,981758
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0,838686 0,867578 0,904859 0,953408
-1 0,882770 0,905745 0,935519 0,970920
-2 0,951425 0,968516 0,988753
Cuadro 6.11. Valoración en el árbol conjunto para el tipo de interés libre de riesgo y el tanto de mortalidad
de la PTSV incluyendo la opción de rescate.
6.6.3. Opción de participación en beneficios.
Una vez incluida la difusión en el tanto de mortalidad, el proceso a seguir sería similar
al expuesto anteriormente, pero modificando debidamente el descuento a través del árbol:
262
( )
3 3
V PB (i, j , k ) = exp − γ 1 i , j ⋅ ∆t ⋅ ∑∑ p k ⋅ V PB (i + 1, j r , k s ) + PBi , j ,k
r =1 s =1
Obtenemos los siguientes resultados para nuestro ejemplo
Jµ JR 1 2 3 4 5
2 0,083375 0,066241 0,039222

1 0,057017 0,052384 0,042024 0,024823
1 0 0,022081 0,020466 0,016890 0,009882
-1 0,007751 0,004943 0,002055
-2 0,002276 0,000868
2 0,084856 0,067100 0,039502

1 0,058254 0,053314 0,042569 0,025000
0 0 0,025165 0,022560 0,020830 0,017109 0,009953
-1 0,007919 0,005031 0,002082
-2 0,002316 0,000879
2 0,086363 0,067970 0,039783

1 0,059517 0,054261 0,043121 0,025178
-1 0 0,023049 0,021200 0,017331 0,010024
-1 0,008091 0,005121 0,002109
-2 0,002357 0,000891
Cuadro 6.12. Valoración en el árbol conjunto para el tipo de interés libre de riesgo y el tanto de mortalidad,
de la opción de participación en beneficios correspondiente a las PTSV.
La valoración correspondiente a la PTSV incluída la opción de PB, corresponde a la

suma de la valoración de la opción de PB cómo se ha expuesto, más la de la PTSV sin
opciones.
6.7. VALORACIÓN DE LAS PTSV CON DIFUSIÓN EN EL TIPO DE INTERÉS, MEDIDA DE

MORTALIDAD Y SPREAD POR RIESGO DE CRÉDITO.
6.7.1. Valoración incluyendo spread de crédito.
263
Introduciendo el riesgo de crédito bajo las asunciones previamente mencionadas, y

suponiendo difusión únicamente en el tipo de interés, tendríamos que sustituir la expresión
(4.4) por.
V c (i, j ) = exp(−γ c
1
i, j ⋅ ∆t )
⎡ ⎤
( )
3
⋅ ⎢ S i +1 + ∑ p sV c (i + 1, j s )⎥ + Fi ⋅ 1 − exp(− µ 1i ⋅ ∆t )
⎣ s =1 ⎦
siendo
γc = µ 1 i + qλ1 i + Ri , j
1
i, j
Volviendo a nuestro ejemplo, la valoración de las PTSV según la expresión anterior

sería:
J 0 1 2 3 4
2 0,742574 0,815134 0,903492

1 0,728030 0,780358 0,843909 0,920087
0 0,741301 0,775508 0,820070 0,873700 0,936986
-1 0,826079 0,861800 0,904542 0,954196
-2 0,905651 0,936472 0,971722
Cuadro 6.13.: Precios en el árbol incluyendo riesgo de crédito.
Suponiendo asimismo difusión en la variable qλ1i ,l , tendríamos la siguiente expresión
V c (i, j , l ) = exp(−γ c
1
i , j ,l ⋅ ∆t )
⎡ ⎤
( )
3 3
⋅ ⎢ S i +1 + ∑∑ p r , sV c (i + 1, j r , l s )⎥ + 1 − exp(− µ 1 i ⋅ ∆t ) ⋅ Fi
⎣ r =1 s =1 ⎦
siendo
γc = Ri , j + µ 1i + qλ1i ,l
1
i , j ,l
Los resultados para nuestro ejemplo serían
264
Jλ JR 1 2 3 4 5
2 0,731415 0,805453 0,897050

1 0,715577 0,768632 0,833885 0,913526
1 0 0,762243 0,807746 0,863323 0,930305
-1 0,811950 0,848849 0,893798 0,947392
-2 0,892041 0,925349 0,964793
2 0,742515 0,815070 0,903448

1 0,727994 0,780297 0,843842 0,920041
0 0 0,741301 0,775469 0,820006 0,873631 0,936940
-1 0,826038 0,861732 0,904470 0,954149
-2 0,905580 0,936398 0,971674
2 0,753785 0,824803 0,909891

1 0,740626 0,792139 0,853918 0,926603
-1 0 0,788925 0,832451 0,884063 0,943622
-1 0,840372 0,874811 0,915270 0,960953
-2 0,919324 0,947580 0,978603
Cuadro 6.14. Valoración en el árbol conjunto para el tipo de interés libre de riesgo y el spread por riesgo de
crédito de las PTSV.
6.7.2. Valoración con difusión en los tipos de interés, spread de crédito y tanto de
mortalidad
Suponiendo difusión en todos los términos del tanto de capitalización actuarial,

obtenemos el valor de las PTSV como sigue:
V c (i, j , k , l ) = exp(−γ c
1
i , j , k ,l ⋅ ∆t ) ⋅
⎡ ⎤
( )
3 3 3
⋅ ⎢ S i +1 + ∑∑∑ p s , rV c (i + 1, j s , k r , l t )⎥ + 1 − exp(− µ 1 i ⋅ ∆t ) ⋅ Fi
⎣ s =1 r =1 t =1 ⎦
siendo
γ c i , j ,k ,l = Ri , j + µ 1i ,k + λ1i ,l
Las probabilidades de transición conjuntas, suponiendo independencia entre el tanto
de mortalidad, µ 1 x+ t , y el resto se obtienen cómo ya se ha expuesto en el cuadro 5.5.
265
Los resultados para nuestro ejemplo teniendo en cuenta total ausencia de correlación y
los árboles de transición de las tres medidas, así como sus probabilidades de transición son los
que siguen:
Jλ Jµ JR 1 2 3 4 5
2 0,718561 0,795043 0,890636

1 0,700331 0,755124 0,823108 0,906994
1 0 0,746003 0,793552 0,852165 0,923653
-1 0,794650 0,833932 0,882246 0,940618
-2 0,876365 0,913390 0,957895
2 0,731327 0,805356 0,896981

1 0,715522 0,768539 0,833785 0,913456
1 0 0 0,762185 0,807650 0,863219 0,930234
-1 0,811887 0,848747 0,893691 0,947320
-2 0,891934 0,925238 0,964719
2 0,744320 0,815803 0,903372

1 0,731043 0,782193 0,844601 0,919964
-1 0 0,778717 0,821998 0,874417 0,936861
-1 0,829498 0,863826 0,905284 0,954069
-2 0,907780 0,937240 0,971592
2 0,729467 0,804536 0,896988

1 0,712483 0,766585 0,832936 0,913463
1 0 0,758947 0,805595 0,862340 0,930240
-1 0,808439 0,846589 0,892781 0,947326
-2 0,889666 0,924296 0,964726
2 0,742426 0,814972 0,903378

1 0,727938 0,780203 0,843741 0,919971
0 0 0 0,741301 0,775410 0,819907 0,873527 0,936868
-1 0,825975 0,861629 0,904362 0,954076
-2 0,905471 0,936286 0,971599
2 0,755616 0,825544 0,909814

1 0,743728 0,794064 0,854686 0,926525
-1 0 0,792230 0,834473 0,884858 0,943543
-1 0,843892 0,876936 0,916093 0,960873
266
-2 0,921557 0,948432 0,978521
2 0,740538 0,814142 0,903385

1 0,724846 0,778219 0,842882 0,919977
1 0 0,772117 0,817822 0,872637 0,936875
-1 0,822467 0,859437 0,903441 0,954082
-2 0,903168 0,935333 0,971606
2 0,753694 0,824704 0,909821

1 0,740569 0,792044 0,853816 0,926532
-1 0 0 0,788865 0,832351 0,883957 0,943549
-1 0,840307 0,874706 0,915160 0,960880
-2 0,919213 0,947466 0,978528
2 0,767084 0,835402 0,916303

1 0,756633 0,806116 0,864891 0,933133
-1 0 0,805976 0,847138 0,895424 0,950272
-1 0,858535 0,890245 0,927032 0,967725
-2 0,935544 0,959756 0,985500
Cuadro 6.15. Valoración en el árbol de difusión de los tres subyacentes para las PTSV.
El riesgo de crédito minoraría la valoración de las PTSV si consideramos difusión

únicamente en el tipo de interés, al modificar la expresión (6.2) como sigue:
[
V Rc (i, j ) = max V c (i, j ); i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V (i, j ) = exp(−γ i , j ⋅ ∆t )
c c1
⎪
⎡ ⎤ ⎪
( )
3
⋅ ⎢ S i +1 + ∑ p sV Rc (i + 1, j s )⎥ + 1 − exp(− µ 1 i ⋅ ∆t ) ⋅ Fi ⎪
⎣ s =1 ⎦ ⎪⎭
Es decir, seguiría existiendo la asimetría que proporciona el valor de rescate a cada

plazo, pero el resto de valoraciones serían ahora menores.
En nuestro ejemplo si consideramos el valor de rescate y el riesgo de crédito

obtenemos el siguiente árbol de valoración
267
J 0 1 2 3 4
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
0 0,788239 0,822513 0,859167 0,898925 0,942253
-1 0,838396 0,867796 0,905632 0,954196
-2 0,908282 0,936932 0,971721
Cuadro 6.16. Precios en el árbol de difusión del tipo de interés llibre de riesgo incluyendo la opcion de rescate
y riesgo de crédito.
Suponiendo asimismo difusión en el spread de crédito la expresión sería la siguiente
[
V Rc (i, j , l ) = max V c (i, j , l );i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V c (i, j , l ) = exp(−γ c i , j ,l ⋅ ∆t )
1
⎪
⎡ ⎤ ⎪
( )
3 3
⋅ ⎢ S i +1 + ∑∑ p r , sV Rc (i + 1, j r , l s )⎥ + 1 − exp(− µ 1 i ⋅ ∆t ) ⋅ Fi ⎪
⎣ r =1 s =1 ⎦ ⎭⎪
Los resultados para nuestro ejemplo serían
Jλ JR 1 2 3 4 5
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0,822513 0,859167 0,898925 0,942253
-1 0,827942 0,859167 0,898925 0,947392
-2 0,895521 0,926203 0,964793
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
0 0 0,788325 0,822513 0,859167 0,898925 0,942253
-1 0,838816 0,868113 0,905616 0,954149
-2 0,908247 0,936882 0,971674
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0,822513 0,859167 0,898925 0,943622
-1 0,850427 0,879197 0,915651 0,960953
-2 0,921189 0,947740 0,978603
Cuadro 6.17. Valoración en el árbol de difusión de los tres subyacentes para las PTSV incluyendo opción de
rescate.
268
Suponiendo difusión en todos los términos del tanto de capitalización actuarial,

obtenemos el valor de las PTSV como sigue:
[
V Rc (i, j , k , l ) = max V c (i, j , k , l );i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V (i, j , k , l ) = exp(−γ i , j ,k ,l ⋅ ∆t ) ⋅
c c1
⎪
⎡ ⎤ ⎪
( )
3 3 3
⎢ S i +1 + ∑∑∑ p s , r ,tV (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ i ⋅ ∆t ) ⋅ Fi ⎪⎪

Rc 1
⎣ r =1 s =1 t =1 ⎦ ⎭
Para nuestro ejemplo:
Jλ Jµ JR 1 2 3 4 5
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0,822513 0,859167 0,898925 0,942253
-1 0,819691 0,859167 0,898925 0,942253
-2 0,881008 0,914713 0,957895
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0 0,822513 0,859167 0,898925 0,942253
-1 0,828871 0,859167 0,898925 0,947320
-2 0,895456 0,926107 0,964719
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0,822513 0,859167 0,898925 0,942253
-1 0,841676 0,869999 0,906401 0,954069
-2 0,910216 0,937684 0,971592
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0,822513 0,859167 0,898925 0,942253
-1 0,827151 0,857890 0,898925 0,947326
-2 0,893496 0,925251 0,964726
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
269
0 0 0 0,788562 0,822513 0,859167 0,898925 0,942253

-1 0,839345 0,868525 0,905607 0,954076
-2 0,908195 0,936800 0,971599
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0,822513 0,859167 0,898925 0,943543
-1 0,853069 0,881052 0,916510 0,960873
-2 0,923233 0,948601 0,978521
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
1 0 0,822513 0,859167 0,898925 0,942253
-1 0,837429 0,867189 0,904919 0,954082
-2 0,906199 0,935935 0,971606
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0 0,822513 0,859167 0,898925 0,943549
-1 0,850755 0,879393 0,915700 0,960880
-2 0,921165 0,947690 0,978528
2 0,859167 0,898925 0,942253

1 0,822513 0,859167 0,898925 0,942253
-1 0 0,828161 0,859239 0,898925 0,950272
-1 0,865000 0,892556 0,927241 0,967725
-2 0,936517 0,959842 0,985500
Cuadro 6.18. Valoración en el árbol de difusión de los tres subyacentes para las PTSV incluyendo opción de
rescate.
En cuanto a la participación en beneficios, recordemos que nuestra propuesta ha sido

considerar a efectos de determinar el valor razonable de la opción de PB, siempre que exista
asignación discrecional por parte de la entidad aseguradora de los activos afectos a las PTSV,
la plusvalía existente al momento de la valoración y la rentabilidad del activo libre de riesgo
para el período restante hasta el vencimiento de la Póliza. De esta manera existía una cierta
coherencia entre el descuento a través del árbol y la opción de PB, al tomar como referencia
ambos al tipo libre de riesgo.
270
Al incluir el spread de crédito correspondiente a la aseguradora, es más coherente

tomar como referencia para determinar las primas por PB la rentabilidad del activo libre de
riesgo más este spread de crédito.
En nuestro ejemplo haríamos:
cb(i, j ) = (90% ⋅ ( Ri , j + qλ1i ) − IT ) +
obteniendo
J 0 1 2 3 4
2 0,045845 0,049985 0,052592

1 0,024399 0,029464 0,033605 0,036211
0 0,008018 0,013084 0,017224 0,019831
-1 0,000844 0,003450
-2
Cuadro 6.19. Árbol de cuantías del capital por PB obtenidos según el nodo origen Incluyendo riesgo de
crédito y difusión en tipo de interés libre de riesgo.
Por otra parte al incluir el riesgo de crédito, hemos de descontar hasta el nodo origen
de la PB según la expresión:
PB c (i, j ) = V c (i, j ) ⋅ cb(i, j )
Los resultados para nuestro ejemplo son los que siguen
J 0 1 2 3 4
2 0,034043 0,040745 0,047516

1 0,017763 0,022993 0,028359 0,033317
0 0,006218 0,010730 0,015049 0,018581
-1 0,000763 0,003292
-2
Cuadro 6.20. Árbol de flujos probables de pagos procedentes de la PB descontados hasta el nodo origen
de la PB Incluyendo riesgo de crédito y difusión en el tipo de interés libre de riesgo.
En cuanto al descuento a través del árbol de estas cantidades se haría
271
(
V PBc (i, j ) = exp − γ c
1
i, j ) 3
⋅ ∆t ⋅ ∑ p j ⋅ V PBc (i + 1, j s ) + PBi , j
s =1
La valoración del ejemplo sería:
J 0 1 2 3 4
2 0,103225 0,081024 0,047516

1 0,082907 0,073627 0,057536 0,033317
0 0,044676 0,045388 0,040971 0,032288 0,018581
-1 0,016155 0,011114 0,006667 0,003292
-2 0,004333 0,001647
Cuadro 6.21. Árbol de valoración de la opción de PB de las PTSV incluyendo riesgo de crédito, y
difusión en tipo de interés libre de riesgo.
Si consideramos también difusión en el spread de crédito la cuantía del capital por PB

se determinaría según el nodo origen.
En nuestro ejemplo se determinaría cómo sigue:
cb(i, j , l ) = (90% ⋅ ( Ri , j + qλ1 i ,l ) − IT ) +
siendo los resultados para nuestro ejemplo:
Jλ JR 0 1 2 3 4
2 0,052262 0,056415 0,059032

1 0,030802 0,035881 0,040035 0,042651
1 0 0,014421 0,019501 0,023654 0,026271
-1 0,003120 0,007274 0,009890
-2
2 0,045866 0,050019 0,052636

1 0,024406 0,029485 0,033639 0,036256
0 0 0,008026 0,013105 0,017258 0,019875
-1 0,000878 0,003495
-2
2 0,039470 0,043624 0,046240

1 0,018010 0,023090 0,027243 0,029860
-1 0 0,001630 0,006709 0,010863 0,013479
272
-1
-2
Cuadro 6.22. Árbol de cuantías del capital por PB de las PTSV incluyendo riesgo de crédito, con
difusión para el tipo de interés libre de riesgo y el spread por riesgo de crédito.
A continuación se descontaría a través del árbol trinomial tridimensional el flujo de caja

proporcionado hasta el nodo origen.
En nuestro caso se haría simplemente:
PB c (i, j , l ) = V c (i, j , l ) ⋅ cb(i, j , l )
Los resultados para el ejemplo serán
Jλ JR 0 1 2 3 4
2 0,038225 0,045440 0,052954

1 0,022041 0,027579 0,033384 0,038963
1 0 0,010993 0,015752 0,020421 0,024440
-1 0,002649 0,006501 0,009370
-2
2 0,034056 0,040769 0,047554

1 0,017768 0,023007 0,028386 0,033357
0 0 0,006224 0,010746 0,015077 0,018622
-1 0,000794 0,003334
-2
2 0,029752 0,035981 0,042074

1 0,013339 0,018290 0,023263 0,027668
-1 0 0,001286 0,005585 0,009603 0,012719
-1
-2
de la PB incluyendo riesgo de crédito, con difusión para el tipo de interés libre de riesgo y el spread por
riesgo de crédito.
Por último se descuentan las cantidades anteriores a través del árbol trinomial
tridimensional:
273
V PBc (i, j , l ) = exp(−γ c

1
i , j ,l ⋅ ∆t )
3 3
⋅ ∑∑ p r , s ⋅ V c (i + 1, j r , l s ) + PBi , j ,l
r =1 s =1
En nuestro ejemplo obtenemos:
Jλ JR 0 1 2 3 4
2 0,111617 0,088705 0,052954

1 0,092585 0,082977 0,065805 0,038963
1 0 0,056210 0,051393 0,041200 0,024440
-1 0,021239 0,019045 0,015798 0,009370
-2 0,005082 0,002004
2 0,103250 0,081058 0,047554

1 0,082966 0,073670 0,057577 0,033357
0 0 0,045173 0,045830 0,041262 0,032408 0,018622
-1 0,017189 0,011943 0,007008 0,003334
-2 0,004356 0,001652
2 0,094610 0,073215 0,042074

1 0,073032 0,064078 0,049143 0,027668
-1 0 0,035518 0,031279 0,023596 0,012719
-1 0,014293 0,009024 0,003842
-2 0,003636 0,001299
Cuadro 6.24. Árbol de valoración de la opción de PB de las PTSV incluyendo riesgo de crédito, con
difusión para el tipo de interés libre de riesgo y el spread por riesgo de crédito.
Y por último considerando también difusión en el tanto de mortalidad no se verían

modificados los capitales obtenidos por PB, considerados en el ejemplo anterior, ya que se han
considerado dependientes únicamente del nivel de tipos de interés, Ri , j , y spread por riesgo
de crédito, qλ1i ,l .
En nuestro ejemplo se obtiene
cb(i, j , k , l ) = (90% ⋅ ( Ri , j + qλ1 i ,l ) − IT ) +
274
Cómo se ha expuesto, a continuación se descuenta el flujo de caja proporcionado

hasta el nodo origen. En nuestro ejemplo, simplemente
PB c (i, j , k , l ) = V c (i, j , k , l ) ⋅ cb(i, j , k , l )
siendo los resultados:
Jλ Jµ JR 0 1 2 3 4
2 0,037553 0,044852 0,052576

1 0,021572 0,027095 0,032953 0,038684
1 0 0,010758 0,015475 0,020157 0,024265
-1 0,002602 0,006417 0,009303
-2
2 0,038220 0,045434 0,052950

1 0,022039 0,027576 0,033380 0,038960
1 0 0 0,010992 0,015750 0,020419 0,024438
-1 0,002648 0,006500 0,009369
-2
2 0,038899 0,046023 0,053328

1 0,022517 0,028066 0,033813 0,039238
-1 0 0,011230 0,016030 0,020684 0,024612
-1 0,002695 0,006585 0,009436
-2
2 0,033458 0,040242 0,047214

1 0,017389 0,022603 0,028019 0,033118
1 0 0,006091 0,010557 0,014883 0,018489
-1 0,000784 0,003311
-2
2 0,034052 0,040764 0,047550

1 0,017766 0,023005 0,028382 0,033354
0 0 0 0,006223 0,010745 0,015076 0,018620
-1 0,000794 0,003334
-2
2 0,034657 0,041293 0,047889
275
1 0,018152 0,023413 0,028751 0,033592

-1 0 0,006358 0,010936 0,015271 0,018753
-1 0,000804 0,003358
-2
2 0,029229 0,035516 0,041773

1 0,013055 0,017969 0,022963 0,027470
1 0 0,001259 0,005487 0,009479 0,012628
-1
-2
2 0,029748 0,035976 0,042070

1 0,013338 0,018288 0,023261 0,027666
-1 0 0 0,001286 0,005585 0,009602 0,012718
-1
-2
2 0,030277 0,036443 0,042370

1 0,013627 0,018613 0,023562 0,027863
-1 0 0,001314 0,005684 0,009727 0,012809
-1
-2
de la PB Incluyendo riesgo de crédito, con difusión en los tres términos considerados del tanto de
capitalización actuarial.
Finalmente la valoración considerando difusión en los tres términos de la opción de PB

sería
V PBc (i, j , k , l ) = exp(−γ c

1
i , j , k ,l ⋅ ∆t )
3 3 3
⋅ ∑∑∑ p s , r ,tV c (i + 1, j s , k r , lt ) + PBi , j ,k ,l
s =1 r =1 t =1
Los resultados para el ejemplo:
Jλ Jµ JR 0 1 2 3 4
2 0,109663 0,087571 0,052576

1 0,090621 0,081524 0,064963 0,038684
1 0 0,055018 0,050493 0,040674 0,024265
276
-1 0,020790 0,018712 0,015597 0,009303

-2 0,004993 0,001979
2 0,111611 0,088707 0,052950

1 0,092587 0,082973 0,065806 0,038960
1 0 0 0,056212 0,051390 0,041201 0,024438
-1 0,021241 0,019045 0,015799 0,009369
-2 0,005082 0,002005
2 0,113594 0,089857 0,053328

1 0,094596 0,084447 0,066660 0,039238
-1 0 0,057431 0,052303 0,041736 0,024612
-1 0,021702 0,019383 0,016004 0,009436
-2 0,005172 0,002031
2 0,101442 0,080022 0,047214

1 0,081206 0,072380 0,056841 0,033118
1 0 0,044859 0,040541 0,031994 0,018489
-1 0,016826 0,011735 0,006919 0,003311
-2 0,004280 0,001631
2 0,103245 0,081060 0,047550

1 0,082968 0,073666 0,057578 0,033354
0 0 0 0,045167 0,045832 0,041261 0,032409 0,018620
-1 0,017191 0,011943 0,007009 0,003334
-2 0,004356 0,001652
2 0,105079 0,082111 0,047889

1 0,084768 0,074975 0,058325 0,033592
-1 0 0,046826 0,041994 0,032830 0,018753
-1 0,017564 0,012156 0,007100 0,003358
-2 0,004434 0,001673
2 0,092954 0,072280 0,041773

1 0,071484 0,062957 0,048515 0,027470
1 0 0,034767 0,030733 0,023295 0,012628
-1 0,013991 0,008867 0,003794
-2 0,003573 0,001282
2 0,094606 0,073217 0,042070
277
1 0,073035 0,064075 0,049145 0,027666

-1 0 0 0,035521 0,031279 0,023597 0,012718
-1 0,014295 0,009024 0,003843
-2 0,003636 0,001299
2 0,096287 0,074167 0,042370

1 0,074619 0,065214 0,049782 0,027863
-1 0 0,036291 0,031834 0,023903 0,012809
-1 0,014605 0,009184 0,003893
-2 0,003701 0,001316
difusión en los tres términos considerados del tanto de capitalización actuarial.
6.8. RESUMEN DE VALORACIONES PROPUESTAS.
En resumen, las distintas valoraciones de las PTSV dan lugar al siguiente cuadro:
Capitalización actuarial Sin opciones Rescate PB
γ 1i , j = Ri , j + µ 1i 0,781374 0,803044 0,806539
γ 1i , j ,k = Ri , j + µ 1i , k 0,781374 0,804595 0,806539
γc = Ri , j + µ 1i + qλ1i
1
i, j 0,741301 0,788239 0,785977
γc = Ri , j + µ 1i + qλ1i ,l
1
i , j ,l 0,741301 0,788325 0,786474
γc = Ri , j + µ 1 i ,k + qλ1i ,l
1
i , j , k ,l 0,741301 0,788562 0,786467
Cuadro 6.27. Resumen de valoraciones de las PTSV efectuadas a lo largo del capítulo 6.
Si bien al incorporar difusión en un nuevo subyacente, han crecido en complejidad los

algoritmos de valoración resultantes, también es cierto que los resultados son más ajustados,
ya que las asimetrías implícitas en el contrato de Seguro de Vida, se manifiestan más
adecuadamente.
Podemos comprobar que incorporar el spread por riesgo de crédito de la aseguradora,

minora de forma notable el resultado de la valoración, por lo que la decisión que se tome
finalmente en cuanto a su incorporación tendrá que tener muy en cuenta esta circunstancia.
278
También es cierto que al introducir el riesgo de crédito, las opcionalidades implícitas

cobran una importancia relativa más importante, siendo la opción de rescate la que presenta un
valor razonable mayor, por suponer un suelo en las posibles valoraciones futuras que ahora
son más bajas.
279
280
CUARTA PARTE: DETERMINACIÓN DE LAS NECESIDADES DE
RECURSOS PROPIOS.
281
282
CAPÍTULO 7. EL VALOR RAZONABLE Y SOLVENCIA II. 285
7.2. INTRODUCCIÓN A SOLVENCIA II. 285
7.3. SISTEMAS DE DETERMINACIÓN DEL CAPITAL MÍNIMO. 290
7.4. EL VALOR RAZONABLE Y EL MARGEN DE SOLVENCIA. 297
7.4.1. Necesidades de capital por riesgo de mercado. 297
7.4.2. Sensibilidad del valor razonable de las
provisiones técnicas ante cambios en los subyacentes. 298
7.5.1. Introducción al VAR de excedente. 302
interés. 305
interés y el spread por riesgo de crédito. 311
crédito para el activo afecto. 311
crédito para la aseguradora y el activo afecto. 316
interés, medida de mortalidad, spread por riesgo
de crédito de la aseguradora y el activo afecto. 320
7.5.5. RESUMEN DE VALORACIONES PROPUESTAS
PARA EL VAR DE EXCEDENTE. 322
283
284
CAPÍTULO 7. El Valor Razonable y Solvencia II.
CAPÍTULO 7. EL VALOR RAZONABLE Y

SOLVENCIA II.
El objetivo de este capítulo es determinar las necesidades de recursos propios de la

compañía, como consecuencia de su negocio asegurador. Se pretende estimar estas
necesidades a partir del tratamiento holístico de la mayoría de riesgos asumidos por la entidad
aseguradora al suscribir los contratos de Seguros de Vida.
En el primer apartado se expone el concepto de Solvencia, y a grandes rasgos

describe la evolución que ha sufrido los requerimientos de recursos propios por parte del
supervisor en Europa.
A continuación se presentan los requerimientos de recursos propios establecidos por

otras legislaciones, así como sus características más importantes.
En el apartado 7.4. se explica cómo utilizar las conclusiones obtenidas en los capítulos
previos para estimar las necesidades de recursos propios de la entidad aseguradora, así cómo,
lo que se podría considerar el VAR del valor razonable de las PTSV por los cambios de sus
diferentes subyacentes (tipos de interés, tanto de mortalidad y spread por riesgo de crédito).
El último apartado se refiere al VAR de excedente, o en nuestro caso, medida del

riesgo de superar el valor razonable de las PTSV, el valor razonable de los activos en los que
se hallan materializadas.
7.2. INTRODUCCIÓN A SOLVENCIA II.
Como peculiaridad inherente a la actividad aseguradora podemos destacar la

solvencia, desde el punto de vista de la capacidad de respuesta al riesgo presente y futura,
tanto del riesgo propio de su actividad (riesgo técnico), como del resto del riesgo al que se halla
sometida.
Para garantizar esta capacidad, es necesario el establecimiento de unas necesidades

de solvencia a las entidades aseguradoras, pudiendo distinguir entre solvencia estática y
dinámica.
285
La primera, se refiere a la capacidad técnica y financiera para hacer frente en un

determinado momento a los compromisos adquiridos, a través de las PTSV y su cobertura
mediante activos aptos.
La segunda se refiere a la capacidad para hacer frente a futuros quebrantos derivados

de otros riesgos a los que se halla sometida, y será cubierta mediante el patrimonio propio no
comprometido y garantizada a través del margen de solvencia y fondo de garantía.
Para analizar la exigencia en términos de margen de solvencia en la Unión Europea,

comenzaremos por la definición de solvencia de la aseguradora en el marco de las directivas
comunitarias. Tenemos una triple conceptualización en función de su alcance:
• En primer lugar el "margen de solvencia" de las directivas europeas consiste en un

conjunto de normas para el cálculo de una exigencia de fondos propios mínimos por una
parte (mínimo de margen), y de los fondos propios aceptables para satisfacer esta
exigencia por otra parte (margen disponible).
• Por otra parte la “garantía de solvencia financiera” se refiere al conjunto de normas

destinadas a garantizar la solvencia técnico – financiera de la empresa. Estas normas
hacen referencia al cálculo de las PTSV, a los activos representativos (solvencia estática),
así como a la exigencia de margen de solvencia mencionada.
• La denominada "solvencia global”, tiene que ver con la solvencia de una empresa en un
sentido más amplio. Con respecto al concepto anterior, esta concepción tiene en cuenta
factores que no son sólo financieros. El control de la solvencia global justifica la existencia
de un conjunto mucho más variado de medios a disposición de las autoridades
supervisoras.
La exigencia de margen de solvencia para las empresas de seguros no vida se inicia

en la denominada Primera Directiva del Seguro no Vida del año 1973, mientras que el margen
de solvencia del Seguro de Vida data del año 1979.
La Primera Generación de directivas en el mundo del Seguro armonizaba las normas

nacionales de supervisión en el ámbito comunitario (y entre ellas de la exigencia del margen de
solvencia).
Posteriormente, a través de la Segunda Generación de Directivas (1988 y 1990 para

los seguros no vida y vida respectivamente), se pretendió armonizar las exigencias aplicadas
para la denominada “libre prestación de servicios”. Supuso un paso intermedio entre los
286
mercados nacionales con regulaciones propias, y el mercado único europeo. De esta forma
estas segundas directivas apenas tuvieron influencia en el margen de solvencia.
Por último, la Tercera Generación de Directivas establecen el mercado único, con lo

que la actividad aseguradora en el ámbito comunitario se halla sometida a las normas y
supervisión financiera del Estado miembro en el que reside la sede social de la entidad,
independientemente del país en el que se preste el servicio asegurador.
En estas Terceras Directivas, de junio y noviembre de 1992 respectivamente para los

Seguros No Vida y Vida, se incluyen recomendaciones sobre la necesidad de revisar las
normas del margen de solvencia y fondo de garantía.
Así la Comisión Europea encargó a la Conferencia Europea de Autoridades de

Supervisión de Entidades Aseguradoras la elaboración de un informe. Esta última por
mediación de un grupo técnico, denominado Grupo Müller, emitió el informe conocido como
Informe Müller, con sus conclusiones acerca de las posibilidades de mejora en el margen de
solvencia y fondo de garantía comunitarios.
A partir de aquí, la Comisión Europea desarrolla en enero de 2001 dos propuestas de

directivas, las cuales no obstante, contradicen en algunos puntos el Informe Müller.
Estas propuestas de directivas, una vez aprobadas por el Comité de Seguros, fueron
remitidas al Consejo de Europa, quien mediante el apoyo del Parlamento Europeo las adapta
para emitir en junio de 2002 las Directivas 2002/13/CE sobre requisitos del margen de
solvencia de las empresas de seguros distintos del seguro de vida y la 2002/12/CE para
seguros de vida.
La transposición de diversas disposiciones contenidas en ambas directivas a la

normativa española se ha realizado recientemente a través de la publicación del Real Decreto
59 60
297/2004 y 298/2004 .
Por otra parte, la fase final de tramitación del proyecto Solvencia I se ha solapado con
un nuevo proyecto denominado Solvencia II.
Solvencia II es una de las consecuencias de la globalización y de la implantación del

mercado único. Mientras que Solvencia I se basa en la continuidad del esquema tradicional de
59
RD.297/2004 de 20 de febrero (BOE. Núm.45, 21 de febrero de 2004), por el que se modifica el Reglamento de
ordenación y supervisión de los seguros privados, aprobado por el RD.2486/1998 de 20 de noviembre.
60
RD.298/2004 de 20 de febrero (BOE. Núm.45, 21 de febrero de 2004), por el que se modifica el Plan de Contabilidad
de las entidades aseguradoras y normas para la formulación de las cuentas de los grupos de entidades aseguradoras,
aprobado por el RD.2014/1997, de 26 de diciembre.
287
las Primeras Directivas, Solvencia II supone un cambio no solamente en los aspectos

cuantitativos, sino y sobre todo, en los cualitativos para la determinación de los recursos
propios mínimos necesarios de las entidades aseguradoras, así como en su supervisión.
Es por ello que las entidades aseguradoras no sólo deben tener presente el impacto de
las dos directivas del proyecto Solvencia I, sino que además deberán tener muy en cuenta las
materializaciones del proyecto Solvencia II, que plantea un avance más importante. Esto ya se
está abordando, al menos por las grandes compañías aseguradoras.
Hasta la fecha se han llevado a cabo diferentes actuaciones y estudios por parte de
todos los organismos y asociaciones europeos involucrados en el proyecto de Solvencia II.
Aquí haremos mención a dos de los que más trascendencia han tenido:
• informe de la consultora KPMG, y
• informe Sharma emitido por la Conferencia de Autoridades Supervisoras Europeas.
El informe KPMG
Cabe destacar de entre los estudios realizados al efecto el Informe elaborado por
KPMG a encargo de la Comisión Europea. Su título es “Metodologías de valoración de la
posición financiera global de una entidad aseguradora desde la perspectiva de una supervisión
prudencial”. Y si bien en el mismo se pone de manifiesto que sus conclusiones son
responsabilidad de la consultora y no, necesariamente, deben coincidir con el punto de vista de
la Comisión, supone no obstante, un buen punto de partida.
En este informe el alcance de Solvencia II se divide en tres pilares (similares a los que
se han considerado en el proyecto Basilea II para la banca). Se incluye un cuadro resumen.
288
Pilar I. Exigencia de Pilar II: Procesos de Pilar III: Disciplina de

Recursos Propios Supervisión mercado
Requerimientos de
Recursos propios mínimos
Revisión de la exposición al información a las entidades
según un modelo basado en el
riesgo de cada entidad. para garantizar transparencia
riesgo realmente asumido
en el mercado.
Posibilidad de aplicación de
modelos internos de
Evaluación de los modelos
escenarios o probabilísticos, Facilidades por parte de las
internos de gestión de riesgos.
una vez validados por el entidades para que los
supervisor. participantes en el mercado
Valoración de las pruebas puedan acceder a información
Requerimientos de recursos efectuadas sobre PTSV y clave (recursos propios,
propios mínimos a nivel de activos individualmente exposición al riesgo, ...)
grupos consolidados. considerados así cómo del
mistmatching.
Facilitarán el grado de
sensibilidad de la exposición
Normas prudentes sobre Evaluación de la honorabilidad
al riesgo, así cómo los
activos y pasivos de y profesionalidad de la
escenarios clave utilizados en
aseguradoras. dirección.
el análisis de activos y
pasivos.
Cuadro 7.1. Alcance del macroproyecto Solvencia II.
Entre otras muchas cuestiones este informe manifiesta que la determinación de un futuro
sistema de solvencia será necesario acordar una agrupación de riesgos que como mínimo
debería contemplar las siguientes categorías de riesgo:
• Riesgos de suscripción
• Riesgos de mercado
• Riesgo de crédito
Asimismo, deberían contemplarse el riesgo operacional y el riesgo de mistmatching. No

obstante, se pone de manifiesto la dificultad existente para su medición y, en consecuencia,
para establecer un margen de solvencia basado en los mismos. Sin embargo, podrían
establecerse requerimientos adicionales de recursos propios como consecuencia de la
existencia de estos dos tipos de riesgo.
289
El informe Sharma
El segundo informe general redactado en el marco de Solvencia II es el informe de la

Conferencia de Autoridades Supervisoras Europeas (también denominado "informe Sharma",
nombre del Presidente del Grupo de trabajo).
Este Grupo de trabajo, dispuso de la experiencia concreta de sus miembros, ya que

cada autoridad supervisora nacional cuenta con información y elementos de análisis con los
que ningún otro participante del sector puede contar en su totalidad.
Para desarrollar el informe el grupo basó su análisis en primer lugar en el estudio de las
sociedades con graves dificultades (a través del cuestionario sobre las quiebras y situaciones
próximas a la quiebra acontecidas durante los seis últimos años, así como numerosos estudios
de casos detallados).
A partir de aquí, el grupo examinó los instrumentos normativos a su disposición y los

sometió a crítica en cuanto a su adecuación a los problemas revelados del análisis anterior.
Como conclusión principal del informe se determinó que el sistema prudencial ha de

comportar toda una serie de instrumentos normativos, preventivos o correctivos, que permitan
actuar en todas las etapas de manifestación posible de un problema: desde la fase más precoz
en la que, por ejemplo, la mala gestión de una compañía sólo es perceptible en la actitud de los
directivos o empleados de la compañía, hasta la fase última en la que una secuencia de causas
y efectos ya ha provocado una grave degradación de la situación financiera
7.3. SISTEMAS DE DETERMINACIÓN DEL CAPITAL MÍNIMO.
Según la normativa local de cada país, podemos encontrarnos con una gran diversidad
en cuanto al enfoque para la determinación de la cuantía mínima del margen de solvencia.
Podemos distinguir dos enfoques, el europeo o comprensivo y el anglosajón o analítico
El enfoque europeo considera a la aseguradora como un todo indivisible, para

determinar la cantidad de recursos necesarios en función de sus magnitudes agregadas. En
cambio, el enfoque anglosajón analiza los riesgos individuales a los que se halla sometida la
aseguradora y determina la necesidad de recursos propios en función de los primeros.
290
Como ejemplos del enfoque europeo tenemos el utilizado en España o Finlandia,

mientras que el anglosajón, con origen en los Estados Unidos han sido adoptados
posteriormente, con algunas variaciones, por Japón y Canadá y, recientemente, se están
empezando a desarrollar en Australia.
A continuación expondremos varios sistemas de determinación de la cuantía mínima

del margen de solvencia para Seguros de Vida.
Sistema de determinación del margen de solvencia español.
El sistema de determinación del margen de solvencia es regulado en España en los

artículos 58 y siguientes del Real Decreto 2486/1998, de 20 de noviembre, por el que se
aprueba el Reglamento de Ordenación y Supervisión de los Seguros Privados, modificado por
el Real Decreto 297/2004, de 20 de febrero y es regulado también por la Ley 34/2003, de 4 de
noviembre, de modificación y adaptación a la normativa comunitaria de la legislación de
seguros privados.
Para ilustrar este sistema incluiremos algunos de los párrafos del artículo 62 del Real
Decreto 2486/1998, así como las modificaciones a los mismos establecidos por el Real Decreto
297/2004:
Artículo 62. Cuantía mínima del margen de solvencia en los seguros de vida.
1. Para el ramo de vida, la cuantía mínima del margen de solvencia será la suma de los
importes que resulten de los cálculos a que se refieren los dos párrafos siguientes:
a) Se multiplicará el 4 por 100 del importe de las PTSV por seguro directo, sin deducir
el reaseguro cedido, y por reaseguro aceptado, por la relación que exista, en el
ejercicio que se contemple, entre el importe de las PTSV, deducidas las
correspondientes al reaseguro cedido y retrocedido, y el importe bruto de las
mismas, sin que esta relación pueda ser, en ningún caso, inferior al 85 por 100.
b) Para los contratos cuyos capitales en riesgo sean positivos se multiplicará el 0,3
por 100 de los capitales en riesgo, sin deducir reaseguro cedido ni retrocedido, por
la relación existente, en el ejercicio que se contemple, entre los capitales en riesgo
deducido el reaseguro cedido y retrocedido y el importe bruto de dichos capitales,
sin que esta relación pueda ser, en ningún caso, inferior al 50 por 100.
El Real Decreto 297/2004 da nueva redacción a la letra c) del número 2 y se añade un nuevo
apartado 5 al artículo 62.
291
La letra c) del número 2, reproduce en su tenor literal lo establecido en el número 7 del

artículo 28 de la Directiva 2002/12/CE sobre los seguros de vida, en relación con el margen de
solvencia de los seguros de vida vinculados a la evolución de activos específicamente afectos
o de índice o activos que se hayan fijado como referencia y para las operaciones de gestión de
fondos colectivos de jubilación. El porcentaje del importe de las PTSV para la determinación
del margen de solvencia se fija en función de que la entidad asuma el riesgo de inversión y, en
caso de que no se asuma, en relación con el período en que se cubran los gastos de gestión,
así como con la asunción de riesgos para caso de muerte.
El nuevo número 5 se corresponde en su integridad con el número 4 ter del artículo 61.
El mencionado porcentaje del 4% sobre las PTSV, es fruto de unos estudios llevados a
cabo hace más de cuarenta años. Se ajustó una distribución de probabilidad al ratio de
resultados anuales entre las PTSV y se estimó que para garantizar una probabilidad de ruina
menor del 1% durante tres años, bastaba con un patrimonio propio no comprometido
equivalente al 4% de las PTSV.
El sistema finlandés.
El sistema reglamentario finlandés basado en un modelo de riesgo se introdujo para el

caso de no vida en el año 1952 y sólo incluía los riesgos de seguro, posteriormente se reformó
a principios de los años ochenta donde se estudió la modelización de los riesgos de activo y al
final de la década de los noventa se introdujo en la normativa para los fondos de pensiones y
para las compañías de no vida, estando en proyecto la introducción de unas exigencias
similares para el caso de vida.
Esta normativa es un caso particular dentro de la Unión Europea, ya que exige un

"capital económico" mínimo según la formula derivada de un modelo de riesgo, en la
formulación de este modelo de exigencia de capital se identifican una serie de riesgos. El
planteamiento inicial adoptado consistió en modelizar primero el comportamiento del riesgo
global de una empresa tipo, posteriormente este comportamiento se adaptó seleccionando
aquellos parámetros que reflejasen lo mejor posible el mercado finlandés.
Las características más importantes del sistema son:
1. Para evitar penalizar a aquellas compañías que además de activos necesarios, tuvieran
inversiones arriesgadas, el "riesgo de activo" sólo se evalúa con arreglo a los activos que
cubren las provisiones técnicas del asegurador y el importe del margen calculado.
292
2. El establecimiento de un objetivo relativamente amplio dentro del cual deben situarse los
fondos propios de la compañía, un descenso por debajo de este objetivo funciona como
mecanismo de detección precoz. Además los límites de este objetivo fluctúan en función de
las condiciones económicas generales y reducen de este modo los efectos derivados de
los ciclos económicos.
3. La utilización y supervisión de este sistema es sencilla, sin embargo, al imponer un marco

teórico a todas las compañías, corre el riesgo de frenar la evolución de los modelos
internos de las empresas más sofisticadas, especialmente los modelos de grupos
transnacionales cuyo enfoque y métodos no corresponden necesariamente con el marco
reglamentario finlandés.
En comparación con los sistemas RBC este sistema presenta dos grandes diferencias
que son las siguientes:
1. La correspondencia entre un riesgo tenido en cuenta en el modelo y la necesidad de

capital correspondiente al mismo no es tan simple como en los sistemas de tipo RBC.
2. La compañía de seguros puede proponer a la autoridad de supervisión su propia

estimación de algunos parámetros sin quedarse por ello fuera del marco del modelo.
El sistema RBC de Estados Unidos.
El sistema denominado "Risk-Based Capital" fue introducido por la NAIC (National

Association of Insurance Commissioners), a principios de los años noventa.
Cómo ya se ha explicado antes el sistema RBC consiste en asociar cada uno de los
principales riesgos que tienen las compañías con las necesidades de capital, teniendo en
cuenta de esta manera, las peculiaridades de cada compañía. No obstante como veremos, el
sistema es algo más complicado que la simple agregación de cada necesidad de capital
individualizada por riesgo considerado.
La fórmula utilizada para el cálculo del RBC para el caso de vida es la siguiente (para el
caso de no vida la manera de calcularlo es parecida):
RBCVIDA = C0 + C4 A + (C10 + C3 A )2 + C 21cs + C 2 2 + C 23b + C 2 4b
293
donde cada C i corresponde a una de las distintas categorías de riesgos considerados para el
cálculo. Estas categorías son las siguientes:
1. C0, es el riesgo vinculado a los compromisos fuera del balance y a las filiales de sequro, se
refiere a las necesidades de margen RBC de las filiales, y al vinculado a compromisos no
registrados en el balance de la empresa.
2. C1, es el riesgo de colocación o riesgo de activo, se determina ponderando las

colocaciones con coeficientes que van del 0% al 30%. Además existen unos factores de
ajuste por fiscalidad. Se distinguen las siguientes partes:
• C1cs, riesgo de colocación o riesgo de activo para las acciones.

• C1o, riesgo de colocación o riesgo de activo para otras colocaciones.
• C3b, riesgo adicional que hay que añadir a aquellas sociedades que operen con
seguros sanitarios.
3. C2, es el riesgo de seguro, es decir, para desviaciones desfavorables de la mortalidad o la

morbilidad. Este valor cubre a la vez el riesgo de desviación de la prestación real respecto
de la prestación esperada y el de desconocimiento de la prestación esperada. La
necesidad de margen RBC se calcula en función de las primas para los seguros de ahorro
(porcentaje entre el 7% y el 35%) y en función del capital de riesgo para los seguros de
riesgo (porcentaje entre el 0,5% al 0,15%).
4. C3, es el riesgo vinculado al tipo de interés y se determina aplicando a las provisiones

matemáticas de cada categoría un factor que va del 0,75% para contratos no redimibles de
muy corta duración al 3% para contratos redimibles sin penalización de rescate o casi sin
ella. Estos factores aumentan un 50% salvo para aquellas compañías que puedan
demostrar que su activo y pasivo se ajustan convenientemente mediante la aplicación de
pruebas basadas en proyecciones de movimientos efectivos ("cash flow test").
5. C4, es el riesgo comercial general y se refiere a aquellos riesgos no tenidos en cuenta en

los puntos anteriores. Se distinguen dos apartados:
• C4a calculado como el 2% de las primas del seguro de vida.

• C4b referido a los gastos administrativos de las compañías que operan con
seguros sanitarios.
294
El sistema canadiense.
Sigue los principios del RBC americano con la excepción de que la determinación del
RBC total supone la suma de las exigencias correspondientes a cada riesgo, esto supone que
no se tiene en cuenta la correlación existente entre los riesgos considerados.
Para el seguro de vida el sistema canadiense se considera las siguientes categorías:
1. Riesgo de rendimiento insuficiente del activo. Es el que se corresponde con el riesgo de

colocación en el RBC americano. La diferencia más importante con éste último es que no
tiene en cuenta el ajuste por concentración de activos o por tamaño de cartera, que
considera el americano.
2. Riesgo de mortalidad. morbilidad e incumplimiento. Corresponde al riesgo de seguro del

RBC, pero incluyendo además el riesgo vitalicio vinculado a las rentas que no figura en el
RBC. Él riesgo relativo a las rentas vitalicias se determina aplicando un coeficiente del 1%
al total de sus provisiones técnicas. El riesgo vinculado a las garantías de fallecimiento se
calcula por ponderación de los capitales sometidos a riesgo.
3. Riesgo de margen de interés en la fijación de los precios. Cubre del riesgo de establecer
una tarifa inadecuada. El coeficiente aplicado es del 0,5% o del 1% de las provisiones
técnicas, según los casos. No es contemplado en el RBC americano.
4. Riesgo de cambio de los tipos de interés vinculado al entorno. Se corresponde con el

riesgo vinculado al tipo de interés del RBC. Se aplican unos coeficientes a las provisiones
técnicas que van del 1 al 5% según la duración y tipo de los contratos.
5. Riesgo vinculado a lo no registrado en balance. Se aplican el coeficiente de riesgo de

activo anteriormente mencionado.
6. Riesgo relativo a los fondos distintos. A partir de cuadros de factores muy detallados, que
catalogan distintos tipos de garantías, fondos comercializados y de reaseguro escogido, el
actuario debe elegir o interpolar los coeficientes aplicables a los productos de la empresa y
corregir sus cálculos en función de las observaciones efectuadas en estos productos. Si el
actuario considera que su producto o cobertura no se corresponde con los casos previstos,
debe efectuar modelos estocásticos que permitan determinar los coeficientes adecuados.
A diferencia del RBC, no se prevé un riesgo comercial general.
295
El proyecto australiano para el seguro de no vida.
El supervisor australiano (APRA) se encuentra en la actualidad en pleno proceso de

reforma pero ya ha determinado un conjunto de normas prudenciales que van más allá de la
modificación del margen mínimo exigido, imponiendo nuevas normas para la determinación de
provisiones técnicas, margen de solvencia, gestión interna de los riesgos y acuerdos de
reaseguro.
Las características principales de este proyecto son las siguientes:
1. La evaluación desde un punto de vista prudencial del pasivo de seguro, lejos de enfoques
fiscales o contables, estableciendo que las provisiones deben tener una probabilidad de ser
suficientes del 75%, lo cual ha de ser aprobado por el actuario designado.
2. Permitir a las aseguradoras la posibilidad de determinar sus necesidades de fondos propios

en función de un modelo interno de riesgo. Este modelo tiene que ser aprobado de forma
individual por la APRA según un conjunto de criterios establecidos por ésta.
La APRA distingue tres grandes riesgos, cada uno con su necesidad de margen
específico, siendo la necesidad total de margen la suma de los tres conceptos siguientes:
1. Riesgo de seguro. Se corresponde con el riesgo de infratarificación y el de insuficiencia de

provisiones para siniestros pendientes. Es más simple que el RBC americano tanto por el
número de clases como por el método de cálculo.
2. El riesgo de inversión. Al igual que el RBC americano pondera los activos según unos
coeficientes fijos con la diferencia de que considera menos coeficientes pero tiene en
cuenta más criterios como son: calidad de los emisores, existencia de garantías, madurez
de la colocación. Además la APRA penaliza las colocaciones concentradas en una única
contrapartida, salvo que ésta tenga una calificación de al menos AA. Por otra parte, incluye
normas para los compromisos no registrados en balance y derivados.
3. El riesgo de concentración de riesgo. Es el riesgo al que se expone la aseguradora en caso

de catástrofe. Se exige como capital la retención máxima de la aseguradora en tales
circunstancias.
Los sistemas analizados han nacido dentro de contextos reglamentarios más amplios, y
resultan de enfoques esencialmente empíricos, influidos los unos por los otros, pero que
reflejan también decisiones individuales de las autoridades normativas.
296
7.4. EL VALOR RAZONABLE Y EL MARGEN DE SOLVENCIA.
7.4.1. Necesidades de capital por riesgo de mercado.
Emplearemos las conclusiones alcanzadas en los apartados anteriores para determinar

las necesidades de capital como consecuencia del riesgo de mercado considerado desde una
triple perspectiva:
• Exceso sobre el valor reconocido en balance de las PTSV y su valor razonable

determinado como ya se ha expuesto.
• Las pérdidas posibles para un período de tiempo por variaciones en el valor razonable
de las PTSV, debido a la exposición a modificaciones del subyacente.
Consideraremos como subyacente el tipo de interés libre de riesgo, el tanto de

mortalidad y el spread por riesgo de crédito.
• El VAR de excedente, es decir, la exposición a que el valor razonable de los activos en

los que se hallan materializadas las PTSV se vea superado por el valor razonable de
éstas últimas.
No nos detendremos mucho más en la determinación del valor razonable de las PTSV,
y por tanto en la diferencia entre éste y el valor reconocido en balance. A continuación
determinaremos una estimación de las posibles pérdidas a las que se halla expuesta la
aseguradora, como consecuencia de la modificación en el subyacente del valor razonable.
Desde el punto de vista del valor razonable del activo y el pasivo de una aseguradora
podemos destacar los siguientes riesgos:
• Riesgo de interés. Es el riesgo que corre la empresa de que disminuya el resultado

técnico financiero, o se deteriore el valor patrimonial de la compañía como
consecuencia de un cambio en los tipos de interés
• Riesgo técnico. En este caso consideraremos la posibilidad de incrementos en el valor

de los compromisos de la aseguradora como consecuencia de variaciones en la
esperanza de vida, respecto a las estimaciones de la industria aseguradora. Asimismo
consideraremos también el riesgo de una disminución de los contratos de Seguros de
Vida, que motive un incremento en la volatilidad de los resultados para la compañía
aseguradora.
297
• Riesgo de spread de crédito. Posibilidad de pérdidas de valor en los activos o

incremento de los compromisos de la compañía, como consecuencia de alteraciones
en la prima de riesgo de crédito.
7.4.2. Sensibilidad del valor razonable de las PTSV por cambios en el subyacente.
Hemos considerado como subyacentes del valor razonable de las PTSV, el tipo de
interés, el tanto de mortalidad y el spread por riesgo de crédito. Para estudiar la sensibilidad del
valor razonable de las PTSV por cambios en estos subyacentes, consideraremos las
posiciones que se relacionan tradicionalmente con los análisis de sensibilidad de los derivados
financieros:
• Posición Delta. Recoge la sensibilidad del valor razonable de las PTSV ante cambios en
los niveles del subyacente. Dado que las PTSV, suponen un compromiso para la
compañía, la posición Delta, medirá el incremento en su valor razonable por
modificaciones del subyacente.
Si consideramos el tipo de interés como subyacente, la posición Delta medirá cómo afecta
al valor razonable de las PTSV una disminución en la ETTI.
Cuando el subyacente sea el tanto de mortalidad, la posición Delta se medirá de manera

diferente si el Seguro de Vida es de Riesgo (cubre el fallecimiento) o de Ahorro (cubre la
supervivencia). En el primer caso se considerarán incrementos y en el segundo
decrementos de la curva de mortalidad. Tratándose de Seguros de Vida Mixtos (cubre
tanto la supervivencia cómo el fallecimiento), dependerá de la cobertura que cobre mayor
importancia.
Por último en cuanto al spread por riesgo de crédito, la posición Delta medirá la
sensibilidad del valor razonable de las PTSV ante incrementos en la calidad crediticia de la
aseguradora.
• Posición Gamma. Mide el cambio esperado en la posición Delta a partir de cambios en los
niveles del subyacente.
• Posición Vega. Medida de sensibilidad del valor razonable de las PTSV por cambios en la
volatilidad del subyacente.
298
El valor razonable de las opcionalidades implícitas en las PTSV, que representan una
asimetría en sus posibles valoraciones, crecerá ante volatilidades más elevadas del
subyacente.
• Posición Theta. Mide el riesgo de modificación del valor razonable como consecuencia de
la aproximación a la fecha de vencimiento de la póliza.
Las opcionalidades mencionadas anteriormente disminuirán su valor conforme se acerca

el vencimiento de la póliza.
Para ilustrar la medición de las posiciones anteriores más importantes, referidas al

valor razonable de las PTSV, consideraremos los resultados para nuestro ejemplo.
Posición Delta.
Consideraremos para determinar la posición Delta respecto a los tipos de interés, la

sensibilidad del valor razonable de las PTSV ante un movimiento paralelo a la baja de 100
puntos básicos en la ETTI.
Dado que la ETTI de nuestro ejemplo es considerablemente baja, supondremos que

originalmente es 100 puntos básicos más alta y compararemos los resultados con los
obtenidos previamente para nuestro ejemplo.
La curva cupón cero en este caso será la siguiente:
t P(0, t)
0 1
1 0,967743
2 0,928432
3 0,885796
4 0,841285
5 0,796782
Cuadro 7.2.: Curva cupón cero
incrementada en 100 p.b.
299
Manteniendo los mismos parámetros de Vasicek obtenemos el siguiente árbol trinomial

para el tipo a corto:
R i,j
0,10
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00 1,00 2,00 3,00 4,00
Gráfico 7.1.: Árbol del tipo de interés a corto, según la ETTI del
cuadro 7.2.
Los resultados equivalentes a los obtenidos con anterioridad una vez modificada la
ETTI serán:
γ 1i , j = Ri , j + µ 1i 0,743266 0,788796 0,783809
γ 1i , j ,k = Ri , j + µ 1i , k 0,743266 0,788908 0,783809
1
i, j 0,705147 0,777892 0,766880
γc = Ri , j + µ 1i + qλ1i ,l
1
i , j ,l 0,705147 0,778062 0,766880
γc = Ri , j + µ 1 i ,k + qλ1i ,l 0,705147
1
i , j , k ,l 0,778239 0,766880
Cuadro 7.3. Valoraciones de las PTSV según la composición del tanto de capitalización actuarial, para
la ETTI del cuadro 7.1.
De esta forma la sensibilidad del valor razonable de las PTSV ante una bajada paralela
de 100 puntos básicos en la ETTI, será según la composición del tanto de capitalización
actuarial:
300
γ 1i , j = Ri , j + µ 1i 5,12710% 1,80630% 2,89994%
γ 1i , j ,k = Ri , j + µ 1i , k 5,12710% 1,98850% 2,89994%
1
i, j 5,12716% 1,33013% 2,49022%
γc = Ri , j + µ 1i + qλ1i ,l
1
i , j ,l 5,12716% 1,31905% 2,55503%
γc = Ri , j + µ 1 i ,k + qλ1i ,l 5,12716%
1
i , j , k ,l 1,32646% 2,5542%
Cuadro 7.4. Posición Delta de las PTSV ante una bajada de 100 p.b. en la ETTI del cuadro 7.1.
Exactamente igual se haría para el tanto de mortalidad y el spread por riesgo de riesgo
de crédito.
Posición Vega.
Para ilustrar la sensibilidad del valor razonable de las PTSV ante variaciones en la
volatilidad del subyacente, nos centraremos en el tanto de mortalidad como subyacente.
Supondremos que la situación es la del ejemplo y pretendemos analizar la sensibilidad del

valor razonable ante el incremento en la volatilidad del tanto de mortalidad. Para ello
supondremos que la volatilidad, σ , pasa a ser de un 0,67846%.
El árbol trinomial recombinante para la medida de mortalidad µ 1i,k sería ahora:
0,035
µ 1i,k
0,03
0,025
0,02
0,015
0,01
0,005
0
0 1 2 3 4
Gráfico 7.2.: Árbol del tanto de mortalidad suponiendo

que el valor de σ asciende a un 0,67846%.
301
Por supuesto en este caso, consideraremos únicamente el efecto sobre las

valoraciones sensibles al incremento en la volatilidad del tanto de mortalidad, es decir, aquellas
en que se aplica el tanto de capitalización actuarial con difusión en el tanto de mortalidad:
γ 1i , j ,k = Ri , j + µ 1i , k 0,781374 0,805950 0,806539
γc = Ri , j + µ 1 i ,k + qλ1i ,l 0,741301
1
i , j , k ,l 0,789030 0,786467
Cuadro 7.5. Valor razonable de las PTSV suponiendo que el valor de la volatilidad, σ, para el tanto de
mortalidad pasa a ser de 0,67846%.
Así la sensibilidad del valor razonable de las PTSV ante un descenso del 50% en el
número de asegurados de características similares a las del ejemplo, será según la
composición del tanto de capitalización actuarial:
γ 1i , j ,k = Ri , j + µ 1i , k 0,00000% 0,16837% 0,00000%
γc = Ri , j + µ 1 i ,k + qλ1i ,l 0,00000%
1
i , j , k ,l 0,05930% 0,0000%
Cuadro 7.6. Posición Vega de las PTSV suponiendo que el valor de la volatilidad, σ, para para el tanto de
mortalidad pasa a ser de 0,67846%.
Llevaríamos a cabo el mismo proceso para analizar la sensibilidad del valor razonable
de las PTSV por incrementos en la ETV o la volatilidad asociada al spread por riesgo de
crédito.
7.5. VAR DE EXCEDENTE.
7.5.1. Introducción al VAR de excedente.
En general el VAR (Value at Risk) se define como una medida probabilística de las
pérdidas esperadas para un período de tiempo en condiciones normales de mercado. Podemos
decir que el VAR, es la máxima pérdida en el valor razonable de la cartera de activo, que se
puede esperar para un plazo e intervalo de confianza determinados.
Esta medida permite:
302
• Analizar si es o no excesivo el nivel de riesgo de la cartera de activo
• Decidir qué activos se pueden retirar de la cartera para reducir el riesgo e incluso
redistribuir niveles de riesgo entre diferentes carteras.
• Ayuda a analizar la distribución del valor futuro de la compañía e identifica los

escenarios en los cuales se mantiene el nivel de solvencia deseado.
Para llevar a cabo este análisis se han de seguir los siguientes pasos:
1) Determinación del horizonte temporal y nivel de confianza deseados:
• Horizonte temporal: período de tiempo a considerar para estimar la pérdida potencial

de la cartera.
El VAR considera que la cartera es la misma durante el horizonte temporal, con lo cual
si se producen cambios frecuentes en la misma, no será adecuado utilizarlo en
horizontes temporales excesivamente grandes.
El error de predicción sobre los parámetros utilizados, volatilidades y correlaciones, es

mayor a medida que aumenta el horizonte temporal.
Es habitual considerar cómo horizonte temporal 1 año.
• Nivel de confianza: Este variará según las pretensiones del VAR. Lo habitual es que se
halle entre el 95-99%
2) Identificar los factores de riesgo de mercado de la cartera: aquellas variables (tipos de

interés, tipos de cambio, etc.) que se hallan afectadas por cierta incertidumbre durante el
horizonte temporal.
3) Determinar los escenarios futuros: relativos a los factores de riesgo de mercado, posibles
en el futuro.
4) Llevar a cabo las modificaciones previstas sobre la cartera actual, de manera que se pueda
estimar la distribución del valor de la cartera al final del horizonte temporal.
5) Seleccionar el percentil apropiado basándonos en la distribución resultante.
303
Esta técnica ha venido siendo desarrollada por las instituciones bancarias para la
cartera de activo. El siguiente gran paso de la normativa española será su extensión desde el
ámbito bancario al asegurador.
Efectivamente, aunque el VAR se encamina a la gestión de la cartera de activo, su

metodología puede aportar múltiples beneficios en la gestión del casamiento activo – pasivo de
una aseguradora.
Analizar la exposición al riesgo del excedente, es decir, la diferencia entre el valor

razonable del activo y del pasivo supone además las siguientes ventajas:
• Una medida de múltiples clases de riesgo tratados de forma holística.
• Posibilidad de establecer límites a los riesgos.
• Tratamiento de las interdependencias existentes entre activos y obligaciones en el

mismo marco de análisis.
Las operaciones de Seguros de Vida integran una posición activa y pasiva, y sus
resultados futuros dependen de la evolución conjunta de ambas posiciones, es decir, del flujo
de caja comprometido por las PTSV y del prometido por los activos afectos a estas PTSV.
Dada la complejidad inherente a los cálculos financieros actuariales que se derivan de

los contratos de Seguros de Vida, existen múltiples opcionalidades implícitas en las Pólizas de
Seguros de Vida, que se han cubierto tradicionalmente mediante el establecimiento de ciertos
márgenes:
• margen de seguridad implícito en las tablas de mortalidad;

• aplicación de un tipo de interés único para toda la operación de Seguro de Vida, fruto
de penalizar la TIR de compra del activo, según la calidad crediticia del emisor;
• ...
Estos márgenes suponen una desviación de escenarios realistas.
La determinación de las necesidades de recursos propios, debería tener en cuenta,

además de escenarios realistas, todas las opcionalidades implícitas no solamente en los
activos afectos sino también en las propias PTSV.
304
Bajo las asunciones establecidas en los apartados anteriores, llevaremos a cabo la

valoración de las necesidades de capital debidas a la posición activa y pasiva de la
aseguradora.
7.5.2. VAR de excedente con difusión en el tipo de interés.
Al igual que hemos hecho con las PTSV, consideraremos la determinación del valor
razonable de los activos afectos según el mismo modelo de valoración, pero por supuesto esta
vez sin considerar el tanto de mortalidad. No obstante, hemos de corregir las diferencias
oportunas, de manera que converja esta valoración con la que arroja el mercado de
instrumentos financieros para el mencionado activo.
La finalidad de valorar el activo según el modelo expuesto, es determinar el valor futuro

dependiente de los distintos escenarios considerados respecto a los subyacentes tipos de
interés, Ri , j , y spread por riesgo de crédito del activo, cλ1 i ,l .
La determinación de las necesidades de capital que expondremos en los apartados que

siguen, es dinámica, debido a que depende de los niveles y la volatilidad de los subyacentes
correspondientes tanto del valor razonable de las PTSV, cómo de los considerados para el
valor razonable del activo afecto a estas PTSV, vigentes para cada período.
Siempre que no consideremos difusión para el tanto de mortalidad, µ1x , podremos
considerar el VAR de excedente a nivel de cartera, no obstante en caso contrario, los cálculos
que se proponen se han de realizar a nivel de subcarteras de asegurados de la misma edad x,
debido a que son cantidades que se descuentan actuarialmente considerando la difusión de la
tabla de mortalidad para dicha edad.
El primer caso que consideraremos será el más sencillo, consistente en considerar

difusión únicamente en cuanto al tipo de interés, y dado que no suponemos difusión para el
tanto de mortalidad, podríamos determinar el VAR de excedente a nivel de cartera.
En primer lugar, y esto es común a todas las valoraciones del VAR de excedente
propuestas, se ha de determinar el valor razonable de las PTSV para cada Póliza en cartera,
cómo se ha expuesto en el capítulo 7, incluyendo en su caso las opciones de rescate y PB.
A continuación hemos de agregar el valor razonable de las PTSV a nivel de cartera

ponderando por la probabilidad de supervivencia a cada período, de manera que las
cantidades obtenidas puedan ser comparadas con el valor razonable del activo, que no se halla
afectado por este subyacente. Así
305
V PTSV (i, j ) = ∑ V x , y (i, j )⋅ i p x , y

∀x
siendo
V x , y (i, j ) : valor razonable de las PTSV correspondiente a la subcartera de edad x , en el año

y.
i p x , y : probabilidad de supervivencia en i∆t para un asegurado de edad x en la fecha de

cálculos y.
En cuanto al activo en que se materializan las PTSV, cómo ya hemos explicado, lo

valoraremos de forma similar a cómo le hemos hecho con las PTSV. Incluimos la asimetría
proporcionada por las opcionalidades implícitas dependientes de los tipos de interés. Así por
ejemplo, cuando se trate de un activo con opción de compra por parte de su emisor, el strike de
dicha opción implicará un mínimo para el activo en la fecha de ejecución.
Siguiendo la notación de los apartados anteriores, y siendo V (i, j ) Call el precio del
activo con riesgo y opción de compra por el emisor, en que se halla materializadas las PTSV,
tenemos que:
⎫
V (i, j ) = min[V (i, j ); Strikei ]
Call ⎪
⎪
⎬ (7.1)
⎡ ⎤ ⎪
( )
3
V (i, j ) = exp − ( Ri , j + cλ1i ) ⋅ ⎢C i +1 + ∑ p k ⋅ V (i + 1, j k ) Call ⎥ ⎪
⎣ k =1 ⎦⎭
siendo
C i +1 : flujo de caja derivado del activo para i + 1, si el emisor del título no incurre en default,
cλ1i : spread por riesgo de crédito del emisor del título, teniendo en cuenta su probabilidad de
insolvencia y tasa de recuperación.
Cuando el flujo de caja se corresponda con gastos, y dado que el activo representa un
derecho para la compañía, se considerará con signo menos.
Para simplificar supondremos que los activos de la compañía aseguradora se

componen exclusivamente de renta fija europea. De esta manera acotamos el factor de riesgo
306
de la cartera de activo al riesgo de crédito y tipo de interés, obviando otros factores de riesgo
como es el tipo de cambio, los precios de las acciones,…
Para analizar el VAR de excedente únicamente nos interesan los escenarios en los que
el valor razonable del activo se encuentre superado por el valor razonable de las PTSV.
De este modo, si denominamos V (i, j ) PTSV el valor razonable de las PTSV (incluido el
riesgo de crédito así cómo las opciones de rescate y PB), y V (i, j ) Call al valor razonable del
activo afecto (incluida la opción de compra), determinaríamos el excedente negativo para cada
nodo cómo
SPi , j = (V (i, j ) PTSV − V (i, j ) Call ) +
No obstante, y dado que cada instrumento financiero tiene su correspondiente spread

por riesgo de crédito, hemos de ajustar estas cantidades de manera que sean comparables.
Así el excedente negativo se determinará cómo sigue:
SP(i, j ) = (V (i, j ) PTSV ⋅ φ (0, i ) PTSV − V (i, j ) Call ⋅ φ (0, i ) Call ) + (7.2)
siendo
φ (0, i) PTSV : diferencial de precios de los bonos correspondientes a la aseguradora.

φ (0, i) Call : diferencial de precios del activo afecto.
Así podemos descontar las anteriores cantidades riesgo – neutro utilizando

exclusivamente el tipo libre de riesgo cómo sigue:
VARSP (i, j ) = exp(− Ri , j ) ⋅

⎡ 3 ⎤ (7.3)
⎢∑ p k ⋅ (SP(i + 1, j k ) + VARSP (i + 1, j k ) )⎥
⎣ k =1 ⎦
De este modo las necesidades de recursos propios debidas al VAR de excedente, sería
el valor de VARSP (0,0) .
Para ilustrar el procedimiento anterior volveremos a nuestro ejemplo al que

incorporaremos un activo afecto a nuestras PTSV.
307
En nuestro ejemplo consideraremos el valor razonable de las PTSV incluida la opción

de rescate. Recordemos que obteníamos:
J 0 1 2 3 4 5
2 0,859167 0,898925 0,942253 1,010000

1 0,822513 0,859167 0,898925 0,942253 1,010000
0 0,788239 0,822513 0,859167 0,898925 0,942253 1,010000
-1 0,838396 0,867796 0,905632 0,954196 1,010000
-2 0,908282 0,936932 0,971721 1,010000
Cuadro 7.7.: Valor razonable de las PTSV en el árbol trinomial incluida la opción de rescate y riesgo de crédito.
Si ponderamos las anteriores cantidades según la probabilidad de supervivencia a cada
período, i p x , y , tenemos:
J 0 1 2 3 4 5
2 0,836600 0,861698 0,887549 0,932832

1 0,812233 0,836600 0,861698 0,887549 0,932832
0 0,788239 0,812233 0,836600 0,861698 0,887549 0,932832
-1 0,827918 0,845002 0,868127 0,898798 0,932832
-2 0,884425 0,898131 0,915306 0,932832
Cuadro 7.8.: Valor razonable de las PTSV en el árbol trinomial ponderado por la probabilidad de supervivencia.
Una vez hemos terminado con las PTSV, nos centraremos en el activo afecto.
En cuanto al activo, consideraremos un título de renta fija con duración 5 años cupón
cero, cuyo precio de compra es 0,786617, que incorpora una opción de recompra el segundo
año cuyo Strike será de 0,860000.
Supondremos asimismo que el valor de cλ1 i para el emisor del título será constante e
igual a 1%.
El árbol correspondiente según la expresión 7.1 sería el que sigue:
308
J 0 1 2 3 4 5
2 0,776311 0,838358 0,912638 1,000000

1 0,772422 0,815812 0,867952 0,929401 1,000000
0 0,786617 0,816247 0,857328 0,898593 0,946471 1,000000
-1 0,839604 0,860000 0,930313 0,963855 1,000000
-2 0,860000 0,963153 0,981558 1,000000
Cuadro 7.9.: Precios en el árbol trinomial para la difusión del tipo de interés del activo con opción de compra.
Suponiendo que la cantidad del activo expuesto que puede adquirir la compañía, es el
valor de las provisiones técnicas, determinado como establece el ROSSP y que se cuantificó
en el capítulo 6. en 0,804699, podríamos afectar 1,022987 unidades de nominal del título, o lo
que es lo mismo, por cada unidad de capital garantizado en póliza podemos afectar 1,022987
unidades de nominal de activo.
Afectar estas 1,022987 unidades de nominal de activo daría lugar al siguiente árbol
trinomial:
J 0 1 2 3 4 5
2 0,794156 0,857630 0,933617 1,022987

1 0,790178 0,834565 0,887904 0,950765 1,022987
0 0,804699 0,835010 0,877035 0,919249 0,968228 1,022987
-1 0,858905 0,879769 0,951698 0,986011 1,022987
-2 0,879769 0,985293 1,004121 1,022987
Cuadro 7.10.: Precios en el árbol trinomial del activo con opción de compra, por cada 1,022987 unidades de
nominal del título.
En cuanto a los diferenciales de precios para la deuda de la aseguradora y para el

activo afecto tenemos
Año φ (0, i) PTSV φ (0, i) Call
0 1,000000 1,000000
1 0,989642 0,990050
2 0,979092 0,980199
3 0,968710 0,970446
4 0,958587 0,960789
Cuadro 7.11. Diferenciales de precios de bonos
de la aseguradora y del activo afecto
309
Si aplicamos la expresión 7.2 obtenemos para nuestro ejemplo los siguientes

resultados:
J 0 1 2 3 4 5
2 0,040678 0,002453 0,000000 0,000000

1 0,021505 0,001069 0,000000 0,000000 0,000000
0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,003585 0,000000 0,000000 0,000000
Cuadro 7.12.: Árbol del excedente correspondiente a cada unidad monetaria de capital garantizado a la
supervivencia del asegurado con difusión en el tipo de interés.
A continuación descontamos las anteriores cantidades según la expresión 7.3,

obteniendo las siguientes necesidades de capital debidas al VAR de excedente:
J 0 1 2 3 4 5
2 0,042681 0,002453 0,000000 0,000000

1 0,027246 0,001349 0,000000 0,000000 0,000000
0 0,004541 0,000213 0,000000 0,000000 0,000000 0,000000
-1 0,000428 0,000000 0,000000 0,000000 0,000000
-2 0,003585 0,000000 0,000000 0,000000
Cuadro 7.13.: Árbol de valoración del VAR de excedente, correspondiente a cada unidad monetaria de capital
garantizado a la supervivencia del asegurado, considerando difusión únicamente en el tipo a corto.
Así, las necesidades de recursos propios en nuestro ejemplo será de 0,004541,

determinadas por cada unidad monetaria de capital garantizado a la supervivencia del
asegurado.
7.5.3. VAR de excedente con difusión en el tipo de interés y el spread por riesgo
de crédito.
7.5.3.1. VAR de excedente con difusión en el tipo de interés y el spread

por riesgo de crédito para el activo afecto.
Dado que no establecemos difusión para el tanto de mortalidad, se pueden determinar

las necesidades de recursos propios a nivel de cartera.
310
En este supuesto, para el valor razonable de las PTSV bastaría con el árbol de tipos y
su valoración seria equivalente a la del apartado anterior. Para el activo afecto, sería necesario
construir el árbol conjunto de tipos, Ri , j , y del spread por riesgo de crédito, cλ1 i , m .
La valoración en árbol del activo afecto se lleva a cabo cómo sigue:
⎫
V (i, j , m) Call
= min[V (i, j , m); Strikei ] ⎪
⎪
⎬ (7.4)
⎡ ⎤⎪
( )
3 3
V (i, j , m) = exp − ( Ri , j + cλ1 i ,m ) ⋅ ⎢C i +1 + ∑∑ p r , s ⋅ V (i + 1, j r , m s ) Call ⎥ ⎪
⎣ r =1 s =1 ⎦⎭
Por otra parte, determinar el excedente negativo ya no es tan fácil cómo en el caso de
no considerar difusión en el spread de crédito del activo afecto. Antes bastaba con aplicar el
diferencial de precios correspondiente a la aseguradora y el correspondiente al activo, para
ajustar las diferencias oportunas debidas a sus correspondientes spread por riesgo de crédito.
Al considerar difusión en el spread para el activo afecto, hemos de tener en cuenta el

nivel de este spread en el nodo en que existe excedente negativo.
Es por lo anterior, que hemos de cambiar la estructura de los algoritmos a emplear en

la determinación del VAR de excedente. A partir de aquí, no descontaremos las cantidades
resultantes para cada nodo del árbol, acumulándolas desde el final hasta el origen del árbol,
cómo lo venimos haciendo a lo largo de nuestro trabajo.
Para el algoritmo que se propone a continuación hemos de remontarnos a la

construcción del árbol trinomial. Recordemos que en el apartado 3.5.2., que trataba sobre la
implementación numérica del modelo de Hull- White, se expuso el paso 2, consistente en pasar
del árbol trinomial con reversión a 0, al árbol trinomial con reversión a la media del tipo de
interés sin riesgo a corto plazo para cada período. El procedimiento expuesto se apoyaba en
los razonamientos teóricos que proponen los precios Arrow – Debreu. Así definimos los precios
Arrow – Debreu en el nodo (i, j), AD(i, j ) , cómo el valor actualizado de un activo cuyo flujo de
caja es 1 en el nodo (i, j) y 0 en cualquier otro caso.
En cuanto al spread por riesgo de crédito, el paso 2, se apoyaba en la misma

fundamentación que los precios Arrow – Debreu. En nuestro caso, definíamos los seudo –
precios Arrow – Debreu, cómo el valor probable de un euro cuyo devengo tiene lugar en i,
siempre y cuando el emisor del título no hubiera hecho default con anterioridad a i, siendo en
311
caso contrario su cuantía de δ , multiplicado por la probabilidad de que en i, el spread por

riesgo de crédito se halle en el nodo (i, j).
Suponiendo ausencia de correlación entre los subyacentes, el excedente negativo

ponderado según la probabilidad del escenario en que tiene lugar sería ahora:
SP(i, j , m) = (V PTSV (i, j ) ⋅ φ (0, i ) PTSV ⋅ p cλ (i, m) − V Call (i, j , m) ⋅ AD cλ (i, m) Call ) + (7.5)
siendo
AD cλ (i, m) : seudo precio Arrow – Debreu, para el nodo (i, m), correspondiente al spread por
riesgo de crédito del activo afecto.
p cλ (i, m) , probabilidad de hallarse el spread por riesgo de crédito del activo afecto en m, para
el período i. Esta probabilidad supone aplicar el Teorema de Bayes a las probabilidades de
transición entre nodos, de manera similar a cómo se implementan los precios Arrow – Debreu.
Determinamos el VAR de excedente, recorriendo el árbol trinomial combinado para el

tipo de interés libre de riesgo, y el spread por riesgo de crédito del activo afecto, de la siguiente
manera:
n Lj Lk
VARSP = ∑ ∑ ∑ SP(i, j, m) ⋅ AD(i, j ) (7.6)
i =1 j = − L j m = − Lk
Los escenarios considerados en este supuesto son los correspondientes al tipo de

interés y spread por riesgo de crédito del activo afecto, con lo que tendríamos un árbol trinomial
tridimensional.
Para ilustrar esta metodología volveremos a nuestro ejemplo.
Consideraremos que los parámetros a y σ , para el spread por riesgo de crédito del
activo afecto, son 0,3 y 0,43197% respectivamente. Supondremos asimismo que no existe
correlación entre este spread por riesgo de crédito y el tipo libre de riesgo. En este caso, el
árbol trinomial para el spread por riesgo de crédito será:
312
cλ1 i , m
0,018
0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
0,00 1,00 2,00 3,00 4,00
Gráfico 7.1.: Árbol trinomial del spread de riesgo de crédito a

corto del activo afecto.
En cuanto al árbol trinomial conjunto del tipo a corto y el spread por riesgo de crédito
del activo afecto, tendríamos:
Ri , j
cλ1 i , m
Gráfico 7.2. Árbol trinomial tridimensional conjunto del tipo de interés y el spread por riesgo de crédito a corto
plazo del activo afecto a las PTSV
Siendo el valor razonable del activo afecto en cada nodo la que sigue:
313
Jλ JR 0 1 2 3 4 5
2 0,765644 0,829255 0,906690 1,000000

1 0,760236 0,804603 0,858528 0,923343 1,000000
1 0 0,804415 0,845548 0,888835 0,940302 1,000000
-1 0,832386 0,860000 0,920211 0,957573 1,000000
-2 0,860000 0,952694 0,975161 1,000000
2 0,776247 0,838290 0,912592 1,000000

1 0,772065 0,815744 0,867882 0,929353 1,000000
0 0 0,785545 0,815234 0,857257 0,898520 0,946423 1,000000
-1 0,839265 0,860000 0,930238 0,963806 1,000000
-2 0,860000 0,963075 0,981508 1,000000
2 0,786996 0,847424 0,918532 1,000000

1 0,783233 0,827040 0,877339 0,935403 1,000000
-1 0 0,823577 0,860000 0,908310 0,952583 1,000000
-1 0,845335 0,860000 0,940374 0,970079 1,000000
-2 0,860000 0,973569 0,987897 1,000000
Cuadro 7.14.: Precios en el árbol trinomial para el tipo de interés y el spread por riesgo de crédito del activo
afecto, incluyendo la opción de compra a favor del emisor.
Al incluir difusión en el spread por riesgo de crédito del activo afecto, el precio del
activo resulta ser de 0,785545. Supondremos que este precio es a su vez el precio de compra.
De este modo podemos afectar 1,024383 unidades de activo a las PTSV.
En cuanto a los seudo - precios Arrow – Debreu para el spread de crédito del activo
afecto, tendríamos:
J 0 1 2 3 4
1 0,165008 0,252240 0,297445 0,319990

0 1,000000 0,660033 0,474148 0,371995 0,315350
-1 0,165008 0,253810 0,301005 0,325449
Cuadro 7.15.: Árbol de los seudo - precios Arrow – Debreu correspondiente al spread por
Mientras que las probabilidades de hallarse en cada nodo serían:
314
J 0 1 2 3 4
1 0,166667 0,258135 0,308334 0,335884

0 1,000000 0,666667 0,483729 0,383331 0,328232
-1 0,166667 0,258135 0,308334 0,335884
Cuadro 7.16.: Árbol de probabilidades correspondientes a cada nodo para el spread por
Aplicando la expresión 7.5 obtenemos las siguientes cantidades:
Jλ JR 0 1 2 3 4 5
2 0,013606 0,004706 0,000000 0,000000

1 0,005466 0,003539 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,001312 0,000000 0,000000 0,000000
2 0,019196 0,000537 0,000000 0,000000

1 0,013866 0,000012 0,000000 0,000000 0,000000
0 0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,001167 0,000000 0,000000 0,000000
2 0,006823 0,000000 0,000000 0,000000

1 0,001579 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
Cuadro 7.17.: Excedente negativo ponderado por la probabilidad del escenario en que tiene lugar.
Los precios Arrow – Debreu para el tipo a corto son:
J 0 1 2 3 4
2 0,019241 0,040468 0,058054

1 0,162912 0,207210 0,207740 0,193812
0 1,000000 0,651646 0,489793 0,405896 0,355203
-1 0,162912 0,210990 0,214976 0,203273
-2 0,019954 0,043693 0,065276
Cuadro 7.18.: Árbol de precios Arrow – Debreu correspondiente al tipo a corto.
315
Con toda la información anterior podemos aplicar la expresión 7.6 obteniendo:
Jλ JR 0 1 2 3 4 5
2 0,000262 0,000190 0,000000 0,000000

1 0,000890 0,000733 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000026 0,000000 0,000000 0,000000
2 0,000369 0,000022 0,000000 0,000000

1 0,002259 0,000002 0,000000 0,000000 0,000000
0 0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000023 0,000000 0,000000 0,000000
2 0,000131 0,000000 0,000000 0,000000

1 0,000257 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
Cuadro 7.19.: Excedente negativo ponderado por la probabilidad del escenario en que tiene lugar, y
descontado según el tipo de interés libre de riesgo.
La suma de las cantidades del cuadro 7.13 da lugar a un VAR de excedente de

0,005167.
7.5.3.2. VAR de excedente con difusión en el tipo de interés y el spread

por riesgo de crédito para la entidad aseguradora y para el activo afecto.
En este supuesto, los algoritmos ha considerar son similares a los del apartado
anterior, aplicándose en la determinación del valor razonable de las PTSV las expresiones del
capítulo 6 para la difusión del tipo de interés y el spread por riesgo de crédito de la
aseguradora.
Suponiendo ausencia de correlación entre los subyacentes, el excedente negativo para

cada nodo una vez ponderada según la probabilidad del escenario en que tiene lugar se
determinaría como sigue
316
⎡ V PTSV (i, j , l ) ⋅ AD qλ (i, l ) ⋅ p cλ (i, m) ⎤

SP(i, j , l , m) = max ⎢0 , ⎥ (7.7)
⎢⎣ − V Call (i, j , m) ⋅ AD cλ (i, m) ⋅ p qλ (i, l )⎥⎦
siendo
AD qλ (i, l ) : seudo precio Arrow – Debreu, para el nodo (i, l), correspondiente al spread por
riesgo de crédito de la entidad aseguradora.
p qλ (i, l ) , probabilidad de hallarse el spread por riesgo de crédito de la entidad aseguradora en

l, para el período i.
De este modo el VAR de excedente sería
n Lj Lk Ll
VARSP = ∑ ∑ ∑ ∑ SP(i, j, l , m) ⋅ AD(i, j )
i =1 j = − L j l = − Lk m = − Ll
Si bien en este caso no se puede representar el árbol trinomial que engloba todos los
escenarios considerados por tratarse de 4 dimensiones, sí podemos representar la estructura
del nodo origen, ya que para ello no es necesario reservar una dimensión para el tiempo
(queda recogida por las ramas adyacentes). Tendríamos el siguiente nodo origen:
Ri , j
cλ1 i , m qλ1i ,l
317
En nuestro ejemplo, el valor razonable del activo afecto sería el del apartado anterior,
mientras que el correspondiente a las PTSV, una vez ponderado por la probabilidad de
supervivencia del asegurado sería el que sigue:
Jλ JR 0 1 2 3 4 5
2 0,836600 0,861698 0,887549 0,932832

1 0,812233 0,836600 0,861698 0,887549 0,932832
1 0 0,812233 0,836600 0,861698 0,887549 0,932832
-1 0,817594 0,836600 0,861698 0,892389 0,932832
-2 0,872000 0,887846 0,908780 0,932832
2 0,836600 0,861698 0,887549 0,932832

1 0,812233 0,836600 0,861698 0,887549 0,932832
0 0 0,788325 0,812233 0,836600 0,861698 0,887549 0,932832
-1 0,828332 0,845311 0,868112 0,898753 0,932832
-2 0,884390 0,898083 0,915261 0,932832
2 0,836600 0,861698 0,887549 0,932832

1 0,812233 0,836600 0,861698 0,887549 0,932832
-1 0 0,812233 0,836600 0,861698 0,888838 0,932832
-1 0,839798 0,856104 0,877731 0,905163 0,932832
-2 0,896993 0,908491 0,921788 0,932832
Cuadro 7.20.: Valor razonable de las PTSV con difusión en el tipo de interés y el spread por riesgo de crédito,
una vez ponderado por la probabilidad de supervivencia del asegurado.
A partir del valor razonable de las PTSV y del activo afecto, así cómo de los precios
Arrow – Debreu correspondientes a cada escenario de tipos de interés, spread por riesgo de
crédito del activo afecto y de la entidad aseguradora, obtenemos las siguientes necesidades de
recursos propios para los escenarios considerados:
J λq J λc J R 0 1 2 3 4 5
2 0,000060 0,000035 0,000000 0,000000

1 0,000148 0,000142 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
318
2 0,000083 0,000000 0,000000 0,000000

1 0,000377 0,000000 0,000000 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000028 0,000000 0,000000 0,000000

1 0,000043 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000135 0,000086 0,000000 0,000000

1 0,000594 0,000379 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000013 0,000000 0,000000 0,000000
2 0,000191 0,000010 0,000000 0,000000

1 0,001506 0,000001 0,000000 0,000000 0,000000
0 0 0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000012 0,000000 0,000000 0,000000
2 0,000068 0,000000 0,000000 0,000000

1 0,000171 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000066 0,000070 0,000000 0,000000

1 0,000148 0,000212 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000025 0,000000 0,000000 0,000000
2 0,000095 0,000028 0,000000 0,000000

1 0,000377 0,000066 0,000000 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
319
-2 0,000041 0,000000 0,000000 0,000000
2 0,000035 0,000000 0,000000 0,000000

1 0,000043 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000019 0,000000 0,000000 0,000000
descontado según el tipo de interés libre de riesgo, considerando difusión en el tipo de interés y en ambos
spread por riesgo de crédito: para el activo y la entidad aseguradora.
Al sumar todas las cantidades anteriores obtenemos un VAR de excedente de

0,005307.
7.5.4. VAR de excedente con difusión en el tipo de interés, el tanto de mortalidad

y el spread por riesgo de crédito tanto para las PTSV, cómo para el activo afecto.
En este caso, las valoraciones se han de realizar a nivel de subcarteras de asegurados

de la misma edad, debido a que la probabilidad de supervivencia dependiente de los distintos
escenarios analizados será diferente según la edad a la fecha de valoración.
De este modo en lugar de ponderar por la probabilidad de supervivencia del asegurado

en cada período, utilizaremos el seudo – precio Arrow – Debreu correspondiente al tanto de
mortalidad, correspondiente a cada uno de los nodos que surgen de la difusión del mismo.
El excedente negativo correspondiente a la subcartera de edad x, se obtiene para cada

uno de los nodos que surgen de la siguiente forma:
⎡ V x (i, j , k , l ) ⋅ AD qλ (i, l ) ⋅ AD µ (i, k ) ⋅ p cλ (i, m) ⎤

SP(i, j , k , l , m) = max ⎢0 , ⎥
⎣⎢ − V Call (i, j , m) ⋅ AD cλ (i, m) ⋅ p qλ (i, l ) ⋅ p µ (i, k )⎦⎥
siendo
V x (i, j , k , l ) : Valor razonable de las PTSV de la subcartera de edad x en 0, en el nodo

(i, j , k , l ) .
AD µ (i, k ) : seudo precio Arrow – Debreu, para el nodo (i, m), correspondiente al tanto de
mortalidad para la subcartera de edad x.
320
p µ (i, k ) , probabilidad de hallarse el tanto de mortalidad de la subcartera de edad x en l, para

el período i.
Así el el VAR de excedente correspondiente a la subcartera de asegurados de edad x

sería ahora:
n Lj Lk Ll Lm
VARSP = ∑ ∑ ∑ ∑ ∑ SP(i, j, k , l , m) ⋅ AD(i, j )
i =1 j = − L j k = − Lk l = − Ll m = − Lm
La estructura del nodo origen para el árbol trinomial que resulta en éste caso no se
puede representar gráficamente, ya que necesita de 4 dimensiones, dando lugar cada nodo a
81 ramas.
Dado el elevado número de nodos, no incluiremos aquí la valoración del excedente

negativo probabilizado y descontado, para cada nodo. Se incluye un anexo con dicha
valoración.
El VAR de excedente en este caso resulta ser de 0,005414.
7.5.5. Resumen de valoraciones propuestas para el Var de excedente.
En resumen, las distintas valoraciones del VAR de excedente dan lugar al siguiente
cuadro:
R c i , j = cλ1i + Ri , j R c i , j , m = Ri , j + cλ1i ,m
γ 1i , j = Ri , j + µ 1i + qλ1i 0,004541 0,005167
γ 1i , j ,l = Ri , j + µ 1i + qλ1i ,l 0,005307
γ 1i , j ,k ,l = Ri , j + µ 1i ,k + qλ1i ,l 0,005414
Cuadro 7.22. Resumen de valoraciones del VAR de excedente efectuadas a lo largo del capítulo 7.
siendo R c el tipo de interés incrementado con el spread por riesgo de crédito del activo afecto.
Cómo es lógico cuanto menor sea el número de subyacentes al valor razonable con
difusión, menor será la complejidad de los algoritmos resultantes para determinar el VAR de
excedente de las PTSV. No obstante al igual que se explicó en el capítulo 6, antes de
simplificar es necesario determinar el error al que nos exponemos.
321
Existe una diferencia muy importante entre valorar sin difusión en el spread por riesgo
de crédito y hacerlo con difusión. Además tenemos que tener en cuenta que en ambos casos
podemos efectuar las valoraciones a nivel de cartera.
No obstante, la diferencia entre valorar sin difusión en el tanto de mortalidad y hacerlo

con difusión es cuantitativamente pequeña. En cambio al tener que efectuar la valoración a
nivel de subcarteras ésta sería mucho más laboriosa.
Por otra parte, estas diferencias dependen de las garantías de la Póliza de Seguro de
Vida, así cómo de la duración del seguro. Es por ello que también se ha de acotar el error al
que nos exponemos al no considerar esta difusión.
Valorar a nivel de subcarteras, implica asimismo, que el excedente positivo para una
subcartera de edad x, no puede compensar el posible excedente negativo de otra subcartera
de edad y, con lo que los resultados diferirían de los ajustados al nivel de riesgo asumido.
Todo lo anterior tendría que ser tenido en cuenta, en la elección del sistema de cálculo
escogido para la determinación del VAR de excedente.
322
QUINTA PARTE: CONCLUSIONES
323
324
CAPÍTULO 8. APLICACIÓN PRÁCTICA. 327
8.2. ESTIMACIÓN DEL VALOR RAZONABLE. 328
8.2.1. Valor razonable sin opciones. 328
8.2.3. Opción de participación en beneficios 335
8.2.4. Valoración con opciones de rescate y participación
en beneficios. 340
8.3. SENSIBILIDAD DEL VALOR RAZONABLE DE LAS
PROVISIONES TÉCNICAS POR CAMBIOS EN EL
SUBYACENTE. 348
8.3.1. Posición Delta respecto a los tipos de interés. 348
8.3.2. Posición Vega respecto al tanto de mortalidad. 350
325
326
CAPÍTULO 8. Aplicación práctica.
CAPÍTULO 8. APLICACIÓN PRÁCTICA.
Este capítulo incluye un caso práctico de la metodología expuesta a lo largo de los

capítulos precedentes.
El apartado 8.2. expone la determinación del valor razonable de las PTSV según los
algoritmos de valoración explicados a lo largo del capítulo 6. Comienza sin considerar riesgo de
crédito y suponiendo difusión exclusivamente en el tipo de interés libre de riesgo. A
continuación incorpora también difusión en la medida de mortalidad, exponiendo la
determinación de la determinación del valor razonable de las opciciones de rescate y
participación en beneficios. Finalmente incluye el riesgo de crédito, considerando asimismo
difusión en el spread por riesgo de crédito.
El apartado 8.3. desarrolla la metodología explicada a lo largo del capítulo 7 haciendo

un especial énfasis en el VAR de excedente. En primer lugar obtiene el resultado de considerar
que no existe difusión en la medida de mortalidad, de modo que se pueda estimar el VAR de
excedente a nivel de cartera independientemente de la edad de cada asegurado, a partir del
valor razonable esperado de las PTSV esperadas de cada escenario futuro probable. Por
último se incluye difusión en la medida de mortalidad para considerar el VAR de excedente
total, cómo la suma de los correspondientes a cada subcartera de edad x.
8.2. ESTIMACIÓN DEL VALOR RAZONABLE.
8.2.1. Valor razonable sin opciones.
Para ilustrar la valoración en el árbol en un contexto de Pólizas de Seguros, nos

centraremos en un Seguro Mixto con el mismo capital para supervivencia y fallecimiento.
Como hipótesis técnicas, consideramos un interés técnico garantizado del 2,75%, los
gastos de gestión son:
• Gastos de adquisición (gadq) 1% de la prima de tarifa.
• Gastos de administración (gadm) del 0,08% del capital garantizado.
• Gastos de gestión de siniestros (ggs) del 0,02% del capital garantizado.
327
La medida de mortalidad que consideraremos será la resultante de nuestro ajuste del

modelo de Lee – Carter a la población andaluza. Siendo el asegurado una mujer de 70 años (x
= 70) en el año 2005 (y = 2005)
El valor de la prima de tarifa (todos los valores en tanto por uno del capital garantizado)
será
Π" x , y:n ¬ = [ n ]
E x , y + Ax , y:n ¬ ⋅
(1 + gadm + ggs )
(1 − gadq )
(1 + 1%)
Π"70, 2005:5 ¬ = [ 5 E 70, 2005 + A70, 2005:5 ¬]⋅ = 0,896237
(1 − 1%)
La PTSV a determinar según el ROSSP será a prima de inventario y al tipo de interés

utilizado en la tarifa, siempre y cuando cumpla los requisitos establecidos en el artículo 33. Su
expresión es la siguiente:
tV ' x, y = [ n −t ]
E x , y + Ax , y:n ¬ ⋅ (1 + gadm + ggs )
Si determinamos el valor de la PTSV a la fecha de efecto obtenemos:
0V ' 70, 2005 = [ 5 E 70, 2005 + A70, 2005:5 ¬]⋅ (1 + 1% ) = 0,887274
En cambio, la valoración de la PTSV en el árbol trinomial partiría del flujo de caja

nominal, que sería en este caso para supervivencia al vencimiento:
S n = (1 + gadm + ggs )
S 5 = (1 + 1%)
y al comienzo de cada anualidad por fallecimiento:
Ft = (1 + gadm + ggs )
Ft = (1 + 1%)
328
Suponiendo difusión en todos los subyacentes del valor razonable de las PTSV y
considerando los árboles trinomiales para el tipo de interés:
R i,j
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00 1,00 2,00 3,00 4,00
El tanto de mortalidad a un año equivalente sería:
0,03 µ 1i,k
0,025
0,02
0,015
0,01
0,005
0
0 1 2 3 4
329
Para el spread por riesgo de crédito de la aseguradora tendríamos:
qλ1i ,l
0,02
0,02
0,02
0,01
0,01
0,01
0,01
0,01
0,00
0,00
0,00
0,00 1,00 2,00 3,00 4,00
De este modo para el primer nodo tendríamos la siguiente configuración con 27 ramas:
Ri , j
µ 1i,k
qλ1i ,l
Figura 5.2. Transición de los tres subyacentes a partir del nodo origen
Supondremos cómo antes ausencia de correlación entre los subyacentes. Cómo ya se

ha expuesto para la determinación del valor razonable de las PTSV aplicamos la siguiente
expresión:
330
V c (i, j , k , l ) = exp(−γ c
1
i , j , k ,l ⋅ ∆t ) ⋅
⎡ ⎤
( )
3 3 3
⋅ ⎢ S i +1 + ∑∑∑ p r , s ⋅ V c (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ 1i ,k ⋅ ∆t ) ⋅ Fi
⎣ r =1 s =1 t =1 ⎦
Lo que daría lugar a la siguiente valoración en el árbol:
0,03 µ 1i,k
0,025
0,02
0,015
0,01
0,005
0
0 1 2 3 4
Jλ Jµ JR 0 1 2 3 4
2 0,781545 0,842214 0,917389

1 0,777606 0,819175 0,870693 0,933748
1 0 0,825205 0,858701 0,900172 0,950407
-1 0,875857 0,900213 0,930683 0,967372
-2 0,943810 0,962265 0,984648
2 0,778768 0,840565 0,916730

1 0,774253 0,816832 0,869318 0,933205
1 0 0 0,822483 0,856819 0,899081 0,949982
-1 0,873817 0,898820 0,929888 0,967068
-2 0,942936 0,961778 0,984467
2 0,775953 0,838898 0,916065

1 0,770844 0,814456 0,867927 0,932658
-1 0 0,819716 0,854910 0,897978 0,949555
-1 0,871743 0,897407 0,929085 0,966762
-2 0,942050 0,961285 0,984286
331
2 0,792831 0,851868 0,923741

1 0,790391 0,831027 0,880685 0,940216
1 0 0,838808 0,871147 0,910515 0,956994
-1 0,890329 0,913283 0,941388 0,974080
-2 0,957536 0,973344 0,991479
2 0,790170 0,850307 0,923127

1 0,787181 0,828807 0,879401 0,939719
0 0 0 0,811981 0,836241 0,869397 0,909519 0,956616
-1 0,888459 0,912031 0,940692 0,973824
-2 0,956812 0,972961 0,991347
2 0,787472 0,848729 0,922508

1 0,783917 0,826557 0,878103 0,939218
-1 0 0,833631 0,867622 0,908512 0,956236
-1 0,886556 0,910760 0,939989 0,973566
-2 0,956077 0,972573 0,991215
2 0,804286 0,861636 0,930138

1 0,803396 0,843056 0,890796 0,946731
1 0 0,852643 0,883780 0,920980 0,963628
-1 0,905049 0,926550 0,952219 0,980836
-2 0,971468 0,984555 0,998359
2 0,801743 0,860164 0,929569

1 0,800331 0,840963 0,889605 0,946280
-1 0 0 0,850236 0,882164 0,920081 0,963298
-1 0,903351 0,925441 0,951624 0,980628
-2 0,970897 0,984276 0,998277
2 0,799165 0,858677 0,928996

1 0,797215 0,838840 0,888401 0,945826
-1 0 0,847787 0,880525 0,919172 0,962965
-1 0,901624 0,924315 0,951023 0,980419
-2 0,970317 0,983995 0,998193
Cuadro 8.1. Valoración en el árbol de difusión de los tres subyacentes para las PTSV.
332
Consideraremos que el Tomador tiene el derecho de rescate al 92% de la PTSV

determinada al interés técnico.
De este modo aplicaríamos en la determinación del valor razonable de las PTSV la

ya conocida expresión 6.2:
[
V Rc (i, j , k , l ) = max V c (i, j , k , l ); i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V c (i, j , k , l ) = exp(−γ c
1
i , j , k ,l ⋅ ∆t ) ⋅ ⎪
⎡ ⎤ ⎪
( )
3 3 3
⋅ ⎢ S i +1 + ∑∑∑ p r , s ,tV Rc (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ 1i ,k ⋅ ∆t ) ⋅ Fi ⎪
⎣ r =1 s =1 t =1 ⎦ ⎪⎭
siendo
γc = Ri , j + µ 1 i ,k + qλ1i ,l
1
i , j , k ,l
Los valores de rescate, serían en este caso:
Final del año V 'x

i i Rx
1 0,903585 0,831298
2 0,928410 0,854137
3 0,954318 0,877973
4 0,981454 0,902937
Cuadro 8.2. Valores de reserva y rescate.
Los resultados de aplicar la expresión 6.2. para nuestro ejemplo son los siguientes:
Jλ Jµ JR 0 1 2 3 4
2 0,858962 0,894496 0,917389

1 0,837272 0,858962 0,894496 0,933748
1 0 0,837272 0,861901 0,900172 0,950407
-1 0,876465 0,900213 0,930683 0,967372
-2 0,943810 0,962265 0,984648
2 0,858962 0,894496 0,916730

1 0,837272 0,858962 0,894496 0,933205
333
1 0 0 0,837272 0,860212 0,899081 0,949982

-1 0,875369 0,898820 0,929888 0,967068
-2 0,958674 0,961778 0,984467
2 0,858962 0,894496 0,916065

1 0,837272 0,858962 0,894496 0,932658
-1 0 0,837272 0,858962 0,897978 0,949555
-1 0,872482 0,897407 0,929085 0,966762
-2 0,942050 0,961285 0,984286
2 0,858962 0,894496 0,923741

1 0,837272 0,858962 0,894496 0,940216
1 0 0,844624 0,873326 0,910515 0,956994
-1 0,890791 0,913283 0,941388 0,974080
-2 0,957536 0,973344 0,991479
2 0,858962 0,894496 0,923127

1 0,837272 0,858962 0,894496 0,939719
0 0 0 0,824767 0,842480 0,871755 0,909519 0,956616
-1 0,889164 0,912031 0,940692 0,973824
-2 0,956812 0,972961 0,991347
2 0,858962 0,894496 0,922508

1 0,837272 0,858962 0,894496 0,939218
-1 0 0,840336 0,870163 0,908512 0,956236
-1 0,887100 0,910760 0,939989 0,973566
-2 0,956077 0,972573 0,991215
2 0,858962 0,894496 0,930138

1 0,837272 0,858962 0,894496 0,946731
1 0 0,856787 0,884914 0,920980 0,963628
-1 0,905366 0,926550 0,952219 0,980836
-2 0,971468 0,984555 0,998359
2 0,858962 0,894496 0,929569

1 0,837272 0,858962 0,894496 0,946280
-1 0 0 0,854775 0,883464 0,920081 0,963298
-1 0,903771 0,925441 0,951624 0,980628
-2 0,970897 0,984276 0,998277
334
2 0,858962 0,894496 0,928996

1 0,837272 0,858962 0,894496 0,945826
-1 0 0,852743 0,881994 0,919172 0,962965
-1 0,902010 0,924315 0,951023 0,980419
-2 0,970317 0,983995 0,998193
Cuadro 8.3. Valoración en el árbol de difusión de los tres subyacentes para las PTSV incluyendo
opción de rescate.
Supondremos igualmente que la participación en beneficios se determina cómo el

exceso sobre el interés técnico del 90% de la rentabilidad de las inversiones afectas y que
supondremos equivalente a la del activo libre de riesgo más el spread por riesgo de crédito del
escenario en que tenga lugar. Se aplicará sobre la PTSV determinada según el ROSSP cómo
sigue:
(
pb (i, j , k , l ) = i V ' x ⋅ 90% ⋅ ( Ri , j + qλ1 i ,l ) − IT )
+
siendo
pb (i , j , k , l ) : prima del bono generada en el nodo (i , j , k , l ) .
Consideraremos que la prima generada por PB, se determina a prima de inventario, de

manera que el capital garantizado por supervivencia se determinará:
pb (i, j , k , l )
cb(i, j , k , l ) =
Π ' x + i , y + i:n − i ¬
siendo
Π ' x + i , y +i:n −i ¬ = [ n −i ]
E x + i , y +i + Ax + i , y + i:n −i ¬ ⋅ (1 + gadm + ggs ) = i V ' x
tenemos
(
cb(i, j , k , l ) = 90% ⋅ ( Ri , j + qλ1i ,l ) − IT )+
335
Fijémonos que el capital por PB es independiente del nivel del tanto de mortalidad. De
este modo los resultados para el ejemplo serán teniendo en cuenta los niveles respecto del tipo
de interés y el spread por riesgo de crédito:
Jλ JR 0 1 2 3 4
2 0,054508 0,058788 0,061532

1 0,033010 0,038128 0,042408 0,045151
1 0 0,016629 0,021747 0,026027 0,028771
-1 0,000249 0,005367 0,009647 0,012390
-2
2 0,048112 0,052393 0,055136

1 0,026614 0,031732 0,036012 0,038756
0 0 0,010233 0,015351 0,019632 0,022375
-1 0,003251 0,005995
-2
2 0,041717 0,045997 0,048740

1 0,020218 0,025336 0,029616 0,032360
-1 0 0,003838 0,008956 0,013236 0,015979
-1
-2
Cuadro 8.3. Árbol de cuantía de capitales proporcionados por la PB según el nodo origen, con difusión
en los tres términos considerados del tanto de capitalización actuarial.
Supondremos asimismo que la participación en beneficios, a su vez no genera más

participación en beneficios y que en caso de rescate anticipado de la Póliza el Tomador no
tiene derecho de rescate sobre la participación en beneficios generada.
El paso siguiente será descontar hasta el nodo origen el flujo de caja procedente de la
PB. El flujo de caja será para supervivencia al vencimiento:
S PB n = (1 + gadm + ggs ) ⋅ cb(i, j , k , l )
y para fallecimiento al comienzo de cada uno de los nodos probables hasta el vencimiento
F PB i = (1 + gadm + ggs ) ⋅ cb(i, j , k , l )
336
De este modo el flujo de caja derivado de la PB, es proporcional al que originalmente

garantiza la Póliza:
S PB n = S n ⋅ cb(i, j , k , l )⎫
⎪
⎬
F t = Ft ⋅ cb(i, j , k , l ) ⎪⎭
PB
Lo anterior permite que el descuento del flujo de caja originado por la PB en el nodo
(i, j , k , l ) hasta el mismo nodo, se determine simplemente cómo el producto:
PB c (i, j , k , l ) = V c (i, j , k , l ) ⋅ cb(i, j , k , l )
Los resultados del ejemplo son:
Jλ Jµ JR 0 1 2 3 4
2 0,042600 0,049512 0,056448

1 0,025668 0,031233 0,036924 0,042160
1 0 0,013722 0,018674 0,023429 0,027344
-1 0,004831 0,008978 0,011986
-2
2 0,042449 0,049415 0,056408

1 0,025558 0,031144 0,036866 0,042135
1 0 0 0,013677 0,018633 0,023401 0,027332
-1 0,004824 0,008971 0,011982
-2
2 0,042296 0,049317 0,056367

1 0,025445 0,031053 0,036807 0,042111
-1 0 0,013631 0,018592 0,023372 0,027319
-1 0,004816 0,008963 0,011979
-2
2 0,038145 0,044632 0,050931

1 0,021035 0,026370 0,031715 0,036439
1 0 0,008584 0,013373 0,017875 0,021413
-1 0,003061 0,005839
-2
337
2 0,038017 0,044550 0,050897

1 0,020950 0,026300 0,031669 0,036419
0 0 0 0,008558 0,013347 0,017855 0,021404
-1 0,003058 0,005838
-2
2 0,037887 0,044467 0,050863

1 0,020863 0,026228 0,031622 0,036400
-1 0 0,008531 0,013319 0,017836 0,021396
-1 0,003056 0,005836
-2
2 0,033552 0,039633 0,045335

1 0,016243 0,021360 0,026382 0,030636
1 0 0,003272 0,007915 0,012190 0,015398
-1
-2
2 0,033446 0,039565 0,045307

1 0,016181 0,021307 0,026347 0,030621
-1 0 0 0,003263 0,007900 0,012178 0,015393
-1
-2
2 0,033338 0,039496 0,045279

1 0,016118 0,021253 0,026311 0,030607
-1 0 0,003254 0,007886 0,012166 0,015388
-1
-2
Cuadro 8.4. Árbol de valoración de la opción de PB de las PTSV, con difusión en los tres subyacentes
considerados.
Por último se descuentan las anteriores cantidades según la siguiente expresión
V PBc (i, j , k , l ) = exp(−γ c

1
i , j , k ,l ⋅ ∆t )
3 3 3
⋅ ∑∑∑ p s , r ,tV c (i + 1, j r , k s , l t ) + PB c i , j , k ,l
r =1 s =1 t =1
338
Los resultados para el ejemplo:
Jλ Jµ JR 0 1 2 3 4
2 0,121372 0,095490 0,056448

1 0,103548 0,091708 0,071946 0,042160
1 0 0,065414 0,058984 0,046679 0,027344
-1 0,025905 0,024870 0,020301 0,011986
-2 0,005759 0,002254
2 0,121926 0,095694 0,056408

1 0,104325 0,092173 0,072121 0,042135
1 0 0 0,065987 0,059323 0,046808 0,027332
-1 0,026243 0,025061 0,020371 0,011982
-2 0,005820 0,002269
2 0,122483 0,095899 0,056367

1 0,105110 0,092642 0,072297 0,042111
-1 0 0,066566 0,059664 0,046937 0,027319
-1 0,026586 0,025253 0,020441 0,011979
-2 0,005881 0,002284
2 0,112643 0,087605 0,050931

1 0,093411 0,082026 0,063481 0,036439
1 0 0,054256 0,048387 0,037609 0,021413
-1 0,020874 0,015244 0,011112 0,005839
-2 0,005018 0,001897
2 0,113188 0,087806 0,050897

1 0,094165 0,082472 0,063647 0,036419
0 0 0 0,053294 0,054791 0,048695 0,037723 0,021404
-1 0,021161 0,015400 0,011164 0,005838
-2 0,005071 0,001910
2 0,113738 0,088008 0,050863

1 0,094928 0,082921 0,063814 0,036400
-1 0 0,055333 0,049007 0,037837 0,021396
-1 0,021452 0,015558 0,011218 0,005836
-2 0,005125 0,001922
2 0,103632 0,079525 0,045335
339
1 0,082925 0,072042 0,054810 0,030636

1 0 0,043179 0,037690 0,028348 0,015398
-1 0,017340 0,011177 0,004810
-2 0,004264 0,001532
2 0,104166 0,079721 0,045307

1 0,083652 0,072465 0,054965 0,030621
-1 0 0 0,043675 0,037966 0,028446 0,015393
-1 0,017586 0,011295 0,004843
-2 0,004310 0,001542
2 0,104704 0,079918 0,045279

1 0,084389 0,072891 0,055121 0,030607
-1 0 0,044178 0,038245 0,028544 0,015388
-1 0,017836 0,011415 0,004876
-2 0,004357 0,001553
difusión en los tres subyacentes considerados.
8.2.4. Valoración con opción de rescate y participación en beneficios.
La anterior valoración de la opción de PB únicamente es válida cuando nuestro interés

es determinar su cuantía en la fecha de valoración. Si nuestro interés estriba en su valoración
en cada uno de los nodos subsiguientes, hemos de recurrir a otro algoritmo de valoración.
El árbol de valoración expuesto en el apartado anterior, descuenta y acumula la

aportación proporcionada por cada nodo a la opción de PB. No obstante, en el mencionado
árbol no se recoge el aporte de cada nodo a la opción de PB, a partir de dicho nodo y hasta el
vencimiento de la Póliza.
Para que en cada nodo (i, j , k , l ) quede recogido el aporte de la PB de los nodos
precedentes (i ' < i ) , y dado que el valor de dicho aporte, en nuestro ejemplo, es
cb(i ' , j ' , k ' , l ' ) ⋅ V (i, j , k , l )
procedemos para cado nodo en tres pasos:
1. Determinamos el capital por PB acumulado según el aporte del nodo y de los nodos
precedentes (según las ramas de transición):
340
CBi , j ,k ,l = cb(i, j , k , l ) + ∑ CB
∀j ', k ',l '
i −1, j ', k ',l ' ⋅ p i , j ,k ,l (i − 1, j ' , k ' , l ' )
siendo
CB (i, j , k , l ) : capital garantizado acumulado en el nodo (i, j , k , l ) procedente de la

PB de dicho nodo y de los precedentes según las probabilidades de transición.
pi , j , k ,l (i − 1, j ' , k ' , l ' ) : probabilidad de transición del nodo (i − 1, j ' , k ' , l ' ) al nodo
(i, j , k , l ) .
En nuestro ejemplo tendríamos:
Jλ Jµ JR 0 1 2 3 4
2 0,058782 0,123428 0,190588 0,194956

1 0,033010 0,063496 0,092823 0,121082 0,101649
1 0 0,016629 0,040129 0,068688 0,101454 0,106633
-1 0,008086 0,021050 0,036782 0,040312
-2 0,000890 0,003078 0,006762
2 0,056965 0,094377 0,119829 0,074190

1 0,033010 0,052715 0,066969 0,077740 0,038966
1 0 0 0,016629 0,032317 0,049670 0,064896 0,046688
-1 0,006930 0,015150 0,022778 0,015125
-2 0,000439 0,001202 0,002129
2 0,058782 0,123428 0,190170 0,193789

1 0,033010 0,063496 0,092823 0,121635 0,103257
-1 0 0,016629 0,040129 0,074344 0,115378 0,130198
-1 0,008086 0,021050 0,037341 0,041937
-2 0,000890 0,003078 0,006797
2 0,052351 0,121014 0,198687 0,223752

1 0,026614 0,056385 0,088100 0,121120 0,114420
1 0 0,010233 0,031550 0,066927 0,112238 0,140312
-1 0,002188 0,008894 0,021155 0,038451
-2 0,000478 0,002116 0,005546
341
2 0,050550 0,090103 0,119282 0,083466

1 0,026614 0,045908 0,061177 0,073297 0,042219
0 0 0 0,010233 0,024666 0,042524 0,059152 0,048976
-1 0,001258 0,004068 0,007957 0,012045
-2 0,000206 0,000696 0,001435
2 0,052351 0,117612 0,190782 0,211934

1 0,026614 0,056385 0,088080 0,121230 0,114926
-1 0 0,010233 0,031550 0,066927 0,112736 0,141887
-1 0,002188 0,008894 0,021322 0,039056
-2 0,000478 0,002116 0,005532
2 0,044750 0,098809 0,158544 0,170724

1 0,020218 0,042468 0,066664 0,092120 0,084140
1 0 0,003838 0,018500 0,044912 0,078825 0,100064
-1 0,001054 0,005097 0,013319 0,025549
-2 0,000218 0,001133 0,003287
2 0,043461 0,075133 0,098147 0,064255

1 0,020218 0,035187 0,047614 0,057584 0,031203
-1 0 0 0,003838 0,014444 0,028637 0,041844 0,035130
-1 0,000606 0,002295 0,004905 0,007853
-2 0,000087 0,000341 0,000780
2 0,044750 0,098809 0,158126 0,169521

1 0,020218 0,042468 0,066664 0,092158 0,084353
-1 0 0,003838 0,018500 0,044912 0,079463 0,101991
-1 0,001054 0,005097 0,013362 0,025777
-2 0,000218 0,000893 0,002186
Cuadro 8.6.: Capital por PB acumulado para cada nodo y los precedentes según las probabilidades de
transición.
2. El paso siguiente será multiplicar el capital acumulado en el nodo, CBi , j ,k ,l , por la

valoración en el árbol sin opciones, V (i, j , k , l ) . En nuestro caso obtenemos:
Jλ Jµ JR 0 1 2 3 4
2 0,045941 0,103952 0,174843 0,196906

1 0,025668 0,052014 0,080820 0,113060 0,102665
342
1 0 0,013722 0,034459 0,061831 0,096423 0,107699

-1 0,007279 0,019591 0,035582 0,040715
-2 0,000856 0,003031 0,006830
2 0,044363 0,079330 0,109851 0,074932

1 0,025558 0,043059 0,058218 0,072547 0,039356
1 0 0 0,013677 0,027690 0,044658 0,061650 0,047155
-1 0,006229 0,014088 0,022028 0,015276
-2 0,000423 0,001184 0,002151
2 0,045612 0,103543 0,174208 0,195727

1 0,025445 0,051715 0,080563 0,113444 0,104290
-1 0 0,013631 0,034307 0,066760 0,109558 0,131500
-1 0,007256 0,019557 0,036100 0,042356
-2 0,000855 0,003030 0,006865
2 0,041506 0,103088 0,183535 0,225990

1 0,021035 0,046857 0,077589 0,113879 0,115565
1 0 0,008584 0,027485 0,060938 0,107411 0,141715
-1 0,001999 0,008372 0,020607 0,038835
-2 0,000465 0,002098 0,005601
2 0,039943 0,076615 0,110113 0,084300

1 0,020950 0,038049 0,053799 0,068879 0,042641
0 0 0 0,008558 0,021445 0,038677 0,056585 0,049466
-1 0,001148 0,003827 0,007749 0,012165
-2 0,000201 0,000690 0,001449
2 0,041225 0,099821 0,175998 0,214053

1 0,020863 0,046605 0,077344 0,113861 0,116076
-1 0 0,008531 0,027374 0,060804 0,107803 0,143306
-1 0,001993 0,008360 0,020759 0,039446
-2 0,000465 0,002097 0,005587
2 0,035992 0,085137 0,147467 0,172431

1 0,016243 0,035803 0,059384 0,087213 0,084982
1 0 0,003272 0,016350 0,041363 0,075958 0,101064
-1 0,000977 0,004854 0,013064 0,025804
-2 0,000215 0,001131 0,003320
343
2 0,034845 0,064627 0,091234 0,064898

1 0,016181 0,029591 0,042357 0,054490 0,031515
-1 0 0 0,003263 0,012742 0,026348 0,040308 0,035482
-1 0,000561 0,002184 0,004810 0,007931
-2 0,000085 0,000341 0,000788
2 0,035763 0,084845 0,146898 0,171217

1 0,016118 0,035624 0,059225 0,087165 0,085196
-1 0 0,003254 0,016290 0,041281 0,076520 0,103011
-1 0,000974 0,004848 0,013101 0,026035
-2 0,000214 0,000892 0,002208
transición.
3. El árbol de valoración anterior, considera los capitales por PB acumulados para cada
nodo, pero no tiene en cuenta la valoración en el nodo de los correspondientes a nodos
posteriores. Para ello hemos de agregarle, el árbol de valoración de la PB que
utilizamos en el capítulo 7 y que partía del descuento en el árbol del flujo de caja
derivado de la PB hasta el nodo origen, es decir, las cantidades que hemos
denominado PBi , j ,k ,l . Sería el árbol correspondiente al cuadro 8.5.

No obstante, de hacerlo así duplicaríamos el reconocimiento de la PB generada en en
cada nodo, ya que se incluye tanto en el cuadro 8.5., cómo en el cuadro 8.7. La
operación a realizar sería:
V PBT (i, j , k , l ) = CBi , j ,k ,l ⋅ V (i, j , k , l ) + V PB (i, j , k , l ) − PBi , j ,k ,l
Obtenemos el siguiente árbol:
Jλ Jµ JR 0 1 2 3 4
2 0,124712 0,149930 0,174843 0,196906

1 0,103548 0,112489 0,115842 0,113060 0,102665
1 0 0,065414 0,074768 0,085082 0,096423 0,107699
-1 0,025905 0,027318 0,030914 0,035582 0,040715
-2 0,005759 0,003110 0,003031 0,006830
2 0,123839 0,125609 0,109851 0,074932

1 0,104325 0,104088 0,093473 0,072547 0,039356
1 0 0 0,065987 0,068379 0,068065 0,061650 0,047155
344
-1 0,026243 0,026466 0,025488 0,022028 0,015276

-2 0,005820 0,002692 0,001184 0,002151
2 0,125800 0,150125 0,174208 0,195727

1 0,105110 0,113303 0,116053 0,113444 0,104290
-1 0 0,066566 0,075379 0,090325 0,109558 0,131500
-1 0,026586 0,027692 0,031035 0,036100 0,042356
-2 0,005881 0,003140 0,003030 0,006865
2 0,116004 0,146062 0,183535 0,225990

1 0,093411 0,102513 0,109354 0,113879 0,115565
1 0 0,054256 0,062499 0,080672 0,107411 0,141715
-1 0,020874 0,017243 0,016423 0,020607 0,038835
-2 0,005018 0,002362 0,002098 0,005601
2 0,115114 0,119872 0,110113 0,084300

1 0,094165 0,094221 0,085777 0,068879 0,042641
0 0 0 0,053294 0,054791 0,056794 0,058544 0,056585 0,049466
-1 0,021161 0,016548 0,011933 0,007749 0,012165
-2 0,005071 0,002110 0,000690 0,001449
2 0,117076 0,143362 0,175998 0,214053

1 0,094928 0,103298 0,109535 0,113861 0,116076
-1 0 0,055333 0,063061 0,080806 0,107803 0,143306
-1 0,021452 0,017551 0,016521 0,020759 0,039446
-2 0,005125 0,002388 0,002097 0,005587
2 0,106072 0,125030 0,147467 0,172431

1 0,082925 0,086485 0,087812 0,087213 0,084982
1 0 0,043179 0,046125 0,057521 0,075958 0,101064
-1 0,017340 0,012153 0,009663 0,013064 0,025804
-2 0,004264 0,001746 0,001131 0,003320
2 0,105565 0,104784 0,091234 0,064898

1 0,083652 0,080749 0,070975 0,054490 0,031515
-1 0 0 0,043675 0,042808 0,042616 0,040308 0,035482
-1 0,017586 0,011856 0,007027 0,004810 0,007931
-2 0,004310 0,001628 0,000341 0,000788
2 0,107129 0,125267 0,146898 0,171217
345
1 0,084389 0,087262 0,088034 0,087165 0,085196

-1 0 0,044178 0,046649 0,057660 0,076520 0,103011
-1 0,017836 0,012389 0,009723 0,013101 0,026035
-2 0,004357 0,001767 0,000892 0,002208
transición.
Una vez determinada la valoración de la PB para cada nodo, y suponiendo que la PB

no tiene derecho de rescate, el valor razonable de las PTSV incluyendo ambas opcionalidades
sería la suma de los cuadros 8.2 y 8.8, dando lugar a:
Jλ Jµ JR 0 1 2 3 4
2 0,983674 1,044425 1,092233 1,206906

1 0,940821 0,971451 1,010338 1,046808 1,112665
1 0 0,902687 0,936669 0,985254 1,046829 1,117699
-1 0,902370 0,927531 0,961597 1,002954 1,050715
-2 0,949569 0,965374 0,987679 1,016830
2 0,982801 1,020105 1,026581 1,084932

1 0,941597 0,963050 0,987968 1,005752 1,049356
1 0 0 0,903259 0,928591 0,967146 1,011632 1,057155
-1 0,901612 0,925285 0,955377 0,989096 1,025276
-2 0,964494 0,964469 0,985651 1,012151
2 0,984761 1,044621 1,090274 1,205727

1 0,942382 0,972265 1,010549 1,046102 1,114290
-1 0 0,903838 0,934341 0,988303 1,059113 1,141500
-1 0,899068 0,925099 0,960120 1,002862 1,052356
-2 0,947930 0,964425 0,987315 1,016865
2 0,974965 1,040557 1,107276 1,235990

1 0,930683 0,961475 1,003850 1,054095 1,125565
1 0 0,898880 0,935824 0,991187 1,064405 1,151715
-1 0,911665 0,930526 0,957811 0,994687 1,048835
-2 0,962554 0,975706 0,993577 1,015601
2 0,974076 1,014367 1,033239 1,094300

1 0,931437 0,953182 0,980273 1,008598 1,052641
0 0 0 0,878061 0,897271 0,928548 0,968063 1,013202 1,059466
346
-1 0,910325 0,928578 0,952625 0,981573 1,022165

-2 0,961883 0,975071 0,992038 1,011449
2 0,976037 1,037858 1,098506 1,224053

1 0,932200 0,962260 1,004031 1,053080 1,126076
-1 0 0,895668 0,933225 0,989318 1,064039 1,153306
-1 0,908552 0,928311 0,956510 0,994325 1,049446
-2 0,961203 0,974960 0,993312 1,015587
2 0,965034 1,019525 1,077606 1,182431

1 0,920197 0,945447 0,982307 1,033943 1,094982
1 0 0,899966 0,931039 0,978500 1,039586 1,111064
-1 0,922707 0,938703 0,961883 0,993900 1,035804
-2 0,975733 0,986301 0,999491 1,013320
2 0,964526 0,999279 1,020803 1,074898

1 0,920925 0,939711 0,965471 1,000770 1,041515
-1 0 0 0,898450 0,926271 0,962697 1,003606 1,045482
-1 0,921358 0,937297 0,958651 0,985438 1,017931
-2 0,975207 0,985904 0,998617 1,010788
2 0,966090 1,019762 1,075895 1,181217

1 0,921661 0,946224 0,982530 1,032992 1,095196
-1 0 0,896921 0,928643 0,976831 1,039485 1,113011
-1 0,919846 0,936705 0,960746 0,993519 1,036035
-2 0,974674 0,985762 0,999085 1,012208
Cuadro 8.9. Árbol de valoración de la opción de PB de las PTSV incluyendo riesgo de crédito, con difusión en
los tres subyacentes considerados.
En resumen, las distintas valoraciones de las PTSV dan lugar al siguiente cuadro:
Capitalización actuarial Sin opciones Rescate PB Rescate+PB
γ c = µ 1 + qλ1 + R
1
0,811981 0,824767 0,865275 0,878061
Cuadro 8.10. Resumen de valoraciones efectuadas respecto al valor razonable de las PTSV.
347
8.3. SENSIBILIDAD DEL VALOR RAZONABLE DE LAS PTSV POR CAMBIOS EN EL

SUBYACENTE.
8.3.1. Posición delta respecto a los tipos de interés.
Consideraremos al igual que se expuso en el capítulo 7 la posición delta del valor

razonable de las PTSV, ante un cambio paralelo en la ETTI de 100 p.b..
De este modo consideraremos que la ETTI originalmente era:
R i,j
0,10
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00 1,00 2,00 3,00 4,00
Gráfico 7.1.: Árbol del tipo de interés a corto, según la ETTI del
cuadro 7.1.
De ser así las anteriores valoraciones pasarían a ser:
Capitalización actuarial Sin opciones Rescate PB Rescate & PB
γc = µ 1i ,k + qλ1 i ,l + Ri , j
1
i , j , k ,l 0,774363 0,807910 0,847473 0,881020
Cuadro 8.11. Resumen de valoraciones efectuadas respecto al valor razonable de las PTSV a partir de la ETTI
incrementada en 100 p.b..
La sensibilidad del valor razonable de las PTSV sería considerando la ETTI del gráfico
8.5. cómo la original, y la del gráfico 8.1. cómo la reducida en 100. p.b., la que sigue:
Capitalización actuarial Sin opciones Rescate PB Rescate & PB
γc = µ 1i ,k + λq 1 i ,l + Ri , j
1
i , j , k ,l
4,85793% 2,08649% 2,10060% <0,3359%>
Cuadro 8.12. Sensibilidad del valor razonable de las PTSV ante un descenso paralelo de 100 p. b. en la ETTI.
348
Si representamos gráficamente las distintas valoraciones considerando variaciones

paralelas de 10 p.b. en la ETTI, tendríamos
0,90
0,85
0,80
Rescate & PB
0,75 PB
Rescate
Sin opciones
0,70
0
00
20
40
60
80
0
0
10
-8
-6
-4
-2
-1
Gráfico 8.1.: Posición Delta de las distintas valoraciones de las PTSV

respecto de los tipos de Interés.
Si nos centramos en la valoración incluyendo las opciones de rescate y PB tenemos
0,888
0,886
0,884
0,882
0,880
0,878
0,876
0
20
40
60
80
00
10
-8
-6
-4
-2
-1
Gráfico 8.1.: Posición Delta de la valoraciones de las PTSV

respecto de los tipos de Interés.
349
8.3.2. Posición vega respecto al tanto de mortalidad.
Si suponemos al igual que en el capítulo 7, un incremento en la volatilidad del
parámetro µ 1 , pasando a ser de σ = 0,67846%, tendríamos según las hipótesis del modelo, el
siguiente árbol trinomial recombinante:
El tanto de mortalidad equivalente sería:
0,035
µ 1i,k
0,03
0,025
0,02
0,015
0,01
0,005
0
0 1 2 3 4
Gráfico 7.2.: Árbol del tanto de mortalidad suponiendo

que el valor de σ asciende a un 0,67846%.
El resumen de valoraciones sería ahora:
Sin opciones Rescate PB Rescate+PB
γc = µ 1i ,k + λq 1i ,l + Ri , j
1
i , j , k ,l
0,811981 0,824781 0,865275 0,878075
Cuadro 8.13. Resumen de valoraciones efectuadas respecto al valor razonable de las PTSV para un parámetro
σ del tanto de mortalidad de 0,67846%.
La sensibilidad del valor razonable de las PTSV ante un descenso del 50% en el
número de asegurados según las opcionalidades consideradas:
Sin opciones Rescate PB Rescate+PB
γc = µ 1i ,k + λq 1 i ,l + Ri , j
1
i , j , k ,l 0,00000% 0,00192% 0,00000% 0,00180%
Cuadro 8.14. Sensibilidad del valor razonable de las PTSV cuando el parámetro σ del tanto de mortalidad
pasa de un 0,45231% a un 0,67846%.
350
8.4. VAR DE EXCEDENTE
Para la estimación del VAR de excedente, consideraremos que el activo afecto tiene el
mismo spread por riesgo de crédito que el activo considerado en el capítulo anterior. Siendo su
árbol trinomial el que sigue:
1
0,018
cλ i,m
0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
0 1 2 3 4 5
Gráfico 7.1.: Árbol trinomial del spread de riesgo de crédito a

corto del activo afecto.
Consideraremos una SPV cuyos flujos tienen una estructura similar a la esperanza
matemática a la fecha de efecto del Seguro de los flujos por prestaciones y gastos
proporcionados por la Póliza (a excepción de los gastos de adquisición). Estos flujos
determinados según nuestra tabla de mortalidad serán:
Año Ft Sn
0 0,012623
1 0,013906
2 0,015298
3 0,016811
4 0,018530
5 0,932832
Cuadro 8.7. Flujos probables de pagos de la Póliza.
No obstante para poner de manifiesto cierta asimetría, consideraremos igualmente que

tiene opción de compra por parte del emisor en el segundo año por 0,840000. De este modo
para determinar el valor razonable aplicaremos la misma expresión 7.1. que en el capítulo
anterior. No obstante y dado que los flujos son prepagables, la expresión que realmente
aplicaremos será:
351
⎫
V (i, j ) Call = min[V (i, j ); Strikei ] ⎪
⎪
⎬
⎡ ⎤ ⎪
( )
3
V (i, j ) = exp − ( Ri , j + cλ1i ) ⋅ ⎢∑ p k ⋅ V (i + 1, j k ) Call ⎥ + C i ⎪
⎣ k =1 ⎦ ⎭
La valoración en el árbol en términos del capital garantizado en la Póliza es la

siguiente:
Jλ JR 0 1 2 3 4 5
2 0,760365 0,807219 0,864319 0,932832

1 0,766741 0,797535 0,834835 0,879854 0,932832
0 0,806761 0,836584 0,863422 0,895674 0,932832
-1 0,828703 0,840000 0,893011 0,911785 0,932832
-2 0,840000 0,923640 0,928191 0,932832
2 0,770524 0,815757 0,869825 0,932832

1 0,777274 0,808205 0,843673 0,885461 0,932832
0 0 0,797813 0,814291 0,840000 0,872570 0,901384 0,932832
-1 0,834414 0,840000 0,902480 0,917599 0,932832
-2 0,840000 0,933441 0,934112 0,932832
2 0,780822 0,824388 0,875366 0,932832

1 0,787644 0,819022 0,852607 0,891104 0,932832
0 0,820908 0,840000 0,881817 0,907130 0,932832
-1 0,839835 0,840000 0,912052 0,923451 0,932832
-2 0,840000 0,943349 0,940072 0,932832
Cuadro 8.8.: Árbol de valoración del activo afecto considerando difusión en el tipo de interes y el spread por
riesgo de credito del activo afecto, incluyendo la opcion de compra a favor del emisor.
Cómo antes la cantidad invertida es la cuantía de las PTSV determinadas según el
ROSSP, V ' x , y , y que asciende a 0,887274. De este modo se compra el equivalente a

t
1,112133 unidades por cada unidad de capital garantizado, dando lugar a la siguiente
valoración en el árbol:
352
Jλ JR 0 1 2 3 4 5
2 0,845627 0,897735 0,961238 1,037433

1 0,852718 0,886966 0,928448 0,978515 1,037433
1 0 0,897226 0,930393 0,960240 0,996109 1,037433
-1 0,921628 0,934192 0,993147 1,014026 1,037433
-2 0,934192 1,027211 1,032272 1,037433
2 0,856925 0,907231 0,967361 1,037433

1 0,864432 0,898832 0,938277 0,984750 1,037433
0 0 0,887274 0,905600 0,934192 0,970414 1,002459 1,037433
-1 0,927979 0,934192 1,003678 1,020492 1,037433
-2 0,934192 1,038111 1,038857 1,037433
2 0,868378 0,916829 0,973524 1,037433

1 0,875965 0,910861 0,948212 0,991026 1,037433
-1 0 0,912959 0,934192 0,980698 1,008850 1,037433
-1 0,934009 0,934192 1,014323 1,027001 1,037433
-2 0,934192 1,049130 1,045485 1,037433
Cuadro 8.9.: Árbol de valoración del activo afecto considerando difusión en el tipo de interes y el spread por
riesgo de credito del activo afecto, incluyendo la opcion de compra a favor del emisor, proporcional a las PTSV
determinadas según el ROSSP.
Una vez tenemos el árbol de valoración de las PTSV y del activo afecto, aplicamos
para determinar el excedente negativo correspondiente a cada nodo, la expresión descrita en el
capítulo anterior:
⎡ V RPBc (i, j , k , l ) ⋅ AD qλ (i, l ) ⋅ AD µ (i, j ) ⋅ p cλ (i, m)⎤

SP(i, j , k , l , m) = max ⎢0 , ⎥
⎣⎢ − V Call (i, j , m) ⋅ AD cλ (i, m) ⋅ p qλ (i, l ) ⋅ p µ (i, k ) ⎦⎥
siendo
V RPBc (i, j , k , l ) : valor razonable de las PTSV incluyendo la opción de rescate y participación
en beneficios, en el nodo (i, j , k , l ) .
353

AD µ (i, k ) : seudo precio Arrow – Debreu, para el nodo (i, k), correspondiente al tanto de
mortalidad.
p µ (i, k ) , probabilidad de hallarse el tanto de mortalidad de la subcartera de edad x en k, para

el período i.
Así el el VAR de excedente correspondiente a la subcartera de asegurados de edad x

sería ahora:
n Lj Lk Ll Lm
i =1 j = − L j k = − Lk l = − Ll m = − Lm
Siendo tanto los seudo - precios de Arrow – Debreu, cómo las probabilidades de
hallarse en los nodos correspondientes, similares a los del capítulo anterior, el excedente
negativo correspondiente a cada nodo, una vez multiplicado por el precio Arrow - Debreu para
los tipos de interés, AD(i, j ) , es el siguiente:
J µ J λq J λc J R 0 1 2 3 4 5
2 0,000036 0,000115 0,000133 0,000219

1 0,000057 0,000199 0,000214 0,000012 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000058 0,000122 0,000100 0,000158

1 0,000192 0,000276 0,000152 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
354
2 0,000027 0,000080 0,000070 0,000152

1 0,000039 0,000095 0,000028 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000073 0,000193 0,000263 0,000457

1 0,000197 0,000375 0,000347 0,000175 0,000088
1 0 0,000000 0,000000 0,000000 0,000171 0,000610
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000003 0,000000 0,000000 0,000000
2 0,000118 0,000205 0,000213 0,000350

1 0,000648 0,000497 0,000244 0,000023 0,000000
1 0 0 0 0,000000 0,000000 0,000000 0,000000 0,000344
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000001 0,000000 0,000000 0,000000
2 0,000053 0,000136 0,000173 0,000366

1 0,000128 0,000153 0,000043 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000197
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000032 0,000102 0,000140 0,000219

1 0,000042 0,000131 0,000123 0,000044 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000076
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000007 0,000000 0,000000 0,000000
2 0,000051 0,000105 0,000107 0,000157

1 0,000131 0,000150 0,000039 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000011 0,000000 0,000000 0,000000
2 0,000023 0,000067 0,000078 0,000152

1 0,000024 0,000028 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
355
-2 0,000005 0,000000 0,000000 0,000000
2 0,000057 0,000077 0,000004 0,000000

1 0,000229 0,000279 0,000086 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000002 0,000000 0,000000 0,000000
2 0,000094 0,000078 0,000000 0,000000

1 0,000777 0,000368 0,000009 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000001 0,000000 0,000000 0,000000
2 0,000043 0,000048 0,000000 0,000000

1 0,000160 0,000113 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000117 0,000127 0,000028 0,000000

1 0,000797 0,000518 0,000126 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000005 0,000000 0,000000 0,000000
2 0,000190 0,000128 0,000006 0,000000

1 0,002628 0,000640 0,000000 0,000000 0,000000
0 0 0 0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000003 0,000000 0,000000 0,000000
2 0,000086 0,000079 0,000000 0,000000

1 0,000519 0,000162 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000051 0,000069 0,000016 0,000000

1 0,000168 0,000185 0,000034 0,000000 0,000000
356
1 0 0,000000 0,000000 0,000000 0,000000 0,000000

-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000011 0,000000 0,000000 0,000000
2 0,000083 0,000068 0,000000 0,000000

1 0,000533 0,000193 0,000000 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000018 0,000000 0,000000 0,000000
2 0,000037 0,000040 0,000000 0,000000

1 0,000099 0,000019 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000008 0,000000 0,000000 0,000000
2 0,000037 0,000121 0,000145 0,000228

1 0,000058 0,000208 0,000242 0,000059 0,000000
1 0 0,000000 0,000000 0,000000 0,000037 0,000223
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000060 0,000129 0,000111 0,000165

1 0,000197 0,000294 0,000186 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000062
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000028 0,000086 0,000082 0,000161

1 0,000041 0,000105 0,000056 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000075 0,000197 0,000261 0,000428

1 0,000201 0,000396 0,000392 0,000240 0,000131
1 0 0,000000 0,000000 0,000000 0,000304 0,000708
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000003 0,000000 0,000000 0,000000
357
2 0,000122 0,000209 0,000211 0,000325

1 0,000666 0,000537 0,000300 0,000086 0,000015
-1 0 0 0 0,000000 0,000000 0,000000 0,000020 0,000427
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000002 0,000000 0,000000 0,000000
2 0,000055 0,000140 0,000170 0,000337

1 0,000132 0,000175 0,000088 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000296
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000033 0,000107 0,000153 0,000227

1 0,000043 0,000141 0,000151 0,000088 0,000000
1 0 0,000000 0,000000 0,000000 0,000012 0,000152
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000007 0,000000 0,000000 0,000000
2 0,000053 0,000112 0,000119 0,000165

1 0,000135 0,000168 0,000073 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000002
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000011 0,000000 0,000000 0,000000
2 0,000024 0,000072 0,000090 0,000160

1 0,000025 0,000037 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000005 0,000000 0,000000 0,000000
descontado según el tipo de interés libre de riesgo, considerando difusión en el tipo de interés, el tanto de
mortalidad y en el spread por riesgo de crédito de la entidad aseguradora y del activo afecto a las PTSV.
La suma de las anteriores cantidades da lugar a un VAR de excedente de 0,03477, es

decir, según las hipótesis del modelo, las necesidades de recursos propios para hacer frente al
riesgo de que el valor razonable de las PTSV supere al de los activos afectos, según la
probabilidad de ocurrencia y el importe del déficit que supondría son equivalentes a 0,03477.
358
CAPÍTULO 9. CONCLUSIONES. 361
9.1. MODELO PROPUESTO. 361
9.1.1. Estimación del valor razonable de las PTSV. 361
9.1.1.1. Subyacentes considerados 361
9.1.1.1.1. Tipo de interés libre de riesgo. 361
9.1.1.1.2. Tanto de mortalidad. 362
9.1.1.1.3. Spread por riesgo de crédito. 369
9.1.1.2. Difusión del valor actual actuarial. 370
9.1.1.3. Estimación del valor razonable de
las PTSV. 373
9.1.2. El valor razonable y la estimación de los recursos
propios. 376
9.1.3. Aplicación en la determinación del “European
Embedded Value”. 383
9.2. VENTAJAS E INCONVENIENTES DEL MODELO
PROPUESTO. 386
9.3. FUTURAS LINEAS DE INVESTIGACIÓN. 388
359
360
CAPÍTULO 9. Conclusiones.
CAPÍTULO 9. CONCLUSIONES.
9.1. MODELO PROPUESTO.
Hemos propuesto un proceso de estimación de los compromisos de la asegurador

debidos a contratos de Seguros de Vida, de forma consistente con el mercado. También se ha
expuesto una metodología para la cuantificación de los requerimientos de solvencia, según la
metodología del valor razonable.
9.1.1. Estimación del valor razonable de las PTSV.
9.1.1.1. Subyacentes considerados.
Los subyacentes al valor razonable de las PTSV considerados, han sido los siguientes:
• Tipo de interés libre de riesgo.
• Tanto de mortalidad.
• Spread por riesgo de crédito de la aseguradora.
9.1.1.1.1. Tipo de interés libre de riesgo.
La determinación de la ETTI vigente en cada período, no es inmediata a partir del

mercado de capitales, sino que requiere de un proceso de filtrado previo.
Para este proceso de filtrado, proponemos el modelo de Vasicek y Fong adaptado al

mercado español por Contreras et al (1996) expuesto en el capítulo 3.
Una vez disponemos de la ETTI vigente en la fecha de valoración, aplicamos el modelo

de Hull – White con un factor de riesgo, para recoger las expectativas del mercado acerca de la
difusión de la ETTI a futuro.
Este modelo calibrable a mercado, permite replicar la ETTI. Para replicar también la
ETVs tendríamos que recurrir al modelo de dos factores.
Dado que nos interesa trabajar con tiempo discreto, aplicamos el algoritmo robusto de
dos pasos propuesto por Hull y White, para la implementación numérica de este modelo
mediante árboles trinomiales recombinantes.
361
Este modelo considera que el tipo de interés libre de riesgo a corto plazo sigue el
siguiente proceso estocástico:
dRt = (θ (t ) − aRt )dt + σdWt
La consideración en tiempo discreto de este modelo a través de árboles trinomiales,

simplifica y facilita su implementación. En uno de los ejemplos ilustrativos que incluimos
obtenemos el siguiente árbol trinomial recombinante:
R i,j
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00 1,00 2,00 3,00 4,00
9.1.1.1.2. Tanto de mortalidad.
Tratándose de Seguros de Vida, el riesgo técnico se centra fundamentalmente en el

riesgo biométrico, considerado cómo el riesgo derivado de la realización del suceso
fallecimiento o supervivencia del Asegurado.
Podemos dividir el riesgo biométrico en dos partes:
1. Riesgo sistemático o de desconocimiento de la esperanza matemática de la realización

del suceso.
2. Riesgo no sistemático o de desviación de la realización del suceso respecto a su

esperanza matemática.
Este trabajo se ha centrado en el riesgo sistemático o de desconocimiento de la

esperanza matemática de la realización del suceso. Dejamos abierta la línea de investigación
362
consistente en reconocer en el valor razonable de las PTSV, el riesgo de desviación respecto a

la esperanza matemática.
Dado que no existe un mercado en el que se negocie activamente cómo subyacente,

una medida de la realización del mencionado suceso, hemos de recurrir a su ajuste histórico.
En este trabajo de investigación se han expuesto varios modelos de graduación de tablas de
mortalidad dinámicas.
Asimismo se han graduado unas tablas de mortalidad dinámicas para la población

andaluza. Los modelos de ajuste empleados han sido el de Helligman y Pollard, y el modelo de
Lee – Carter. Si bien proponemos el modelo de Lee – Carter, el modelo de Helligman y Pollard
ha servido de contraste de los resultados obtenidos.
El modelo de Lee – Carter considera la probabilidad de fallecimiento a un año, q x, y ,

cómo sigue:
q x , y = exp(a x + bx k y ) + ε xy ,
Los parámetros a x y bx dependen de la edad, x , quedando caracterizada la

mortalidad en el año y mediante el factor no observable, k y , de manera que el factor bx
recoge la dinamicidad del proceso.
En general, suele ajustar bien para el factor k y un modelo ARIMA(0, 1, 0) con

constante negativa:
k y = c + k y −1 + ε y
Entre las ventajas más importantes del modelo, podemos destacar la rapidez en su
aplicación. Si bien en nuestro ajuste de la mortalidad andaluza, ha sido algo más lento debido
al problema de la sobre-estimación de la mortalidad masculina para edades jóvenes. No
obstante, este problema es independiente del modelo escogido, debiendo realizar los ajustes
oportunos también para el modelo de Helligman y Pollard.
Consideraremos que el error ε x, y se relaciona con el riesgo de desviación de la
siniestralidad real respecto de la esperada, mientras que el error εy se corresponde con el
riesgo de desconocimiento de la siniestralidad esperada en el año futuro y.
363
Siendo
ω x , y = ln(q x , y ) = a x + bx k y + ε ' x , y
los resultados de nuestro ajuste de la mortalidad a la población andaluza han sido, cómo
expusimos en el capítulo 4 los siguientes:
[ [ ]]
Ep E ω x , y
y x
Gráfico 4.20.: Resultados proyectados del logaritmo de la probabilidad de

fallecimiento obtenidos mediante el modelo de Lee – Carter suavizado. Hombres.
[ [ ]]
Ep E ω x , y
y x
Gráfico 4.21.: Resultados proyectados del logaritmo de la probabilidad de

fallecimiento obtenidos mediante el modelo de Lee – Carter suavizado. Mujeres.
364
Los resultados anteriores, proporcionan la esperanza matemática del suceso

fallecimiento a un año. No obstante si nos centramos en la caracterización de la mortalidad
para el año y , a partir del valor del parámetro k y , junto a su esperanza matemática hemos
obtenido los intervalos de confianza al 95% siguientes:
20
10
-10
-20
-30
Kt
Int.Inf
-40
Int.Sup
-50
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
Hombres.
20
10
-10
-20
Kt
-30 Int.Inf
Int.Sup
-40
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20

Mujeres.
365
Esto nos induce a considerar la esperanza matemática del suceso fallecimiento cómo
un proceso estocástico. Si representamos la distribución de probabilidad correspondiente a
[ ]
E ω x , y , de una mujer de 70 años de edad en los años 2001 y siguientes, donde
[ ]
E ω x , y = a x + bx k y
siendo, cómo ya se ha expuesto, k y , un ARIMA(0,1,0) con constante negativa, tendríamos
[[
Pr E ϖ x , y ]]
[ ]
E ω x, y
Gráfico 4.22.: Distribución de la esperanza matemática de la medida de mortalidad para una mujer
de 70 años en los años 2001 y siguientes.
Para reconocer este riesgo de desconocimiento de la prestación esperada, nuestra

propuesta es considerar que el tanto de mortalidad, sigue un proceso estocástico de Ornstein –
Uhlenbeck, similar al considerado para el tipo de interés libre de riesgo a corto.
Definimos el tanto de mortalidad a un año cómo
t +1
µ (t ) = ∫ µ ( s)ds
1
x, y
t
siendo
366
⎡ ∂ ln( T −t p x + t , y +t ) ⎤
µ (t ) = ⎢− ⎥ : tanto instantáneo de mortalidad,
⎣ ∂t ⎦ T =t
l x +T , y +T
T −t p x + t , y +t = : probabilidad de supervivencia en T , de un asegurado de edad x + t ,
l x +t , y +t
en t .
Consideraremos que en tiempo continuo esta medida sigue el siguiente proceso

estocástico:
( )
dµ 1 x , y (t ) = θ (t ) − a ⋅ µ 1 x , y (t ) dt + σ dWt
Proponemos un algoritmo para su resolución numérica a través de árboles trinomiales,

que desarrollamos en el capítulo 4. El resultado para el ejemplo de una señora de 70 años en
el 2005, cuya estructura temporal para el tanto de mortalidad es la siguiente para los próximos
14 años:
µ 1i
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
0 5 10 15
Gráfico 9.1.: Tanto de mortalidad a cada plazo.
367
sería la siguiente:
0,09 µ 1i,k
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
0 5 10 15
La difusión sobre la medida de mortalidad, tiene por finalidad introducir en la

cuantificación de las PTSV, la probabilidad usada en la valoración a mercado, para estimar así
las opcionalidades implícitas por asimetrías en la posible valoración futura de las PTSV.
En cuanto a la calibración de este subyacente, exponemos en el capítulo 4, el proceso

que se seguiría si disponemos de GAOs (Guaranteed Annuity Options) cómo instrumentos
calibrantes.
Dado que a fecha de elaboración de la presente investigación, no se dispone de

suficientes instrumentos calibrantes, exponemos cómo se calibraría el modelo a partir de
información histórica.
Proponemos una calibración a partir del ajuste de la serie temporal ARIMA(0,1,0) de

la componente, k y , del modelo de Lee – Carter. Así consideramos cómo volatilidad del tanto
de mortalidad a un año, µ 1t , el estimador
2
1 t ⎛⎜ 1 − exp(a x + t − y + bx + t − y kˆ y ) ⎞⎟
σµ = ∑ ln
n − 1 y =t 0 ⎜⎝ 1 − exp(a x + t − y + bx + t − y k y ) ⎟⎠
donde
t : es el año final de la serie ajustada.
368
t 0 : es el año inicial de la serie ajustada.

k y : valor del parámetro obtenido por el método del SVD para el modelo de Lee – Carter una
vez normalizado, para el año de calendario y.
k̂ y : valor del parámetro ajustado por el modelo ARIMA(0,1,0) , para el año de calendario y .
En el ejemplo incluido en el capitulo 6, 7 y 8 obtenemos el siguiente parámetro ky , y
k̂ y , para las mujeres andaluzas:
15
10
-5 kt(real)
kt(arima)
-10
-15
80
82
84
86
88
90
92
94
96
98
00
19
19
19
19
19
19
19
19
19
19
20
Gráfico 4.24.: Parámetro ky del modelo de Lee – Carter y su ajuste

mediante un ARIMA(0, 1, 0).
9.1.1.1.3. Spread por riesgo de crédito.
Se han expuesto varios métodos para introducir en el análisis el riesgo de crédito. No

obstante, en nuestro objetivo de proporcionar un modelo de estimación del Fair Value de las
PTSV, estocástico con tres factores de riesgo, se ha considerado igualmente para esta
subyacente un proceso estocástico afín unifactorial.
Para este subyacente, hemos considerado el modelo propuesto por Schönbucher y que
considera para el spread por riesgo de crédito un proceso estocástico de Ornstein – Uhlenbeck
similar al que Hull y White consideran para el tipo de interés a corto, y nuestra propuesta para
el tanto de mortalidad. Así tenemos que:
369
dqλ1t = (θ t − aqλ1 t )dt + σ dWt
En cuanto a la posibilidad de correlación entre el tipo a corto y el spread por riesgo de

crédito, queda resuelto cuando esta correlación no es demasiado elevada mediante la
propuesta de Schönbucher, descrita en el apartado 5.4.
Igualmente su resolución numérica a través de árboles trinomiales recombinantes se ha

descrito en el apartado 5.4.
Para determinar los spread de la aseguradora a cada plazo, usaríamos:

• la emisión de deuda de la aseguradora a cada plazo, y de ahí extraer los diferenciales
de precios respecto a la deuda sin riesgo de crédito, o bien,
• si es posible del mercado de CDSs.
Asimismo se ha expuesto en el capítulo 5, un método de estimación de la prima

correspondiente a una opción sobre CDS, y la calibración de nuestro modelo a partir de su
precio de cotización.
En el ejemplo del capítulo 5, obtenemos para el spread por riesgo de crédito de la

aseguradora el siguiente árbol trinomial recombinante:
qλ1i ,l
0,02
0,02
0,02
0,01
0,01
0,01
0,01
0,01
0,00
0,00
0,00
0,00 1,00 2,00 3,00 4,00
9.1.1.2. Difusión del valor actual actuarial.
El modelo de evolución de la función valor actual actuarial aplicado ha sido
370
T −t E x + t = P c (t , T ) T −t p x +t
donde
P c (t , T ) : el valor del bono con riesgo, según la dinámica de la expresión 5.7.
P c (t , T ) = P (t , T ) A(τ )e − B (τ ) q 'λ ( t )
donde
τ =T −t
1⎡
B(τ ) = 1 − e − aτ ⎤
⎢⎣ ⎥⎦
a
⎡ T~ σ2
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 B(τ ) − τ −
⎢⎣ t
σ2
4a
( ⎤
B(τ ) 2 ⎥
⎥⎦
)
2a
2
σ y a : parámetros correspondiente a la calibración de la tasa de incumplimiento reducida.
~
θ (t ) = θ (t ) + ρ ⋅ σ ( s) ⋅ σ ( s) ⋅ B(τ )
B(τ ) =
1
a
[
1 − e − aτ ]
T −t p x + t : probabilidad de supervivencia en T , para un Asegurado de edad t , según la

expresión 4.1:
T −t p x + t = A(τ )e − B (τ ) µ (t )
siendo
τ =T −t
1 − e − aτ
B(τ ) =
a
⎡ T ⎤
( )
2 2
σ σ
A(τ ) = exp ⎢− ∫ θ ( s ) B(τ )ds − 2 B(τ ) − τ − B(τ ) 2 ⎥
⎢⎣ t 2a 4a ⎥⎦
371
El factor de descuento actuarial propuesto tiene tres factores de riesgo, que podemos
representar por T −t E x +t (r (t ), µ x (t ), qλ (t )) .
La medida realmente implementada numéricamente mediante árboles trinomiales, ha

sido la función valor actual actuarial a corto plazo en tiempo discreto:
(
E c x + i , j ,k ,l = exp − ( Ri , j + µ i1, k + qλ1 i ,l ) ⋅ ∆t )
o lo que es lo mismo, se ha implementado el tanto de capitalización actuarial modificado

siguiente:
γ c i , j ,k ,l = Ri , j + µ 1i ,k + qλ1i ,l
ya que
(
E c x + i , j ,k ,l = exp − γ c i , j ,k ,l ⋅ ∆t )
Así obtenemos árboles trinomiales recombinantes de cuatro dimensiones, en los cuales
cada nodo tiene la forma del cuadro 5.2., con 27 ramas:
Ri , j
µ 1i,k
qλ1i ,l
372
9.1.1.3. Estimación del valor razonable de las PTSV.
Hemos propuesto la determinación del valor razonable de las PTSV a través del árbol
trinomial anterior. La determinación del valor razonable, se lleva a cabo iterativamente a través
del descuento desde el corte temporal en que tiene lugar el vencimiento de la Póliza, hasta la
fecha de valoración, del flujo de caja proporcionado por la Póliza de Seguro de Vida.
La expresión a aplicar en este caso es la que sigue:
V c (i, j , k , l ) = exp(−γ c i , j , k ,l ⋅ ∆t ) ⋅
⎡ ⎤
( )
3 3 3
⋅ ⎢ S i +1 + ∑∑∑ p s , rV c (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ 1 i ,k ⋅ ∆t ) ⋅ Fi
⎣ r =1 s =1 t =1 ⎦
siendo
S i +1 : flujos de caja por garantías, gastos o primas pagaderos a la supervivencia del asegurado
en i+1. Las primas a cobrar se considerarán con signo menos.
Fi : flujos de caja por garantías o gastos pagaderos al fallecimiento del asegurado entre i e
i+1. En este caso hemos establecido la hipótesis de fallecimiento al inicio del periodo
considerado.
El valor razonable de las PTSV sería el valor que el árbol trinomial en el nodo origen,
V c (0,0,0,0) .
Opción de rescate.
Las hipótesis que se están barajando en cuanto a la valoración de la opción de rescate

en el marco del Valor Razonable, son dos:
• se puede considerar cómo un conjunto de flujos de caja probables que matizan el
resto, o bien,
• cómo un suelo a los posibles valores que puede tomar el valor razonable de las PTSV
en el futuro.
En la presente investigación exponemos el segundo método de valoración, en cuyo

caso la expresión a aplicar sería:
373
[
V Rc (i, j , k , l ) = max V c (i, j , k , l ); i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V c (i, j , k , l ) = exp(−γ c i , j ,k ,l ⋅ ∆t ) ⋅ ⎪
⎡ ⎤ ⎪
( )
3 3 3
⋅ ⎢ S i +1 + ∑∑∑ p s , r ,tV Rc (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ 1 i ,k ⋅ ∆t ) ⋅ Fi ⎪
⎣ r =1 s =1 t =1 ⎦ ⎪⎭
Al tomar esta alternativa, la opción de rescate se ha de valorar cómo implícita, es decir,

que su determinación ha de ser inherente a la del total del valor razonable de las PTSV, ya que
para su determinación requiere la información del valor razonable de las PTSV en cada nodo,
Vc.
Así el valor razonable de las PTSV incluida la opción de rescate sería el valor que tome
el nodo origen en este caso, V Rc (0,0,0,0) .
Opción de participación en beneficios.
Esta opción puede presentar múltiples formas, desde una disminución en el

compromiso pendiente del Tomador, hasta un incremento en la cuantía de los capitales
garantizados, pasando por un extorno de primas para el Tomador.
De cualquier modo, supone una asimetría en los resultados de la operación de seguro

para la entidad aseguradora, debido a que si la rentabilidad de los activos afectos a las PTSV
supera el interés técnico, tiene lugar una mejora en la situación del Tomador, mientras que en
caso contrario, no se produce un menoscabo en la misma.
La manera de valorar será diferente según la modalidad de participación en beneficios

(PB) imputada. Para ilustrar una de ellas, en el presente trabajo se ha expuesto el caso de
incremento en los capitales garantizados.
Hemos supuesto que la participación es de un porcentaje β en la rentabilidad que la
aseguradora obtendrá en el futuro, cuando supere el interés técnico, y aplicado sobre la PTSV
determinada según el ROSSP, a partir de la base técnica de la Póliza.
Para simplificar, y dado que nuestra intención es exponer la metodología

inherente, hemos considerado en los ejemplos expuestos, que la rentabilidad que obtendrá la
aseguradora en el futuro, vendrá determinada por el tipo libre de riesgo más su spread por
riesgo de crédito
374
En este caso, la PB dependiente del nodo en que tiene lugar, suponiendo que se aplica
sobre la Provisión Técnica de Seguros de Vida, estimada según el ROSSP, sería:
( (
P pb i , j ,k ,l = iV ' x ⋅ β ⋅ Ri , j + qλ1i ,l − IT ) )
+
siendo
IT: interés técnico de la Póliza.

iV’x: PTSV a prima de inventario determinada según el ROSSP a partir de la base técnica de la
Póliza.
Esta participación da lugar al correspondiente flujo de caja dependiente de las hipótesis

técnicas de la Póliza:
S pb ( P pb i , j , k ,l ) = g ( P pb i , j , k ,l ) ⎫
⎪
⎬
F ( P i , j ,k ,l ) = f ( P i , j , k ,l )⎪⎭
pb pb pb
siendo
S pb : flujo de caja cuyo devengo tiene lugar al fallecimiento del asegurado, obtenido a partir de
la PB, según las hipótesis técnicas de la Póliza.
F pb : flujo de caja cuyo devengo tiene lugar al fallecimiento del asegurado, obtenido a partir de
la PB, según las hipótesis técnicas de la Póliza.
El paso siguiente sería descontar financiero – actuarialmente a través del árbol

trinomial conjunto, este flujo de caja, cómo antes:
V PBc (i, j , k , l ) = exp(−γ c i , j ,k ,l ⋅ ∆t ) ⋅

⎡ ⎤
( )
3 3 3
⋅ ⎢ S pb i +1 + ∑∑∑ p s ,r V PBc (i + 1, j r , k s , l t )⎥ + 1 − exp(− µ 1 i ,k ⋅ ∆t ) ⋅ F pb i
⎣ r =1 s =1 t =1 ⎦
Este descuento tiene lugar hasta el nodo origen de la PB, considerando
PB c i , j ,k ,l = V PBc (i, j , k , l ) ,
cómo un nuevo flujo de caja que tiene lugar exclusivamente en el nodo origen de la PB.
375
Por último descontamos estos flujos de caja por PB acumulados y descontados

actuarialmente cómo sigue:
V PBc (i, j , k , l ) = exp(−γ c i , j ,k ,l ⋅ ∆t )

3 3 3
⋅ ∑∑∑ p s , r ,tV c (i + 1, j r , k s , lt ) + PBi , j ,k ,l
r =1 s =1 t =1
El valor razonable de la opción de PB de las PTSV sería la cuantía correspondiente a
V PBc (0,0,0,0)
9.1.2. El valor razonable y la estimación de los recursos propios.
La propuesta del presente trabajo para la determinación de los recursos propios

debidas al riesgo derivado del negocio asegurador, es obtenerla entre otros, a partir de los tres
análisis que siguen:
• diferencia entre el valor razonable de las PTSV y su valor contabilizado;
• resultado de las pruebas de stress, del valor razonable de las PTSV, por variación en
los niveles del subyacente o incremento en su volatilidad;
• VAR de excedente según el valor razonable de las PTSV y de sus activos afectos.
El primero es el más evidente y supone la diferencia entre la valoración a mercado y la

correspondiente según el Plan Contable de Entidades Aseguradoras. Mientras no se lleve a
cabo la contabilización a valor razonable tendrá que ser tenido en cuenta.
En cuanto al segundo análisis se han considerado en el apartado 7.4.2. cuatro

posiciones:
• Posición Delta. Sensibilidad del valor razonable de las PTSV por cambios en los
niveles del subyacente.
• Posición Gamma. Mide el cambio esperado en la posición Delta a partir de

cambios en los niveles del subyacente.
• Posición Vega. Sensibilidad del valor razonable de las PTSV por cambios en la
volatilidad del subyacente.
376
• Posición Theta. Mide el riesgo de cambios en el valor razonable de las PTSV

como consecuencia de la aproximación a la fecha de vencimiento de la póliza.
Estas cuatro posiciones se deberán considerar en cuanto a los tres subyacentes

incluidos en el análisis: tipos libres de riesgo, tanto de mortalidad y spread por riesgo de crédito
de la aseguradora.
En el ejemplo del capítulo 8 la posición delta respecto de los tipos de interés libres de
riesgo de las PTSV, incluyendo opción de rescate y opción de participación en beneficios, viene
dada por el siguiente gráfico:
0,888
0,886
0,884
0,882
0,880
0,878
0,876
0
20
40
60
80
00
10
-8
-6
-4
-2
-1
Gráfico 8.1.: Posición Delta respecto de los tipos de Interés de las

PTSV incluyendo opciones de rescate y participación en beneficios.
VAR de excedente.
El VAR de excedente cuantifica en nuestro caso, el riesgo de que el valor razonable de

los activos afectos a las PTSV, se encuentre superado por el valor razonable de éstas últimas.
Mediante la determinación de esta medida conseguimos integrar en un mismo marco,

el activo y el pasivo derivado de una Póliza de Seguros de Vida, analizando holísticamente
todos los riesgos inherentes a ambas patas (riesgo de interés, crédito, técnico,..).
Para su determinación, hemos considerado un método de cálculo para el valor

razonable de los activos afectos a las PTSV, similar al que ya hemos expuesto para éstas. No
obstante y cómo ya hemos explicado al exponer la jerarquía de métodos de determinación del
377
valor razonable propuesta por la JWS, si el activo es negociado activamente en el mercado de

capitales, será su valor de negociación el que se tome cómo valor razonable. Por ello se
deberán de corregir las diferencias oportunas entre la determinación del valor razonable por
aplicación simple del modelo expuesto y el valor de negociación.
En la determinación del valor razonable del activo afecto a las PTSV, se ha

considerado el árbol trinomial conjunto de tipos de interés y spread por riesgo de crédito del
activo. En el ejemplo que hemos incluido consideramos el siguiente árbol trinomial conjunto:
Ri , j
cλ1 i ,l
Gráfico 7.2. Árbol trinomial tridimensional conjunto del tipo de interés y el spread por riesgo de crédito a corto
plazo del activo afecto a las PTSV
Para ilustrar las asimetrías del activo, que no tienen su contraparte en el pasivo, y que
derivan en una diferente valoración respecto a este último, se ha expuesto el caso de un activo
financiero “calleable” o con opción de recompra del emisor del título. En este caso se haría:
⎫
V (i, j , m) Call
= min[V (i, j , m); Strikei ] ⎪
⎪
⎬
⎡ ⎤ ⎪
( )
3 3
V (i, j , m) = exp − R c i , j ,m ⋅ ⎢C i +1 + ∑∑ p r , s ⋅ V (i + 1, j r , ms ) Call ⎥ ⎪
⎣ r =1 s =1 ⎦⎭
siendo
378
R c i , j ,m = Ri , j + cλ1i ,m
cλ1 i , m : spread por riesgo de crédito del emisor del título, teniendo en cuenta su probabilidad de
insolvencia, tasa de recuperación y correlación con el tipo libre de riesgo.
C i +1 : flujo de caja derivado del activo para i + 1, si el emisor del título no incurre en default,
Strikei : precio de recompra por el emisor del título en el período i.
Cuando el flujo de caja se corresponda con gastos, y dado que el activo representa un
derecho para la compañía, se considerarán negativos.
El valor razonable del activo afecto a las PTSV sería el valor que tome V (0,0,0) Call
Se han propuesto varias alternativas para la determinación del VAR de excedente

desde el punto de vista del pasivo. Siempre y cuando no consideremos difusión también en el
tanto de mortalidad, podríamos estimar el VAR de excedente a nivel de cartera de Pólizas. En
caso contrario, la determinación del VAR de excedente, tendría que realizarse a nivel de
subcarteras de asegurados de la misma edad.
VAR de excedente con difusión en el tipo de interés, el spread por riesgo de crédito de
la entidad aseguradora y del activo afecto.
Suponiendo difusión en todos los subyacentes salvo en el tanto de mortalidad,

tendríamos para el valor razonable de las PTSV, incluyendo opción de rescate, la siguiente
expresión:
[
V Rc (i, j , l ) = max V c (i, j , l ); i R x ] ⎫
⎪
⎪
⎪⎪
⎬
V c (i, j , l ) = exp(−γ c i , j ,l ⋅ ∆t ) ⎪
⎡ ⎤ ⎪
( )
3 3
⋅ ⎢ S i +1 + ∑∑ p r , sV Rc (i + 1, j r , l s )⎥ + 1 − exp(− µ 1 i ,k ⋅ ∆t ) ⋅ Fi ⎪
⎣ r =1 s =1 ⎦ ⎪⎭
siendo ahora:
γ c i , j ,l = Ri , j + qλ1i ,l + µ 1i
De este modo podríamos agrupar todas las Pólizas en Cartera cómo sigue:
379
V PTSV (i, j , l ) = ∑ V x (i, j , l )⋅i p x

∀x
siendo
V x (i, j , l ) : valor razonable de las PTSV correspondiente a la subcartera de edad x,
i p x : probabilidad de supervivencia en i para un asegurado de edad x en la fecha de

61
valoración .
Por otra parte se ha considerado en nuestro ejemplo, que la cantidad de activo que la
aseguradora ha afectado a la cobertura de las PTSV, es equivalente a la cuantía de éstas
últimas determinadas según exige el ROSSP.
Así sólo resta determinar:

• la cuantía del excedente negativo, considerado cómo exceso del valor razonable de
las PTSV sobre el activo afecto,
• así cómo la probabilidad del escenario en que este excedente negativo tiene lugar.
En nuestro modelo se han considerado los escenarios que se derivan del árbol
trinomial recombinante en cuatro dimensiones, teniendo el nodo origen la siguiente estructura:
61
Hemos de aplicar esta probabilidad antes de comparar con el activo afecto, debido a que éste último es
independiente del estado del asegurado.
380
Ri , j
cλ1 i , m
qλ1i ,l
Figura 7.1. Transición del tipo libre de riesgo y los spread por riesgo de crédito de la aseguradora y del activo
afecto a las PTSV.
El excedente negativo para cada nodo, se obtiene en este caso suponiendo ausencia
de correlación entre el spread por riesgo de crédito de la aseguradora y el del activo afecto,
como sigue
+
⎛V PTSV (i, j , l ) ⋅ AD qλ (i, l ) ⋅ p cλ (i, m) ⎞
SP(i, j , l , m) = ⎜⎜ ⎟
− Call
⋅ cλ
⋅ qλ ⎟
⎝ V (i , j , m ) AD (i , m ) p (i , l ) ⎠
siendo
riesgo de crédito del activo afecto, según se ha explicado en el capítulo 5.
La relación entre el seudo – precio Arrow – Debreu y esta probabilidad es:
381
AD cλ (i, m)
p cλ (i, m) =
φ (0, i ) cλ
donde φ (0, i) cλ es el diferencial de precios del activo afecto respecto al bono sin riesgo de
crédito.

A partir de aquí el VAR de excedente se obtendría
n Lj Lk Ll
VARSP = ∑ ∑ ∑ ∑ SP(i, j, l , m) ⋅ AD(i, j )
i =1 j = − L j k = − Lk l = − Ll
siendo
AD(i, j ) : precio Arrow – Debreu en el nodo (i, j), considerado cómo el valor actualizado de un
activo cuyo flujo de caja es 1 en el nodo (i, j) y 0 en cualquier otro caso.
VAR de excedente con difusión en todos los subyacentes.
Suponiendo difusión también en el tanto de mortalidad, la determinación del VAR de

excedente se realizaría a nivel de subcarteras de edad x.
El activo afecto se trataría cómo antes, mientras que el valor razonable de las PTSV,
en este caso no se acumularía.
El VAR de excedente se obtendría suponiendo cómo antes ausencia de correlación, de

la siguiente forma:
+
⎛V x (i, j , k , l ) ⋅ AD qλ (i, l ) ⋅ AD µ (i, k ) ⋅ p cλ (i, m) ⎞
SP(i, j , k , l , m) = ⎜ ⎟
⎜ − V Call (i, j , m) ⋅ AD cλ (i, m) ⋅ p qλ (i, l ) ⋅ p µ (i, k ) ⎟
⎝ ⎠
siendo
V x (i, j , k , l ) : valor razonable de las PTSV de la subcartera de edad x en el año y, para el nodo
(i, j , k , l ) .
382
AD µ (i, k ) : seudo precio Arrow – Debreu, para el nodo (i, k), correspondiente al tanto de
mortalidad para la subcartera de edad x.
p µ (i, k ) , probabilidad de hallarse el tanto de mortalidad de la subcartera de edad x en k, para

el período i. A partir de los seudo precios Arrow – Debreu para el tanto de mortalidad,
obtenemos esta probabilidad cómo
µ AD µ (i, k )
p (i, k ) =
i px
Así el VAR de excedente correspondiente a la subcartera de asegurados de edad x

sería ahora:
n Lj Lk Ll Lm
i =1 j = − L j k = − Lk l = − Ll m = − Lm
9.1.3. Aplicación en la determinación del “European Embedded Value”.
Podemos traducir el término embedded value cómo valor intrínseco.
La aparición de esta medida en los años sesenta tenía por objetivo ofrecer una visión
alternativa del negocio de Seguros de Vida a la mera cuenta de resultados del Seguro de Vida.
La producción de Seguros de Vida acarrea unos elevados gastos y comisiones iniciales, que
ocasionan (salvando en su caso la activación de los mismos) unas cuentas de resultados en
los primeros ejercicios negativas. En cambio su embedded value, entendido cómo el patrimonio
propio ajustado más el “Value of in-force (VIF)” o valor del negocio en vigor, una vez detraído el
coste del capital retenido en el negocio (habitualmente el margen de solvencia mínimo),
resultaba positivo.
En los años ochenta pasó a convertirse en una importante herramienta para analistas
financieros y demás agentes económicos interesados en el valor de las empresas
aseguradoras de Vida. En los años noventa, ya muchas aseguradoras de Vida publicaban junto
a sus cuentas de resultados y demás información contable tradicional, su embedded value, el
62
impacto que en el mismo tendría el cambio en las hipótesis aplicadas, y el RoEV . De este
modo en los últimos veinte años se ha aplicado cómo una herramienta de gestión del negocio
62
“Return on Embedded Value” o retorno sobre el valor intrínseco, determinado cómo el valor añadido en el ejercicio
entre el valor intrínseco al cierre del ejercicio precedente.
383
asegurador, hasta el punto de que en muchas aseguradoras se ha considerado para la

determinación de la remuneración de sus ejecutivos.
No obstante, las continuas bajadas en los tipos de interés y caída en los mercados de
valores, producidos en los últimos años han puesto de manifiesto algunas deficiencias en la
técnica del embedded value, en las cuales cabe destacar:
• Spread por el riesgo asumido a aplicar en el descuento.
• Cuantía del capital retenido.
• Valoración de las opcionalidades implícitas en la mayoría de los Seguros de Vida.
El spread por el riesgo asumido aplicado generalmente en el embedded value era el del
mínimo requerido cómo margen de solvencia, sin reflejar los riesgos realmente asumidos. Por
otra parte, la cuantía del capital retenido se ha manifestado en los últimos años, según las
conclusiones del macroproyecto Solvencia II, igualmente cómo inadecuado al riesgo realmente
incurrido. En cuanto a las opcionalidades implícitas en Seguros de Vida, nos remitimos a las
consideraciones descritas en los capítulos anteriores.
Para corregir estas inconsistencias surge el “Market Consistent Embedded Value

(MCEV)”, consistente en una metodología cómo las expuestas en el presente trabajo, cuyo
objetivo es medir el embedded value de forma consistente con el mercado. De ahí la aparición
63
de conocido cómo “European Embedded Value (EEV)” propuesto por el CFO Forum . Éste
último publicó en 2004 doce principios para la determinación del EEV. Las compañías que han
suscrito los principios del european embedded value (EEVP), se han comprometido a
adoptarlos al cierre de 2005. Se incluye en un cuadro resumen ilustrativo de los mismos.
Principio 1: Embedded Value

Medida del valor de los accionistas en el negocio cubierto.
(EV).
Principio 2: Identificación del El NC ha de identificarse claramente, facilitando la compañía la
Negocio cubierto (NC). adecuada información.
Se compone de:
• Activos excedentarios asignados al NC.
Principio 3: Composición del • Capital requerido neto del coste de mantenimiento.
EV. • Valor actual de los beneficios futuros distribuibles,
correspondiente al NC.
No se compone en cambio del nuevo negocio futuro.
El capital excedente es la suma del valor de mercado del
Principio 4: Capital
capital y beneficios retenidos asignados, no requerido por el
excedente.
regulador para el negocio en vigor cubierto.
63
Nombre con el que conocemos al comité fundado a principios de 2003 y formado por los directores financieros de 19
multinacionales aseguradores europeas
384
El capital requerido incluirá los activos asignados al NC por

Principio 5: Capital requerido encima de los activos necesarios para cubrir los pasivos del
y su coste de oportunidad. NC. El EV tendrá en cuenta no obstante, el coste de
oportunidad de mantener este capital en el negocio.
Valor actual de los flujos para los accionistas, de los activos
Principio 6: Valoración del
que cubren la provisión matemática del NC, neto de
NC
opcionalidades recogidas en el principio 7.
El EV considerará el impacto potencial en los flujos de los
Principio 7: Estimación de accionistas, de opcionalidades y garantías implícitas en estos
opcionalidades implícitas. flujos, aplicando técnicas estocásticas consistentes con la
metodología e hipótesis del EV.
Se corresponde con los contratos vendidos durante el período
Principio 8: Nueva reportado. Asimismo incluye tanto las renovaciones esperadas,
producción. cómo las modificaciones contractuales mas probables en estas
renovaciones. No reconoce la nueva producción futura.
Las hipótesis técnicas se determinarán a partir de la
experiencia pasada, actual y la esperada en el futuro así cómo
Principio 9: Hipótesis
cualquier otra relevante. Sólo se cambiarán cuando exista
técnicas.
evidencia suficiente y los cambios sean razonablemente
ciertos. No obstante se revisarán activamente.
Serán consistentes internamente y calibrables con un mercado
Principio 10: Hipótesis adecuado. No se permitirá la suavización en la información de
económicas. mercado, balances de cuentas, plusvalías latentes o
rendimientos financieros.
Cuando el Seguro incluya la opción de PB, se tendrá en
Principio 11: Participación en cuenta en la proyección de beneficios futuros, de forma
beneficios futura. consistente con la práctica tanto de la compañía cómo del
mercado local.
Principio 12: Consolidación a El EV se reportará a nivel de grupo consolidable en base a la
nivel de grupo. clasificación del negocio, empleada en las cuentas anuales.
Cuadro 9.1. Principios del CFO Forum para la estimación del European Embedded Value.
En la determinación del VIF puede resultar de utilidad el modelo propuesto, para:

• Dar cumplimiento al principio 6 y 7 de los EEVP, en la determinación del valor de las
opcionalidades implícitas en los flujos futuros para los accionistas.
• Calibrar el EEV según la experiencia de la entidad y considerar el proceso estocástico
correspondiente a la siniestralidad de Vida, cómo establece el principio 9.
• Calibrar a mercado el EEV, según establece el principio 10, en cuanto a la valoración
del activo y pasivo del negocio asegurador.
385
• Por último y según establece el principio 11, incluir en la estimación la participación en

beneficios del Tomador de la Póliza en su caso, analizada estocásticamente.
9.2. VENTAJAS E INCONVENIENTES DEL MODELO PROPUESTO.
Ventajas del modelo.
Entre las ventajas de la metodología expuesta podemos destacar:
• El ajuste de tablas de mortalidad dinámicas sin margen de seguridad implícito, a la

zona de procedencia de la población objeto de aseguramiento, incorpora no solamente
las probabilidades de supervivencia y fallecimiento reales asociadas a dicha población,
sino también la dinamicidad que se observa en su esperanza de vida. La rapidez y
flexibilidad en la aplicación del modelo de Lee – Carter, lo constituye cómo apto para
calibrar nuestro modelo respecto al riesgo biométrico.
• La aplicación a los subyacentes al valor razonable de las PTSV de los conocidos cómo
modelos estocásticos afines, con reversión a la media y con la estructura del modelo
de Hull – White (o Vasicek extendido) permite:
o obtener expresiones analíticas de las magnitudes empleadas en la valoración;
o la reversión a la media consigue la deseada convergencia para la valoración;
o replicación de la estructura temporal de los tipos de interés libres de riesgo de
mercado, medida mortalidad ajustada a la población objeto de aseguramiento,
y spread por riesgo de crédito de la entidad aseguradora.
• El árbol recombinante tridimensional propuesto para la implementación numérica,

permite establecer los escenarios futuros en los cuales:
• la entidad debería de realizar imputaciones adicionales con la finalidad de
cubrir el valor de rescate garantizado, ó
• la entidad asigna una mayor garantía a la póliza fruto de las realizaciones de
participación en beneficios futuras.
así como las probabilidades de ocurrencia de dichos escenarios, que está valorando el
mercado, si el modelo ha sido calibrado a mercado, o bien, la probabilidad real si ha
sido ajustado en base a información histórica.
• Se ha expuesto cómo determinar el VAR del valor razonable correspondiente a las

provisiones técnicas, según las posiciones:
o Delta: incremento en el valor razonable debido a modificaciones en la ETTI,
curva de mortalidad y en su caso spread de crédito.
386
o Vega: incremento en el valor razonable como consecuencia de variaciones en

la ETV, en la volatilidad correspondiente a la curva de mortalidad y en su caso
de la curva de spread de crédito.
o Etc.
• El modelo propuesto admite la determinación de los recursos propios necesarios

debidas al VAR de excedente, considerado cómo el defecto de cobertura de las PTSV
con los activos financieros afectos. De esta manera integramos en un mismo marco el
activo y el pasivo de la Póliza de Seguros de Vida.
Inconvenientes del modelo.
Cómo inconvenientes destacamos:
• Nuestro modelo para la valoración consistente con el mercado, requiere de

instrumentos financieros líquidos para que pueda ser adecuadamente calibrado.
o Actualmente no encontramos problema para calibrar el modelo de Hull – White
para los tipos de interés a corto, ya que tras un proceso de filtrado previo
podemos extraer del mercado la ETTI, y además en el mercado español
tenemos entre otros el caplet como instrumento financiero ampliamente
negociado.
o En cuanto al modelo para el spread por riesgo de crédito, si bien es posible
calibrar a partir de los CDSs, el diferencial de precios para cada plazo, es difícil
encontrar instrumentos “plain vanilla” suficientemente líquidos, para calibrar los
parámetros de volatilidad del modelo de Schönbucher. Asimismo es
complicado encontrar cotizaciones de la correlación entre los tipos de interés y
64
el spread por riesgo de crédito del nombre de referencia .
o Para nuestra propuesta sobre la evolución estocástica del tanto de mortalidad,
los únicos antecedentes que conocemos de instrumentos financieros
cotizados, son el EIB/BNP longevity bond (2004) y el Swiss Re catastrophe
bond (2003). El primero toma cómo subyacente una cohorte masculina de 65
años de edad, de origen inglés y galés, mientras que el segundo se halla
referenciado a los índices de mortalidad de cinco países: Estados Unidos,
Reino Unido, Francia, Italia y Suiza. Si bien el primero tenía una duración de 25
años, a finales de 2005 fue retirado por falta de inversores. En cuanto al último
su duración se fijó en 3 años. Por lo tanto, no encontramos en la actualidad
suficientes instrumentos financieros calibrantes.
64
Aseguradora en el caso de las PTSV, o el emisor del título afecto a estas PTSV.
387
Cuando no disponemos de instrumentos financieros calibrantes hemos de recurrir a la

estimación por ajuste histórico de la volatilidad.
• Por otra parte, uno de los problemas más importantes que presenta el modelo de Hull –
White, es que se puede dar lugar a subyacentes negativos. Es por ello que hay que
vigilar los resultados obtenidos y ajustar las diferencias oportunas.
• En cuanto al modelo propuesto por Schönbucher para incluir en la valoración la posible

correlación entre el tipo libre de riesgo y la probabilidad de default, este no sería
aplicable cuando esta correlación es elevada, ya que daría lugar a probabilidades de
transición negativas.
• En cuanto a la inclusión en el análisis del spread por riesgo de crédito del activo afecto
a las PTSV (para la opción de PB y el VAR de excedente), se debe de incluir en el
modelo el tratamiento de la correlación entre el spread por riesgo de crédito de la
aseguradora y del activo afecto a las PTSV.
• Por otra parte cómo ya se ha mencionado, los cálculos para un horizonte temporal
demasiado largo serán extremadamente sensibles a las asunciones subyacentes del
modelo. Si el modelo considera una distribución inadecuada o se halla calibrado
incorrectamente, se pueden obtener resultados erróneos y magnificados a lo largo del
horizonte temporal considerado. Por ello se tienen que vigilar muy estrechamente estos
resultados con la finalidad de determinar incoherencias. Es lo que Panning (1999)
denomina “riesgo de estimación”.
• Asimismo en el largo plazo, el modelo debería de incorporar cómo la aseguradora

reaccionará a diversos grupos de escenarios. Así por ejemplo, si bien es cierto que en
los escenarios en los que exista excedente negativo, la aseguradora puede tener
problemas, cuando ocurra lo contrario la aseguradora podría incrementar la cuantía del
activo afecto. Panning (1999) denomina al impacto de estas decisiones futuras,
“modificación adaptativa del riesgo”.
9.3. FUTURAS LINEAS DE INVESTIGACIÓN.
• En primer lugar incorporar en la calibración del modelo biométrico, el riesgo derivado

de la desviación respecto de la esperanza matemática. Se ha considerado que en la
cartera de seguro éste riesgo se halla adecuadamente diversificado por la
aseguradora, mediante un elevado número de asegurados. No obstante, en el mejor de
388
los casos éste riesgo no desaparece del todo, y en la mayoría de los casos la cartera
no es suficientemente elevada.
De ahí que nuestra pretensión sea incluir en futuras investigaciones, el riesgo no
sistemático o de desviación de la siniestralidad real respecto de la esperada. Así la
desviación típica que consideraría el modelo sería del modo
σ i µ = f (σ x + i , y +i , σ y + i )
siendo
σ y+i : desviación típica de la esperanza matemática ajustada. Corresponde al riesgo de

desconocimiento de la esperanza matemática, y su difusión tendrá en consideración los
intervalos de confianza de la medida de fallecimiento ajustada.
σ x + i , y +i : desviación típica correspondiente al número de supervivientes de la cartera
asegurada, según la distribución derivada de la esperanza matemática ajustada.

Proviene de considerar la distribución binomial para el número de supervivientes,
tomando cómo probabilidad de ocurrencia la esperanza matemática ajustada.
Corresponde al riesgo de desviación de la siniestralidad real respecto a la esperanza
matemática.
La primera se considerará para los nodos correspondientes a i ≥ 1 , mientras que la
última se ha de considerar desde el nodo origen.
• De incorporar incertidumbre en cuanto al tanto de mortalidad desde el nodo origen,

para recoger el riesgo de desviación respecto a la esperanza matemática, tendríamos
que modificar la arquitectura del árbol trinomial recombinante, de modo que existan
varios nodos origen con sus correspondientes probabilidades. Así el valor razonable de
las PTSV sería:
Lk
V PTSV = ∑V (0,0, k ,0,0) ⋅ p µ (0, k )
k = − Lk
El árbol trinomial recombinante correspondiente a esta nueva estructura sería

tridimensional para recoger:
o esperanza matemática del tanto de mortalidad futuro, µ 1i,n " ;

o desviación respecto a la esperanza matemática, µ 1i ,k ' .
La representación del árbol trinomial tendría la siguiente arquitectura:
389
µ 1i,n "
µ 1i ,k '
Gráfico 4.23. Árbol de transición conjunto de la esperanza matemática del tanto de mortalidad y de la
desviación del tanto de mortalidad real respecto a esta esperanza matemática.
En cuanto al nodo origen suponiendo difusión en el tipo de interés libre de riesgo, el

spread por riesgo de crédito de la aseguradora y el tanto de mortalidad, tendríamos
µ 1i,n "
Ri , j
µ 1i ,k '
Figura 9.2. Transición del tipo libre de riesgo, de la esperanza matemática del tanto de mortalidad, y de la
desviación del tanto de mortalidad real respecto del esperado.
390
• Otra línea de investigación abierta sería resolver el problema que surge para una
elevada correlación entre el tipo de interés libre de riesgo y el spread por riesgo de
crédito según el modelo de difusión de ambos subyacentes. Cómo ya se ha expuesto,
cuando esta correlación es elevada, dada la solución propuesta por Schönbucher, se
generarían probabilidades de transición negativas, lo que invalidaría el modelo.
• Por otra parte, si bien los modelos estocásticos afines, suponen un proceso de Markov
de baja dimensión que proporciona expresiones analíticas, tiene por el contra (además
de la posibilidad de subyacentes negativos ya mencionada) que muy difícilmente puede
replicar la estructura temporal de volatilidades. Si bien tenemos a nuestra disposición el
modelo de Hull – White Extendido, su implementación numérica se complica
enormemente.
De ahí que estudiaremos la posibilidad de incorporar los conocidos cómo Market
Models.
Estos modelos además de replicar naturalmente la ETTI, la cual en su conjunto es una
de las variables explicativas, consiguen replicar la ETVs. Los últimos modelos
65
aparecidos (Markovian Function ) en la línea de los Market Models, ya no cuentan con
los problemas de los primeros aparecidos (Brace, A. et. al. (1997), o Jamshidian
(1997)), en cuanto a su difícil implementación numérica, permitiendo estructuras en
forma de arbol recombinante para una mejor implementacion. No obstante, tampoco
tienen las posibilidades analíticas de los modelos afines, y han de confeccionarse a
medida del instrumento a valorar.
• Por último, se analizará también la aplicación de las conclusiones obtenidas en esta

investigación en cuanto al valor razonable de las PTSV y las necesidades de recursos
propios, en la metología para la determinación del “Market Consistent Embedded
Value” y del “Return on Embedded Value (RoEV)” tomando cómo referencia este
MCEV.
65
Ver Hunt, J. et. al (2000) o Hughston, L. P. (2000)
391
392
CAPITULO 10. BIBLIOGRAFÍA. 394
393
CAPITULO 10. Bibliografía.
ALONSO, A.M., PEÑA, D. y RODRIGUEZ, J. (2005). "Proyecciones de la población española."

Documento de trabajo. Serie de Estadística y Econometría. Universidad Carlos III de Madrid.
ALTMAN, E. I. (1989). "Measuring corporate bond mortality and performance." Journal of

Finance. Volumen 44.
AMERICAN ACADEMY OF ACTUARIES FAIR VALUE WORK GROUP (2002). “Fair Valuation
of Insurance Liabilities: Principles and Methods.” Accounting Policies and Procedures Task
Force. Washington, D.C.
BABBEL, D. F., GOLD, J. Y MERRILL, C.B. (2002). "Fair Value of Liabilities: The Financial
Economics Perspective." North American Actuarial Journal. Volumen 6.
BABBEL, D. F. Y. MERRILL., C. B. (1998). "Economic Valuation Models for Insurers: Reply."

North American Actuarial Journal. Volumen 2(3).
BABBEL, D. F. Y. MERRILL., C. B. (1997). "Two Paradigms for the Market Value of Liabilities:
Discussion." North American Actuarial Journal. Volumen 1(4).
BABBEL, D. F. Y. MERRILL., C. B. (1996). " Valuation of interest - sensitive financial

instruments. Society of Actuaries." Schaumburg.
BABBEL, D. F. (1985). "Price elasticity of demand for whole life insurance." Journal of Finance.
Volumen 40.
BALBÁS, A, GUTIÉRREZ, S. GIL FANA, J.A. (1989). "Análisis Matemático para la Economía I.
Cálculo Diferencial" Madrid. Ed. AC.
BALBÁS, A, GUTIÉRREZ, S. GIL FANA, J.A. (1989). "Análisis Matemático para la Economía II.
Cálculo Integral y Sistemas Dinámicos" Madrid. Ed. AC.
BASEL COMMITTEE ON BANKING SUPERVISION (2003). "The New Basel Capital Accord."
Consultative Document, Bank for International Settlements, April.
BENJAMIN, B. Y. SOLIMAN., A. (1995). “Mortality on then Move”. Oxfort, Actuarial Education

Service.
BETZUEN, A. (1989). “Planes y Fondos de Pensiones. Su Cálculo y Valoración”. Ediciones

Deusto. Bilbao.
394
BETZUEN, A. (1997). “An aproach to people´s in employment mortality through smoothing

splines”. Edimburgo, Heriot-Watt University.
BIFFIS, E. (2005). "Affine processes for dynamic mortality and actuarial valuations." Insurance:
Mathematics & Economics. Volumen 37(3).
BIFFIS, E. Y. MILLOSSOVICH., P. (2006). "The fair value of guaranteed annuity options."

Scandinavian Actuarial Journal. Volumen 2006(1).
BLACK, F., DERMAN, E. y TOY, W. (1990). "One- factor model of interest rates and its
application to Treasury bond options." Financial Analysts Journal. Volumen 46.
BLACK, F., y KARASINSKI, P. (1991). "Bond and option pricing when short rates are
lognormal." Financial Analysts Journal. Volumen 47.
BLACK, F. Y SCHOLES, M. (1973). "The pricing of options and corporate liabilities." Journal of
Political Economy. Volumen 81.
BLACK, F. y. COX., J. (1976). "Valuing Corporate Securities: Some Effects of Bond Indenture
Provisions." Journal of Finance. Volumen 31.
BOYLE, P. P. (1980). “Recent models of the term structure of interest rates with actuarial
applications.” Transactions of the 21st Congress of Actuaries T4.
BOX, G. y. JENKINS, G. (1976). “Time series analysis: Forecasting and Control.” Cambridge
University Press.
BRACE, A., GATAREK, D. y MUSIELLA, M. (1997). “The Market Model of Interest Rate
Dynamics”. Mathematical Finance. Volumen 7 (3).
BRENNAN, M. y SCHWARTZ, E. (1979). “A continuous time approach to the pricing of bonds.”

Journal of Banking and Finance.Volumen 3.
BRENNAN, M. y SCHWARTZ, E. (1980a). “Analyzing convertible bonds.” Journal of Financial

and Quantitative Analysis.Volumen 15 (4).
BRENNAN, M. y SCHWARTZ, E. (1980b). “Conditional predictions of bond prices and returns.”

Journal of Finance. Volumen 2.
BRENNAN, M. y SCHWARTZ, E. (1982). “An equilibrium model of bond pricing and a test of
395
market efficiency.” Journal of Financial and Quantitative Analysis. Volumen 17.
BRIGO, D. Y MERCURIO, F. (2001). “Interest rate models : theory and practice.” Berlin ; New
York, Springer.
BRIGO, D. Y. AURELIEN, A. (2005). "Credit Default Swap Calibration and Derivatives Pricing
with the SSRD Stochastic Intensity Model." Finance and Stochastics. Volumen 9(1).
BUREAU, C. M. I. (1999). " Continuous Mortality Investigation Reports CMIR 17." The Institute
of Actuaries and Faculty of Actuaries, UK.
CAIRNS, A. J. G. (2004). "A Family of Term – Structure Models for Long – Term Risk
Management and Derivative Pricing." Mathematical Finance. Volumen 14(3).
CAIRNS, D. (2005). "Financial instruments - fair value option." Accountancy. Volumen

136(1343).
CARTER, L. Y. LEE, R. (1992). "Modelling and forecasting U. S. mortality." Journal of then

Americah Statistical Association. Volumen 87(419).
CHAN, K. C. et. al. (1992). "An empirical comparison of alternative models of the term structure
of interest rates." The journal of Finance. Volumen 47.
CHANCE, D. (1990). "Default Risk and the Duration of Zero Coupon Bonds." Journal of
Finance. Volumen 45(1).
CHEN, L. (1996). "Interest Rate Dynamics." Derivatives Pricing, and Risk Management. Berlin-
Heidelberg: Springer Verlag.
CHEN, R.-R. Y SCOTT L. (1992). "Pricing interest rate options in a two-factor Cox- Ingersoll-
Ross model of the term structure." Review of Financial Studies. Volumen 5(4).
CONSTANTINIDES, G. (1992). " A theory of the nominal term structure of interest rates." The
Review of Financial Studies. Volumen 5.
CONTRERAS, D. ET. AL. (1996). "Análisis factorial de la estructura temporal de los itpos de
interés en España." Revista Española de Financiación y Contabilidad XXV 86.
COPAS, J. y HABERMAN, D. (1983). "Non parametric graduation using kernel methods."

Journal of the institute of Actuaries. Volumen 110.
396
COX, J. C. (1975). " Notes on option pricing I: Constant elasticity of variance diffusions."
Working Paper. Stanford University (reimpreso en Journal of Portfolio Management 1996.
Volumen 22).
COX, J. C. E INGERSOLL, J. E. (1985). "Theory of the term structure of interest rates."

Econometrica. Volumen 53.
CUMMINS, J. D. Y DANZON, P. M. (1997). "Price, financial quality, and capital flows in

insurance markets." Journal of Financial Intermediation. Volumen 6.
CUMMINS, J. D., ET. AL. (1998). "Regulatory solvency prediction in property-liability insurance:
risk-based capital, audit ratios, and cash flow simulation." Federal Reserve Bank of
Philadelphia. Working Papers No. 98-20.
CUMMINS, J. D., ET. AL. (1996). "Corporate hedging in the insurance industry: the use of
financial derivatives by U.S. insurers." Federal Reserve Bank of Atlanta. Working Paper Series
No. 96-19.
DAHL, M. (2004). “Stochastic Mortality inf Life Insurance: Market Reserves and Mortality Linked
Insurance Contracts.” Insurance: Mathematics and Economics. Volumen 35
DAS, S. (2000). “Credit derivatives and credit linked notes.” Singapore ; New York, Wiley.
DAS, S. Y TUFANO, P. (1995). "Pricing Credit Sensitive Debt When Interest Rates, Credit
Ratings and Credit Spreads are Stochastic." Journal of Financial Engineering. Volumen 5.
DEBÓN, A., MONTES, F. Y SALA, R. (2003). “Graduación de tablas de mortalidad.

Aplicaciones actuariales.” Departament d´Estadística i Investigació Operativa. Valencia,
Universitat de València.
DE LA PEÑA, J. I. (2003). “La base técnica financiera del modelo inmunizador de seguros de
vida en España.” Anales del Instituto de Actuarios Españoles. Tercera Época. Número 9.
DELBAEN, F. y HAEZENDONCK, J. (1989). “A Martingale Approach to Premium Calculation

principles in an Arbitrage Free Market.” Insurance: Mathematics & Economics. Volumen 8.
DENUIT, M., DEVOLDER, P., y GODERNIAUX, A-C (2004). “Securitization of longevity risk:
pricing survival bonds with Wang transform in the Lee-Carter framework.” Preprint, Université
Catholique de Louvain.
397
DICKINSON, G. Y LIEDTKE., P (2004). "Impact of a Fair Value Financial Reporting System on

Insurance Companies: A Survey." Geneva Papers on Risk & Insurance - Issues & Practice.
Volumen 29(3).
DOTHAN, L. U. (1978). "On the term structure of interest rates." Journal of Financial
Economics. Volumen 6.
DOWD, K., BLAKE, D. Y CAIRNS, A (2004). "Long-Term Value at Risk." Journal of Risk
Finance. Volumen 5(2).
DUFFIE, D. (2001). “Dynamic asset pricing theory.” Princeton, N.J., Princeton University Press.
DUFFIE, D. (2005). "Credit risk modelling with affine processes." Journal of Banking and
Finance. Volumen 29.
DUFFIE, D. Y GÂRLEANU, N. (2001). "Risk and valuation of collateralized debt obligations."

Financial Analysts Journal. Volumen 57(1): 41-59.
DUFFIE, D. Y KAN, R. (1996). "A yield - factor model of interest rates." Mathematical Finance.
Volumen 64.
DUFFIE, D. Y LIONS P. L. (1992). "PDE solutions of stochastic differential utility." Journal of

Mathematical Economics. Volumen 21(6).
DUFFIE, D. Y SONNENSCHEN, H. (1989). "Arrow and general equilibrium theory." Journal of

Economic Literature. Volumen 27.
DUFFIE, D. Y LANDO, D. (2000). "Term Structure of Credit Spreads With Incomplete

Accounting information." Econométrica.
DUFFIE, D. Y SINGLETON, K. (1999). "Modeling Term Structures of Defaultable Bonds."

Review of Financial Studies. Special 1999. Volumen 12(4).
ERNST & YOUNG. (1993). “Fair value accounting study: a national survey of chief financial and
chief investment officers in 216 financial services institutions.” New York, Ernst & Young.
FABOZZI, F. J. (2004). “Bond markets, analysis, and strategies.” Upper Saddle River, NJ,
Pearson/Prentice Hall.
398
FELIPE, M. Y GUILLÉN, M. (1999). “Evolución y Predicción de las Tablas de Mortalidad

Dinámicas para la población Española”. Fundación Mapfre Estudios.
FERNÁNDEZ, J. (1997). “Modelos 'Clásicos' de la estructura temporal de los tipos de interés.”

<http://www.ie.edu/jfnavas/articulos00htm>.
FINANCIAL ACCOUNTING STANDARDS BOARD. (2002). “Guarantor's accounting and

disclosure requirements for guarantees, including indirect guarantees of indebtedness of others
: an interpretation of FASB statements no. 5, 57, and 107 and recission of FASB interpretation
no. 34.” Norwalk, Conn., The Board.
FONG, H.G. y VASICEK, O. A. (1982). "Term structure modelling using exponential splines."
Journal of Finance. Volumen 37.
FONG, H.G. y VASICEK, O. A. (1991). “Fixed income volatility management.” Journal of

Portfolio Mangement. Summer.
FONG, H.G. y VASICEK, O. A. (1992a). “Omission impossible.” Risk. Volumen 5 (2)
FONG, H.G. y VASICEK, O. A. (1992b). “Interest rate volatility as a stochastic factor.” Workinig
Paper, Gifford Fong Associates.
FRACHE, S. y. KATZ, G. (2004). “Aplicación del cálculo estocástico al análisis de la estructura

temporal de las tasas de interés.” Nota Docente 01/2004.
GAGE, T. Y MODE, C. (1993). "Some laws of mortality: how well do they fit?" Human Biology.
Volumen 65(3).
GESKE, R. (1979). "The Valuation of Compound Options." Journal of Financial Economics.

Volumen 7.
GIRARD, L. (2002). "An Approach to Fair Valuation of Insurance Liabilities using the Firm´s
Cost of Capital." North American Actuarial Journal. Volumen 6.
GOMPERTZ, B. (1825). "On the nature of the funcion of then law of human mortality an on a
new mode of determining the value of life contingencies." Transsactions of The Royal Society.
Volumen 115.
HABERMAN, S. y RENSHAW, A. (1996). "Generalized linear models and actuarial science."

The Statistician. Volumen 45 (4).
399
HABERMAN, S. y RENSHAW, A. (1999). "A simple graphical method for the comparison of two
mortality experiences." Applied Stochastic Models in Business. Volumen 15 (4).
HABERMAN, S. y RENSHAW, A. (2001). "On the forecasting or mortality reduction factors."

Actuarial Research Report. Volumen 135.
HABERMAN, S., RENSHAW, A. y HATZOPOULOS, P. (1996). "The modelling of recent

mortality in united kingdom male assured lives." British Actuarial Journal. Volumen 2 II.
HAMILTON, J. (1994). "Time Series Análisis." Princeton University Press, Princeton, New
Yersey.
HEATH, D., ET.AL. (1992). "Bond pricing and the term structure of interest rates: a new
methodology for contingent claims valuation." Econometrica. Volumen 60.
HELIGMAN, L. Y POLLARD, J. (1980). "The age pattern of mortality." Journal of the institute of
Actuaries. Volumen 107.
HO, T. S. Y. y LEE, S. B. (1986). “Term structure movementes and the pricing of interest rate
contingent claims.” The Journal of Finance. Volumen 41.
HUGHSTON, L. P. (2000). “The new interest rate models : recent developments in the theory
and application of yield curve dynamics.” London, Risk.
HULL, J. Y WHITE, A. (1990). "Pricing interest rate derivative securities." Review of Financial
Studies. Volumen 3.
HULL, J. (2000). “Options, futures, and other derivatives.” Upper Saddle River, NJ, Prentice
Hall.
HULL, J. Y WHITE, A. (2001). "Valuing Credit Default Swaps II: Modelling Default Correlations."
Journal of Derivatives. Volumen 8.
HULL, J. Y WHITE, A. (2002). “The Valuation of Credit Default Swap Options.” Working Paper.
HUNT, J., KENNEDY, J. y PELSSER, A. (2000). “Markov functional interest rate models”
Finance & Stochastics. Volumen 4.
IAA COMMENTS TO THE IASC INSURANCE ISSUES PAPER (2000). "General Overview of a
400
Possible Approach to Insurance Liabilities: Valuation and Capital Requirements." International

Actuarial Association website.
IAA COMMENTS TO THE IASC INSURANCE ISSUES PAPER (2000). "Valuation of Risk -
Adjusted Cash Flows and the Setting of Discount Rates - Theory and Practice." International
Actuarial Association website.
INFORMATION TECHNOLOGY COMMITEE. (2002). “Auditing fair values measurements and

disclosures.” New York, N.Y., International Federation of Accountants.
INTERNATIONAL ACCOUNTING STANDARD BOARD (IASB) (1998). “International

Accounting Standard nº 39: Financial Instruments: Recognition and measurement.” December.
IASB (2002). “International Accounting Standards 2002.” IASB. January.
IASB (2003a). “Disclosures of risks arising from and other disclosures elating to financial
instruments.” Active Projects, 15 August.
IASB (2003b). “International Accounting Standard 39 Financial Instruments: Recognition and

Measurement.” December.
IASB (2003c). “Fair value hedge accounting for a portfolio hedge of interest rate risk.” Exposure
draft of proposed Amendment to IAS 39 Financial Instruments: Recognition and Measurement,
August.
IASB (2003d). “Insurance contracts (exposure draft and basis for conclusions (ED5)).” July.
IASB (2004a). “ED7 financial instruments: disclosures.” June
IASB (2004b). “The fair value option.” Exposure draft of proposed Amendment to IAS 39
Financial Instruments: Recognition and Measurement, July
IASB (2004c). “Fair value hedge accounting for a portfolio hedge of interest rate risk.”
Amendment to IAS 39 Financial Instruments: Recognition and Measurement, April.
IASB (2005). “The fair value option.” Amendment to IAS 39 Financial Instruments: Recognition
and Measurement, June
International Actuarial Association (2004). “Changes in Accounting Policy while under

International Financial Reporting Standards.” Preliminary Exposure Draft.
401
JAMSHIDIAN, F. (1997). “LIBOR and Swap Market Modelss and Measures” Finance &
Stochastics. Volumen 1.
JARROW, R. A., LANDO, D. Y TURNBULL, S. M. (1997). "A Markov model for the term
structure of credit risk spreads." Review of Financial Studies. Volumen 10.
JARROW, R. A. Y TURNBULL, S. M. (1995). "Pricing Options on Financial Securities Subject to

default Risk." Journal of Finance. Volumen 50.
JOINT WORKING GROUP (2000). "Accounting for Financial Instruments. Draft Standard."
IASC. London.
JONES, E. S., MASON, S. Y ROSENFELD, E (1984). "Contingent Clains Analysis of Corporate

Capital Structures: An Empirical Investigation." Journal of Finance. Volumen 39.
JOUINI, E., J. ET. AL. (2001). “Advances in mathematical finance.” New York, Cambridge
University Press.
KIM, I. J., RAMASWAMY, K. Y SUNDARESAN, S. (1993). "Does Default Risk in Coupons

Affect then Valuation of Corporate Bonds?: A Contingent Clains Model." Financial Management.
Volumen 22(3).
KING, A. M. (2006). “Fair value for financial reporting : meeting the new FASB requirements.”
Hoboken, John Wiley & Sons Inc.
LANDO, D. (1998). "On Cox Processes and Credit Risky Securities." Review of Derivatives
Research. Volumen 1.
LANDO, D. (2004). Credit risk modeling : theory and applications.“ Princeton, Princeton
University Press.
LANGENDIJK, H. P. A. J., ET. AL. (2003). “Is fair value fair? : financial reporting in an
international perspective.” Hoboken, NJ, J. Wiley.
LANGETIEG, T. C. (1980). “A multivariate model of the term structure of interest rates.” Journal
of Finance. Volumen 35.
LEBLANC, B. Y SCAILLET, O. (1998). "Path dependent options on yields in the affine term
structure model." Finance & Stochastics. Volumen 2(4).
402
LEE, R. (2000). "The Lee-Carter method for forecasting mortality, with various extensions and
applications." North American Actuarial Journal.
LITTERMAN, R. E IBEN, T. (1991). "Corporate bond valuatioin and then term structure of credit
spreads." Journal of Portfolio Mangement. Spring.
LONGSTAFF, F. Y SCHWARTZ. E. S. (1992). "Interest Rate Volatility and the Term Structure:
A Two-Factor General Equilibrium Model." Journal of Finance. Volumen 47.
McNOWN, R. y ROGERS, A. (1988). “Time series analysis and forecasting of parametrized

model schedules: mortality.” A: IBS Population Program Working Paper, 8 (88).
MADAN, D. Y UNAL, H. (1995). “Pricing the Risks of Default”. Working Paper.
MAKEHAM, W (1860). "On the law of mortality." Journal of the institute of Actuaries. Volumen
13.
MERRILL, C. (1999). "A Note on the Solution to a Three-Factor Affine Term Structure Model."
Journal of Fixed Income. Volumen 9(3).
MERTON, R. C. (1974). "On the Pricing of Corporate Debt: The Risk Structure of Interest
Rates." Journal of Finance. Volumen 29.
MERTON, R. C. (1973). " Theory of rational option pricing." Bell Journal of Economics and
Management Science. Volumen 29.
MIKOSCH, T. (1999). Elementary Stochastic Calculus with Finance in View. Advanced Series
on Statistical Science & Applied Probability. World Scientific Publishing Co.
MILEVSKY, M. A. y PROMISLOW, S. D. (2001). "Mortality Derivatives and the Option to

Annuitise." Insurance: Mathematics and Economics.
MILLER, M. H. (1988). "The Modigliani-Miller Propositions After Thirty Years." The Journal of
Economic Perspectives. Volumen 2.
MILTERSEN, K. R., ET. AL. (1997). "Closed form solutions for term structure derivatives with
log-normal interest rates." Journal of Finance. Volumen 52.
MODIGLIANI, F. y. MILLER, M.H. (1958). "The Cost of Capital, Corporation Finance, and the
403
Theory of Investment." American Econommic Review. Volumen 48.
MOLLER, T. (1998). “Risk - Minimizing Hedging Strategies for Unit-Linked Life Insurance
Contracts.” ASTIN Bulletin. Volumen 28.
MOLLER, T. (2004). “Stochastic Orders in Dynamic Reinsurance Markets.” Finance &

Stochastics. Volumen 8.
MUSIELA, M. Y RUTKOWSKI, M. (1997). “Martingale methods in financial modelling.” Berlin ;

New York, Springer.
NAVARRO, L. (2003). Métodos numéricos para la valoración de derivados sobre tipos de

interés. Departamento de economía financiera, Universidad de Valencia.
NEWSOME, P. (2002). "The Fair Value of Insurance Business (Book)." Journal of Risk &
Insurance. Volumen 69(1).
NIELSEN, L. T., SAÀ-REQUEJO J. Y SANTA-CLARA, P (1993). “Default Risk and Interest Rate
Risk: The Term Structure of Default Spreads.” Working Paper.
NIELSEN, L. T. (1999). “Pricing and hedging of derivative securities.” Oxford ; New York, Oxford
University Press.
NIETO, U. Y VEGAS, J. (1993). “Matemática Actuarial.” Madrid, Mapfre.
OLIVIER, P. y JEFFERY, T. (2004). “Stochastic mortality models.” Presentation to the Society

of Actuaries of Ireland. Disponible en
http://www.actuaries.ie/Resources/events_papers/PastCalendarListing.htm
PALACIOS, H. (1996). “Introducción al Cálculo Actuarial.” Madrid, Mapfre.
PANJER, H. B. ET. AL. (1998). "Equilibrium Pricing." Financial Economics: With Applications to
Investments, Insurance and pensiones, The Actuarial Foundation. Volumen 4.
PANNING, W. (1999). " The strategic uses of Value at Risk: long term capital management for
property/casualty insurers" North American Actuarial Journal. Volumen 1999.
PATEL, N. (2003). "Flow business boos." Risk February.
PELSSER, A. (2000). “Efficient methods for valuing interest rate derivatives.” London New York,
404
Springer.
PÉREZ, J. L. (1986). “Seguro de Personas. Tratado General de Seguros.” Madrid, Consejo

General de Agentes y Corredores de Seguros de España.
PRIETO, E. (2006). "Matemática de la Financiación. Teoría matemática de las estructuras

financieras." Madrid. Ed. Gabinete Financiero del Profesor.
PERROTT, G. y. HINES, W (2002). "Fair Value Accounting Compared to Other Accounting

Systems." North American Actuarial Journal. Volumen 6.
REBONATO, R. (1998). “Interest-rate option models : understanding, analysing and using

models for exotic interest-rate options.” Chichester ; New York, Wiley.
REBONATO, R. (2002). “Modern pricing of interest-rate derivatives : the LIBOR market model
and beyond. “ Princeton, N.J. Woodstock, Princeton University Press.
RICHARD, S. F. (1978). " An arbitrage model of the term structure of interest rates." Journal of
Financial Economics. Volumen 6.
SAA - REQUEJO, J. Y SANTA CLARA, P (1997). Bond Pricing whith Default Risk. Working
Paper. UCLA.
SCHAEFER, S. M. y SCHWARTZ, E. S. (1984). "A two - factor model of the term structure: an
aproximate analytical solution." Journal of Financial and Quantitative Analysis. Volumen 19 (3)
SCHÖNBUCHER, P. J. (1997). "Term structure modelling of defaultable bonds." London School

of Economics and Political Science. Lse Financial Markets Group. Discussion Paper No. 272.
SCHÖNBUCHER, P. J. (1999). "A Tree Implementation of a Credit Spread Model for Credit
Derivatives." Technical report. University of Bonn..
SCHÖNBUCHER, P. J. (2003). "Credit Derivatives Pricing Models." Wiley Finance.
SCHÖNBUCHER, P. J. (2003). A note on Survival Measures and the Pricing of Options on

Credit Default Swaps. Working paper.
SCHRAGER, D. F. (2006). "Affine stochastic mortality." Insurance: Mathematics & Economics.

Volumen 38(1).
405
SHIMKO, D., TEJIMA, N. Y VAN DEVENTER, D. (1993). "The Pricing of Risky Debt when
Interest Rates are Stochastic." Journal of Fixed Income. Volumen 3.
SHREVE, S. (1997). Stochastic Calculus and Finance. Versión Preliminar, no publicada.
SONDERMANN, D. (1991). "Reinsurance in Arbitrage - free Markets." Insurance: Mathematics

and Economics. Volumen 10.
STEFFENSEN, M. (2001). "On Valuation and Control in Life and Pension Insurance." PH.D.
thesis, University of Copenhagen.
THIELE, P. (1972). "On mathematical formula to spress the rate of mortality throughout the
whole of life." Journal of the institute of Actuaries 16.
VANDERHOOF, I. T. Y ALTMAN E. I. (2000). The fair value of insurance business. Boston,

Kluwer Academic Publishers.
VASICEK O. A. (1982). " An equilibrium characterization of the term structure." Journal of

Financial Economics. Volumen 5 (2).
VEGAS, A. (1982). Estadística, Aplicaciones Económicas y Actuariales. Madrid, Pirámide.
VICENTE MERINO, A.. (2000). “La influencia de los fenómenos demográficos en la solvencia y
estabilidad de los sistemas de protección social.” Revista de Hacienda Pública Española.
YU-HONG, Z. Y ALLWRIGHT, J. C. (1999). "The solution of an affine problem and its

application in control." IEEE Transactions on Automatic Control. Volumen 44(4).
ZHU, H. (2004). An empirical comparison of credit spreads between the bond market and the
credit default swap market. Basel, Switzerland, Bank for International Settlements.
406
ANEXO I.: Políticas contables introducidas por la NIIF4.
ANEXO I.: POLÍTICAS CONTABLES INTRODUCIDAS POR LA NIFF 4.
Permite mantener, aunque no

Obliga a Permite
introducir
Valorar pasivos de seguros
Eliminar la provisión para
según los tipos de interés
catástrofes y de estabilización Valoración de pasivos de
vigentes en el mercado.
seguros sin descontar
Realizar la prueba de Valorar activos a Fair Value
financieramente.
idoneidad de los pasivos de con cargo a la cuenta de
seguros registrados. pérdidas de ganancias.
No valorar derivados
Llevar a cabo la prueba de la
implícitos, cuando se ajusten a
pérdida del valor de los
Valoración de futuras la definición de contratos de
activos de reaseguros.
comisiones de gestión, por seguros.
Mantener pasivos de seguros valor superior al de mercado. La contabilidad tácita, para
hasta que sean liquidados o evitar asimetrías por cambios
venzan. en la política contable.
Reconocer márgenes de
No compensación de pasivos Políticas contables no inversión futuros, aunque
de seguros con activos de uniformes para los pasivos de considera así los estados
reaseguro. seguros de las filiales. financieros menos relevantes
y fiables.
Valorar según contabilidad
Separar los componentes de local pasivos de seguros
depósito de pasivos de adquiridos, manteniendo un
seguro. activo intangible por la
Valoración de pasivos de
diferencia con el Fair Value.
seguros con prudencia
Valorar separadamente el
excesiva.
Separar derivados implícitos componente garantizado y la
que no cumplan la definición participación discrecional
de contrato de seguro. dentro de un pasivo de
seguro.
Cuadro A.I. Políticas contables introducidas por la NIIF 4.
407
ANEXO II.: Información a revelar según la NIIF 4.
ANEXO II.: INFORMACIÓN ADICIONAL A REVELAR SEGÚN LA NIIF 4.
Naturaleza y alcance de los riesgos de

Explicación de los importes reconocidos
contratos de seguro.
Desglose de la información que permita Objetivos, políticas y procesos de gestión del
entender los importes reconocidos por riesgo por contratos de seguro, así cómo los
contratos de seguro. métodos utilizados en dicha gestión.
Desglose de políticas contables aplicados para Información sobre el riesgo de seguro,
contratos de seguro en cuanto a su activo, incluyendo la sensibilidad respecto a este
pasivo, ingresos, gastos y flujos de caja. riesgo.
Información sobre concentraciones del riesgo
Si la aseguradora es cedente, además
de seguro, así cómo la política seguida por la
revelará el resultado por reaseguro cedido.
dirección para su concreción.
Hipótesis de mayor efecto en la medición de
Comparación entre la siniestralidad real y la
activos, pasivos, ingresos y gastos por
esperada para el ejercicio.
contratos de seguro.
Información sobre el riesgo de crédito, liquidez
Efecto de cambios en hipótesis para contratos
y de mercado, equivalentes a los exigidos por
de seguro.
la NIIF 7, con ciertos matices.
Conciliación de los cambios en pasivos de En caso de no valorar a Fair Value derivados
seguro, activos de reaseguro y en su caso implícitos, facilitará el riesgo de mercado
costes de adquisición diferidos derivados. asumido en los mismos.
Cuadro A.II. Información adicional a revelar según la NIIF 4.
408
ANEXO III.: Estimación del parámetro F en el modelo de Heligman y Pollard para mujeres andaluzas.
ANEXO III.: ESTIMACIÓN DEL PARÁMETRO F EN EL MODELO DE HELIGMAN Y

POLLARD PARA MUJERES ANDALUZAS.
1.-Identificación del modelo
El primer paso es el de representar gráficamente la serie;
Gráfico A.3.1. Serie temporal del parámetro F.
Una vez representada la serie tenemos que comprobar si es necesario transformar y

diferenciar la serie temporal. Para ello y utilizando las transformaciones de Box-Cox vemos que
valor de lambda hace mínima la varianza:
ADJDATA1c75n ADJDATA2c25n ADJDATA2c5n F

----------------------------------------------------------------------------------------
Count 21 21 21 21
Variance 4,0899 4,088 4,13333 4,13903
----------------------------------------------------------------------------------------
ADJDATA1c5 ADJDATA2 ADJDATA0c5 ADJDATA0

----------------------------------------------------------------------------------------
Count 21 21 21 21
Variance 4,16071 4,18602 4,12094 4,1065
----------------------------------------------------------------------------------------
ADJDATA0c5n ADJDATA1n ADJDATA1c5n ADJDATA2n

----------------------------------------------------------------------------------------
Count 21 21 21 21
Variance 4,09491 4,08773 4,08185 4,05357
----------------------------------------------------------------------------------------
Cuadro A.3.2. Salida de statgraphics para comprobar si es necesario transformar el parámetro F.
409
La varianza mínima es 4,05357 por lo que hay que hacer una transformación de Box-
Cox con un valor de lambda=-2. Posteriormente hay que determinar si tambien es necesario
diferenciar para estabilizar la media. Claramente se ve que esta diferenciación es necesaria. El
nuevo gráfico, junto con su f.a.s. y su f.a.p. quedan de la forma:
Gráfico A.3.3. Serie temporal del parámetro F transformado y diferenciado.
Gráfico A.3.4. f.a.s. del parámetro F transformado y diferenciado.
Gráfico A.3.5. f.a.p. del parámetro F transformado y diferenciado.
410
Lo primero que es necesario destacar observando la f.a.s. y f.a.p anteriores es que hay
pocos retardos (por el hecho de tener muy pocos datos muestrales) y esto implica que no
podemos deducir de manera exacta la forma que siguen estos gráficos, lo que parece claro es
que la f.a.s. no decrece lentamente por lo que se puede deducir que la media está estabilizada
y no es necesario volver a diferenciar.
Utilizamos la f.a.s. y la f.a.p. ya diferenciadas para proponer los órdenes p y q del

modelo, viendo que tanto en la f.a.s. y como en la f.a.p. el primer retardo no es significativo
pero el tercero puede serlo, sobre todo en la f.a.p., se proponen los siguientes modelos:
(A) ARIMA(0,1,0)
(B) ARIMA(1,1,0)
(C) ARIMA(0,1,1)
(D) ARIMA(3,1,0)
(E) ARIMA(0,1,3)
2.-Estimación de los parámetros y diagnosis de los modelos
(A) ARIMA(0,1,0)
Lo primero es determinar si la constante permanece en el modelo o se excluye:
B SEB T-RATIO APPROX. PROB.
CONSTANT -,15000000 ,19283208 -,77787887 ,44621937
Cuadro A.3.6. Salida de SPSS para evaluar la permanencia de la constante en el modelo ARIMA(0, 1, 0).
Con un 95% de confianza no hay evidencia significativa para rechazar la hipótesis nula
por lo que consideramos que la constante toma el valor cero y por tanto se excluye del modelo.
Diagnosis:
Test para la Aleatoriedad de residuos

Runs above and below median
---------------------------
Median = -0,0266532
Number of runs above and below median = 14
Expected number of runs = 11,0
Large sample test statistic z = 1,14867
P-value = 0,250691
411
Runs up and down

---------------------------
Number of runs up and down = 14
P-value = 0,780959
Box-Pierce Test
---------------
Test based on first 6 autocorrelations
Large sample test statistic = 6,54408
P-value = 0,365073
Cuadro A.3.7. Salida de statgraphics para hacer una diagnosis

del modelo ARIMA(0, 1, 0).
Con un 95% de confianza no hay evidencia significativa para rechazar las hipótesis
nulas de aleatoriedad e independencia. . Vemos la f.a.s. y la f.a.p. de los residuos:
Gráfico A.3.8. f.a.s. residual de un ARIMA (0,1,0).
Gráfico A.3.9. f.a.p. residual de un ARIMA (0,1,0).
412
Se observa que hay retardos algo significativos por lo que puede haber problemas a la
hora de considerar los residuos como un ruido blanco, estudiamos ahora la normalidad:
One-Sample Kolmogorov-Smirnov Test

RESID010
N 20
Normal Parameters Mean -,1537
Std. Deviation ,8670
Most Extreme Differences Absolute ,179
Positive ,089
Negative -,179
Kolmogorov-Smirnov Z ,802
Asymp. Sig. (2-tailed) ,542
a Test distribution is Normal.
b Calculated from data.
Cuadro A.3.10. Salida de statgraphics para el estudio de la normalidad

de los residuos del modelo ARIMA(0, 1, 0).
No hay evidencia significativa para rechazar la hipótesis de normalidad.
(B) ARIMA(1,1,0)
CONSTANT -,15275469 ,17002990 -,89839900 ,38083358
ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) -0,0000012322 0,0000268918 -0,0458206 0,963931
----------------------------------------------------------------------------
Cuadro A.3.12. Salida de Statgraphics para evaluar la permanencia de AR(1) en el modelo ARIMA(1, 1, 0).
de los dos contrastes por lo que consideramos que tanto la constante como AR(1) toman el
valor cero y por tanto se excluye del modelo. Esto implica que el modelo ARIMA(1,1,0) queda
reducido al modelo anterior, es decir, un ARIMA(0,1,0).
413
(C) ARIMA(0,1,1)
CONSTANT -,15445359 ,16929889 -,91231303 ,37366160
ARIMA Model Summary

----------------------------------------------------------------------------
MA(1) 0,108882 0,227526 0,478549 0,637721
----------------------------------------------------------------------------
Cuadro A.3.14. Salida de Statgraphics para evaluar la permanencia de MA(1) en el modelo ARIMA(0, 1, 1).
de los dos contrastes por lo que consideramos que tanto la constante como MA(1) toman el
valor cero y por tanto se excluyen del modelo. Esto implica que el modelo ARIMA(0,1,1) queda
reducido al modelo anterior, es decir, un ARIMA(0,1,0).
(D) ARIMA(3,1,0)
CONSTANT -,12279891 ,26549705 -,4625246 ,64993296
ARIMA Model Summary

----------------------------------------------------------------------------
AR(1) -0,00000123167 0,0000249712 -0,0493237 0,961236
AR(2) -0,0000249453 0,0000249712 -0,998966 0,331819
AR(3) 0,0000501963 0,0000249712 2,01017 0,060555
----------------------------------------------------------------------------
Cuadro A.3.16. Salida de Statgraphics para evaluar la permanencia de AR(3) en el modelo ARIMA(3, 1, 0).
de los dos contrastes por lo que consideramos que tanto la constante como AR(3) toman el
valor cero y por tanto se excluyen del modelo. Esto implica que el modelo ARIMA(3,1,0) queda
reducido al caso primero, es decir, un ARIMA(0,1,0).
414
(E) ARIMA(0,1,3)
CONSTANT -,18884707 ,2612229 -,72293462 ,48015537
Con un 95% de confianza no hay evidencia significativa para rechazar la hipótesis nula,
por lo que se excluye la constante del modelo.
ARIMA Model Summary

----------------------------------------------------------------------------
MA(1) -0,0980605 0,154281 -0,635596 0,533503
MA(2) 0,0324382 0,162859 0,199179 0,844485
MA(3) -0,854502 0,144003 -5,93392 0,000016
----------------------------------------------------------------------------
Estamos en un caso donde la parte MA(1) y MA(2) del modelo es significativo mientras
que la parte MA(3) no lo es. Es necesario recurrir entonces a la matriz de correlación de tal
forma que si esta medida es alta decidimos eliminar el parámetro más alto, en este caso MA(3),
si no mantenemos el orden q=3 en el modelo.
Correlation Matrix:
MA1 MA2 MA3
MA1 1,0000000 -,9777366 ,9632282

MA2 -,9777366 1,0000000 -,9551184
MA3 ,9632282 -,9551184 1,0000000
Cuadro A.3.19. Salida de statgraphics para el
estudio de la correlación del modelo ARIMA(0, 1, 3).
El coeficiente de correlación entre los tres es bastante alto por lo que eliminamos la parte
MA(3), quedando un modelo ARIMA(0,1,2) que estudiamos a continuación.
415
ARIMA Model Summary

----------------------------------------------------------------------------
MA(1) 0,500184 0,180758 2,76715 0,012699
MA(2) -0,640793 0,172167 -3,72192 0,001561
----------------------------------------------------------------------------
Rechazamos la hipótesis nula por lo que mantenemos la parte MA en el modelo.
Diagnosis:
Test para la Aleatoriedad de residuos
Runs above and below median

---------------------------
Median = -0,0139762
Number of runs above and below median = 10
Large sample test statistic z = -0,229734
P-value = 0,818294
Runs up and down

---------------------------
Number of runs up and down = 13
P-value = 1,0
Box-Pierce Test
---------------
Test based on first 6 autocorrelations
Large sample test statistic = 2,09331
P-value = 0,718602
Cuadro A.3.21. Salida de statgraphics para hacer una diagnosis del modelo ARIMA(0, 1, 2).
Con un 95% de confianza no hay evidencia significativa para rechazar las hipótesis
nulas de aleatoriedad e independencia. . Vemos la f.a.s. y la f.a.p. de los residuos:
416
Gráfico A.3.22. f.a.s. residual de un ARIMA (0,1,2).
Gráfico A.3.23. f.a.p. residual de un ARIMA (0,1,2).
Consideramos los residuos se comportan como un ruido blanco, estudiamos ahora la

normalidad:
One-Sample Kolmogorov-Smirnov Test

RESID012
N 20
Normal Parameters Mean -,1377
Std. Deviation ,7843
Most Extreme Differences Absolute ,104
Positive ,064
Negative -,104
Kolmogorov-Smirnov Z ,463
Asymp. Sig. (2-tailed) ,983
a Test distribution is Normal.
b Calculated from data.
Cuadro A.3.24. Salida de statgraphics para el estudio de la normalidad

de los residuos del modelo ARIMA(0, 1, 2).
417
No hay evidencia significativa para rechazar la hipótesis de normalidad.
De los modelos propuestos inicialmente nos quedan dos modelos competitivos,

ARIMA(0,1,0) y ARIMA(0,1,2), a los que hacemos un contraste de homocedasticidad para ver
si siguen siendo validos.
Model VAR
-------------------
(A) OK
(E) OK
Cuadro A.3.25. Salida de statgraphics para el
estudio de la homocedasticidad de los
residuos del modelo ARIMA(0, 1, 2).
3.-Validacion
En nuestro caso hay dos modelos competitivos, mediante los criterios AIC y SBC de
selección de modelos elegiremos como modelo final aquel que tenga menores estas medidas.
(A) ARIMA(0,1,0)
FINAL PARAMETERS:
Number of residuals 20
Standard error ,86237127
Log likelihood -24,917382
AIC 51,834764
SBC 52,830497
(E) ARIMA(0,1,2)
FINAL PARAMETERS:
Number of residuals 20
Standard error ,82065656
Log likelihood -23,878028
AIC 51,756056
SBC 53,747521
Cuadro A.3.25. Salida de statgraphics con las medidas AIC y SBC.
418
Como las medidas de ambos modelos son muy parecidas y hay dudas en el primer
modelo con el ruido blanco, el modelo seleccionado es un ARIMA(0,1,2) sin cte y con lambda=-
2
4.-Predicciones
Lower 95,0% Upper 95,0%

Period Forecast Limit Limit
------------------------------------------------------------------------------
2001 38,1871 36,683 39,8928
2002 38,2654 36,5855 40,2002
2003 38,2654 35,9302 41,1243
2004 38,2654 35,4535 41,8737
2005 38,2654 35,0668 42,5367
2006 38,2654 34,7369 43,1468
2007 38,2654 34,4468 43,7212
2008 38,2654 34,1864 44,2698
2009 38,2654 33,9494 44,7992
2010 38,2654 33,7313 45,314
2011 38,2654 33,5288 45,8175
2012 38,2654 33,3397 46,3122
2013 38,2654 33,1619 46,8
2014 38,2654 32,9941 47,2827
2015 38,2654 32,8351 47,7614
2016 38,2654 32,6837 48,2374
2017 38,2654 32,5394 48,7114
2018 38,2654 32,4013 49,1845
2019 38,2654 32,2689 49,6572
2020 38,2654 32,1417 50,1303
------------------------------------------------------------------------------
Cuadro A.3.26. Salida de statgraphics para la predicción del modelo ARIMA(0, 1, 2).
Gráfico A.3.27. Serie temporal y sus predicciones con el modelo ARIMA(0,1,2).
419
ANEXO IV.: Excedente negativo dependiente de los distintos escenarios, considerando difusión en el tipo de interés,
el tanto de mortalidad y los spread por riesgo de crédito de la entidad aseguradora y del activo afecto a las PTSV..
ANEXO IV.: EXCEDENTE NEGATIVO DEPENDIENTE DE LOS DISTINTOS ESCENARIOS,

CONSIDERANDO DIFUSIÓN EN EL TIPO DE INTERÉS, EL TANTO DE MORTALIDAD Y
LOS SPREAD POR RIESGO DE CRÉDITO DE LA ENTIDAD ASEGURADORA Y DEL
ACTIVO AFECTO A LAS PTSV.
Jµ Jqλ Jcλ JR 0 1 2 3 4 5
2 0,000016 0,000005 0,000000 0,000000

1 0,000025 0,000029 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000021 0,000000 0,000000 0,000000

1 0,000063 0,000000 0,000000 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000007 0,000000 0,000000 0,000000

1 0,000007 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000036 0,000019 0,000000 0,000000

1 0,000099 0,000083 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000049 0,000000 0,000000 0,000000

1 0,000251 0,000000 0,000000 0,000000 0,000000
1 0 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000017 0,000000 0,000000 0,000000

1 0,000029 0,000000 0,000000 0,000000 0,000000
420
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000

-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000017 0,000018 0,000000 0,000000

1 0,000025 0,000049 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000001 0,000000 0,000000 0,000000
2 0,000025 0,000001 0,000000 0,000000

1 0,000063 0,000000 0,000000 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000009 0,000000 0,000000 0,000000

1 0,000007 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000027 0,000010 0,000000 0,000000

1 0,000099 0,000063 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000037 0,000000 0,000000 0,000000

1 0,000251 0,000000 0,000000 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000013 0,000000 0,000000 0,000000

1 0,000029 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
421
2 0,000060 0,000025 0,000000 0,000000

1 0,000396 0,000169 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000006 0,000000 0,000000 0,000000
2 0,000085 0,000003 0,000000 0,000000

1 0,001004 0,000000 0,000000 0,000000 0,000000
0 0 0 0 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000005 0,000000 0,000000 0,000000
2 0,000030 0,000000 0,000000 0,000000

1 0,000114 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000000 0,000000 0,000000 0,000000
2 0,000030 0,000021 0,000000 0,000000

1 0,000099 0,000094 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000011 0,000000 0,000000 0,000000
2 0,000042 0,000008 0,000000 0,000000

1 0,000251 0,000029 0,000000 0,000000 0,000000
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000018 0,000000 0,000000 0,000000
2 0,000016 0,000000 0,000000 0,000000

1 0,000029 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000008 0,000000 0,000000 0,000000
2 0,000018 0,000019 0,000000 0,000000

1 0,000025 0,000050 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
422
-2 0,000002 0,000000 0,000000 0,000000
2 0,000025 0,000003 0,000000 0,000000

1 0,000063 0,000001 0,000000 0,000000 0,000000
1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000003 0,000000 0,000000 0,000000
2 0,000009 0,000000 0,000000 0,000000

1 0,000007 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000001 0,000000 0,000000 0,000000
2 0,000040 0,000041 0,000000 0,000000

1 0,000099 0,000127 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000017 0,000000 0,000000 0,000000
2 0,000057 0,000017 0,000000 0,000000

1 0,000251 0,000041 0,000000 0,000000 0,000000
-1 0 0 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000027 0,000000 0,000000 0,000000
2 0,000021 0,000000 0,000000 0,000000

1 0,000029 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000013 0,000000 0,000000 0,000000
2 0,000019 0,000031 0,000000 0,000000

1 0,000025 0,000069 0,000000 0,000000 0,000000
1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000001 0,000000 0,000000 0,000000 0,000000
-2 0,000013 0,000000 0,000000 0,000000
2 0,000028 0,000018 0,000000 0,000000

1 0,000063 0,000038 0,000000 0,000000 0,000000
423
-1 0 0 0,000000 0,000000 0,000000 0,000000 0,000000

-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000023 0,000000 0,000000 0,000000
2 0,000011 0,000000 0,000000 0,000000

1 0,000007 0,000000 0,000000 0,000000 0,000000
-1 0 0,000000 0,000000 0,000000 0,000000 0,000000
-1 0,000000 0,000000 0,000000 0,000000 0,000000
-2 0,000011 0,000000 0,000000 0,000000
Cuadro A4.1.: Excedente negativo ponderado por la probabilidad del escenario en que tiene lugar, y
descontado según el tipo de interés libre de riesgo, considerando difusión en el tipo de interés, el tanto de
mortalidad y en el spread por riesgo de crédito de la entidad aseguradora y del activo afecto a las PTSV.
424

Riesgo Credito Aseguradoras

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Riesgo Credito Aseguradoras

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD COMPLUTENSE DE MADRID

FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES

MODELIZACIÓN ACTUARIAL DEL VALOR

MEMORIA PARA OPTAR AL GRADO DE DOCTOR

Emiliano Pozuelo de Gracia

Bajo la dirección del doctor

UNIVERSIDAD COMPLUTENSE DE MADRID

(Facultad de CC. Económicas y Empresariales. Departamento de

Doctorando: D. Emiliano Pozuelo de Gracia

CAPÍTULO 1. INTRODUCCIÓN Y PRESENTACIÓN 15

CAPÍTULO 2. INTRODUCCIÓN AL VALOR RAZONABLE DE LA

CAPÍTULO 3. LOS TIPOS DE INTERÉS Y EL VALOR RAZONABLE. 89

CAPÍTULO 4. RIESGO TÉCNICO Y EL VALOR RAZONABLE. 125

4.4.3. Métodos basados en factores de reducción

CAPÍTULO 5. EL RIESGO DE CRÉDITO Y EL VALOR RAZONABLE. 207

TERCERA PARTE: ESTIMACIÓN DEL VALOR RAZONABLE

CAPÍTULO 6. ESTIMACIÓN DEL VALOR RAZONABLE. 245

CUARTA PARTE: DETERMINACIÓN DE LAS NECESIDADES DE

CAPÍTULO 7. EL VALOR RAZONABLE Y SOLVENCIA II. 285

QUINTA PARTE: CONCLUSIONES

CAPÍTULO 8. APLICACIÓN PRÁCTICA. 327

CAPÍTULO 9. CONCLUSIONES. 361

CAPITULO 10. BIBLIOGRAFÍA. 394

ANEXO I.: POLÍTICAS CONTABLES INTRODUCIDAS POR LA NIFF 4. 407

ANEXO II.: INFORMACIÓN ADICIONAL A REVELAR SEGÚN

ANEXO III. ESTIMACIÓN DEL PARÁMETRO F EN EL MODELO DE

ANEXO IV. EXCEDENTE NEGATIVO DEPENDIENTE DE LOS

1.1. OBJETIVO, MARCO Y ALCANCE DE LA INVESTIGACIÓN.

La investigación persigue el análisis de algunos de los conceptos y magnitudes, que los

Esta investigación pretende proponer una metodología que permita la consideración

Entre los objetivos más importantes de la investigación, caben distinguir dos:

Elaborar la metodología que permita un acercamiento a lo que entendemos cómo valor

Valor razonable de las PTSV:

La metodología que proponemos abarca:

o Interés técnico consistente con el mercado:

Se considerara la Estructura Temporal de Tipos de Interés (ETTI) que se deriva

El tipo de interés técnico será un proceso estocástico, es decir, sobre la

aleatoriedad que rodea a los tipos de interés, que la Aseguradora obtendrá en

o Tabla de mortalidad ajustada a la población objeto de aseguramiento y considerada

Además de ajustar la estructura que se puede observar en la medida de

Propondremos un proceso de difusión sobre las tablas de mortalidad dinámicas

La consideración estocástica de la medida de mortalidad, a incluir en la

o Spread por riesgo de crédito6 de la compañía aseguradora:

La metodología de valoración razonable, considera la cuantificación del

o Opcionalidades implícitas en la Póliza de Seguros de Vida:

Las asimetrías que tradicionalmente se han obviado en las valoraciones

Necesidades de recursos propios.

Se proponen tres análisis complementarios para determinar estas necesidades de

o El primer análisis y más obvio, es determinar la diferencia entre el valor razonable

o En segundo lugar, el análisis de sensibilidades del valor razonable a los cambios

o Integrar en un mismo análisis el activo y el pasivo de la entidad aseguradora, en lo

Nuestra pretensión fundamental es conjugar el rigor técnico con una implementación

Actual marco para las Provisiones Técnicas.

Debido a la complejidad del negocio asegurador, resulta complicado establecer un

Con respecto a los nuevos conceptos de control y supervisión de las entidades

Recientemente a solicitud de la Comisión el CEIOPS ha reportado sus conclusiones

compromisos de la aseguradora y por supuesto el MCR18 y el SCR19. Para el estudio de este

Tanto en las últimas propuestas respecto de la contabilización de las provisiones

Todo lo anterior implica recurrir en las valoraciones actuariales al cálculo estocástico y

Por otra parte, muchas de las asunciones respecto a la cuantificación de los

La presente investigación, pretende el análisis de la metodología necesaria para la

Referencias para la modelización actuarial del valor razonable de las PTSV.

Para modelizar el riesgo técnico sistemático, se han desarrollado varios modelos.

Asimismo para recoger en la valoración las expectativas en el mercado, las