Riesgo Mercado

PROGRAMA EN RIESGOS FINANCIEROS
RIESGO DE MERCADO
PROFESOR
MARIA JOSE FERNANDEZ MALDONADO, FRM
MAESTRÍA EN ADMINISTRA CIÓN FINANCIERA

1
ÍNDICE
• Introducción al Riesgo Mercado
• Representación de Carteras
• Estimación de Volatilidades y Correlaciones
• Valor en Riesgo - Metodologías de Cálculo
• Valor en Riesgo - Criterios de Presentación
• Stress-testing
• Back-testing
• Métricas de Rentabilidad y Riesgo
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

2
Riesgo de Mercado
Definición
 El riesgo de incurrir en pérdidas
 Por el mantenimiento de posiciones en los mercados
 Como consecuencia de un movimiento adverso
 De las variables financieras (Factores de Riesgo)

 Tipos de Interés
 Tipos de Cambio
 Precio de las Acciones
 Precio de las Materias Primas
 Que determinan el Valor de Mercado de dichas posiciones

3
Riesgo de Mercado
Definición
 Riesgo de Tipo de Interés. Es el riesgo derivado de la incertidumbre de los

movimientos de los tipos de interés sin riesgo en activos de renta fija.
 Riesgo de Spread. Es el riesgo derivado de la incertidumbre de los

movimientos de los diferenciales de los tipos de interés de los bonos
corporativos y gubernamentales frente a los tipos de interés sin riesgo.
 Riesgo de Renta Variable. Es el riesgo derivado de la incertidumbre de los

movimientos de precios de los activos de renta variable.
 Riesgo de Divisa. Es el riesgo derivado de la incertidumbre de los

movimientos de precios de las divisas en las que están denominados los
activos financieros.
 Riesgo de Materias Primas. Es el riesgo derivado de la incertidumbre de los

movimientos de precios de las commodities o materias primas.

4
Riesgo de Mercado
Antecedentes

5
Riesgo de Mercado
Definición
 Riesgo General o Sistémico:

Se refiere a cambios en el valor de mercado de los activos y pasivos en el
balance e instrumentos contabilizados fuera del balance resultantes de
movimientos generalizados de los mercados, tales como variaciones en los
niveles de los tipos de interés, cotizaciones bursátiles, tipos de cambio y
precio de las materias primas.
 Riesgo Especifico:
Cambios en el valor de mercado de posiciones individuales causadas por
factores distintos a movimientos generalizados de los mercados, tales como
liquidez, acontecimientos excepcionales y la calidad crediticia de las carteras

6
Riesgo de Mercado
Riesgo de Tipos de interés

 La renta fija está afecta a los cambios, salvo si se mantiene el activo
hasta vencimiento y no es necesario valorarlo contra el mercado y
contra la probabilidad de default de su emisor.
 Si se desea vender el activo en el mercado secundario, éste se podrá
vender al precio de mercado existente en ese momento, el cual a su
vez depende de los tipos de interés existentes, por lo que:
 Si bajan los tipos de interés, el precio del título aumenta, por lo
que la inversión incrementa su valor: beneficio para el inversor.
 Si suben los tipos de interés, el precio del título disminuye, por lo
que la inversión pierde valor: pérdida para el inversor.
c c 1 c
P 1
 2
 ... T
(1 r)
1 (1 r2 ) (1 r
T )

7
Riesgo de Mercado
 El valor económico de un instrumento supone calcular el valor actual

de sus flujos futuros, descontándolos a las tasas de interés de
mercado.
 Para una entidad financiera, su valor económico se define como el
valor actual de sus flujos netos futuros, es decir, de los flujos
esperados de sus activos menos los flujos esperados de sus pasivos
y más los flujos netos esperados de sus posiciones fuera de balance.
 Desde esta perspectiva, se analiza el impacto que tienen las
variaciones de los tipos de interés sobre el valor económico de la
entidad, ofreciendo una visión más completa y de más largo plazo
que la del efecto sobre resultados, que es una visión más restringida
a corto plazo.

8
Riesgo de Mercado
 Resulta esencial cuantificar el impacto sobre el precio de un activo de

renta fija ante una variación en los tipos de interés (variable
fundamental de estos instrumentos).
 Algunas medidas de riesgo y sensibilidad a tipos de interés son

 Duración Macaulay
 Duración Modificada
 Duración Efectiva
 Convexidad

9
Riesgo de Mercado

 Las medidas de sensibilidad a tipos de interés son útiles para:
 Los inversores que desean saber qué nivel de volatilidad tiene su
cartera ante cambio en tipos de interés
 Los inversores que quieren cubrir sus inversiones a los
movimientos de tipos de interés (Hedging) y para identificar qué
instrumento pueden utilizar
 Los inversores que necesitan saber cual es la inversión óptima a
realizar cuando se produce un movimiento de tipos.
 Los gestores de activo y pasivo (ALM) que deben casar flujos
futuros (los percibidos por las inversiones vs. los comprometidos
con asegurados, depositantes., prestamistas..) y cuidar los
niveles de riesgo de excedente.

10
Riesgo de Mercado
Duración Macaulay
 La duración es una medida de la longitud temporal de un bono.
 “Vida media ponderada del valor presente de los
flujos de caja de un activo” (cupones y principal)
 Dicho de otro modo: Vencimiento medio ponderado
por el peso de cada flujo (con respecto al total de
flujos descontados)
n ti ci e yti
D   ti
i1 B
 Es una medida del riesgo en el que incurrimos al invertir en un bono
o cartera de renta fija y por tanto es la herramienta clave empleada
en la gestión del riesgo de tipo de interés.

11
Riesgo de Mercado
Duración Macaulay
 Casos especiales
1. Bono cupón cero: Duración= Tiempo a vencimiento
2. Bono Flotante: Duración = tiempo a vencimiento del primer cupón
3. Bonos con Opcionalidad: No debe aplicarse la duración para

analizar el riesgo de tipos de interés de esta clase de bonos. La
duración a aplicar debe ser la DURACIÓN EFECTIVA, que revalora
el bono en cada escenario de subida/bajada

12
Riesgo de Mercado
Duración Macaulay
Bonos con Opcionalidad:

13
Riesgo de Mercado
Duración Modificada
– Esla Duración ajustada por la rentabilidad. Secalcula con la fórmula siguiente
• Dur Mod = Dur Macaulay / 1+TIR D

– Ofrece una ligera mejora con respecto a la duración de Macaulay D* 
y
ya que se ajusta por la TIR del bono, por lo que pasa a ser una 1
medida relativa, una “sensibilidad” porcentual a tipos deinterés. m
– La interpretación de la duración modificada es: Variación porcentual que sufriría el precio de
un activo ante un movimiento de tipos de interés de un 1%.
Dur Mac = 0,03 + 0,07 +

0,11 + 3,29 = 3,495 años
1366 / 365 Dur Mod = 3,495 / (1 + 4,26%)
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA = 3,35 %
3,74 * (89,1282/101,5) 14
Riesgo de Mercado
 La volatilidad de los tipos de interés se ve en el siguiente árbol, que

nos sirve para mostrar los cambios en la curva de tipos.
r0 +2σ√dt 6,832%
½ r0 +σ√dt ½ 6,506%
r0
r0 6,18% 6,180%
½ r0 -σ√dt ½ 5,854%
r0 -2σ√dt 5,528%
– Si el paso de un periodo (node) al siguiente periodo (nodees un

mes, dt = 1/12
– Si r0=6,18% yσ=1,13%, el nodo alto en el siguiente periodo será
6,180 + 1,13%√(1/12)=6,506%
15
Riesgo de Mercado
Riesgo de Crédito - Contraparte

 El riesgo de crédito trata de medir la pérdida por no cumplir las
obligaciones y compromisos contractuales de pagos
 Voluntad de pago
 Capacidad de pago
 Para un inversor en bonos, el riesgo de crédito es la pérdida probable
que podría sufrir por el hipotético impago de los compromisos del
emisor del bono respecto a los flujos periódicos (cupones) y a la
devolución del principal
 La medición del riesgo de crédito es la labor más antigua de la
industria financiera
 Desde que existen los bancos la primera labor que siempre ha realizado
el prestamista ha sido analizar la capacidad de devolución de lo que le
preste al prestatario
 Si su “capacidad de devolver” era baja, o no se lo prestaba o se lo
prestaba caro.

16
Riesgo de Mercado

 Influye en el valor de mercado vía spread que se suma a la tasa libre
de riesgo
 La apreciación por parte de la industria de la capacidad para hacer
frente a sus compromisos de los emisores de los bonos, determina el
precio de éstos. Si el riesgo de no pagar (el riesgo de crédito)
aumenta, el valor del activo baja.
 Las distintas metodologías de medición del riesgo de crédito utilizan
información específica, que incluye por lo menos los siguientes
elementos:
 RATING
 SPREAD
 SENIORITY
 PROBABILIDAD DE DEFAULT
 MATRIZ DE TRASICIÓN

17
Riesgo de Mercado

18
Riesgo de Mercado
Riesgo de Crédito – Riesgo de spread

 Diferencial que existe entre un emisor con riesgo y un emisor sin
riesgo o una referencia sin riesgo (depósitos) para acceder a
financiación para los mismos plazos en las mismas condiciones
 El emisor cuyo spread de crédito es mayor debe hacer más atractiva la
rentabilidad de sus bonos para compensar el mayor riesgo al que se
exponen sus bonistas: es el precio del riesgo, o como se escucha
habitualmente, la prima de riesgo
 A mayor “spread”, la industria está opinando que la capacidad de hacer
frente a los pagos es más complicada
 A diferencia del RATING, que no es más que un termómetro

cualitativo, el “spread” es un “termómetro cuantitativo” del riesgo de
contraparte
 A mayor “spread”, mayor riesgo de contraparte
 Los “spreads” cambian en el tiempo y su seguimiento es una de las
labores habituales realizadas en las entidades financieras

19
Riesgo de Mercado
Riesgo de Precio de las Acciones

20
Riesgo de Mercado

21
Riesgo de Mercado

22
Riesgo de Mercado

23
Riesgo de Mercado

24
Riesgo de Mercado
Mapa de Riesgos de una Entidad

1 Tipo Sub-tipo C ausas
FX • Bancos centrales
Riesgo de IR • Mercado de valores
mercado • Factores macro
EQ • Mercado especulativo
Comm. • Oferta, demanda
•Estado financiero
Default
Riesgo de contrapartida Empezamos
•Agencias de rating Necesidad
crédito con
Transición •Spreads de
Riesgode
•Efectos contagio gestionar
Mercado
riesgos
Bid-ask • Oferta y demanda
Riesgo de • Tipo de mercado
Prof. merc • Financiación
liquidez
• ALM
Funding
• Descalce de flujos
Negocio
• Estrategia
Riesgo no Regulación • Personas
Financiero Reputación
• Sistemas
• Eventos internos
IT,Modelos • Eventos externos

25
Riesgo de Mercado
¿Por qué es tan importante su medición?
 Veamos ejemplos reales de pérdidas ocasionadas por posiciones

apalancadas y/o riesgo de mercado / operacional
 A continuación se repasan algunos delos episodios de desastre más

llamativos y con más trascendencia en la industria financiera.
 Si bien han existido más episodios de los que aquí se relatan, hemos
seleccionado aquellos de mayor impacto económico y que han tenido
mayor reflejo en la literatura académica

26
Riesgo de Mercado
Banco Barings
 El Banco Barings, el banco comercial más antiguo del Reino Unido y

con una larga historia de éxitos financieros, entró en bancarrota en
febrero de 1995 de la mano de uno de sus gestores de futuros, Nick
Lesson, a consecuencia de las operaciones de éste en los mercados
asiáticos.
 El banco, con más de 900 millones de capital, no pudo soportar las
pérdidas superiores a mil millones de dólares que provenían de
operaciones con derivados
 En 1993, Lesson fue destinado como manager general de la
subsidiaria del banco, Barings Futures, en Singapur.

27
Riesgo de Mercado
Banco Barings
 Desde ese puesto pudo ocultar sus actividades de trading durante un

año, al ser él mismo quien gestionaba
 las funciones de trading (front office)
 y el departamento de confirmación
 y control de las operaciones (middle / back office).
 La elevada autonomía de Lesson derivada de la ausencia de

adecuados mecanismos de control fue, en realidad, la principal causa
de este episodio de crisis

28
Riesgo de Mercado
Banco Barings
 Lesson negoció contratos de derivados en los mercados de Singapur

y de Osaka, llevando a cabo, entre otras, una estrategia de venta de
opciones call y put sobre el mismo subyacente, el Nikkei 225,
ocultando las pérdidas y ganancias de estas operaciones.
 En el momento en que el mercado japonés empezó a mostrar caídas
del 15%, Lesson, lejos de cerrar las posiciones, decidió aumentar el
tamaño de las mismas con el fin de recuperar las pérdidas sufridas.
 El desplome del Nikkei ( una caída de 1000 puntos inducida por el
terremoto que afectó Japón – provocó que sus posiciones no
autorizadas sufrieran pérdidas que alcalzaron 1300 mllones de
dólares que finalmente salieron a la luz.

29
Riesgo de Mercado
Société Générale
 El último gran escándalo financiero vinculado a la operativa de

derivados de uno de los traders, Jerôme Kerviel, originó un quebranto
de 4900 millones a la entidad, y provocó el denominado lunes negro
vivido por las bolsas en enero de 2008.
 El trader mantuvo posiciones abiertas en el índice Eurostoxx 50 por
un valor nominal de entre 45.000 y 70.000 millones de euros.
 El fin de semana entre del 19 de enero, SG detectó la situación y el
lunes 21 procedió a su rápida liquidación, lo que hundió la cotización
del índice, llevando a una pérdida del 7% en las bolsas europeas por
el pánico ocasionado.
 Este trader pudo burlar los controles de riesgo de banco gracias a su
conocimiento de los procedimientos de control (había trabajado antes
en el middle office del banco)

30
Riesgo de Mercado
¿Cómo los gestiona un banco en Paraguay?

31
Riesgo de Mercado

32
Riesgo de Mercado

33
Riesgo de Mercado

34
Tipología de Riesgo de Mercado
Factores Riesgo
 Riesgo de tipos de interés
 Riesgo de tipo de cambio
 Riesgo de precio de las acciones
 Riesgo de precio de commodities
Posiciones Mercado
 Riesgo de curva
 Riesgo de variación del spread
 Riesgo de base (“Basis Risk”)
 Riesgo de volatilidad (“Volatility Risk”)
 Riesgo de correlación (“Correlation Risk”)
 Riesgos de prepago
 Riesgo de convexidad (“Gamma Risk”)
 Riesgo de variación de los dividendos estimados

35
Riesgo de Mercado
Fuente de
Exposición Variabilidad
Riesgo
Riesgo
Mercado
La variabilidad de las fuentes de riesgo en cada momento aplicada

a nuestra exposición a las mismas determinará el riesgo de la
cartera.

36
Proceso - Riesgo de Mercado
FUENTES INPUT METODOLOGIA
- Contabilidad - Posiciones abiertas - Nominal
- Reuters, Bloomberg, … - Curvas y precios - Sensibilidad
- Política Riesgos - Parámetros del modelo - VaR ( Volatilidades )
- VaR Corregido
OUTPUT TEST MÉTRICAS
- Pérdida estimada - Back Testing - Sistema de límites
- Valor en Riesgo - Stress Testing - Gestión de carteras
- Worste Case Scenario - Asignación de capital
- RAPM

37
Riesgo de Mercado
Riesgos Financieros Riesgos no Financieros
Riesgo de Riesgo de Riesgo de Riesgo Riesgo Otros

Crédito Mercado Liquidez Operativo Legal  Estrat.
 Evento
Riesgo de
Riesgo
Riesgo de Riesgo de Riesgo de reputacional
Precio
Cambio Interés Precio (RV) (Mat.primas)
Medición del riesgo de mercado:

Valor en Riesgo
Stress Testing Sujetos a requisitos
de capital
Extensión de la filosofía VaR

38
Evolución

39
Valor en Riesgo
El VaR es un concepto, no una metodología.
Valor en Riesgo (VaR) -Value at Risk) es una estimación estadística,
expresada en u.m., de la máxima pérdida posible con un determinado nivel
de confianza (α) para un horizonte temporal (T-t) especificado, como
consecuencia de las variaciones de los factores de riesgo de mercado.
P VT  V0  VaR   1  
EJEMPLO No informa de la magnitud de las pérdidas

en la cola de la distribución
Sea 15 millones de euros el VeR a un día
de una cartera con un nivel de confianza
estadística del 95%:
La probabilidad de que las pérdidas en

las próximas 24 horas superen los 15
mill. € es del 5%
En condiciones normales de mercado o
con una probabilidad del 95% el valor de
la cartera no caerá más de 15 mill. €
VaR
1-α
40
Test
Interpretación del VaR

Si con intervalo de confianza del 90 el value-at-risk (VaR) diario de una cartera está correctamente
estimado que sea USD5,000, uno esperaría que uno de cada :
a. 10 días, la cartera descienda a USD 5,000 o menos.

b. 90 días, la cartera descienda a USD 5,000 o menos.
c. 10 días, la cartera descienda a USD5,000 o mas.
d. 90 días, la cartera descienda a USD5,000 o mas.

41
Test
Interpretación del VaR

Si con intervalo de confianza del 90 el value-at-risk (VaR) diario de una cartera está correctamente
estimado que sea USD5,000, uno esperaría que uno de cada :
a. 10 días, la cartera descienda a USD 5,000 o menos.

b. 90 días, la cartera descienda a USD 5,000 o menos.
c.10 días, la cartera descienda a USD 5,000 o mas.
d. 90 días, la cartera descienda a USD5,000 o mas.

42
Conceptos básicos
El VaR es, por tanto, una medida estadística del máxima pérdida probable
hasta que la cartera pueda ser liquidada, que resume el riesgo de
mercado de la cartera y en cuya definición intervienen los siguientes
elementos:
Máxima pérdida u.m.
• Cuanto mayor es α,mayor es el VaR

Nivel de confianza • Determinante en validación modelo
• Adecuación de capital
JP Morgan (95%), Basilea (99%)
• Liquidez de mercados/productos
Horizonte temporal • Imputación de capital
• Backtesting
Factores de riesgo • Estimación de volatilidades y correlaciones

• Vértices (mapping)
METODOLOGÍA
43
Riesgo de mercado y Regulación Bancaria

44
Valor en Riesgo en la Normativa de Solvencia
Criterios generales
Requisitos cualitativos
Aprox. Modelos
Internos Especif. Factores riesgo
Escenarios de Tensión
Validación externa
Requisitos cuantitativos

45
(2004): Método Estándar
Conceptos generales
 Hay dos métodos para calcular la carga de capital regulatorio por riesgo
de mercado: (1) el método estándar y (2) los modelos internos (IMA,
internal models approach)
 El método estándar calcula el capital regulatorio como el 8% del valor de

mercado de las exposiciones a riesgo de mercado
– Los riesgos afectos son los de renta variable, tipos de interés, divisa,
commodities y opcionalidad
– El capital exigido para el banco será la suma (no hay correlación) entre
las cargas por cada uno de los riesgos

46
(2004): Métodos Internos (IMA)
Conceptos generales
 Internal Models Approach (IMA) permite a un banco usar su propio
sistema de gestión de riesgos para determinar su carga de capital
regulatorio por riesgo de mercado
 La carga de capital será el mayor número de:

(1) el VaR del día previo (10 días, 99%)
(2) el VaR (10 días, 99%) medio de los últimos 60 días laborables
ajustados por un factor multiplicativo que varía entre 3 y 4
– El factor está sujeto a un mínimo de 3 e incluye un factor de penalización
si hay un número significativo de excepciones resultantes de un análisis
de backtesting
MRC = max(VaRt-1, M×VaRavg)

47
(2004): Métodos Internos (IMA)
Factor de penalización por los resultados del Backtesting

 Si el cambio en el valor de una cartera excede la cifra de VaR estimada
para ese día, ha ocurrido una excepción
Zone Number of Penalt

 El banco es categorizado en una de las Exceptio y
tres zonas (roja, amarilla, verda) en ns Factor
función del número de excepciones Green 0 to 4 0
obtenidas en el Backtesting, y se le 5 0,4

aplica el factor de penalización 6 0,5
correspondiente Yellow 7 0,65
– Para 250 días, si el VaR es excedido 10
8 0,75
veces o mas, el factor asciende a 4
9 0,85
(3, por el mínimo qe establece la norma
+ 1 de penalización) Red 10 1,0

48
Valor en Riesgo en la Normativa de Solvencia:
Revisiones (2009)
Iinclusión del Stress VaR en el capital regulatorio

 En 2009, se revisa el acuerdo de Basilea (2004) y añade a la carga de
capital el concepto de Stress VaR
 La carga de capital por riesgo de mercado (MRC) por tanto queda como
el dato de VaR (ya comentado) + una medida de VaR “estresado” (SVaR)
MRC = max(VaRt-1, MPF×VaRavg)  max(SVaRt-1,M×SVaRavg)
– Al igual que para calcular el VaR, el SVaR será el máximo entre el último
Stress VaR calculado y la media de los calculados para los últimos 60
días laborables ajustado por el factor multiplicativo (backtesting)

49
Estimación del Valor en Riesgo
• Existen diferentes aproximaciones metodológicas para estimar los riesgos de

mercado, dependiendo de cuál sea el método utilizado para estimar los
cambios en los factores de riesgo que afectan a la posición, y del método
de transformar un cambio estimado en los factores de mercado en una
variación en el valor de la posición.
• Enfoque Delta/Valoración local: el riesgo de mercado se estima como

producto de la sensibilidad de la cartera () a las variaciones en los precios,
multiplicado por los cambios esperados en dichos precios (X).
Pérdida Potencial=
Sensibilidad factor riesgo x Cambios potenciales factores de riesgo.
Si se admite esta aproximación lineal (no válida para carteras con alto grado
de opcionalidad), y se asume la hipótesis de normalidad de los rendimientos,
esta aproximación suele denominarse método analítico o metodología de
varianzas/covarianzas o método delta-normal.

50
Estimación del Valor en Riesgo
• Enfoque de Simulación/Valoración Global: consiste en revaluar la posición

ante escenarios de precios alternativos:
Pérdida Potencial =
Valor de la Posición ( precios potenciales)
-Valor de la Posición (precios originales)
– Si esta revaluación se realiza en función del comportamiento histórico

observado en los factores de riesgo, sería la metodología de Simulación
Histórica.
– Si esta revaluación se realiza a partir de escenarios extrapolados, previa
especificación del proceso estocástico que gobierne la variable financiera,
sería la metodología de Monte Carlo.

51
ÍNDICE
• Stress-testing
• Back-testing

52
VaR Mapping
Independientemente de la metodología VARse deberá procedera:

• Descomposición de los flujos de los instrumentos que componen la
cartera
• Mapping de estos flujos a los vértices que determinan los factoresde
riesgo (en su caso)
• Cálculo VaR de los flujos correspondientes a cadavértices
• Cálculo del VaR total de lacartera
Asset 1
Propiedades flujos resultantes .

Risk
Asset 2
Factor
• Mismo valor actual que el valor 1
del flujo original
Asset 3 VaR
• Idéntico riesgo conjunto que el
flujo original Risk
Factor
• Mismo signo que el flujo original Asset 4 2
Asset 5

53
Proceso VaR Mapping
MAESTRÍA EN ADMINISTRACIÓN FI NANCIERA

54
Identificación Factores de Riesgo

55
Tipologías VaR Mapping
Tres alternativas
 Principal Mapping
– Se elige un sólo factor, el vencimiento medio de la cartera
 Duration Mapping
– Se elige un sólo factor, la duración media de la cartera
 Cash Flow Mapping

– Los cash flows son agrupados en buckets de duración o de plazo
– Incluye las correlaciones entre plazos
– Es el método más preciso
 La suma del mapping debe preservar el valor de mercado y la exposición de

la cartera

56
VaR Mapping – Fixed Income
Tipología de mappings aplicada en una cartera de dos bonos

 Una cartera tiene $100 millones en un bono a 5 años y cupón 6% y
otros $100 millones en un bono a 1 año al 4%, ambos a la par
 Principal mapping lleva toda la Cash Flows Mapping

Term 5Y 1Y Spot Rate Prin Dur CF
exposición a la vida media (3Y)
1Y $6 $ 4% 0 0 $ 105
104
 Duration mapping lleva toda la 2Y $6 0 4,6% 0 0 $ 5,48
exposición a la duración media 2,7 Y -- -- -- -- $ 200 --
(2,7) 3Y $6 0 5,2% $ 200 0 $ 5,15

4Y $6 0 5,7% 0 0 $ 4,80
5Y $ 106 0 6,1% 0 0 $78,8
 Cash flow mapping representa
Total $ 200 $ 200 $ 200
cada flujo por su valor presente
(descontados a la curva apropiada)
– Para calcular el VaR necesitaremos también una matriz de
correlaciones entre los plazos

57
VaR Mapping – Ejemplo

58
ÍNDICE
• Stress-testing
• Back-testing

59
Método de Varianzas-Covarianzas
Propiedades estadísticas deseables
(no permiten
generación de precios negativos)

60
Estimación de volatilidades
La hipótesis de normalidad implícita en los modelos delta-normal

(y en SMC) es problemática. La evidencia empírica muestra que:
Los rendimientos de los activos no siguen una distribución normal.

En general, las distribuciones son leptocúrticas (fat tails): mayor masa de
probabilidad de observaciones en las colas y prox. media que lo que
predice la normal. Otras cuestión relevante es la asimetría de la
distribución.
La volatilidad no es constante, varía con el tiempo (sobre todo en

periodos de incertidumbre/crisis).
Es más, en general, se observa que tras periodos de baja volatilidad se

suceden otros de alta volatilidad, fenómeno conocido como
“agrupamientos (clusters) de volatilidad”.

61

62
Si asumimos que la volatilidad varía con el tiempo y que lo rendimientos

siguen una distribución normal condicional, será más factible afrontar
“razonablemente” el problema de colas pesadas, y asumir la “validez” de la
hipótesis de normalidad.
Para ello, existen diferentes métodos de estimación de volatilidades:

MEDIA MÓVIL SIMPLE (Simple Moving Average, MA)
Modelos GARCH (Generalized Autorgressive Heteroskedastic)
MEDIA MÓVIL EXPONENCIALMENTE PONDERADA (EWMA):
RiskMetricsTM
Asignan mayor peso a
datos más recientes
VOLATILIDAD IMPLÍCITA (Opciones)
Potente en tiempos de crisis (no reflejada en datos
históricos)
Problema: Disponibilidad información de opciones

63
MEDIA MÓVIL SIMPLE

Suponiendo que T sea el número de días y r los rendimientos:
1 T 2
T
 t    rt i
2
 r t 2 i
 T  i1  t  i1
Método fácil de implementar. Se articula variando la muestra utilizada,

no así el nº observaciones (constante).
INCONVENIENTES:
No considera el orden cronológico de las observaciones (igual
ponderación) λ=1/T
Aparición de movimientos fantasmas (ghost features): caídas
bruscas de la volatilidad tras la salida de una observación
extrema de la ventana muestral

64
Modelos GARCH
MODELOS GARCH (Generalised Autoregressive Conditional Heteroskedastic)

Modelos que confieren una ponderación mayor a los datos más recientes a la
hora de establecer predicciones sobre volatilidades futuras.
Asumen que la volatilidad no es constante en el tiempo (heteroscedasticidad) y
dan respuesta al “agrupamiento de volatilidad”.
El término “autorregresivo” indica que la volatilidad condicional de un periodo
puede ser explicada, en parte, por la volatilidad del periodo previo.
Orden de la ecuación respecto al pº inmediatamente anterior (t-1)

GARCH (1,1):
   0  1rt 1 
2
2 2
t t1


65
Modelos GARCH
66

66
Modelo EWMA
MEDIA MÓVIL EXPONENCIALMENTE PONDERADA (EWMA)
Concede mayor énfasis a las observaciones más recientes, asignándoles un

mayor peso. Ello se articula mediante un factor de decaimiento (λ) cuyo valor es
constante e inferior a 1.
Así, los pesos declinan exponencialmente a medida que los rendimientos son
más antiguos.
00
Caso específico de proceso

GARCH:
00 1    1
RiskMetricsTM usa λ=0,94 para datos diarios y λ=0,97 para mensuales.

67
Modelo EWMA
Ponderación
Cuanto más bajo sea λ,
más rápidamente T=100
decaerán los pesos
asignados.
Nº días pasados

68
Modelo EWMA
MEDIA MÓVIL EXPONENCIALMENTE PONDERADA (EWMA)

69
Correlación
La CORRELACIÓN entre dos activos mide la intensidad del

movimiento de un activo cuando se mueve el otro.
La correlación varía entre +1 y -1 (100% y -100%).
1 m
 ( x, y) 
Cov(x, y) Cov(x, y)   (xi  x)( yi  y)
 x y m i1
Siempre que hallemos la volatilidad de una cartera (de dos o más activos)
utilizaremos también la correlación para atenuar el riesgo conjunto de los
activos.
El nivel de correlación mide el GRADO DE DIVERSIFICACIÓN de los

activos entre si. Cuanto más baja la correlación mayor será la
diversificación. Diversificar reduce riesgos.

70
Ejemplo de matriz de correlación

71
ÍNDICE
• Stress-testing
• Back-testing

72
Evolución metodológica
Nominales
 Control basado en importes nominales contratados.
 Método obsoleto.
 No tiene en cuenta
– Evolución Factores de riesgo.
– Sensibilidad de los instrumentos.
 Inoperancia con los derivados.

73
Sensibilidades
 Tiene en cuenta nominales.
 Establece supuestos de comportamiento.
 Permite estimar pérdidas en función de variaciones adversas de

mercado.
 No incorpora estimación de riesgo.
 Notiene en cuenta comportamientos pasados ni la correlación.
 Ejemplos: Beta, Duración, Delta

74
VaR no correlacionado
 Tiene en cuenta las sensibilidades de los activos a los factores
de riesgo.
 Incorpora el concepto de volatilidad-probabilidad de los
factores de riesgo.
 Permite estimar pérdidas ante una variación adversa de los
mercados basada en la historia.
 No tiene en cuenta lascorrelaciones.

75
VaR correlacionado
 Tiene en cuenta tanto las sensibilidades como las volatilidades de
todos los factores de riesgo.
 Incorpora el concepto deCorrelación.
 Permite estimar pérdidas de toda la cartera ante una variación
adversa del mercado basándonos en experiencia histórica.

76
Aproximaciones al VaR
ENFOQUE MÉTODO DELTA/
DELTA MÉTODO DE DELTA-NORMAL
(aplicable en teoría VARIANZAS-
solo a posiciones COVARIANZAS
MÉTODOS DELTA-GAMMA
lineales o (Paramétrico/
cuadráticas) Analítico)
Enfoque
basado en la Clasificación del ámbito de derivados
distribución
de Aprox. NO
probabilidades ENFOQUE GLOBAL SIMULACIÓN HISTÓRICA
PARAMÉTRICAS
de los (aplicable a posiciones
rendimientos lineales y no lineales) SIMULACIÓN MONTE CARLO
Bootstrapping
Otras
aproximaciones Simulación Hístórica Ponderada
Simulación Hístórica Filtrada
Enfoque basado en la
distribución de probabilidad MÉTODOS BASADOS EN LA
de los rendimientos extremos TEORÍA DEL VALOR EXTREMOS
77
77
Medidas de riesgo coherentes
Propiedades
 Monotonicidad
– Una cartera con retornos escogidos aleatoriamente que resultan
siempre mayores, probablemente tenga menor riesgo
 Subaditividad (diversificación)
– Riesgo de la cartera ≤ La suma de los riesgos individuales
– La combinación de riesgos debe atraer beneficio por diversificación
 Homogeneidad Positiva
– El riesgo de una posición es proporcional a su riesgo
 Invarianza ante Traslaciones

– El riesgo de una cartera es dependiente de los activos que contiene

78
Método paramétrico
 Primera metodología para evaluar el VaR.
 Sencilla y rápida.
 Se basa en varias hipótesis:

– Normalidad de los rendimientos.
– Estabilidad de volatilidades y correlaciones.
– Linealidad de los instrumentos de la cartera.
 Apropiado para grandes carteras sin exposición en opciones.
 Cuanto más corto sea el horizonte temporal, mayor será su exactitud.

79
Las aprox. Paramétricas (ej. Delta-normal) implícitamente asumen que las observaciones
subyacentes (rendimientos) siguen una determinada distribución
Normal VaR

80
VaR DE UN ÚNICO ACTIVO
Asumiendo normalidad y μ=0, el VaR equivaldría a un múltiplo de la

desviación típica de los rendimientos

81
Termómetro de volatilidad
% Volatilidad anualizada media
 LIQUIDEZ 0-1
 DEPÓSITOS 0-2
 BONOS TESORO 0-3
 BONOS CORPORATIVOS 2-5
 DIVISAS OCDE 5-10
 FONDOS DIVERSIFICADOS 10-15
 OTRAS DIVISAS 15-20
 BOLSA OCDE 20-25
 BONOS ESPECULATIVOS 25-30
 MATERIAS PRIMAS 30-35
 BOLSA EMERGENTE 35-40
 HEDGE FUNDS >40

82
VaR DE UNA CARTERA DE ACTIVOS
Si el rendimiento de los activos/factores de riesgo que integran la cartera siguen una
distribución normal multivariante, la distribución de P&L de la cartera seguirá también
una distribución normal
siendo
Matriz de Matriz de
Varianzas- Correlaciones
Covarianzas
otra forma de llegar a lo mismo:
 p,t  w  C  w 
T

83
VaR DE UNA CARTERA DE ACTIVOS

84

85
MC
EV
VaR = RAIZ { [ T(EV) x MC ] x EV}
MAESTRÍA EN ADMINIST RACIÓN FINANCIERA

86
Métodos Delta-Normal

87
Métodos Delta-Normal

88
Métodos Delta-Gamma

89
Método histórico
Simulación Histórica
 Consiste en simular el impacto en la cartera actual, de los

movimientos de mercado históricos en un periodo.
 Para ello es necesario construir escenarios con los movimientos

relativos reales que se dieron en la serie histórica y aplicar esos
movimientos a nuestra cartera.
 Los resultados son muy sensibles al periodo histórico que se tome

como referencia.

90
Método histórico
Pasos
1. Elección del horizonte temporal. P.e: 1 día
2. Nivel de confianza estadístico: P.e: 95%
3. Ventana Temporal histórica: 500 últimos datos.
4. Calculamos las tasas de variación diarias.
5. Se aplican las variaciones de la serie al precio actual del instrumento
financiero.
6. Se calculan los posibles valores de la cartera con los nuevos precios.
7. Se generan las PyG simuladas, restando cada uno de los valores
simulados al valor actual de la cartera.
8. Se calcula el correspondiente percentil asociado al nivel de
confianza escogido, por ejemplo, con un nivel de confianza del 95 %,
tomaríamos el percentil 5% como dato de VaR neto de dicha cartera.

91
Simulación Histórica
• Es una aproximación no paramétrica y de valoración

global.
• No realiza hipótesis sobre la distribución de
probabilidad de los rendimientos de la cartera El VaR se obtiene
• Principio básico: Estacionariedad de las como
distribuciones de los cambios de mercado. percentil de la
• Consiste en aplicar los movimientos de precios y distribución
tipos históricos a la cartera actual con el fin de
obtener las pérdidas y ganancias hipotéticas que
habría experimentado la cartera.
“Que los mercados suban o bajen,

que las distribuciones sean
• Aproximación menos restrictiva VCV. normales o no, la distribución
• Acomoda fenómeno “colas pesadas”. de los cambios diarios del
mercado es relativamente
• Evita riesgo modelo constante” (Cohen, 1998)

92
Ejemplo - Simulación Histórica
93

93
Método Híbrido
Hybrid Approach (HA) es un método híbrido que se basa en:

Una aproximación de SH para estimar los percentiles de los rendimientos.
Un esquema de ponderación exponencial (similar a GARCH o
RiskMetricsTM) que permita asignar mayor peso a las observaciones más
recientes (las ponderaciones declinan exponencialmente).
Etapas:
1. Asignación ponderaciones a los K más recientes rendimientos
históricos siguiendo el siguiente proceso exponencial:
 1     1    1  1    K 1
  
  
, ,.....,

 K 
 1     1 K 



K 
 1  
2. Ordenar los rendimientos
3. Estimar el VeR de la cartera comenzando por el rendimiento más bajo y
acumulando las ponderaciones hasta que x% es alcanzado
(interpolando si es necesario).

94
Ejemplo - Método Híbrido

95
Método Montecarlo
Simulación Montecarlo
 Es una técnica de simulación estadística que permite generar posibles

resultados de una variable sujeta a la aleatoriedad.
 Se generan escenarios aleatorios en lugar de simular en función de

la historia.
 Requiere la definición del tipo de proceso estocástico (normal,

lognormal, etc) a aplicar sobre el movimiento de los precios.
 El método se basa en el uso de un generador de números aleatorios

para producir distribuciones de probabilidad que se ajusten a un
modelo de comportamiento de los precios de mercado.

96
Método Montecarlo
Previamente a la Simulación:
Determinar Factores de Riesgo Especificar modelos de valoración
Traye ctor ias S i m u l a d a s d e l P r e cio d e M e r c a d o

Generación de números aleatorios extraídos de una N(0,1)para
60 cada factor de riesgo con el fin de simular nuevos precios de
50 dichos factores
40
Prec
30
io
20
Transformación de los números aleatorios obtenidos (
10
0
descomposición de Cholesky) para reflejar la información histórica
sobre volatilidades y correlaciones de los factores de riesgo
0
11
20
12
14
16
17
19
22
24
1
6
3
2
4
8
6
4
8
0
9
6
0
Horizonte
Generación de precios hipotéticos, a partir de los números

Modelo de Valoración de la cartera aleatorios transformados, para los factores de riesgo partiendo
de la hipótesis de que los precios son aleatorios y siguen una moción
browiana
Distribución de Pérdidas y Ganancias
60
 Valoración de la cartera en la fecha futura de simulación
50 para los
40
VeR nuevos precios hipotéticos generados
30
20
 Determinación de las pérdidas/ganancias hipotéticas para cada
escenario por comparación del nuevo “valor de mercado al horizonte” con
10
el valor de la cartera actual
0
 Calculo del
VeR
97
Método Montecarlo
Ejemplo
4%*(1/100)=0,04%
30%*√(1/100)=3%
St  t St t   t St t
St  4% *104,16*(1/ 100) 
30%*104,16* 0, 0036* 1/ 100  0,053
Time Step #99 Price: 104,16 + 0,053 = 104,218

98
Bootstrap
Ideas generales
 El método Bootstraping consiste básicamente en elegir una muestra de
una población de datos (de retornos), calcular el VaR de esa muestra y
devuelve la muestra a la población
– Para que siempre exista la misma probabilidad de elegir todos los datos
(muestreo con reemplazo)
 El proceso es repetido hasta que tenemos una muestra de datos de VaR,

y el mejor estimador del VaR es la media de estos datos muestrales de
VaR
– Puede ser usado para estimar el VaR y también el Expected Shortfall
 Este método provee de estimaciones más precisas que la simulación

histórica a partir de datos brutos aislados

99
Simulación Histórica Equiponderada
Ideas generales
 La simulatión histórica equiponderada es el método más sencillo
de implementar
– Todos los retornos tienen el mismo peso (w = 1/n)
– No es necesario estimar ningún parámetro
– Lo único que tenemos que determinar es la ventana temporal
 Acomoda colas gruesas, asimetría…

– Permite cualquier propiedad particular de las distribuciones de
rentabilidad
 Para calcular el VaR se requiere identificar el percentil X donde x

es igual a 1 – Nivel de Confianza
– Por ejemplo, dados 100 retornos hitóricos de una cartera,
ordenados de menor a mayor, el VaR al 95% corresponde al dato
de pérdida que esté situado en la quinta posición

100
Simulación Histórica Ponderada por Antigüedad
Ideas generales
 La simulación histórica ponderada por antigüedad reduce el
impacto de los efectos “fantasma” y los eventos antiguos que no
tienen por qué tener la misma probabilidad de ocurrir que los
recientes
 El peso de cada observación i is viene dado por:

i1 (1 )
w(i)  – λ cerca de 1 indica
(1  n ) decaimiento lento
– λ = factor de decaimiento, entre 0 < λ ≤ 1
 La simulación equiponderada podría verse como un caso

especial en el que λ= 1 (no decay)

101
Simulación Histórica Ponderada por Volatilidad
Ideas generales
 Este método pondera los retornos históricos según su volatilidad
 Si la volatilidad ha aumentado, si usamos datos históricos

estaremos infraestimando el nivel actual de riesgo
– Y si la volatilidad actual es baja, el impacto de los datos antiguos
con mayor volatilidad podrá sobreestimar el nivel actual de riesgo
  T ,i 
r 
*
r
t,i   t, i
 t ,i 
– rt,i= retorno actual del activo i en el día t
– σt,i = estimación de volatilidad del activo i en el día t
– σT,i = estimación actual de volatilidad del activo i

102
Comparativa entre métodos
M ETODOLOGÍA V ENTAJAS I NCONVENIENTES

 Cálculo rápido y simple  Menos exacto para
Paramétrica  Sólo requiere volatilidades y carteras no lineales, o con
correlaciones distribuciones asimétricas
 Proporciona una distribución  Computacionalmente

completa de valores intensiva.
Simulación de potenciales de la cartera.
Monte Carlo  Admite diferentes
distribuciones (colas
anchas)
 Proporciona una distribución  Requiere una significativa

completa de valores historia de precios y tipos.
potenciales de la cartera.  Problemático a elevados
Simulación
 No necesita hacer niveles de confianza.
Histórica
asunciones distribucionales.  Reconoce eventos
 Más rápido que la SMC. extremos sólo si incluidos
en la muestra.

103
Método paramétricos (MP) vs. no paramétricos (MNP)
Los modelos MNP no requieren hipótesis sobre la
distribución completa de rendimientos para estimar el
VaR.
VENTAJAS Problemas clásicos de los MP (fat tails, asimetría..) no
MNP son una preocupación en el proceso de estimación de
sobre MP los MNP.
La HA tampoco requiere hipótesis sobre la distribución
porque emplea un modelo de SH (aunque esquema de
pond. exponencial)
Los datos son usados de forma más eficiente en los MP

 el tamaño de la muestra ha de ser grande para estimar
la volatilidad en SH.
DESVENTAJAS
MNP
Segmentar la muestra completa de datos en diferentes
sobre MP regímenes de mercado reduce la cantidad de
observaciones disponibles en SH.

104
Limitaciones del VaR
No describe el peor caso posible (a menor NC, mayor probabilidad de
observar excepciones… más necesario el backtesting).
No informa de la distribución del lado izquierdo de la distribución
Supone que las posiciones se mantienen constantes en el horizonte
temporal considerado en la estimación.
En general, supone que datos pasados (históricos) predicen datos
futuros. Sin embargo pueden existir sorpresas (devaluaciones, cambios
drásticos en las correlaciones…), como ha evidenciado la actual crisis.
Dificultades en muchas aproximaciones para acomodar carteras con
instrumentos no lineales.
Existencia de colas gruesas (leptokurtosis)
Asimetría (skewness), por ejemplo, los rendimientos de las acciones tienen
generalmente asimetría negativa
Correlaciones
durante las crisis!!!
 Complementar con Stress Testing
 Considerar medidas complementarias (Conditional VaR)
 Ajustes: Mixturas Normales, Delta-Gamma

105
ÍNDICE
• Stress-testing
• Back-testing

106
Horizonte temporal
¿ A qué plazo es recomendable realizar la predicción ?
Dependerá de:
• El uso que le vayamos a dar al VaR.
• Tìpo de cartera y composición
• El plazo necesario para deshacer la posición o cubrirla.
Extrapolaciones a plazos largos pueden generan problemas en las

estimaciones.
Basilea establece 10 días y 99% de nivel de confianza.

107
VaR a diferentes horizontes temporales
Bajo el supuesto de que los rendimientos son independientes (mercados
perfectos, toda la información ya reflejada en el precio actual) y con igual
varianza, es decir, asumiendo que los rendimientos están i.i.d:
Pero el cociente de las volatilidades a 10 y 1 día suele ser inferior a 3,16 El

VeR normal tiende a sobrevalorar el VeR real a 10 días si se reescala el VeR a 1
día con la raíz cuadrada del tiempo
108
VaR a diferentes horizontes temporales
¿Y si los rendimientos no son independientes?

Supongamos que los rendimientos siguen un proceso AR(1):
rt    rt1   t
Si suponemos que los errores son i.i.d, la varianza de los rendimientos a 2 días será:
 (rt  rt 1 )   2   2  2 2   2 2 (1
2
)
Asumir independencia temporal entre los rendimientos genera

infraestimación del riesgo, cuando existe correlación positiva
(tendencia) entre los mismos.

109
VaR a diferentes niveles de confianza
Estándares de volatilidad más utilizados

Para cambiar la SIGMA (probabilidad de ocurrencia) basta con multiplicar el
dato de volatilidad por el estándar de sigma adecuado. Los estándares de
SIGMA más utilizados son:
CASOS FAVORABLES
SIGMA DESFAVORABLE CASOS PROBABLES (%) COLA (%)
(%)
1 68 84 16
1,65 90 95 5
2,32 98 99 1
2,575 99 99,5 0,5
Por ejemplo, para pasar de SIGMA 1 a SIGMA 1,65 multiplicamos por 1,65. En
nuestro EJEMPLO, 2 x 1,65 = 3,3%. Es decir: “existe un 5% de probabilidad de
perder más del 3,3% del valor del activo mañana”.
También podemos cambiar a la vez los datos de SIGMA YHORIZONTE

TEMPORAL. Si queremos pasar un 2% VaR a 1 sigma - 1 día, a 1,65 SIGMAS,
ANUALIZADO tendremos que: 2% x RAÍZ(252) x 1,65 = 52,4%. Entonces
diremos: existe un 5% de probabilidades de perder más del 52,4% del valor de
mi activo en un año”.
110
VaR a diferentes niveles de confianza y diferentes
horizontes temporales
Estándares de volatilidad más utilizados
NOMBRE SIGMA HT LO UTILIZAN

MERCADO 1 (84%) 1 AÑO Generalizado
RISKMETRICS 1,65 (95%) 1 DÍA Tesorerías
BASILEA 2,32 (99%) 2 SEMANAS Bancos
SOLVENCIA 2,575 (99,5%) 1 AÑO Aseguradoras

111
Test
VaR a diferentes niveles de confianza y horizontes temporales

John Flag, the manager of a USD150 million distressed bond portfolio, conducts stress
tests on the portfolio. The portfolio’s annualized return is 12%, with an annualized return
volatility of 25%. In the last two years, the portfolio encountered several days when the
daily value change of the portfolio was more than 3 standard deviations. If the portfolio
suffered a 4-sigma daily event, which of the following is the best estimate of the change
in the value of this portfolio? Assume that there are 250 trading days in a year.
a. USD9.48 million
b. USD23.70 million
c. USD37.50 million
d. USD150 million

112
Test
VaR a diferentes niveles de confianza y horizontes temporales

Howard Freeman manages a portfolio of investment securities for a regional bank. The
portfolio has a current market value equal to USD6,247,000 with a daily variance of
0.0002. Assuming there are 250 trading days in a year and that the portfolio returns
follow a normal distribution, the estimate of the annual VaRat the 95% confidencelevel
is closest to which of thefollowing?
a. USD32,595
b. USD145,770
c. USD2,297,854
d. USD2,737,868

113
VaR como herramienta de gestión
Component VaR yMarginalVaR
Cómo medir la contribución de un activo o grupo de activos al riesgo global de la

cartera
El VaR Marginal de un activo es la aportación al VaR de la cartera por cada unidad

monetaria que hay invertido en ese activo. Lo más práctico es por tanto expresarlo en
porcentaje sobre el valor de la cartera.
Si tomamos la posición total de este activo tenemos el Component VaR (la aportación
total que hace este activo por tener invertidos Xunidades monetarias, o lo que es lo
mismo, el VaR Marginal multiplicado por la exposición del activo).
La suma de los Component VaR individuales da como resultado el VaR total de la cartera,
lo que significa que esta métrica incluye la información sobre la correlación entre todos
los pares de activos (contrario a lo que ocurría cuando sumamos los datos de VaR
individuales de los activos – que no incluye datos de correlación – y comprobábamos que
el resultado era superior al VaR de lacartera).
Estas medidas permiten analizar la diversificación de la cartera de inversiones ygracias a

ello se puede observar qué activos están aportando o perjudicando a esta diversificación.

114
VaR como herramienta de gestión
W = valor de la cartera
wi = valor del activo
Bi = Beta del activo con
respecto a la cartera

115
Test
Component VaR y Marginal VaR

Consider the following two assetportfolios:
Asset Position Value Standard Deviation (%) Beta
A 400 (thousands) 3.60 0.5
B 600 (thousands) 8.63 1.2
Portfolio 1,000 (thousands) 5.92 1.0
Calculate the component VaRof asset A and marginal VaRof asset B, respectively, at 95%
(A) USD 21,773 and0.1306
(B) USD 21,773 and0.1169
(C) USD 19,477 and0.1169
(D) USD 19,477 and0.1306

116
ÍNDICE
• Stress Testing
• Backtesting

117
Expected Shortfall
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA 5.MR.33.1 - Expected Shortfall.xls

118
Teoría de valor extremos

119
Stress Testing
Stress Testing
 Consiste en medir el impacto en una cartera de posibles escenarios

extremos.
 Es un método complementario y no sustitutivo al VaR.
 A la Dirección, le permite dimensionar las posibles pérdidas ante

hipotéticas crisis financieras o eventos extremos.
 Tiene una carga de subjetividad importante.
 Útiles en entornos “no normales”

129
Stress Testing
Las pruebas de tensión (stress testing) están diseñadas para estimar las
pérdidas potenciales que eventos poco probables pero posibles, y críticos,
podrían generar a la entidad.
VaR Stress testing
Eventos poco
Condiciones normales
Orientado a: frecuentes pero de
de los mercados
gran impacto
¿Acomoda eventos de
cola de la distribución? NO SI
¿Noción de
NO asigna probabilidad
probabilidad? SI a la estimación de
pérdida
Stress testing es un análisis COMPLEMENTARIO,

no sustitutivo, del VaR
121
Stress Testing
PROCESO STRESS TESTING
Identificar las Asumir mov. extremos Cómputo nuevo

variables críticas de las variables críticas valor de la cartera
GENERACIÓN DE ESCENARIOS
EVENT- DRIVEN PORTFOLIO -DRIVEN
Los escenarios son El punto de partida es

generados a partir de identificar la vulnerabilidad
eventos que de la cartera para, a
probablemente continuación trasladar ésta en
causarían mov.en movimientos adversos de los
los f.r. relevantes factores de riesgo

122
Análisis de Escenarios
UNIDIMENSIONAL:
1. Identifica los factores de riesgo críticos
2. Estresa cada uno de los factores de riesgo No considera la
suponiendo movimientos extremos . correlación entre factores
3. Mide el impacto en el valor de la cartera. de riesgo múltiples
MULTIDIMENSIONAL: Incorpora correlaciones pero Δcomplejidad análisis

Histórico (backward looking)
Prospectivo (forward looking)/Hipotético Presiona cada factor de riesgo ↓la

misma cantidad en la dirección que
Metodologías FACTOR PUSH causaría efectos adversos
(p.ej. 2,33σ). Ignora correlac.
ESCENARIO CONDICIONAL Incorpora correlaciones entre un

subconjunto de f.r. críticos
Inconveniente
Las correlaciones son computadas considerando periodos de normalidad y de estrés

Las correlaciones estimadas podrían no mantenerse durante periodos turbulentos
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA 4.VRM.28 - Stress Test.xls

123
Análisis de Sensibilidad
ANÁLISIS DE SENSIBILIDAD
Forma de stress testing que

examina cómo una variación
del output del modelo se
relaciona con un cambio en
el input del modelo.
DEBILIDADES DEL ANÁLISIS DE ESCENARIOS:
• Dimensionalidad: nº escenarios manejables

• Generalmente, se asume que son equiprobables y, en ocasiones, se ignora las
correlaciones entre factores de riesgo
• Potencial subjetividad
• Pérdidas poco probables podría ser consideradas, obviando pérdidas plausibles

124
Integración en la Gestión
Si la magnitud de pérdida que resulta de stress testing

es inaceptablemente grande:
Alterar mix de productos

Comprar aseguramiento
Modificar exposiciones
Desarrollar planes de contingencia
Asegurar líneas de liquidez durante periodos de estrés

125
Risk Governance
Weaknesses *
 Lack of involvement of board and senior management
– Banks that did not have active involvemement of the board were likely hit
hard by the recent financial turmoil
 Lack of overall organizational view

– Stress tests were conducted by separate units, without integration
 Lack of fully developed stress testing

– Stress testing did not adequately identify correlated exposures
 Lack of adequate response to crisis

– Stress testing methods were not flexible or effective to respond quickly to
the changing conditions as the crisis developed
*Source: “Principles for Sound Stress Testing Practices and Supervision” (Basel Committeeon
Banking Supervision Publication, Jan 2009).

126
Risk Governance
Recommendations*
 Engagement of senior management, who should account for stress
testing results in decision making processes
 Comprehensive stress testing program, rigurous and forward-

looking , communicated internally and externally
 Multiple perspectives and techniqes
 Written policies and documentation about methodologies, etc
 Sound infraestructure that enables a bank to aggregate risks, alter

methodologies, generate new scenarios…
 Regular assesment, evaluation of the effectiveness of stress tests
*Source: “Principles for Sound Stress Testing Practices and Supervision” (Basel Committeeon
Banking Supervision Publication, Jan 2009).

127
ÍNDICE
• Stress-testing
• Back-testing

128
Bactesting
BackTesting
 Necesidad de conocer si nuestro modelo valora correctamente el

riesgo.
 Es un análisis a posteriori que permite evaluar y contrastar la bondad

del modelo.
 Mide y analiza el número de casos en los que las pérdidas reales

han superado las cifras estimadas mediante el VaR.
 Nos permitirá detectar debilidades del modelo y depurarlo.
 Backtesting limpio vs. sucio

129
Backtesting
% P/L
Upper Bound
P/L
Lower Bound
Timeline
Exceptions

130
Backtesting
Backtesting
“limplio” vs “sucio”
13
131
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA 1
131
Backtesting

132
ÍNDICE
• Stress-testing
• Back-testing

133
Riesgo absoluto vs. riesgo relativo
Definición
 Todos los posibles conceptos de riesgo se pueden dividir en dos

grandes clases: riesgos absolutos y riesgos relativos
 Un concepto de riesgo relativo siempre hace referencia a la

comparación de la inversión (de la cartera) con un objetivo (otro activo
un benchmark, un conjunto de prestaciones, etc...)
 El concepto de riesgo relativo es crítico para la aplicación de técnicas

de riesgo de mercado a fondos de inversiones, fondos de pensiones y
hedge funds

134
Performance Ratios
Conceptos generales
 Los ratios de performance son útiles para medir el retorno de un activo o
cartera ajustado por su riesgo
 Además sirven para comparar fácilmente diferentes activos y carteras en

términos de BENEFICIO / COSTE
– Sharpe Ratio, Treynor, Sortino, Jensen’s Alpha
 También permiten
– Monitorizar las desviaciones de la gestión con respecto a su benchmark
(Tracking Error)
– Medir la eficiencia del gestor (Information Ratio)

135
Absolute Performance Ratios
SHARPE RATIO
 Ratio de Retorno-Variabilidad
E(RP)  RF
Sp
 (RP )
 Considera el riesgo total de la cartera
– Mide el exceso de rentabilidad (prima de riesgo) sobre el activo
libre de riesgo y lo compara con el riesgo total asumido (volatilidad
de la cartera, o VaR en los términos de horizonte temporal/nivel
de confianza determinados por el analista)
 Es la pendiente de la Capital Market Line (modelo CAPM)

136
TREYNOR RATIO
 Riesgo sistémico
– Mide la relación entre el exceso de rentabilidad (prima de riesgo)
sobre el activo libre de riesgo y el riesgo sistémico de la cartera
medido por su BETA
E(RP )  RF
Tp
P
 Carteras bien diversificadas
– Es un indicador apropiado para analizar el performance de una
cartera bien diversificada, ya que solo tiene en cuenta el riesgo
sistémico (e ignora por tanto el riesgo diversificable puesto que las
carteras diversificadas anulan este riesgo)

137
JENSEN’S ALPHA RATIO

 Es el diferencial entre el exceso de rentabilidad de la cartera y la
rentabilidad explicada por el modelo CAPM
– α: mide la rentabilidad adicional que es debida a las decisiones
del gestor
– Se utiliza para hacer rankings de carteras entre grupos similares
(que asumen riesgos sistémicos parecidos, por ejemplo, un
mismo sector)
 E(RP) – RF = α P + βP + [E(RM) – RF]
 Black-Treynor Ratio = α P / βP
– Este ratio se usa para hacer rankings de carteras que tienen
distinto riesgo sistémico
138
Relative Performance Ratios
SORTINO RATIO
 Retornos asimétricos
– Permite conocer si los diferenciales comparados con la media
fueron por encima o por debajo de ésta.
E(RP )  MAR
Sortino  T
 Es similar al Ratio de Sharpe

1

T t 0
(RPt  MAR)2
salvo por los siguientes cambios: RF MAR
– El activo libre de riesgo es reemplazado por el Minimum

Acceptable Return (MAR)
– La varianza es reemplazarla por la semi-varianza, que es la
desviación de los retornos con respecto a su MAR (en lugar de
con respecto a su media que suele ser 0 si la distribución es
simétrica)
139
TRACKING ERROR
 Se utiliza para analizar fondos referenciados a un benchmark
TE   (RP  RB )
 Mide el diferencial de riesgo entre la cartera gestionada (Rp) y su
benchmark (RB)
– Es la desviación típica de las diferencias de los retornos entre
cartera y benchmark
– Cuando más bajo el valor, más cerca estará el riesgo asumido de
la cartera con respecto al riesgo asumido por el benchmark
– Se puede calcular ex-ante (Tracking Error VaR) con métodos
paramétricos

149
INFORMATION RATIO
 También conocido con el nombre de Appraisal Ratio
 Retorno Residual / Riesgo Residual
– Mide la diferencia del retorno de la E(RP )  E(RB )
IR
cartera con respecto a su benchmark  (RP  RB )
(o risk free en su defecto) comparado con
su riesgo residual o tracking error
 Se utiliza en el análisis de fondos referenciados a un benchmark
– Permite comprobar si la desviación en riesgos (con respecto a su
referencia) tomada por el gestor está adecuadamente
compensado por un exceso de rentabilidad
– En resumen, mide la eficiencia de la gestión: si nos alejamos del
benchmark, que sea para ganar más, no para perder más que él

141
Aplicación práctica
Ejemplo
 El retorno esperado de una cartera es 10%
La desviación tipica es 12%
 La Beta de la cartera es 0,8
 El retorno esperado del mercado (o de su benchmark) es 9%
 Activo libre de riesgo: 3%
– Treynor Ratio: ( 0,10 – 0,03 ) / 0,8 = 0,09

– Sharpe Ratio: ( 0,10 – 0,03 ) / 0,12 = 0,58
– Jensen Alpha: 0,10 – [0,03 + (0,09 – 0,03)*0,8] = 0,022

142
Riesgo de Mercado
mariajose.fernandez@clasutro-ieb.es
GRACIAS
PORSU
ATENCIÓN
143

Riesgo Mercado

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Riesgo Mercado

Hochgeladen von

Copyright:

Verfügbare Formate

PROGRAMA EN RIESGOS FINANCIEROS

MARIA JOSE FERNANDEZ MALDONADO, FRM

MAESTRÍA EN ADMINISTRA CIÓN FINANCIERA

• Introducción al Riesgo Mercado

• Estimación de Volatilidades y Correlaciones

• Valor en Riesgo - Metodologías de Cálculo

• Valor en Riesgo - Criterios de Presentación

• Métricas de Rentabilidad y Riesgo

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

 Por el mantenimiento de posiciones en los mercados

 Como consecuencia de un movimiento adverso

 De las variables financieras (Factores de Riesgo)

 Que determinan el Valor de Mercado de dichas posiciones

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

 Riesgo de Tipo de Interés. Es el riesgo derivado de la incertidumbre de los

 Riesgo de Spread. Es el riesgo derivado de la incertidumbre de los

 Riesgo de Renta Variable. Es el riesgo derivado de la incertidumbre de los

 Riesgo de Divisa. Es el riesgo derivado de la incertidumbre de los

 Riesgo de Materias Primas. Es el riesgo derivado de la incertidumbre de los

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

 Riesgo General o Sistémico:

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Tipos de interés

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Tipos de interés

 El valor económico de un instrumento supone calcular el valor actual

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Tipos de interés

 Resulta esencial cuantificar el impacto sobre el precio de un activo de

 Algunas medidas de riesgo y sensibilidad a tipos de interés son

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Tipos de interés

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

1. Bono cupón cero: Duración= Tiempo a vencimiento

2. Bono Flotante: Duración = tiempo a vencimiento del primer cupón

3. Bonos con Opcionalidad: No debe aplicarse la duración para

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

– Esla Duración ajustada por la rentabilidad. Secalcula con la fórmula siguiente

• Dur Mod = Dur Macaulay / 1+TIR D

Dur Mac = 0,03 + 0,07 +

Riesgo de Tipos de interés

 La volatilidad de los tipos de interés se ve en el siguiente árbol, que

– Si el paso de un periodo (node) al siguiente periodo (nodees un

Riesgo de Crédito - Contraparte

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Crédito - Contraparte

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Crédito - Contraparte

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Crédito – Riesgo de spread

 A diferencia del RATING, que no es más que un termómetro

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Precio de las Acciones

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Precio de las Acciones

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Precio de las Acciones

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

Riesgo de Precio de las Acciones

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA