Medición y Control de Riesgos Financieros, 3ra Edición - Alfonso de Lara Haro
Medición y Control de Riesgos Financieros, 3ra Edición - Alfonso de Lara Haro
VALOR EN RIESGO
El nuevo paradigma para el control de riesgos con derivados
Jorion
is un hecho que el entorno regulatorlo para la administracin de riesgos fi
nancieros, en este siglo, se basar en el concepto de Valor en Riesgo. Cual
quier banco, casa de bolsa, empresa privada o entidad gubernamental, tendr
que establecer la exposicin al nesgo en sus hojas de balance en trminos
del Valoren Riesgo, lo cual exigir un conocimiento elemental sobre proba
bilidades y ganancias, que tpicamente es ignorado en los sistemas contables
anacrnicos. El libro Valoren Riesgode Philippe Jorion proporciona un Inte
resante panorama de esta apasionante rea de las finanzas aplicadas.
FUTUROS Y OPCIONES FINANCIERAS
Ofaz Tinoco
Trata de los profundos cambios que ha experimentado el mercado, en especial
ei de futuros financieros que pronto se ampliarn a la operacin de opciones.
Este mercado permitir a los Inversionistas mayores oportunidades de
inversin, a la vez de reducir la incertidumbre en los mercados financieros,
tan caracterstica de nuestros pases en los ltimos meses.
9 mritode este libroes que presenta de manera senciia, ciara e Intuitiva,
las caractersticas bsicas de los futuros y las opciones financieras, su eva
luacin y las estrategias bsicas del negociador.
MEDICIN INTEGRAL DEL RIESGO DE CRDITO
Elizondo
En los ltimos artos las quiebras y prdidas relacionadas con los mercados
emergentes y otros que no k>son. motivaron la elaboracin de mltiples tra
bajes. Medicin integraldel riesgo de crditopresenta los primeros ensayos
sobre las herramientas desarrolladas para la administracin de este riesgo
y de tcnicas integradas para valuar, ya sea aspectos Individualeso portafolios
de crdito corporativo. Algunos dlos temas que trata la obra son:
Medicin y control
de riesgos
financieros
T e r c e r a e d ic i n
LIM USA_________
MXICO. Venezuela. Colombia, Espaa, Guatemala
vj'nut u o n o y t i
n rw n a e ro s '
w ionso
LC: HD61
L a P R ESENTACIO N Y D S P O S C tO N E N C O N JU N T O O E
D erecho s reservados:
ilmusa0noiiega.conn.iTix
www.nonega.com.mx
CANIEM N u m .
121
H e c h o e n M x ic o
ISBN-13: 978-968-18-0444-6
5.3
P refa cio a la
te rc e ra e d ici n
Ninguna tcnica analtica p o r m s sofisticada que sea. podr reem plazar a la
experiencia y e l buen ju ic io p ro fesio n a l en el m anejo de riesgos.
JP M organ
Las dos ediciones an terio res d e este libro fueron recib id as c o n b e n ep l cito en el
medio financiero m ex ican o , en alg u n as escuelas d e ed u caci n su p e rio r e n el pas y
en algunos pases latin o am erican o s. Esta situ aci n , q u e se ha reflejado en varios
miles de ejem plares v en d id o s e n tan slo u n a o d e v id a d e esta o b ra, m e o b lig a a
actualizarla y p erfeccionarla.
Los com en tario s q u e llegaron a m d u ran te la d istrib u c i n de las p rim eras dos
ediciones del libro han sid o m u y afo rtu n ad o s, p u e s refieren q u e esta o b ra h a sido un
instrumento ad ecu ad o p ara im p artir cu rsos de ad m in istraci n d e riesg o s d e m e rc a
do. lo cual ag rad ezco p ro fu n d am en te. Sin em b arg o , m e h a n se a lad o , c o n ju sta
razn, que un solo c a p tu lo referen te a la m ed ici n d e riesgos d e crd ito es insufi
ciente.
Por ello, d ad o q u e el o b je tiv o planteado desd e la p rim era ed ici n fue co n tar
con un instrum ento d id ctico p ara co n o cer las t c n ic a s g en eralm en te acep tad as en
materia de m edicin y co n tro l d e riesgos financieros, y p retendiendo h a ce r nfasis
en las tcnicas cu an titativ as d e m edicin d e riesg o s, se a n stos de m ercad o o de
crdito, se ha d ise ad o esta tercera edicin que p re te n d e m an ten er u n sano eq u ili
brio entre los co n cep to s de m ed ici n d e riesgos d e m ercad o y de crd ito , sin m enos
cabo de los riesg o s o p eracio n ales. E sto perm itir que los cu rso s de ad m inistracin
c riesgos que se apoyen en e ste tex to sean m s com pletos.
M edicin y co n tro l de riesgos fin a n c ie ro s es un esfuerzo p a ra co n trib u ir a
cu rirel hueco que a c tu a lm e n te h a y en tre la realid ad del m erca d o y la acad em ia. El
s i o de este libro es p rag m tico . A u n si el lecto r n o tien e c o n o cim ien to s d e ma b r'1111'1^
co m p re n d e r lo s co n cep to s y m an ejarlo s d e m an era intuitiva. E l
contem pla ejem p lo s n u m rico s p a ra ayudar a e n te n d e r e l m anejo y la aplican & ls conceptos.
Prefacio
Este libro est diseado para se r ledo desde el principio hasta el final, o bien,
p ara ser utilizado com o referencia en secciones especificas.
El prim er capitulo consiste fundam entalm ente en una introduccin a la fun
cin de adm inistracin de riesgos, en la que se intenta proporcionar al lector ele
m entos para entender las diferentes naturalezas de riesgos que existen y explicar la
evolucin y a im portancia de esta ram a de las finanzas.
El segundo capitulo se refiere a los fundam entos y principios m atem ticos y
estadsticos que son necesarios para com prender los captulos relacionados con la
m edicin cuantitativa de riesgos. El capitulo tercero se refiere al concepto de la vola
tilidad y pretende profundizar en el clculo de los diferentes tipos de volatilidad que
existen, as com o resaltar la im portancia que tiene este concepto en la m edicin del
valor en riesgo.
En el captulo cuarto se establecen los conceptos bsicos de valor en riesgo
( VaR) y las tcnicas m s com unes para su clculo. Se parte de un activo individual
y se extiende la explicacin a un portafolios d e activos. Tam bin se explican las
bases de la m anipulacin de m atrices para aquellos lectores que desconocen estos
conceptos o que si bien los estudiaron hace algn tiem po, probablem ente requie
ran de un breve recordatorio.
En el captulo quinto se exam ina el tem a de las tasas de inters en sus diferen
tes m odalidades, conceptos tales com o duracin y convexidad, asi com o el clculo
Prefacio
A g ra d e cim ie n to s
Debo expresar mi agradecim iento a quienes contribuyeron a que este libro fuera
nu readad. Todas las personas que consult estn m uy ocupadas y, sin embargo.
aportaron ideas para enriquecer este trabajo. A gradezco en particular a Jaim e Daz
T inoco, Jaim e V illaseor, Efrn del Rosal, G abriel R am rez, Ariel Padilla, Luis
Longoria, Felipe de Yturbe, F.mesto M ontiel, Jess Velasco, Jorge A legra, Javie*
D az Brassetti y A lberto M iranda. Tam bin expreso mi gratitud a algunos p ro fe s a
res de finanzas del Instituto Tecnolgico A utnom o de M xico, la Universidad
A nhuac, la U niversidad Iberoam ericana y la U niversidad Nacional A utnom a de
Mxico.
U na m encin aparte merece m i fam ilia. A m i esposa G abriela y a m is hijaj
Use y Jessica, gracias p o r su continuo apoyo y com prensin.
Slo m e resta un com entario dirigido a m is colegas del medio financiero que
suelen ser m uy crticos. Las preguntas, dudas y crticas que suscite, servirn tan a
bin com o aportacin al acervo de conocim ientos en m ateria de m edicin y c o n
tro! de riesgos. Para algunos ser el libro introductorio indicado, pero a otros q u r i
n o les agrade. N adie est o bligado a u sarlo. D ejm oslo entrar a las aulas parf
beneficio de quienes sean capaces d e discernir su im portancia y significado.
Alfonso de Lar\
Contenido
1. LA FLTNCIN DE
ADMINISTRACIN DE
RIESGOS
1.1 Antecedentes de la
administracin de riesgos
1 .2 Clasificacin de lo-s riesgos
financieros
1.3 F.I proceso de administracin
de riesgos
1.4 Desastres financieros en
ausencia de administracin
de riesgos
2. RENDIMIENTO Y RIESGO
2.1 Rendimiento
2.2 Medicin del riesgo
2.3 Distribucin normal o
de campana
2.4 Covarianza
2.5 Correlacin
2.6 Modelo CAPM: Capital
As set Pricing Model
'7 Intervalos de confianza
2-8 Distribucin normal
estandarizada
3. La v o l a t il id a d
2-1 Volatilidad histrica
2-2 Volatilidad dinmica o con
^uavizamiento exponencial
n
13
l
17
20
25
27
28
5. EL RIESGO EN MERCADO
DE DINERO
5.1 Tasas de inters
5.2 Estructura de tasas
de inters
5.3 Tasas de inters futuras
o /ornars
5.4 El reporto
5.5 Concepto de duracin
5.6 Concepto de convexidad
5.7 Valor en riesgo para un
instrumento de deuda
5.8 Valor en riesgo para un
portafolios de instrumentos
de deuda
5.9 Mapeo o descomposicin de
posiciones
29
34
35
35
36
38
41
44
46
9
49
50
53
57
59
60
70
73
75
77
79
81
82
84
86
87
89
93
96
L EL RIESGO EN PRODUCTOS
DERIVADOS
6 .1 Los productos derivados
6.2 Valuacin de productos
derivados
6.3 Contratos de forwards y
futuros
6.4 VaR para posiciones de
futuros y forwards
6.5 FRA (forward rale
agreements): futuros de
tasas de inters
6 .6 VaR en contratos de futuros
de tasas de inters (FRA)
6.7 Contratos de opciones
6 .8 Swaps de tasa de inters
6.9 VaR de swaps de tasa de
inters
6.10 Swaps de divisas
7. MODELO MONTECARLO
7.1 Generacin de escenarios
7.2 Valor en riesgo para un
activo con el modelo
Montecarlo
7.3 Modelo Montecarlo para
opciones
7.4 Modelo Montecarlo
estructurado
8 . PRUEBAS
101
105
106
110
168
169
171
Creditmetrcs
173
175,
183
114
116
131
135
137
141
143
145
146
148
STRESS TESTING
8 .1 Stress testing (prueba de
151
valores extremos)
8.2 Backtesting (verificacin y
calibracin del modelo)
153
166
103
DE BACKTESTINC Y
9. MODELOS DE RIESGO
DE CRDITO
9.1 Anlisis de crdito tradicional
155
193
19-fl
200
200'
201
203
BIBLIOGRAFA
211
205
206
206
20^
161
163
190
2 )1
C A P IT U L O 1
La funcin de
adm inistracin
de riesgos
11
La funcin de
adm inistracin
de riesgos
1.1
a palabra riesgo proviene del lalin risicare, que significa atreverse o transitar
por un sendero peligroso. En realidad tiene un significado negativo, relaciona*
o coa peligro, dao, siniestro o prdida. Sin embargo, el riesgo es parte inevitable de
>s procesos de toma de decisiones en general y de los procesos de inversin en
articular El beneficio que se pueda obtener por cualquier decisin o accin que se
debe asociarse necesariamente con el riesgo inherente a dicha decisin o
ccin. En finanzas, el concepto de riesgo se relaciona con las prdidas potenciales
ue se pueden sufrir en un portafolios de inversin.
La medicin efectiva y cuantitativa dei riesgo se asocia con la probabilidad de
ta prdida en el futuro. Los seres humanos deben conocer y responder de manera
tuitiva o cuantitativa a las probabilidades que confrontan en cada decisin. La
enca de la administracin de riesgos consiste en medir esas probabilidades en
mieuus de incertidumbre.
Quiz los primeros estudios serios de nociones de probabilidad se desarroUa| 11 en Ll s|glo xvi. durante la poca del Renacimiento. En esa etapa la ciencia y la
|vnliigia avanzaron a un ritmo mucho m ayor que en los siglos de la Edad Media.
^imluino C'ardano (1500-1571) naci en Miln, Italia; se le conoce porque
* t vbu su propia biografa en un libro titulado D e Vita Propia Lber (E llibro de m i
,
utl mt-d*co prestigiado y a travs de este libro se sabe de su aficin por los
e Jar en especial los dados, las cartas y e! ajedrez. A travs dei estudio de
bdacT* ^e-*ue^os en Particular con los dados, realiz mltiples anlisis de proba13
durante su vida escribi 131 trabajos publicados y dej 1 11 manuscritos
13
14
sin publicar. Estos escritos analizan tem as de m atem ticas, astronom a, fsica, astrologia y medicina.
El libro de m atem ticas m s im portante que escribi C ardano se denom in .4rs
M agna (E lg ra n arte). Fue publicado en 1545 y se concentr en lgebra. En l,
C ardano propone la solucin a polinom ios de segundo y tercer grado. Sin em bargo!
el libro que desarrolla los principios de la teora de la probabilidad se denom ina
L b er d e Ludo A lear (Libro de ju e g o s J e azar), publicado en I663, despus de que
C ardano m uri. E n esta obra propuso el trm ino "probable , que se refiere a cveo
tos cuyo resultado es incierto. Por ello, C ardano se puede considerar com o la prim eaj
persona que se refiri al riesgo m ediante la probabilidad com o m edida de frccuofl
cia relativa de eventos aleatorios.
La palabra latina p ro b a re significa probar o aprobar. C ardano fue quien int
dujo por prim era vez el concepto de probabilidad. Este trm ino ha evoluciona
con el tiem po. El concepto de probabilidad que C ardano desarroll se refiere al
grado de credibilidad o aprobacin de u n a opinin. Sin embaFgo, u n a idea m is 1
reciente del trm ino probabilidad se asocia con resultados futuros que m iden eB
grado de incertidum bre. Este ltim o concepto se desarroll cuando fue posible m e -.
dir cuantitativam ente la probabilidad con la frecuencia relativa de eventos pasac
O tro italiano que analiz y escribi acerca de la teora de la probabilidad fue
G alilco (1564-1642). El escrito m s conocido relacionado con dicha teoria se titul
Sopra le Scaperte d elD a d i (Jugando a lo s dados). En l, com o en la obra de Curda
G alileo analiza la frecuencia de diferentes com binaciones y posibles resultados
tirar los dados.
Tres personajes que siguieron a C ardano y G alileo propusieron un m e l o s a
sistem tico para m edir la probabilidad. El prim ero fue B las Pascal, el s c g u itif l
Pierre de Ferm at y el tercero C h e v a lie rd e M re. L os tre s eran franceses a c a d t ^ J
eo s p ertenecien tes al siglo xvti. Ferm at u tiliz conceptos algebraicos, C hevaiier ^
fue intuitivo y filsofo y Pascal aplic conceptos g eo m tricos a la teoria de la
probabilidad (m ediante el tringulo de Pascal es posible analizar las probabilidac
de un evento).
Los avances en lgebra y clculo diferencial e integral que ocurrieron en los
siglos xvn y xviti propiciaron m ltiples aplicaciones en la teoria de la probabilidad^
desde la m edicin de riesgos en seguros e inversiones, hasta tem as relacionados con
m edicina, fsica y pronstico de las condiciones del tiem po.
En 1730. A braham de M oivre propuso la estructura de la distribucin de prob
bilidad normal (conocida com o distribucin de cam pana) y el concepto de dos\
cin estndar. O cho aos m s tarde, D aniel B em oul defini un proceso sistemtfc
para la tom a de decisiones, basado en probabilidades, situacin que dio lugar a loj
que ho y se conoce com o teora de juegos e investigacin de operaciones. Los de
cubrim ientos de B em oulii son todava paradigm as en el com portam iento raciona
de un inversionista; por ejem plo, propuso la idea de que el grado de satisfaccin qi
resulta de un aum ento en la riqueza de una persona es inversam ente proporcional i
15
cantidad de bienes c o n q u e esa persona cuenta. Esto explica por qu el ser huma'ente la aversin al riesgo y p o r qu el Rey M idas era un hom bre infeliz . 1
n SCien aos despus de la notable contribucin de Pascal y Ferm at, el ingls
mas Bayes aport una nueva teora de la probabilidad, dem ostrando cm o lor mejores decisiones incorporando nueva inform acin a inform es anteriores.
m8r En 1875. Erancis G alton descubri el concqpto de "regresin a la m edia", el
i se refiere a que, a pesar de las fluctuaciones en los precios que se pueden
observar en los m ercados organizados y de que io s activos que cotizan en dichos
mercados pueden estar sobrevaluados o subvaluados, siem pre habr una fuerza na
tural que presione los precios al valor prom edio histricam ente observado o a la
restauracin de la norm alidad . G alton transform el concepto de probabilidad
18
16
1.2
1.3
17
18
>Ratificacin?
identificacin
Cuantficacin
>
Modificacin?
Nulificacift
Fuente: R o b e n K op p rasch
Para lograr una efectiva identificacin de riesgos es necesario considerar las dife
rentes naturalezas de riesgos que se presentan en una transaccin. Los riesgos de mer
cado se asocian a la volatilidad, estructura de correlaciones y liquidez, pero stos no
pueden estar separados de otros, como riesgos operativos (riesgos de modelo, fallas
humanas o sistemas) o riesgos de crdito (incumplimiento de contrapartes, riesgos en
la custodia de valores, en la liquidacin, en el degradamiento de la calificacin crcditic)jjj
de algn instrumento o problemas con el colateral o garantas). Por ejemplo, compra?
una opcin en el mercado de derivados fuera de Bolsa ( O w rf/ie Counter: OTC) im
plica un riesgo de mercado, pero tambin uno de crdito y operacional ai mismo
tiempo. En el siguiente diagrama se establece la interconexin de los diferentes tipos
de riesgos en el proceso de identificacin de stos:
Volatilidad
Liquidez
A u to rizacin
Corre la cio n e s
P ro p ag o
P ro b le m a s legalesC o n trato
R egulacin
Im puestos
Fra ud e
E rro re s hum anos
E rro re s d e sistem as
R ie sg o s d e modelo
R ie sg o s d e tecnolo ga
Fallas d e auditoria
19
Transacciones
Precios y lasas
de t n r s
Volatilidades y
correlaciones
[curvas) de
Portafolios
de valores
mercado
Factores de riesgo
Valuacin
de posiciones
(martt-io-m arket)
Medicin de riesgos
Prdidas
V a lo re n
20
cin de riesgos: la medicin del riesgo (VaR) y el desarrollo de modelos y estructuras de lmites, y por otra, la generacin de reportes a la alta direccin que permitan
observar el cumplimiento de limites, las prdidas y ganancias realizadas y no reali
zadas. Asimismo, es funcin de administracin y control de riesgos la conciliacin
de posiciones entre las mesas de operacin y las reas contables. A esta ltimq
funcin se le conoce com o el M iddle Office.
A lta
R e p o r t e s d e rie s g o s
direcci n
P o lK ic * s d a a d m in is tra c i n
d e r ie s g o * :
M edicin de V aR
e Inform acin de p recios y
ta se s d e m ercado
(proveedor d a p ra d o s)
e Deearroo de m odelo*
Sistem e s
A dm inistracin
d a rta sa o s
In fo r m a c i n d e rie s g o s :
e Prdidas y oanarttias (M TM )
V a lo r a r rie sgo
* Cum plim iento de lim ites
Estructura da limttea da
tolerancia *1 riesgo
M uevo* producto
M esas de
operacin
C o n ta b ilid a d ]
(bacK office)
C o nciliaci n da po sic io n e s de la
operacin d a a di*
1.4
f in a n c ie r o s e n a u s e n c ia d e a d m in is t r a c i n d e r ie s g o s
p e sastres nno>
21
I.
2'
22
3.
4.
5.
6.
7.
{Front Office).
M edicin d e riesgos de crdito. Tam bin debe medirse el riesgo de crd
to, mediante el clculo de probabilidades de incumplimiento de la c<>ntn
parte. En instrumentos derivados debe medirse el riesgo actual y el riesg
potencial de crdito. El riesgo actual es el valor de mercado de las posick
nes vigentes. El riesgo potencial mide la probable prdida futura que pu<
da registrar un portafolios en caso de que la contraparte de la operario
incumpla.
Experiencia y conocimiento de estadstica y sistemas. La m ayor parte
las tcnicas para calcular el valor en riesgo tienen un fuerte soporte estadi
tico y la informacin debe ser entendible y accesible para medir el 'ie s a
de manera oportuna. Las preguntas que deben responderse son: las persa
as que evalan los riesgos son las adecuadas? Tienen la preparacin t j
nica para entender y calcular Ies riesgos?
Notas
1.
2.
Notas
23
4,
5.
6.
3,
C A P T U L O 2
Rendimiento y
riesgo
Para entender los modelos que m iden el riesgo, es necesario conocer algunos
aspectos de matemticas y estadstica. En este capitulo se explica la manera de
medir tanto el rendimiento com o el riesgo. Especial atencin merece la curva de
distribucin normal, la cual es el corazn en los supuestos de algunos modelos
para medir el riesgo.
Existe consenso en el mundo acadmico en el sentido de que los precios de las
acciones en los mercados organizados se comportan de acuerdo con una caminata
aleatoria, es decir, que el precio d e una accin al dia de hoy es independiente de
los precios observados en dias anteriores y que, por tanto, los mercados no tienen
memoria y no son predecibles. sta es la base para considerar que el supuesto de
normalidad en los rendimientos d e los precios de los instrumentos financieros es
un supuesto razonable, aunque la curva normal en el mundo real, no siempre es
perfecta.
25
Rendimiento
Rendimiento
exigido ,
Tasa libre
de riesgo _
2.1
Rendimiento
R .=
V alor ^ - V a lo r_
V a lo r
V a lo r ..
27
28
p
P,-
ff
R P= ^ ( 0 , R ,
i* l
Av
prvm
ia r
X*
2.2
29
r bucin se grfica (histogram a de frecuencias) asume una figura en particuj 'r Los pasos principales para construir una distribucin de frecuencias son los
siguientes:
200
150
100
50
2.3
....................................... 1
.................................... l l
1
11
l l l ________
m
'
30
J2
o
c
0>
3
O
100
80
60
40
j|
20
0
J
>
^ '
5 ^ Jb
^
^
S>'
^'
Q'i
oO-
O'
Cs-
jp
<b-
R endim ientos
E n este caso, la media de los rendimientos es de 0.091% y la desviacin estn
diaria de rendimientos es de 2.29%. Si tomamos la media ms tres desviacic
estndar, tenemos que el rendimiento es de 6.96%, y la media menos tres des\ ia^
nes estndar es de 6.78%. Esto significa que son muy pocas las observaciones i
estn fuera de este periodo, de hecho slo son siete observaciones (5 en la cola!
superior y 2 en la cola inferior), por lo que se puede ver que tres desviaciones c .st n fl
comprenden el 98.6% de las observaciones totales.
En estadstica es posible demostrar que si consideramos una muestra de tam
n perteneciente a una poblacin que se distribuye normalmente (con media n '
desviacin estndar o ), dicha muestra tendr una distribucin normal de mediS
y desviacin estndar a / J n . El teorema del limite central establece que aun ei
do la muestra de tamao n es suficientemente grande, la distribucin de la mu
es aproximadamente normal, sin importar la distribucin de la poblacin. En esfj
sentido, la distribucin normal juega un papel importante en el desarrollo de la
finanzas y procedimientos para la administracin de riesgos.
31
ft \
Q-____
n l
V ^ P .R ,
1=1
I -l
32
fl M-------------------- zi7
f i + z<?
33
X = fi+ZG
y por lano
X u
= ------
0
Si la variable aleatoria a: es el rendimiento de algn factor de riesgo (precio de
acciones, tasas de inters o tipos de cambio), entonces siempre ser posible trans
formar dicha variable aleatoria normal en z mediante la expresin anterior.
Si localiza un punto medido a partir de la media de una variable aleatoria
normal con la distancia expresada en unidades de la desviacin estndar de la varia
ble aleatoria normal original, el valor medio de z tiene que ser 0 y su desviacin
estndar igual a 1. A z se le conoce com o la variable aleatoria normal estndar y
tiene una distribucin normal A( 0 , 1 ).
Adicionalmente a la media y a la desviacin estndar, la curva de distribucin
normal tiene dos caractersticas: el sesgo y la kurtosis, a los cuales se Ies conoce
tambin como el tercer y cuarto momentos, respectivamente.
El sesgo es un indicador que m ide ia simetra de la curva. En el caso de una
curva normal perfecta, el sesgo ser igual a cero. Si ste es distinto de cero, estar
sesgada hacia la izquierda o hacia la derecha, segn el signo del sesgo.
La kurtosis es el indicador que m ide el nivel de levantamiento de la curva
respecto a la horizontal. Esta situacin se presenta cuando existen pocas observa
ciones muy alejadas de la media. A este fenmeno de alta kurtosis tambin se le
conoce como / a i tai/s. La kurtosis de una distribucin normal perfecta es igual a
3. A continuacin se muestran las frm ulas para calcular tanto el sesgo com o la
kurtosis:
(x,~
S e sg o
)5
-----------------------------------------
(n - I ) f f 1,2
Kurtosis
X U , =l
/o 4
( n - 1) o- 4
LM = N
Sesgo1
(Kurtosis3) 2
24
34
anual
ix
d ia ria
^anual ~
t
^
2.4
Covarianza
Es una medida de relacin lineal entre dos variables aleatorias describiendo el tno|
vimiento conjunto entre stas. Dichas variables pueden ser los rendimientos d^utv
portafolios.
La covarianza se determina de acuerdo con la siguiente expresin:
COV(R, , R t) = p,[R, -
pM
R ' - P j)
l-l
tambin se puede aplicar la siguiente expresin:
co m ,
"
n tal
( - / r ,]
35
C orrelacin
2 .5
Corr(ftRJ) = p iJ=
COV{Rt , R , )
a o
donde:
es la correlacin entre los activos i y j .
c o iV ir R)
oi
Corr(.x,, y , ) *
( x ju.K v, - / ! , )
------------- --,c|
,
i-i
.-i
2-6
^ste modelo propuesto por Sharpe (1964) establece que el rendimiento de un activo
tiene POrtal ^ S CS
a *a 1353 *^re
r'esB- h ^ s un premio por el riesgo que
ese instrumento o portafolios m edido por el coeficiente beta, como se indica a
contmuacn:
36
R e n d im ie n to
r = ^
^p (y
l ?"
r)
o bien:
Donde :
2.7
CV^P
var(Rm)
Intervalos de confianza
intervalos de confianza
b
p ro b a b ilid a d =
f(x)dx
99.7%
38
2.8
Se define a una curva normal estandarizada, como aquella que tiene una mee
igual a cero y una desviacin estndar de uno: AfO.l). Para transform ar una tu r
normal a una estandarizada se debe encontrar un valor de Z, que es la variable or
mal estandarizada dada por:
Z = - E i
a
Por ejemplo, si se desea conocer la probabilidad de que un portafolios regstdB
un rendimiento de -2% , siendo que el rendimiento promedio es dei 0 . 11 %, y u ru j
volatilidad de 1.76%, el valor estndar de la curva normal es:
z = -2% _-0..1% =
1.76%
U na vez calculado el valor estndar de la curva normal, es posible calcu h f el;
rea bajo la curva de la cola inferior. Los libros de m atemticas y estadstica con
tienen una tabla para determinar probabilidades de colas inferiores. En las tat>I
se observa que p a ra u n a Z d e - 1 .2 0 corresponde una probabilidad de cola infefi
de! H .5 1 % .4
Por otra parte, los adm inistradores de riesgos prefieren determinar un nivel <
confianza o probabilidad y a partir de ste definir el rendimiento asociado a e:
probabilidad. Usualm ente el nivel de confianza se ubica en 95 o 99%. En esti
casos, el rea bajo la curva normal corresponde a 1.65 y 2.33 desviaciones estnd|
respectivam ente .4
39
Notas
bilidad:
u
Despejando:
X = V + Z<J
, = 0.11 % + (-2.33X1.76% )
A, = -3.99%
Esto significa que el rendimiento futuro ser m enor a - 3.99% con una proba
bilidad del 99% mientras que existe 1% de probabilidad de que dicho rendimiento
negativo sea mayor a 3.99%.
Notas
I
C A P T U L O 3
La volatilidad
41
La volatilidad
43
44
La v o la tilid a d
AP
AP
Donde
3.1
Volatilidad histrica
En este mtodo no se hace nfasis en el pasado inmediato, es decir, todas las obsfc
vaciones tienen el mismo peso especifico y el pronstico est basado en las obser
ciones histricas.
Para el clculo de la volatilidad se utiliza la mism a frmula de la d e s v ia c ^
estndar que se estableci en el captulo anterior, a saber:
45
Vblatiltad histrica
Volatilidad histrica
Observaciones
1
2
3
4
Rendimientos
5.20%
5
6
7
-3.30%
1.20%
-3.90%
2.50%
-4.40%
8
9
2.45%
-4.50%
-4.72%
10
1.70%
Desviacin estndar =
3.74%
Juru
Ti2 =
Oviamente, el hecho de asignar el mismo peso especfico a todas las obserotros ne! Cn SCrie
, 'emP de rendim ientos ha motivado al mercado a aplicar
terio mei0*os como el suavizamiento exponencial o el Garch, que se detallan pos-
46
3.2
L a volatilidad
47
A = 0.90
-----------------"observaciones
"
;~ T
Rendimientos
A = lambda,'{i-1)
B = RendA2
Ax B
5.20%
1.0000
0.0027
0.0027
-3.90%
0.9000
0.0015
0.0014
2.50%
0.8100
0.0006
0.0005 *
-4.40%
0.7290
0.0019
0.0014
-3.30%
0.6561
0.0011
0.0007
1.20%
0.5905
0.0001
0.0001
2.45%
0.5314
0.0006
0.0003
-4.50%
0.4783
0.0020
0.0010
-4.72%
0.4305
0.0022
0.0010
10
1.70%
0.3874
0.0003
0.0001
Suma:
0.0091
Desviacin e st n d a r = 3.02%
0.001%
0.01%
87
0.1%
66
186
149
112
74
282
226
i 69
113
378
302
227
151
570
456
342
228
_ 0.90
0.94
109
0.96
__ CL97
0.98
1%
44
48
L a volatilidac
N T = XK
Este nivel de tolerancia es una medida que permite saber para cierto nivel do
lambda cuntas observaciones se estn considerando para el clculo de la volatilidad,
Com o ejemplo de la volatilidad dinmica o recursiva se obtuvieron datos de
250 das del tipo de cambio peso-dlar. Se calcularon los rendimientos diarios y
fueron afectados por una A de 0.90.
Rendimientos vs volatilidad recursiva
del tipo de cambio peso-dlar.
250 observaciones
0.05000 T
0.04000
0.03000
0 .0 2 0 0 0
0.01000
0.00000
- 0.01000
-
0.02000
-0.03000
-0 .0 4 0 0 0
-0.05000
0.6000
0 6000
0.4000
"
0.2000
0.000
49
VWaKdsct implcita
Este mtodo permite determinar una iambda ptima que minimice el error pronos
ticado de la varianza. E! error est dado por:
m S = J - [ r ^ - < T , \ , a )]2
La estimacin para el factor latnbda se basa en encontrar el menor RM SE para
diferentes valores de dicha Iambda, es decir, se busca el factor decay que produzca
la mejor estimacin {que minimice la medida del pronstico).
A continuacin se muestra un ejem plo con diez observaciones (precios de ac
ciones) en donde se aplica el mtodo descrito (para el proceso de optimizacin se
utiliz el so lverte Excel):
M S E .
0 ,0 0 2 0 0
I
|
C IE
Precios
RpndirereWOS
$30 0
..
_1
0 718534
L a m d t a o p -
. I
D e n ri
L a n * * '{M )
*5
' *
(3 > '(4 )
6
Vanan
'
O e c v asi.
* 7
(E l L a m b fla
( 3 ) - { 7 ) '2
0 .0 0 0 0 0
931 0
3 .2 8 %
0 -0 0 1 0 8
0 .7 1 8 5 3
1 .4 7 %
0 .0 0 0 1 5 6 2 4 2
$335
7 78%
000802
0 .5 1 8 2 9
0 .0 0 3 1 1 !
0 .0 0 1 0 9
3 .3 0 %
0 .0 0 0 7 8 4 3 3 5
0 .0 0 0 0 3
S3< 5
616%
0 .0 0 3 7 8
0 .3 7 0 9 7
0 .00141 " 0 .0 0 1 4 9
3 .8 6 %
1 0 .0 0 1 0 6 8 8 3 9
0 .0 0 0 0 1
9300
488%
0.0 0 2 3 8
0 -2 0 6 5 6
000063,
000167
4 ,0 8 %
! 0 .0 0 1 1 9 8 9 6 8
0 .0 1 0 0 0
$305
1 85%
0 .0 0 0 2 7 f
0 .1 8 1 5 3
0 .0 0 0 0 5 j_ 0 .0 0 1 8 8
4 10%
0 .00 1 2 07 6 5 1
000000
,i 0 A 0 G 7 7 0 .0 0 0 2 2
$310
1 63%
0.0 0 0 2 6
0 .1 3 7 6 2
0 .0 0 0 0 4
9320
3 17%
0 .00101
0 09888
0 .0 0 0 1 0 0 0 0 1 7 2
9330
308%
0 .0 Q 85
0 .0 7 1 0 6
0 .0 0 0 0 7 :
10
$335
1 .5 0 %
0 .0 0 0 2 3
0 A S IO S
Sum a:
3-3
| 0 .00001
0 .0 0 6 1 9 .
0.0 0 1 6 9
4 .1 1 %
- 4 1 5
0 .0 0 1 2 1 4 9 1
0 001236069
0 .0 0 0 0 0
oooooo
060174
4 . 1 7 % . ] 0 .0 0 1 2 4 8 8 7 5 r o o o o o
0.0 0 1 7 4
4 17%
| 0 .00 1 2 51 0 1
0 .0 0 0 0 0
0 & JQ 0 4
Sum a
Volatilidad im p lcita
La voiam
50
3.4
Procesos autorregresivos
Si r ,e s un ruido blanco o variable aleatoria que se distribuye
definido por:
el p ro cejj
51
< x , - * ) ( * ,+1 - x )
t-1
En un correlograma, los valores de los coeficientes de autocorrelacin deben
decrecer exponencialmente (si la serie es estacionaria). En general no es trivial la
interpretacin del correlograma. Saber la teora para las series estacionarias es muy
til, y la experiencia tambin ayuda.
Kn tu prctica, cuando se observa el correlograma de una serie de tiempo (IPC.
lasas de inters, volatilidad, etc.), los coeficientes de autocorrelacin tienden a cero
e una la n e ra bastante lenta, lo cual es un fenmeno tpico de las series de tiempo
no estacionarias. Para solucionar este problema y convenir en estacionarias a series
que originalmente no lo son. se debe transformar la serie de tiempo en una que
contemple diferencias entre las observaciones un nmero apropiado de veces (no
cha01^
SC P'erc*un automticamente algunas observaciones) y trabajar con di
sene transformada que ya debera ser estacionaria.
corTe)31)3 ^eIerm'nar 'I orden del proceso autorregresivo, adems del anlisis del
rama que considera e! comportamiento de los coeficientes de aulocorrela-
52
La volatili
Modelo
de promedios mviles
x >~ ^ + X
x ' >+ X
.-I
,-1
/ z ,-j
53
2
3
La serie en estudio para aplicar el modelo debe ser estacionaria (los coefi
cientes de autocorrelacin en el correlograma deben decrecer rpidamente).
Todos los parmetros seleccionados deben ser estadsticamente significativos.
F-l modelo ajustado debe ser el mejor de otros posibles.
3,5
54
L a v o l til#
r, = oo + m /v : + e,
i
ste es un modelo conocido en el modelado de series de tiempo, y lo que indic^
es que la variable r,e s explicada por la misma variable desfasada un periodo, ms un
error aleatorio e, tambin llamado ruido blanco que se comporta de acuerdo con una
distribucin normal de media cero y varianza o-. Este ruido blanco es denom ina^
homoscedstco (es decir, de varianza constante) y en ese caso el modelo sera una
regresin ordinaria, pero en el modelo Garch el residual es variable en el tiempo y
se tiene que asumir heteroscedastcidad.
Debido a que una serie de tiempo puede tener grados mayores a uno y con el
propsito de hacer que el modelo Arch sea ms parsimonioso (menos coeficieQfij^
en 1986 y 1988 Bollerslevh propuso generalizar el m odelo Arch expresand| la
varianza com o un proceso ARMA (autorregresivo y de promedios mviles). A este
modelo se le denomina Garch (modelo Arch generalizado); a continuacin se pre
senta el modelo G arch (l.l);
<r,2 = e j + a el l + P o l ,
donde a /e s la varianza condicionalte los trminos f,2. Donde > 0 y a , ^ 2 0 so^
parmetros que aseguran que la varianza es positiva, a + P es la llamada persSL
tencia y debe ser m enor a la unidad. Tambin el hecho de que CC+ p < 1 isegujj
que los pronsticos de volatilidad tienen reversin a ia media , es decir, que los
pronsticos estarn ms cercanos al promedio de la volatilidad en el m e d ia d fl
largo plazos.
Si se com para el modelo de volatilidad dinmica con el modelo Garch se p u efl
observar lo siguiente;
cr, =
a ,= ^jo }4 -a eU + P o U
^ e lo s A rc U y G a rc h
55
56
L a volalilidg
Notas
1.
2.
3.
4.
5.
6.
Debido a que las series de tiempo en finanzas son de memoria corta" (la ten
dencia de los seres humanos a darle ms importancia a lo ms reciente), |a
volatilidad histrica no es m uy til en la prctica profesional; se asigna ma
yor peso a los rendim ientos ms recientes. Sin em bargo, por la facilidad de su
clculo, algunos adm inistradores de riesgos tom an en cuenta esta volatilic
Vase el documento tcnico de Riskmetrics.
dem.
Para m s informacin vase el articulo de Bera Ail y Higgings Marthewfl
sun'eyofARCHmodels. properttes. estimatonandtesting. Journal ol'Econc
Survys, Vol. 7, No.4 (1993).
Guerrero, Vctor. Series de tiempo. Universidad Metropolitana.
Consulte el libro Vofatifit): N ew estimation techniquesforpricingdirvatru
Editado por Robert Jarrow, Risk books. 1998.
C A P T U L O 4
Conceptos bsicos
del modelo de
valor en riesgo
57
4.1
60
D istribucin de probabilidad
Com o se puede observar, el VaR no otorga certidum bre con respecto a las
prdidas que se podran sufrir en una inversin, sino una expectativa de resultfl
dos basada en estadstica (series de datos en el tiempo) y en algunos supuesto? de
los m odelos o parm etros que se utilizan para su clculo.
Por este motivo, las instituciones deben, en adicin al clculo del VaR, eom pla
mentar su m edicin de riesgos con otras metodologas, como el anlisis de .'/rrai
(valoras extremos), las reglas prudenciales, los procedimientos y polticas de openq
cin, los controles internos, los lmites y las reservas de capital adecuadas.
4.2
4.2.1
M todos paramtricos.
M todos no-paramtricos.
Mtodos paramtricos
61
VR = F'k S x g x 4
donde;
= $6,236.41
Esto significa que se espera que un da de cada 20, es decir, un da hbil del
mes. el inversionista sufrir una prdida de $6,236.41 o ms. Esta cifra se puede
utilizar como limite para el operador de la posicin, como revelacin de informa
cin de riesgos del portafolios o com o margen en contratos de futuros.
62
quc(K 'l + n2 = 1). De acuerdo con la teora desarrollada por Markowitz, la v a ria id
de! portafolios es:
a\
w?
?+ W
2g \
+ 2 wi
wip
l2
a ia
VaR = F OpS-Jt = F [w 2,
+ m o l + w iYViPuO iO il
S 'f i
VaRp = F o PS j = F [ wo C o
Si las correlaciones son menores que uno, entonces el VaR d iv ersifica ^ seti
menor que la suma de los VaR individuales.
Cuando se trata del clculo del valor en riesgo de un portafolios de n a
necesario utilizar matrices y manipular este tipo de instrumentos. A contin
explican algunos conceptos relacionados con las matrices.
a n ip u la c i n
d e
a t r ic e s
A= 3
17
8
12
63
erf
COV(r2 . r , )
c o v n , n )
cov(n , n )
cov(r i , n )
Cfl
cov(n . n )
cov(r<!, n )
c o v ( n ,n )
c o v n , n )
Oj
c o v n , r\)
cov(r ,,r )
c o v n , r)
c o v n , n )
O
P .2
P*
Pu
p*\
P 42
Pn
P a
P a
P za
P az
A una matriz que tiene unos en la diagonal y ceros en los elementos que estn
fuera de ia diagonal, se le denomina matriz identidad (normalmente se denota como
/). Por otra parte, a una matriz que contiene slo una columna o slo un rengln, se
le denomina vector.
En mtodos multivariados es necesario considerar simultneamente dos m atri
ces que tengan los mismos elementos, pero donde los renglones de una matriz coinci an con ej nmero de columnas de la otra. En este caso a una matriz se le denomina
a anspuesta de la otra. Por ejemplo:
0 =
5
-5
-8
i
f3
La m atnz transpuesta de B, que denotaremos fr, esl 9
~ 5
2
1 1
- 8
64
4
(2 x2)
[ I
y Y
3 (2 x 2)
3
1
-2
[; 2
entonces X + Y \ f
4
12x 2)
|_l) 7_
Si A =
a
c
b
d
entonces
A-' =
-6 1
-C
a I
donde
\/ = a d - b c * Q
Matriz d e varianza-covarianza
Una vez comprendida la manipulacin de matrices, e s importante saber cmo detefl
minar la m atriz de varianza-covarianza.
Sea una ratriz cu adrada en la cual la diagonal est com puesta por la
volatilidades (desviaciones estndar) de cada activo del portafolios y los c le m e f l
fuera de la diagonal sean ceros, a saber:
65
o\ =
<72
0
0
CTi
m = [< M o ]
Donde C es la matriz de correlacin explicada anteriormente. Al realizar este
producto de matrices tendremos:
o -,2
P\tP
P fa O l
p 2,tr ,< T 3
p 3io - ,< r3
P32a 2a i
p il<71<7l
<T
p j tr ,( T 4
P\4a \4
Pl4a i a *
p ^ a 3< t4
P*)a i^4
VaRp = F x S x a f x-Jt
m = M C \[ e ]
Donde:
F
i
66
lios.
= valor del portafolios.
= volatilidad de) portafolios (1 x I ).
<9.0%
E te e t s d e
2.32 6
Valor en rtaago
44 1037
V e ta lte a a O n
14.46%
0.81%
$106.05
anual
diaria
diaria
i
Vector da
poaleiones
A C T IV O !
9 2 ,0 0 0
20 00%
Individual
566067
4000%
A C T IV O 2
Volatilidad
anual (algmal
VaR
wl
81 .M C
2600%
571444
3000%
A C T IV O S
5600
2600%
19 0481
1000 %
A C T IV O 4
300
12 3 0 %
54067
600%
A C T IV O S
$ 700
9 70%
9 9490
14 0 0 %
s s .m
P O S IC I N N E T A *
Sum a
100.00%
150.1 5 80
Matriz de corralacionaa:
A C T IV O 1
A C TM J3
A C T IV O 4
A C T IV O S
A C T IV O 2
038
0 38
1
A C T IV O S
0 43
0 24
068
0 72
A C T IV O S
0 2 3
0 .0 3
- 0 98
Q07
A C T IV O S
-0
072
007
A C T IV O
A C T IV O 2
1S
-0 0 0 5
043
024
0 23
-018
065
0 065
M a t riz d e v o le e ik ta d a a :
A C T IV 0 1
A C T IV 0 1
A C T IV O 2
A C T IV O S
A C T IV O A
A C T IV O S
/
^
20 .00%
0
0
0
0
A C T IV O 2
0
2600%
0
0
0
A C T IV O S
0
0
2600%
0
0
A C T IV O 4
0
0
0
12 3 0 %
A C T IV O 5
a
0
0
0
9 70%
67
factores de riesgo
68
4.2.2.1
Pasos a seguir;
a)
b)
c)
d)
p0
)
JS
69
Rangos
Pasos a seguir:
P,
P,-1
70
4.Z.2.3
a)
ff)
c)
valualiuri).
d)
)
4.3
t:S5Sfe22gsg3^S5SSgS5SaggS88
0 ^o^(|ldddo^O ^>j-dd''<ii^ro^<poy
O .
O S N
V 0>tf> N O N A
ssssssasssssssssssssassasg
U
U i U U U S U iU ii U i
tf)00<*>c^n2occntnov-otsOv-9eu>oa3
&}3s8S22*Sg35&S3S8SSesS838;
^fi^od^d^^r-oY<p^<j-(p^od
v o h > o i o o m r ^ G D i K ^ t f ) i |^ r ^ f O Q N ^ c R t f i r * o h * c ,i
sssassaasasaasgsssssaaas
SSSgS8*sSSffig25SSg2S2& ?ga
>'
>r
S 5i
?S8 *!
S
Cj 5 got }?d? d! 5^8^3Sd S
o 5b Sb 3- S
^ - dS 6S -2-Sd og dSdg' 8*
i?*
Hi
11551
S|s
r ^ O V K > n r > t t A s r ' r O M ( ^ N t 0 ^ e } h > h * A C O O O h v h
%$
S 5 5 5 5 5 5 5 5 5 5 5 5 o 5 5 o 5 o o 9 0 9 9 oo
4 4 * 4 * ? m 1 ? m m s?i
u.i4iZiXu.i;iCu.ii.ujuiwwuiuwi9uujiSuuiuJUf
O '- N n < in o K 0 a 9 * N f l M ( D
] ---------------------------------------------------------71
72
Notas
1.
2.
3.
4.
5.
C A P T U L O 5
El riesgo en
mercado de dinero
73
El riesgo en m ercado
de dinero
5.1
Tasas de inters
75
76
('
Despejando r 2 tenemos: r, = 12.18%. Por lo tanto, una tasa de inters puede
cambiarse de una base a otra. La convencin en el mercado de dinero es expresar las
tasas de inters en trminos anuales. Si se desea determ inar la tasa de inters anual
efectiva, se tendra un caso particular de la frmula anterior:
k M -r
Donde r2 es lo que se conoce como la tasa de inters efectiva, es decir, se rein
vierte o capitaliza anualmente.
Cuando las tasas de inters se capitalizan continuamente, es decir, a mtervafc|
infinitamente pequeos, se dice que las tasas son continuas y matemticamente se
expresan de la siguiente manera:
77
g ^ c t u r a e tasas d e inters
G e n e ra liz a n d o ,
= 10.5171% anual
5.2
Plazos
Ta s a s
17.40
22.00
1B.2S
20.00
14
28
18.43
1B.00
19.50
16.00
60
20.40
14.00
91
12.00
182
21.25
22.27
273
364
22.80
23.32
10.00
14
28
60
91
182
273
364
Plazos (das)
78
liquidez en el mercado de dinero se registra hasta un ao. Sin embargo, con la ere,
cin de la figura del Proveedor de precios, que naci en Mxico a finales dei ae
2 0 0 0 , actualm ente se cuenta con curvas de tasas de rendimiento hasta de cinco ao#*
Esta curva puede ser creciente o decreciente. Existen tres teoras bsicas que
explican la forma que puede adquirir dicha curva, a saben la de expectativas, la de
segmentacin de mercados y la de preferencia a la liquidez.
La teora de expectativas consiste en que la estructura de la curva corruspontfl
a las expectativas que tiene el mercado respecto a las tasas de inters futuras. La
curva ser creciente cuando el mercado espere que las tasas suban y ser dcerecietaj
si el mercado espera que las tasas bajen.
La teora de segmentacin de mercados asume que los inversionistas operan ir,
trunientos de deuda en ciertos rangos o periodos a efecto de minimizar su riesgo. El
riesgo, por tanto, es una barrera de entrada para instrumentos con periodos especfi.
eos. Por ejemplo, empresas que tienen que invertir recursos de corto plazo en su teso
rera para realizar pagos inmediatos, no invertirn en bonos de largo plazo porque
representan mucho riesgo. Esto significa que la estructura de la curva de rendimiento^
se definir de acuerdo con la oferta y la demanda de dinero y, por tanto, en funcin de
las necesidades de inversin y de fondeo de cada participante en e! mercado.
La (eoria de preferencia a la liquidez considera que los inversionistas toman sus
decisiones para adquirir bonos en el mercado de deuda en funcin de su riesgo y
rendimiento. Esto es, bonos de largo plazo tendrn m s riesgo y, por tanto, los
inversionistas exigirn un premio por ese riesgo (m ayor rendimiento). El premio^
por riesgo explica en gran medida que la estructura de la curva de rendimientos sea
creciente en la mayor parte de los casos.
'T eora d e expectativas d e m ercado
E s tru c tu ra
d e ta s a s
P ositiva
H orizontal
,
.
79
53
f o
r w
r d
tasas de inters futuras o /ornareis son aquellas que reflejan las expectativas del
comportamiento de las tasas de inters en el futuro. La pregunta que se debe respon
der es" podemos utilizar la curva de rendimientos de tasas de inters para inferir las
expectativas del mercado respecto de futuras tasas de inters? Para responder dicha
pregunta analice el siguiente ejemplo:
Un inversionista desea saber qu alternativa, de las siguientes, es ms redituable:
</) Comprar un Cele a un ao.
/>) Comprar un Cete a seis m eses y cuando se cumpla la fecha de vencimiento
renovar la inversin comprando otro Cetc a seis meses.
Hoy
80
10
l + r,x - -)
[
360 J
( j +r|x J ( I + /| v _ M
360
J 12
360)
D espejando/tenem os:
l + r ,x -
l+nx
Base
Base
-1
( Base
1,2
1+ 0.2332X
/ =
360
360
- ) x | |= 21.93%
180
180
l+ 0 .2 2 2 7 x
360
Por tanto, la tasa de inters forward en este ejem plo es 21.93% . Debido a
las tasas de inters forward se obtienen a partir de las tasas de rendimientos, tambisq
se les conoce con el nombre de tasas forward implcitas.
A continuacin se muestra una grfica con am bas curvas: la de rendimiento^;
la correspondiente de tasas forward , calculadas en una fecha determinada.
81
El reporto
P la z o (d a s )
T a s a s d e re n d im ie n to
1 7 .4 0
1 7 .4 0
1 8 .2 5
1 8 .3 8
14
1 8 .4 3
1 8 .5 4
28
1 9 .5 0
2 0 .4 2
2 0 .8 7
60
2 0 .4 0
91
21 25
2 2 .1 4
182
2 2 .2 7
2 2 .1 0
273
2 2 .8 0
2 1 .4 5
364
2 3 .3 2
2 1 .2 1
T a s a s d e rendim iento
5.4
T a s a s forward
' T a s a s fomar
El reporto
( e l
b o n o ) .
82
Plazo de salida
del reporto
elir
Hoy
en esgQ
-------------
<
p ]a 2 0
r -------------------------w
W
Periodo del bono
<
-------------
5.5
C o ncepto de duracin
+_ _ +_ L
(1 + r )
(1 + r ) '
C o n c e P 10 * >
do n d e
83
dvratn
so n lo s c u p o n e s d e l b o n o , r e s la la s a d e r e n d im ie n to y
VN
e s e l v a lo r
nominal_
. . .
La derivada del precio respecto a la lasa de nteres es la siguiente:
dr
nc.
n xV N
( l + r ) '* '
< l +r )
2c,
________________
3c,
(1 + r )2
(1 +
r >3
(1 +
r )4
\_dP
P dr
2c,
2 -+
1+
1+
(1 +
r )2
3c,
3t +
+-
(1 + r )3
nc
(1 +
+ n*VN
r)'
(1 +
r)
duracin de Macaulay?
P dr
= Dur. modificada
Dur. Macaulay
Duracin modificada =
+ 7
n xV N
+-
P T
(1 +
r)'
(1 +
r)"
D= 1+ r
l + r + [n (C -r)]
[c((l + r ) ' - l ) ] + r
dP
= - D u r . modificada x dr
84
De tal suerte que si las tasas de inters suben 1% (100 puntos base), el bong
sufrira una prdida porcentual igual a la duracin modificada:
Cam bio ( % ) del precio = - Dur. modificada x .01 x 100 = - Dur. modificada.
5.6
C o ncepto de convexidad
r- *p
P dr 2
Una vez que se aplica la segunda derivada en la frmula de valuacin de un
bono y sim plificando algebraicamente, se obtiene la siguiente expresin para calen*
lar la convexidad:
85
Concepto d e convexidad
[2C<l + r ) a( ( l + r r
l + '- + r " j + [ n ( + t ) H ( r - C ) ]
r 2(l + r ) 2 [ c ( ( ! + r ) " - l ) + r
Ejemplo numrico; considere un bono que expira dentro de 26 aos, que paga un
cupn semestral y cuya tasa cupn es 8 % anual y tiene un rendimiento del 6 % anual.
Calculando la duracin con periodos semestrales se tiene:
& _ 1-03
0 03
2x0.04x(1.03T
-0.04)]
C =--------------------
=93116
(0.03>2x<I.03>?).04x(a.03)5M)+0.03j]
86
A% PiDuradrt)= -D* x 0 . 0 l x l 0 0 = -1 2 .7 6 x 0 .0 1 x 1 0 0 = -1 2 .7 6 %
A % />(C o n v eim tirf) = -i'Chjvx(O.OI ) 3 x 232.79x0.0001x1000 = 1.16%
Por tanto, el cambio en el precio total ser = 12.76% + 1.16% = 11.6%
Note que la convexidad siempre es positiva y es buena en la medida que es un
amortiguador contra las prdidas debidas a los incrementos en las tasas de inters*'
La duracin en cambio es negativa y, a mayor duracin, mayor riesgo en el bono.
5.7
E-= - D~ p
dr
donde Dmes la duracin modificada. El cambio porcentual en el precio es cniom
dP
n dr
87
V a R ^ = -F B D mrOr-Jt
donde F es el factor relacionado con el nivel de confianza y B el precio del bono, a
valor presente.
por tanto, la informacin que se requiere para determinar el valor en riesgo de
un bono es la duracin modificada, el rendimiento del bono y su precio. En lo que se
refiere a la volatilidad de rendimientos de tasas de inters, su clculo es muy senci
llo. como se vio en el capitulo sobre volatilidad. Note que en estricto rigor debera
agregarse el efecto de la convexidad en ia frmula del VaR; sin embargo, debido a
que este efecto es marginal, la frmula se simplifica al suponer que la convexidad
es igual a cero.
Ejemplo numrico: si tenemos un bono con duracin modificada de 12.76, un
precio de $101.50, la tasa de inters vigente de 8 % anual y la volatilidad d e rendi
mientos de tasas del 2% anual, el valor en riesgo anual con un nivel de confianza
de 95% ser:
J & .w - !-65X101.5x0.08x12.76x0.02 *=-$3.42 anual.
Lo cual significa que la prdida m xim a potencial con una probabilidad de
95% es de $3.42. que representa el 3.3% del valor del instrumento.
5.8
Calcular el valor presente del bono cupn cero, tanto para activos como
para pasivos (reportos), mediante la siguiente expresin:
1+
r-360
88
E l riesgo en m ercado d e d in #
e t e r m
i n a r
e l
p e s o
e s p e c f ic o
d e
c a d a
i n s t r u m
e n t o
e n
e l
p o r ta f o lio s
c u m g
sigue:
n i*
xt
c)
J)
)
D =-
Plazo
1+
f)
r
360
g)
M C c JH M
F p e r t T 'ft
89
5.9
1 8 2 5?
& M r ^
(A
8
i*
V.
i
CL
>
CM
lO
i 10
<fi
o
pv
(0
fw
5
OJ
O)
u
09
*
0)
rt
<o
o>
3
E 5
q
o
*
w
s*
i e
I
_
#
90
c
3
o
u>
s
(0
91
? " = a l A + ( l - c r ) / fl
El problema consiste en encontrar el valor de ct, es decir, el peso especfico que
se necesita aplicar al flujo de efectivo para descomponerlo en dos. Por otro lado, se
sabe que la varianza del instrumento original es:
Op = a 2a 5 + ( l ~ ) 2o | + 2p a ( l - a ) c , a B
Observe que la ecuacin anterior se reduce a la forma de ecuacin de segundo
grado del tipo:
acP + b a + o - O
2a
a=
+ O a - 1 P M OjOg
b = 2 p , (jjt^Ts 2 <rb
92
x
_ p~A
0 b- O a B - A
Despejando para encontrar el valor de x :
ti A
Por lo cual la volatilidad interpolada al plazo de P ser la suma de la volatilidad
del plazo A m s el valor de la incgnita z calculada:
o p = O a +X
A continuacin se presenta un ejemplo adaptado del documento tcnico de
Risbnetrics (3* edicin). Se tiene un bono con vencimiento de 6.25 aos y se desea
mapear la posicin entre los vrtices de la curva d e los aos 5 y 7; se tendra lo
siguiente:
Volatilidad precio en el vrtice del ao 5 = 0.533.
Volatilidad precio en el vrtice del ao 7 = 0.696.
Volatilidad precio del bono en el ao 6.25 = 0.655.
Correlacin entre las tasas del vrtice 5 con el vrtice 7 0.963.
La ecuacin ser como sigue;
0.6552 = 0.5332a 2+ 0.6962( l - a ) 2+ 2(0.963){0.533)(Q .696)a(l-a)
La cual puede expresarse como:
0.0545aJ -0 .2 5 4 a + 0.055 = 0
La solucin a esta ecuacin es:
-(-0.254) V (-0.254)2-4(0.0545K0.055)
2(0.0545)
ai =4.44
a 2 = 0.2349
93
En la prctica se utiliza el valor de alfa que se encuentra entre cero y uno para
fcaljzar e| mapeo. Una vez que la posicin ha sido mapeada, se procede a calcular el
valor en riesgo de un portafolios (en nuestro ejemplo, de dos posiciones, una con 5
y otra con 7 anos de plazo), de la misma manera como se seal en la seccin
e VaR para portafolios de mercado de dinero.
5.10
A)
<l
(A
*)
/)
g)
A)
A
A
94
Ejemplo
de VaR
en mercado
de dinero
con
mapeo
de p o s ic io n e s :
s?
95
96
5.11
donde:
97
E l riesgo en m ercado d e
98
VaR , = F x P x o , x D x s x * /l
Donde;
Dr -
1 dP
1 dP
y D, - donde P es el precio del bono.
dP _
r~
t_________ x VN
' (l + r + s f ' (l + r + s )*4,1
Notas
99
Motas
I
2.
3.
4.
5.
C APTU LO 6
El riesgo en
productos
derivados
101
El riesgo en productos
derivados
6.1
104
los que desean asumirlo. En el prim er caso se encuentran los individuos o empresa^
que desean asegurar el precio futuro del activo subyacente, as como su disponibili.
dad. mientras que en el segundo estn los individuos o empresas que esperan obte
ner una ganancia que resulta de los cambios en el precio del activo subyacente.
Los productos derivados internacionales son: las opciones, los futuros, los
fo m a rd s , los swaps y las combinaciones entre stos, que se utilizan para fines de
cobertura o especulacin en los mercados.
El crecimiento asombroso de estos mercados se debe principalmente a tres
motivos:
a)
b)
a)
IO S
6.2
106
6.3
C ontratos de
f o
r w
r d
y futuros
Un contrato jorwardo futuro es un acuerdo entre dos partes para comprar-x ender
un bien denominado subyacente en una fecha futura especificada y a un precio previa
mente acordado. Es decir, la operacin de compra-venta se pacta en el presente, pero
la liquidacin (entrega del bien y del dinero en efectivo) ocurre en el futuro.
La diferenciaentre un futuro y u n /b n t 2//v/consiste en que el primero es un central
estandarizado que se cotiza en una bolsa organizada y en el cual se especifican la cali
dad, la cantidad y la entrega del producto, asi com o la vigencia del acuerdo (el precio
del contrato se determina en funcin de las fuerzas del mercado), mientras que el segun
do es un pacto bilateral hiera dla bolsa (extraburstil) y, por tanto, las curacteristio de
la operacin se determinan nicamente entre ambas partes (comprador y \ ertdedr).
En el caso de contratos forward, por lo general se adaptan a las nocestdads
particulares de las contrapartes y normalmente requieren garantas ( lineas de crdi
to o colateral) para reducir el riesgo de incumplimiento entre las partes.
La ventaja primordial al realizar una operacin con contratos forw urd es la
flexibilidad para negociar las caractersticas del contrato, de acuerdo con las propias
necesidades de las partes. Su principal desventaja es, sin duda, el riesgo de incum
plimiento d e alguna de las partes.
En este sentido, no obstante que ia experiencia en Mxico data de las llamadas
coberturas cambiaras", el Banco de Mxico emiti el 17 de marzo de 1995 las rega*
107
par que
bancos pudiesen realizar operaciones con forwards. Estas reglas son
[tipificaciones a la circular 2008/94 expedida por el Banco Central.
En los contratos de futuros, las operaciones deben liquidarse a travs de una
cimera de compensacin que elimina el riesgo de la contraparte, por lo que el par
ticipante debe realizar un depsito de buena fe a efecto de garantizar que la transac
cin se cumpla. Este depsito se denomina margen o aportacin inicial mnima
t \1M). y en caso de que los movimientos en los precios sean adversos al participan
te en el mercado y e! margen depositado originalmente n o sea suficiente, la cmara
je compensacin emitir una llamada de margen", que consiste en solicitar al te
nedor del futuro un depsito adicional que cubra los montos mnimos establecidos
por la propia cmara. Si se incumple la llamada de margen, la cmara ordena al
socio liquidador que cierre todas las posiciones en el mercado pertenecientes al cliente
incumplido.
Es necesario tomar en cuenta que en Jo9 mercados de futuros, en ningn mo
mento desaparece e! riesgo inherente a la fluctuacin de precios, sino que ste se
transfiere de los agentes econmicos que buscan la cobertura a los inversionistas o
especuladores que buscan realizar ganancias extraordinarias en funcin del riesgo
que estn asumiendo. Los inversionistas juegan un papel fundamental en los merca
dos de futuros y opciones, ya que proporcionan la liquidez necesaria para realizar
operaciones fluidas en el mercado.
En el siguiente diagrama se muestran los principales participantes en el merca
do de futuros:
P a rtic ip a n te s e n el m e rc a d o d e fu tu ro s
Empresa vendedora de
contrate [Hedger)
Cm ara de
com pensacin
- |
de
J*
\ fu tu ro y
Especulador
Especulador:
Persona fsica o m oral que no desea c u b rir s u s riesgos, pero co m pra y
vende contratos de futuros co n la esperanza de obtener una utilidad
anticipando el m ovim iento del m ercado o realizando arbitrajes.
Es el receptor del riesgo que n o quiere el Hedger, generando gran
hquidez en el m ercado.
F = 5(1 + r-- )
Base
Donde S e s el valor del bien subyacente y /-la tasa de inters ajustada al plazo del
contrato (la base es 360 o 365 dias). Considere como ejemplo que se desea conocer el
valor de un contrato de futuro de una accin en el mercado que tiene un precio de S40,
un plazo de tres meses y una tasa de inters domstica de 15%:
90
F = $40(1 + 0 . 15 x ) = $41.50
360
Sin embargo, cuando se trata de un futuro de divisas o monedas, la frmula de
valuacin es la siguiente:
1+1r rfX
F =Sx
1 + /v*
B a se
Base
90
l + 0 .1 5 x ()
_________
360
F = $9.50x
= $9,71
90
1 + 0 .0 6 x { j
360
En el caso de las operaciones J o m a n /{en el mercado extraburstil), las cotiza'
ciones no se hacen con base en el precio del futuro conforme a la frmula anterior,
sino con los llamados "puntos j b m a r d \ que se refieren a la diferencia entre el
precio del Upo de cambio spot y el precio del forw ard (a estos puntos tam bin se les
denomina puntos swap). Esto se debe a que el precio del fo m a r d e s extremadamen
te sensible a los movimientos del tipo de cambio spot y los movimientos de ambos
valores son casi de uno-a-uno. En cambio, los puntos /&/-ww a 'so n mucho ms esta
bles. La siguiente expresin refleja los puntos fo rw a rd e puntos swap}
C o n t r a t o s d e forwards y futuros
109
-5
fE = S x
=F -S
110
6-4
f o
r w
r d
Las diferencias entre una operacin de futuro y una de forw ard son muchas, pero
para m edir el riesgo (VaR) tales diferencias no importan; por ello, para medir el
riesgo de m ercado es posible referirse genricamente a operaciones de futuros.
Si se tiene slo una posicin de futuros con .rnm ero de contratos, /fes el factor
que indica e l nivel de confianza y /"e l precio del contrato en el mercado, entonces:
VaR = k c p x F - f i
El problema es que se requiere un mapeo de la posicin en caso de tener un
plazo para el cual no se cuenta con la informacin de las volatilidades. As, si se
tiene un futuro a cuatro meses y las volatilidades y correlaciones con que se cuenta
son las de tres y seis meses, la posicin se deber descomponer en dos posiciones
equivalentes como sigue:
l 7
ve o =
i i +
( l
- a
111
N u m e ro d e c o n tr a t o s =
$10.50 p o r c o n tra to
V a lo r d e l f u tu r o =
$105.00
P o s ic i n =
120
P la z o de l c o n tra to =
das
2 .32
V a R (9 9 % d e c o n fia n z a ) =
C u rv a d e tasas de int.
Ta s a d e Int.
Volatilidad d ia ria
D uracin
8 .0 %
1 .0 %
1 .5 %
0 .1 5 7 3
0 .2 0 0 9
91 das
182 das
1 0 .0 %
M a triz d e c o r r e la c i n
1
0.80
0 .8 0
0 .0 1 2 8 %
0
0 .0 3 0 1 %
M a triz d e v o la tilid a d
0
In te r p o la c i n :
0 .0 1 9 %
Volatilidad a 4 m e se s
1 .1 5 9 3 %
T a s a d e In t Interpolada (4 m e s e s ) =
8 .6 3 7 4 %
M a p e o d e p o s ic io n e s :
C o e fic ie n te s d e e c u a c i n d e s e g u n d o g r a d o :
a *
0 .0 0 0 0 8 5
b -
-0 .0 0 0 2 1
c -
9 .0 6 E -0 5
Alfa i -
0 .55 69 48 74
AHa2.
1 .01 36 39 5
V a lo r p re s e n t e d e la p o s ic i n =
$ 1 0 2 .0 6
V e c t o r d e p o s ic io n e s e q u iv a le n te s :
V ^ . P re se n ta
P e s o s del oortafolies
5 6 .8 4
5 5 .6 9 %
4 5 .2 2
4 4 .3 1 %
1 02 .06
1 0 0 .0 0 %
112
6.5
FRA
tasas de inters
( f o
r w
r d
r a
t e
r e
t s
): futuros de
En esencia, un FRA {forward rate agreement) es un acuerdo entre dos partes, una
de las cuales es el comprador del FRA y la otra el vendedor. Este ltimo acuerda,
otorgar un prstamo al comprador por un monto en particular y a una tasa fija. Por
tanto, en una operacin de FRA se cumple que:
El com prador del FRA es, por tanto, quien adquiere un prstamo a tasa fija y se
protege contra el alza en la tasa de inters. El objetivo del comprador del FRA
podra ser cubrirse ante el alza en las tasas de inters o, bien, especular.
El vendedor del FRA es la contraparte que otorga el prstamo a tasa fija. Por
tanto, el vendedor del FRA estar protegido contra una baja en la tasa de inters,
pero debe pagar al comprador si las tasas de inters suben. AI igual que el compra'
dor del FRA , el vendedor otorga el prstamo para cubrirse de una baja en la tasa de
inters o, bien, especular.
Cabe sealar que el da de liquidacin acordado, las contrapartes se liquida'
rn nicam ente la diferencia eDtre la tasa originalm ente pactada y la tasa que
prevaleci en el mercado cuando el FRA llegue a vencimiento. Un ejem plo podra
servir para entender el proceso de cobertura: una em presa tendr necesidad de
financiam iento de 10 millones de pesos dentro de un mes y por un plazo de tres
meses. Por sim plicidad, considere que el prstam o se realizar a la tasa TIIE (tasa
de inters interbancaria de equilibrio que publica el Banco de Mxico) y que la
THE de 28 dias se encuentra en 15% anual; pero la em presa tiene la preocupacin
de que dicha tasa suba en los prximos meses. Si no se hace alguna operacin,
tendr que enfrentar el riesgo de alza de tasas de inters en el mercado.
Para protegerse contra dicho riesgo, la empresa comprar un FRA para cubrir el
periodo de tres meses, dentro de un mes (en el mercado, ste es un FRA 1 X 3). La tasa
acordada que el intermediario financiero le fija a la em presa es de 15.5%. A esta ta
sa la em presa estara asegurando su costo de financiamiento. Cabe sealar que en el
momento de pactar la compra del FRA no existe intercambio de dinero entre las paites.
Ahora, suponga que la preocupacin de la empresa estaba fundada y la tasa de
inters (T11E) sub; efectivamente en un mes y se encuentra en 17% anual. A pesar
de la compra del FRA, la empresa se financiar en el mercado al 17% por un plazo de
113
tres meses. Esto es. la empresa tendr que pagar intereses de 425.000 pesos por dicho
prstamo. Sin embargo, gracias a que adquiri el FRA, recibir de su contraparte la
cantidad de 37,500 pesos para compensar la diferencia del 1.5% en la tasa de inters.
A continuacin se muestra el diagrama de un FRA en el que se observan algu
nos trminos de la operacin:
subyacente
P ero d o d e l
(2 8 o 9 1 d a s si e s d e T H E )
Fecha e n q u e se
acuerda la tasa
F e c h a d e tasa d e
referencia
V encim iento d e l!
contrato
F e c h a de
liqutdacif
Importe = ------------------------------_
, ,
DlOS.
l + ( t , X - -----)
Base
Donde:
Importe = -----------------------------------
260.=
3 5 ,9 7 1,22
l + ( 0 .! 7 x )
360
Observe que la diferencia de 37,500 pesos contra el resultado de la frmula
arriba sealada se refiere al valor presente de dicha cantidad para ser pagada al
inicio del contrato (esta modalidad se conoce en el mercado como in advance) y no
a' Ormino del mismo.
114
6.6
VN
'/
<
Base
Donde rf , r y rf son la tasa de inters forw ard implcita, la tasa de inters
larga y la tesa de inters corta, respectivamente. Y t/w tL y i son los plazos
forward., largo y corto del FRA, respectivamente. Para el clculo de la tasa forward
implcita, a continuacin se presenta la frmula correspondiente:
V
(1+r x ^
La importancia de la tasa de inters forw ard implcita es crucial, ya que la
diferencia de esta tasa con la tasa acordada del FRA (a valor presente), dar como
resultado la prdida o ganancia no realizada del FRA (a este concepto se le conoce
como marca a mercado ):
Ganancia/Prdida = V N x
Base
Por lo que hace al procedimiento para el clculo del VaR, es exactamente el
mismo que eLutilizado para bonos cupn cero: se m apea la posicin y se determina
el VaR mediante la matriz de varianza-covarianza. Para aclarar esto, a continuacin]
se muestra un ejemplo:
C u rva d a
tasas (anual)
13 00%
13.60%
14 00%
14.60%
15.00%
15.60%
16.00%
16.50%
16.50%
Posiodn en r
Posicin en T
Postaonas equivalentes
800.00
-608.09
Paruvn
Atu v o
Duracin
0 0028
0.0194
Plato
180
146
120
600
P la z o (d a s )
snnctpal
r14*
-608.09
0 .0 3 S 7
0.0768
0.1626
0.2432
0.4677
0.6740
0.6666
0.000175
0.000000
-0.000114
a*
b=
e=
a sa 1 *
M a2 =
0.000175
0.000000
-0.000060
a =
b=
c=
0.806465477
-0.806465477
0.583239346
-0.583239348
M a p e o d e p o s id o n e a :
91
ln d
/V#v0
P as'/Q
6 1 3 .1 6 6
-4 4 2 .5 4 0
-3 1 6 .2 2 2
1 7 0 .6 2 7
-1 5 9 .0 7 6
To ta l
Plazo
182
1 4 7 .1 4 ?
Volatilidad
interpolada
Tasa interpolada al
P&20 de aposicin
VP poKCict:
C o a fio e n del
mapea (ada)
1.84%
1.69%
15.66%
15.81%
760.31
-758.76
0.8065
0.5832
120
148
1
I
14
28
tm o o m o n
9
o
0 ?OGO*9744*
o
0,0iMIJbJ0J>
e
26
tf
VI
0
0
0
0
6
o
P
1*4
T>
**
9
p
0
0
0
0
0
0
0
0
0
1B2
273
QQQO7S4O064
a
e
e
a
eOOnM M
agDDbt46a+
91
SO
Q
364
0
0
0
0
0
0
4
O.OOtJM SlW
B
O
O
0
0
4
0
5
Malriz ds correaoonss:
1
i
1
14
23
60
91
182
273
364
1
0.34
0.83
0.25
0 65
0.87
0.92
0-83
0G8
7
034
1
0.97
031
0.24
0.95
0.67
0.87
0.75
V e c to r d e p o s ic io n e s .
!
7
14
23
69
0
0
0
0
0
14
.t
0.97
1
0.85
0.15
064
0.45
0.72
063
0 .00 %
0 .00 %
0. 00%
0 .00%
0 .00%
91
1 7 0 .6 2 7
1 0 9 9 8 .4 8 %
16 9.0 7 5
1 0 8 3 8 .4 8 %
273
0
0
T o ta l:
1681388415
SO
0.65
064
0.15
0.85
1
0.15
0.8
0.35
nai
91
6.?
0.95
0.64
0.33
0.15
1
0.75
065
0.66
182
0.87
0.45
0.25
0.8
0.75
1
06
0.37
273
0.63
067
0.72
0.65
0.35
o .a
0.2
1
0.56
384
d.
0.75
063
0.6S
0.81
0.86
067
068
1
Pesos:
182
334
29
065
061
0.83
1
0.85
0 63
0.25
0.65
0.66
Volatilidad a
VaR (5 das) a
8.14%
8 06578 millones
0 .00%
onn%
1 0 0 4 %
115
116
6.7
C ontratos de opciones
g r a t o s d e opciones
117
<,ue n
e n eel caso de los futuros y, por tanto, son mejores.
jue
cu
J -----Los contratos de opciones contem plan un precio de ejercicio del subyacenun periodo de expiracin para ejercer los derechos del contrato y a su precio se
i? denomina prima. Dicha prim a estar en funcin del periodo de expiracin dpi
J U
. t . t
11
i..*-..
, ._
c o n t r a t o , de la volatilidad de los rendim ientos del subyacente, de la relacin entre
e subyacente y el precio de ejercicio y de la tasa de inters libre de riesgo, principalmenie.
Para adquirir una opcin, el tenedor tendr que pagar ai vendedor una prima,
cuyo valores muy inferior al monto nocional. Ms adelante se explica la frm ula de
Black-Scholes para determinar el valor de dicha prima. El vendedor, por su parte,
recibir la prima y no la devolver al comprador en ningn caso. Si el comprador no
ejerce su derecho, perder la prima.
A continuacin se muestra el perfil de prdidas o ganancias que presentan las
opciones de compra y venta:
Posicin la r g a
+
P recio d e
ejercicio (K )
Prim a
C
M ercado:
precio de l bien
{
-
subyacente (S )
Valor intrnseco d e la opcin * m x (S -X .O )
Precio de
ejercicio (/O
M ercado;
precio del bien
subyacente (S )
118
E l riesgo e n productos d e n ^
M ercado:
precio del bien
subyacente ( )
option)
M ercado:
precio del bien
subyacente (S )
Note que la compra de una opcin de venta es una posicin corta, porque a
pesar de esa "com pra, el perfil de prdidas y ganancias del bien subyacente es de
posicin corta. En el caso de la venta de una opcin de venta, se trata de una posi
cin larga, en virtud de que el bien subyacente tiene este perfil.
6.7.1
Estrategias de cobertura
Covered cali
119
C ^ o s d e opciones
- r0{ecthV pul consiste en adquirir una opcin de venta cuando se tiene una
n larga en algn instrumento (bien subyacente):
posic<
6.7.2
C = S N { d , ) - K e n N{dz)
o V/
d i = d \~ o 4 t
donde:
120
t periodo de ia opcin,
o = volatilidad del bien subyacente,
y M.2) = valores que corresponden a la curva de distribucin normal
acum ulada (el rea bajo la curva).
Supuestos del modelo Black-Scboles:
a)
b)
c)
d)
e)
y)
0.15 +
0.10
x0.25
= 2.4198
0.10xV(L25
d 2 = 2 .4 1 9 8 -0 .1 0 x a /o !2 5 = 2 .3 6 9 8
M_dx) = 0.9920
= 0.9909
Contratos d e opciones
121
C= 0.9920 x 38 - 35 x 0.9909 x r
* * 0 >$ =
4.29
Ntese que se trata de una opcin muy valiosa (su valor es 11.29% del subya
cente) en virtud de estar dentro del dinero. Tambin vale la pena sealar que la
p r o b a b i l i d a d de que la opcin termine dentro del dinero es
- 0.9909.
Existen modificaciones al modelo de Black-Scholes: para el caso de acciones
que pagan dividendo, el modelo se conoce como Miller. para el caso de monedas o
tipos de cambio se denomina Garman-Kolhgahen; y para el caso de valuacin de
opciones de tasas de inters, el modelo es el de Black."
Un modelo alternativo es el de Cox y Rubinstein, tambin denominado modelo
hnotnil. que parte del concepto d e replicaran. Es decir, que una opcin de com
pra puede ser reproducida sintticamente mediante la posicin larga en el subya
cente adquirida con la emisin de un bono o instrumento de renta fija. Este modelo
es aplicable a opciones americanas.
6.7.3
Se muestra que con el valor de la opcin cali, con un cierto precio de ejercicio
A'y cierta lecha de vencimiento t, se puede deducir el valor de una opcin p u l con el
mismo precio de ejercicio y misma fecha de vencimiento, y viceversa.
Delta
ftC
At = ~ = N { d d
Uc la misma manera, la delta de una opcin de venta (puiopron) es la siguiente:
122
6 .7 .4 2
G am m a
Y'~ d s 2 ~ dS
donde: N y = j k e^
100
110
T = 0.5
/= 0.08
= 0.3
6 .7 .4 .3
Theta
123
Contratos d e opciones
0 c=
| =
|2 -Jt
di
Los operadores de opciones rara vez calculan la theta, Prefieren recalcular el precio
de la opcin con un da menos al vencimiento. Esto es ms prctico y ms intuitivo.
Para entender el significado d e esta variable, la theta en el ejemplo arriba nencionado arroja un valor de 11.37, lo que significa que el precio de la opcin dismi
nuir en 11.37 por cada reduccin en un ao del plazo de la opcin; por tanto, en un
dia el precio se reducir 11.37/365 = 0.0312.
6.7.4.4
Rho
Pt = ^ ! K e n N{di)
or
6.7.4.S
Vega
V c =
6.7.5
8a
Syfi N i d t )
dx =
di-di-a-Jt
124
D o n d e;
di =
7$
d i = di B'Jt
Donde:
$. 7,6
00,ratos d e opciones
125
Donde / 'e s el precio futuro del valor subyacente y los dems parmetros son
los que se especifican en el modelo de Black & Scholes.
A continuacin se muestra un ejemplo para la aplicacin de la frmula d e Black:
Sea una opcin cuyo subyacente es la THE de 28 dias, su plazo es de 3 meses
(0.25 de ao), la volatilidad del subyacente es de 18% anual y el precio d e ejercicio
es de 9.5% anual. Asimismo, las tasas de mercado a los plazos de 1, 28, 91 y 119
dias son 6.5%, 7.5%, 8.0% y 9.0%, respectivamente.
En primer lugar, se determina la tasa de inters forw ard t e 91 das hasta 119
dias (91 dias + 28 dias):
F -
= 2.6777
O .I8xV 25
126
6.7.7
u S con probabilidad q
Valor del
subyacente (
d S con probabilidad
1-
<
Cu = mx(0, u S - )
C dmx(0, d S )
Contratos de opciones
127
<
Si se igualan los valores del portafolios al final dei periodo con los de la opcin
A=
y s =
Cu-Cd
{u-d)S
v C d - dCu
(u-d)r
c _ pC u + ( \ - p ) C d
r
n
tl d
Donde p = -----, q = err y /yes la tasa libre de riesgo. Note que p siempre
ser positivo y menor que la unidad, por lo que de hecho se considera una pro
babilidad, es decir, p es el valor de la probabilidad q si el inversionista fuera
Cutral al riesgo.
Esta frmula tiene importantes caractersticas. En prim er lugar, la probabilidat* q no aparece en la frmula, lo cual significa que funciona aun si diversos
128
d 2S
Cuu = mx[ 0, u2S - K\
Cud = mx [ 0, duS - K \
Cdd = m x [ 0, d 2S - K ]
De manera semejante al procedimiento que se sigui para un periodo, se lace
para dos periodos y se obtienen las ecuaciones siguientes:
Contratos d e opciones
3 9
mx(Cj,dS-K)
Lo anterior es para los nodos del segundo periodo, pero para los dem s nodos
e s igual.
Una vez explicado el modelo binomial. vale la pena realizar un ejemplo: consi
dere una opcin cuyo precio de ejercicio es de $42, el valor del subyacente d e $40 y
[a volatilidad def subyacente de 10% anual. La tasa libre de nesgo es de 15% y la
vigencia de la opcin es de tres meses (desde el 1 de enero hasta el 31 de m arzo del
2 0 0 1 ).
Ca
Precio
$40
T i
0 .3 4 7 5 2
V a lo r
p re cio O e s je r d t t o
$42
d t-
0 .0 4 0 4 4
D e l la
tm o o
01/01/20(31
1 .0 2 2 4 9
Qam m a
Exprreciii
31/030001
d -
0 .9 7 8 0 1
Th e ta
$0.57
0.31
0-20273
-2.8728
Put
$ 4 4 ,7 0
$ 2 .7 0
$3.00
-0.92
0.0834
$ 0 .00 ,
$ 4 3 .7 2
l s e d e n te r*
1 5 .0 0 %
a -
1 .0 0 7 4 4
$2.03|
VoUM xJad
10 .00%
0 .00%
p -
0 .8 6 1 8 2
$0.001
Ondendos
$ 4 2 .7 6
$42.76|
S 1 .5 ft
$0 .?ft
$0.00
S0.12
l
I
I
$ 4 1 .8 2
$ 1 .1 0
$ 0 .4 5
$ 4 0 .9 0
$ 0 .7 8
$ 1 -1 0
Prado
C a
Put
S 4 1 .B 2
y
$ 4 0 .9 0
i,
$ 4 0 .0 0
$ 0 .5 7
$ 4 0 .0 0
$ 2 .0 0
$ 2 .0 0
$ 0 .2 2
$ 0 .3 3
$ 1 .1 0
v
-,rHi
,
1 '
$ 3 9 .1 2
$ 3 9 .1 2
S 0 .4
$0.00
$ 2 .6 8
$ 0 .5 0
$ 0 .3 7
$ 4 0 .9 0
$ 0 .0 0
*1.
$ 1 .1 0
$ 4 0 .0 0
$ 0 .0 0
$ 2 .0 0
$ 3 9 .1 2
$ 0 .0 0
$ 2 .8 8
$3826
$ 0 .0 0
$ 3 .7 4
$ 2 .8 8
$ 3 8 26
$ 0 .0 0
$ 3 .7 4
$ 3 7 .4 2
$ 3 7 .4 2
$ 0 .0 0
$ 0 .0 0
$ 4 .5 6
$ 4 .5 8
$ 3 6 .6 0
$ 0 .0 0
$ 5 .4 0 ' l -.
130
6.7.8
Valor d e un a o p c i n am ericana p a ra d iv is a s : m o de lo
d e B a ro n e -A d e s i & W haley
Para calcular el precio de una opcin americana para divisas se utiliza la aproxjfj^
cin Barone-A desi & W haley (BA W ), que se basa en el modelo de G arm a
Kohlhagen para opciones europeas, descrito anteriormente.
Considerando que una opcin tipo americano se puede ejercer en cualquier
ment antes de su vencimiento, se han desarrollado varios modelos que permiten del,
minar una aproximacin al precio de la prima de sta. Uno de estos modelos, con amplio
reconocimiento en la bibliografa especializada, es la aproximacin Barone-Adesi &
Whaley (BAW). Este modelo permite determinar el precio de una opcin americam
tomando como base el modelo Garman-Kohlhagen y su formulacin es la siguiente;
s ' r-
C (S) =
e ( S ) + ,^ p - J
\S< S
S-X \S> S
donde:
( ) = precio del ///americano valuado usando la aproximacin Barone-Ai
Sl Whaley.
(.) = precio del ///v alu ad o por el modelo Garman-Kohlhagen.
S ' ~ tipo de cambio critico arriba del cual la opcin debe e je rce r antes de!
vencimiento; se estima haciendo uso de mtodos numricos al resolver
la siguiente ecuacin:
P(S) =
s") 1
X -S;SZS'
donde:
31
rtBps d e ta sa d e inters
X -
p {S " y -
r,
2r
= -
-< 0
Y,
>2 4a
rj*
=-
' r '
a ff
(r) = l - e _r
6-8
de tasa de inters
132
E l riesgo en productos d e r iv a ^
f = VNxrx
Donde:
. Base
^ d
tasa d e inters
133
Donde:
F'y r'~
/~
ffta v -
Principal
Tasa fija
Tasa flotante
THE de 28 das boy (2001)
Convencin de dias/ao
Techa de firm a del contrato
l echa efectiva de inicio
l echa de vencimiento
Frecuencia de pagos
$t00'000,000
15%
THE de 28 das
12%
360
Febrero 4,2001
Febrero 6 , 2001
Febrero 6 , 2006
Anual (febrero 6 de cada ao)
Suponga que la tasa THE de 28 das ser 13%, 14%, 15%, 16% y 17% en los
sucesivos prximos cinco aos. La siguiente tabla ilustra los flujos de efectivo que
s Presentan en este ejemplo, desde el punto de vsta del que paga tasa fija:
134
D a s
T asa
del a6o
f lo ta n te
F lu jo s d e
T a s a f ij a
F lu jo s d e
ta s a
t a s a flo ta n te
fija
F lu jo
n e to
1 5 .0 %
6 -F e b - O l
365
1 2 .0 % ^
6 -F eb -0 2
365
1 3 .0 %
1 2 ,1 6 6 ,6 6 6 .7
1 5 .0 %
1 5 ,2 0 8 ,3 3 3 .3
-3 ,0 4 1 ,6 6 6 .7
6 -F e b -Q 3
365
1 4 .0 %
1 3 ,1 6 0 ,5 5 5 .6
1 5 .0 %
1 5 ,2 0 8 ,3 3 3 .3
-2 ,0 2 7 ,7 7 7 .8
6 -F eb -0 4
365
1 5 .5 %
1 4 ,1 9 4 ,4 4 4 .4
1 5 .0 %
1 5 .2 0 8 ,3 3 3 3
-1 ,0 1 3 ,8 8 8 .0
6 -F eb -0 5
366
1 6 .0 %
1 5 ,7 5 8 ,3 3 3 .3
1 5 .0 %
1 5 ,2 5 0 ,0 0 0 .0
5 0 8 ,3 3 3 .3
S -F e b -0 6
365
1 7 .0 %
1 6 ,2 2 2 ,2 2 2 .2
1 5 .0 %
1 5 ,2 0 8 ,3 3 3 .3
1 .0 1 3 ,8 8 8 .8
Note que el flujo de tasa fija es diferente en el ao 2005. Esto se debe a que la
convencin establecida para este swap fue de 360 das y en el ao 2005 aparecen
366 dias. Tam bin es interesante observar que la parte que paga tasa fija es el deu
dor neto los primeros tres aos y es el acreedor los dos ltimos aos, como conse
cuencia del alza en la tasa flotante THE de 28 dias. ste es un swap tpico conocido
como p lain vani!la swap
Es importante subrayar que los pagos de tasa flotante se realizan conociendo
la tasa por adelantado. Es decir, que la tasa TIIE conocida hoy (del 12%) sirve de
base para el pago dentro de un ao, y as sucesivam ente. Debido a que las lasas
flotantes no se conocen desde que se pacta el swap, es necesario, para propsitos
de valuacin, estim ar las tasas/&/'wwtf'y suponer que se cumplen, como se indica
a continuacin.
6.8.1
Si la posicin del swap es larga, su valor debe calcularse con el valor presente de los
flujos netos del swap de la siguiente manera:
135
Si (a posicin dei swap es corta, su vaior debe calcuiarse con el valor presente
de los flujos netos del swap de la siguiente manera:
...
V n io r ^ =
{f ~ F )
-----T T T
r tl+ r , x -
Donde:
alar
- valor del swap.
n - nmero de periodos que componen el swap.
r - tasa spot para el periodo t.
- nmero de das por liquidar del periodo valuado.
Base - convencin de nmero de das al ao (360 o 365).
En la siguiente pgina se m uestra un ejem plo en la valuacin de un sw ap de
tasas de inters considerando 2 aos de plazo, pagos trim estrales y la tasa THE
de 28 dias com o referencia para la tasa flotante. El ejem plo est realizado desde
la perspectiva que la contraparte A paga tasa fija y B paga tasa flotante (vase
pg. 136).
6.9
VaR de
de tasa de inters
AA
2 n
rr ?i
cp !q
eo>
n
O) o
c*s ib
o O v
S S S fe 8 w 3j
8 8 8 8 8 8 $:
saassss:
<0
sc
3
1 to
O
^s srtg
8 $' 8
p>nnn
. ^
. Q a^s 10 oU>9f*-.
tiI
N n m n w r tto c )
fJ S S S ^ S R ia
UJ
tw r*-.
P
*
f. r*
5 Si
_ fNrt ' t i k e
Q) 0) 0) Q) O) 03 O O)
a
136
137
d e d iv is a s
os aos, con la tasa de mercado a ese plazo que es de 5.93%, resulta un m onto de
91 millones. Esto es en intercambio de un flujo de 100 millones en un ao, que
^contado a valor presente a la tasa de 5.81% da 94.91 millones.
En la pgina siguiente se presenta el ejercicio para Jos cinco aos. Finalmente,
la v o l a t i l i d a d del portafolios de FRA se obtiene de la manera usual con la matriz de
vrianza-covarianza y el vector de posiciones. E l valor en riesgo se obtiene simple
mente multiplicando el factor de nivel de confianza, la volatilidad, la posicin toia
y |a raz del horizonte del VaR.
04
V = S B e- B
Donde Ves el valor del swap de divisas, 1el tipo de cambio spot expresado en
numero de unidades de la moneda domstica p o r unidad de moneda externa. B e el
yalor presente de los bonos cupn cero (pagos del swap) en moneda extem a y B d
e' y,alor presente de los bonos cupn cero en moneda domstica.
Por lo anterior, el valor del sw ap estar determinado por la estructura de tasas
cn la moneda domstica, la estructura de tasas en la moneda extem a y el tipo de
cambio spot (vase pg. 138).
100
P la z o d e ! con tra to =
T a s a fija a c o rd a d a
T a s a flotante a co rd a d a =
5
6 .6 0 %
Libor
M o n to del c u p n
P la zo
P osicin e n P o s to n e n T -
FR A; 1 X 2
S 6.50
C u r v a de
ta s a s (a n u a l)
Volatilidad d e
P osicin e n
ta s a s (d ia ria )
P osicin e n
1
2
5 .8 1 %
5 .9 3 %
6 .0 3 %
0 .4 2 0 6 %
0 .6 3 5 2 %
6 .1 3 %
6 .2 2 %
0 .8 4 5 5 %
1 .0 3 8 6 %
FR A : 0 x 1
V P d e p o s. equiv.
0.00
-1 0 0 .6 5
m illones d e p esos
a o s
t
T
94.51
94.91
FR A : 2 x 3
0 .2 0 1 7 %
Posici n e n =
8 9 .1 2
Posici n e n 7
-8 9 .3 3
FR A ; 3 x 4
Posici n e n f =
Posici n e n
6 3 .8 8
T-
-8 3 .9 5
F R A :4 x 5
f t s id n en
t=
78.82
Posici n e n T .
-7 6 .7 7
1
2
3
4
5
020%
0
0
0 .4 2 %
0
0
0
Vector d e posicin
1
1
2
3
4
1
0.697
0.866
0.866
0.655
P esos:
-6 .1 4
2
3
-5 .7 9
6 .0 6 %
5 .7 2 %
-5 .4 5
5 .3 8 %
-5 .1 2
-7 8 77
101.28
5 .0 6 %
7 7 .7 7 %
1 0 0 .0 0 %
Volatilidad =
0 .9 1 8 3 %
V a R (5 d a s ) =
$ 4 .8 4 6 0 m illones
138
0
0
0
0
0 .6 4 %
0
0
0
0
0 .8 5 %
0
0.897
1
0.990
0.886
0.990
1
0.866
0.980
0.980
0.970
0.990
0.990
0.865
0.970
0-990
1
1
0990
1
1
0
0
0
o'
1.04%
139
Notas
A. continuacin se muestra un ejemplo numrico de un swap de divisas pesodlar, en cuyo caso ambos flujos son flotantes:
VaJuactn d e S w a p d e divisas
1 0 0 m lto n e s
M onto nocional e n p e s o s *
9 5 0 m ito n e s
T ip o d e c a m b io (peso/dlar) -
Tasas
en
D a s
Tasas
F lu jo s o
to r w a id
pesos
9 .5
D ia s
Tasasen
Tasas
F lu jo e n
R u j o n e to
d la re s
f o n v a rd
d la re s
e n peso s
p eso s
V a lo r
p r s e n le d e l
ilu to n e to
192
6 -5 0 %
6 .5 0 %
3 1 .2 1 9 1
182
2 .3 0 %
2 .3 0 %
1 .1 6 2 8
2 0 .1 7 1 7
1 9 .5 2 9 9
364
1 1 . 00%
1 5 .0 1 %
7 2 .0 7 4 6
364
2 .4 4 %
2.
1 .2 8 9 3
5 9 .8 2 5 9
5 3 .8 3 7 9
546
1 1 .5 0 %
1 1 .2 5 %
5 4 .0 2 5 6
548
2 .4 5 %
2 .4 1 %
1 .2 1 8 7
4 2 .4 4 8 8
3 6 .1 4 4 4
728
1 2 .4 3 %
1 2 .9 6 %
622422
728
2 .5 0 %
266%
1 .2 9 1 7
4 9 .9 7 0 8
3 9 .9 3 3 1
1 4 9 .4 4 5 3
Notas
1.
2.
3.
4.
5.
Prximamente el Mexder listar el contrato del Bono de tasa fija que emite el
Gobierno Federal.
Gallz C. Lawrence. Financia / Engineering: Tools andtechniques to rnanage
financia! risk. Irwin, 1995.
ibitL
Ibid.
Es importante destacar que una opcin de compra (caiioption ) se puede repli
car con la adquisicin del subyacente, mediante un prstamo; por ello, es vli
do que CAS+ B, donde A es el nmero de subyacentes adquiridos &un precio
.S'y mediante un prstamo con valor de B.
Note que para simplificar la frm ula se estableci que r - 1 + rr donde rf es la
tasa libre de riesgo.
C A P T U L O 7
Modelo Montecarlo
4
141
Modelo M ontecarlo
7.1
Generacin de escenarios
= f jd t + o d z
donde
d z= e ,-J d i
^ Pr tanto, = id t+ c ,-Jch , donde p es la media de tos rendimientos y o la
. ,
s
Aviacin estndar de los mismos.
f l modelo de W iener indica que los rendimientos de un activo (*% ) estn deltfmi"tadoS por un componente deterministico (p#) y un componente estocstico
143
144
( a e ,4dt
s ' Sl 1- sA i+ a <-(&
Si -1
despejando el precio del activo en el tiempo /, se tiene:
S, = S , - 1 +
+ 0 , J a )
Como se puede observar, sta es una ecuacin recursiva. Para crear escenarios
basta con generar nmeros aleatorios (alrededor de 10 ,0 0 0 ), y para determinar el nue
vo valor del activo, es claro que depender del valor obtenido en el periodo anterior de
manera sucesiva. El valor de la media y de sigma permanecen constantes. A continua
cin se presenta un ejemplo de una simulacin de cinco das de plazo.
M edia d e rendimientos =
0 .0 6 %
D a
1 .4 3 %
5 4 ,49 8.00
Random
5 4 .49 8.00
(0 .7 3 )
(533.86)
53,964.14
0.12
125.52
54,069.65
(0 ,1 6 )
(86 .9 0)
54 ,00 0.76
0 ,1 0
108.89
5 4 ,10 9.64
(1 .0 8 )
(80 2.89)
5 3 .30 6.76
0.68
549.66
G e n e ra c i n d e u n e s c e n a rio
5 5 .0 0 0
0
1
5 4 ,5 0 0
f
_ 5 4 ,0 0 0
fe 5 3 .5 0 0
5
5 3 .0 0 0
\a&
e n n e s g o p a ra u n activo c o n el m o d e lo Monteselo
145
6 0 .0 0 0
O
O
P
5 5 .0 0 0
i
s
o
5 0 ,0 0 0
4 5 .0 0 0
Das
Histograma de frecuencias
Rangos
146
7.3
5.ti = 5 ,c x p {r ~ ) l + o 4 te ,
Donde i" es el precio del valor subyacente en el p recio/, r a tasa libre de riesgo
compuesta continuamente y sigma al cuadrado la varianza del valor subyacente.
Esta simulacin permite estim ar el valor intrnseco de la opcin para cada esce
nario a valor presente, es decir, para una opcin ca li se tiene;
g ( j) = e~"mx(S - K,0)
Donde K es el precio de ejercicio de la opcin.
El promedio aritmtico de los valores obtenidos en esta funcin es el valor de la
opcin cali:
1
n
7.3.1
VaR d e un a o p c i n c o n m o d e lo M ontecarlo
Para calcular el valor en riesgo de una opcin se requiere determinar una serie de
tiempo de prdidas y/o ganancias simuladas. Para lograr este objetivo y una vez que
se han generado los escenarios en una cantidad suficiente (5,000 a 10,000). las pr
didas y/o ganancias se obtienen de la siguiente manera:
Prdidas/Ganancias = g ( s ) - g (s)
Donde g(s) es el valor intrnseco de la opcin, es decir, el valor de la opcin
simulada, y g(s) con barra en la parte superior es el promedio de los valores simula*
dos, es decir, e! precio de la opcin obtenido con el modelo Montecarlo. Note
gid) cam bia con cada escenario, mientras que g(s) con barra en la parte superior e5
147
[T i7 u 7 ~ d e l
r l tie m p o
'ZT____, a ie r u t e to
-
------i - - ---------
---|
D e l =
0 7584
P re c io B - S =
01
0 7010
P re c io M o n i s r t o =
01
N (d 2 )
0 .6 9 1 8
1449
14 4 6 97
1 0
98 0
m e d s S "
110 4 8 2 6
s i aev a* s
22 42 80 3
---------
100 0
02
S im u l a c i n
VaR =
14 4 6 9 7 2 6 4 3
Vaky
I n t r n s e c o
P r t d a s / Q s n s n c lM
111 6 0 9 5
12 3144295
131 1 0 4 8
29 9S44828
1 5 .4 8 4 7 5 6 4 1
111 8 S 5 2
1 2 5638301
-1 .9 0 5 8 9 6 2 9 3
127 3273
2 6 5363955
6 6 .3 9 3 7
1 2 9 .8 9 1 6
2 8 .8 5 6 7 2 1 2
14 3 8 6 9 9 4 7 7
1 0 7 .2 4 6 3
9 36639258
-6 .1 0 3 3 3 3 8 5 2
7 9 .9 9 0 6 3
1 4 4 6 9 7 2 6 4 3
1 3 1 .1 0 6 9
2 9 .9 5 8 2 0 5 2
1 5 .4 8 8 4 7 8 7 4
10
1 5 2 .3 5 8 1
4 9 .1 8 5 2 0 9 3
34 71548287
-2 .1 5 5 2 9 6 6 6 5
1 2 .0 6 6 8 6 9 1
-1 4 .4 6 9 7 2 6 4 3
148
7.4
7.4.1
D e s c o m p o s ic i n d e C h o le s k y
CT12
.OH
02.
donde 0 = c a .p u
y sean A y A r \as siguientes matrices de 2 X 2:
Ol
.0
012
022.
U
I_GI2
0 '
022.
o]
012
r ,
.021
02.
[ o i2
0 '
O l
0 :2 . . 0
Ol2
022.
149
M ontecsrlo estructurado
bien:
O!
O I122 [
afi
d iifln
Jai
C ii j
L < Jlia21
C/2 + f l 2 2 .
ll-VCT? CTl
OT = fln
_ (T u _ P n
1=5 12 ~
(T |2 1I12
CTl
2_
, 2
T : O l + fl22 ^
Q \ O j ____
K 12 O 2
(Ti
022
Una vez que se cuenta con los elementos de la matriz A, podemos ver que la
matriz de varianza covarianza se descompone de la siguiente manera:
O]
0___
P i;<T l
1=
PllTl
O l / l P i;
<7f
( T i( 7 P i2
P h <Ti .(T
(72
Pl
Una vez que se ha explicado el procedimiento recursivo para obtener los ele
mentos de la matriz A, en una matriz de dimensiones de 2 x 2, a continuacin se
establece un resultado ms general para una m a tr iz d e n X n . Sean / y / l o s ndices
que denotan los renglones y columnas de la matriz, los elementos de la matriz A
estarn dados por:
r vr
a\ 1L
*.1
-1
o -'
D o n d e /= /+ 1. / +
au ^LatkQik
Un
*-1
2 , . . . /?.
150
Notas
Huil C. John. Opfiorn, Futures an d other derivativos. Prentice Hall, 1997, pp
210-217.
2. Para m s detalles vase Gemmill Gordon. Options Pricing: A n internationdt
perspecte. McGraw-Hill. 1993, pp. 94-98 y 143-146.
3. B oyle, Phelim P. Options: A M ontecarlo approack. Journal o f Financial
Economics 4. pp. 323-338.
4. Se realizaron 10,000 escenarios pero por razones prcticas slo se muestran 10.
1.
C AP TU LO 8
b a
Pruebas de
c k t e s t i n g
y
s t r e s s
t e s t i n g
151
Pruebas de b a c k te s tin g y
s tre s s te s tin g
8.1
153
154
a)
En 1987 se registr una cada estrepitosa del Dow Jones, de tal suerte que
del 13 al 19 de octubre este ndice dism inuy 31%. El ndicc Nikkci dismi
nuy 620 puntos y el IPC mexicano perdi 22% en un da.
b) En 1990 el ndice de tasas de inters de Lehman Brothers disminuy 22.86%
entre julio y diciembre, provocando la quiebra de la firma D rexel Burnham
Lamberi y la bancarrota generalizada de las llamadas Savings andLoans,
c) En 1994, de manera inesperada, la FED de Estados Unidos anunci un
incremento en las tasas de inters de 250 puntos base (2.5%). El banco
alem n M etallgesefschaft perdi 4.000 m illones de dlares; Kidder
Peabody3,000 millones de dlares; Orange Countyquebr, perdiendo 1,640
millones de dlares; y Procter an d Cambie perdi 1 00 millones de dlares
en posiciones de productos derivados. La tasa del FED en febrero de 1994
era de 3%; para noviembre pas a 5.5%.
d) En 1994 la crisis mexicana elev las tasas de inters a niveles de 13 a
48.7%, por lo cual el sector financiero se acerc al colapso un ano despus.
El peso se devalu en ms del 100%, el IPC de la bolsa disminuy 20% y
las correduras ms importantes perdieron millones de dlares; por ejem
plo, Bankers Trust sufri una prdida de 157 millones de dlares.
e) E 12dejuliode 1997 se registr una crisis en el Continente Asitico. La mone
da coreana, el won, se devalu 47.44% contra el dlar; la rupia de Indonesia
se devalu 55.9%; el ringgit se depreci 34.8%; el peso filipino disminuy
su valor en 283% . Los 10 bancos ms importantes de Hong Kong se declara
ron tcnicamente en quiebra con deudas de ms de 400 millones de dlares.
/ ) El 17 de agosto de 1998 Rusia se declar en insolvencia e incumpli con ais
compromisos crediticios. El Dow Jones cay 4%. George Soros, uno de los
m s importantes inversionistas internacionales, perdi 4,000 millones de
dlares en inversiones hechas en mercados emergentes. En este mismo ao
las tasas de inters en el mercado mexicano registraron un incremento del
50% y el peso se devalu 15.4% del 17 de agosto al 10 de septiembre.
g) El 23 de septiembre de 1998 se registr una crisis de liquidez en los mer
cados y la FED autoriz un apoyo de 3,500 millones de dlares al fondo
denominado Long-Term Capital Management, un fondo de cobertura que
perdi el 52% del total de sus activos y con exposicin de riesgo de ms de
900,000 millones de dlares. En esta crisis, Salomn Smith Bam ey perdi
300 millones de dlares, Citicorp 200 millones de dlares y la empresa
U BS6 00 millones de dlares.
Para m odelar las prdidas potenciales ocasionadas por eventos extraordinario5como crisis o catstrofes, el consenso en el m ercado actual es la realizacin de
pruebas de stress o de valores extremos.
155
8.2
ta-market.
Se debe com parar peridicamente el valor en riesgo observado ajustado a
un da con las prdidas y ganancias diarias (el Banco Internacional de Pa
gos -BIS- recomienda que esta prueba se realice trimestralmente utilizan
do 250 observaciones, es decir, una ventana de un ao).
156
2.
4.
- PY ~ Y
Z = - 2 M ( I - / ) rV ) + 2*(( 1 -
(N !7 )y ~ \M 7 Y )
c
p
N
= nivel de confianza.
= probabilidad de error.
- nmero de veces que se excedi el lmite de VaR sobre A lias.
A/7= frecuencia en la que las prdidas exceden el VaR.
R e g i n d e n o re c h a z o p a ra e l n m e ro d e o b s e rv a c io n e s fuera d e Vafi, N .
N iv e l d e
7=
1000 das
p ro b a b ilid a d , p
T = 2 5 5 d a s
7 = 5 1 0 d a s
0 .0 1
N < 7
1 < N<11
0 .0 2 5
2 < N < 12
6 < N < 21
15 < N < 36
0 .0 5
6 < N < 21
16 < N < 36
3 7 < N < 65
0 .0 7 5 ,
11 < N < 2 8
2 7 < N < 51
0 .1 0
16<N c36
36 < N < 65
Tabla d e K upiec
4 c N < 17
__
5 9 < N < 9 2 __ _
81 < N < 1 2 0
157
B a c k te s tin g c o n v o l a t i l i d a d d i n m i c a (1 9 9 8 * 1 9 9 9 )
O b s e rv a c io n e s fu e ra d e l V aR =
T o tal d e o b s e r v a c i o n e s =
E f ic ie n c ia d e l m o d e lo -
13
5 01
9 7 .4 1 %
158
Total d e observaciones =
SO I
9 8 .6 0 %
N m ero d e excepciones
0
1
V erde
2
3
4
5
6
Am arilla
7
8
9
Roja
10 o
m s
Notas
159
E n f o q u e d e l B IS
I n c r e m e n t o e n e l V a R d e r i v a d o d e l B a c k te s tin g
Zona
V e rd e
A m a rilla
R o ja
N m e ro d e e x c e p c io n e s
I n c r e m e n to e n c a p ita l
40%
50%
65%
75%
85%
10 o m s
100%
Notas
1 Jonon, Philpe. Valu at risk. Ed. Irwin, p. 95.
2. Se recomienda leer el documento del Comit de Basilea Supervisory Framework
la r the use o f "Back testing in Conjuction with the interna/ models approach
to Mu ricet R isk Capital Requirements, 1996.
C A P T U L O 9
Modelos de riesgo
de crdito
161
Modelos de riesgo
de crdito
9.1
164
DE
CRDITO
T R A D IC IO N A L
Negociadores (caractersticas y
cernidores Os) Bnanelamlenlo)
ANLISIS
4.
5.
165
En adicin a las cinco Ces descritas, es conveniente tomar en cuenta el nivel y volati
lidad de las tasas de inters. En periodos en que las tasas de inters muestran estabili
dad y niveles bajos, el rendimiento esperado de un prstamo puede aum entar y la
probabilidad de incumplimiento es baja, mientras que en periodos de alta volatili
dad y niveles altos de tasas de inters, los rendimientos esperados de un prstamo
lii-nden a disminuir y la probabilidad de impago aumenta. Esta relacin inversa
(altas tasas y bajo rendimiento esperado) se debe principalmente a la posibilidad de
que los buenos acreditados propaguen sus prstamos ante el alza de tasas de inters
y decidan financiar sus proyectos con recursos propios.
El proceso crediticio tradicional es un complemento de las nuevas metodo
logas basadas en tcnicas estadsticas; sin embargo, en crditos al consum o (tar
jetas de crdito, crditos hipotecarios, etc.), el anlisis de crdito tradicional
u siendo desplazado por otras tcnicas que determinan la probabilidad de in
cumplimiento o de impago. U na de las principales razones de este desplaza
miento es que el anlisis de crdito resulta muy costoso para las instituciones, ya
que stas requieren de un grupo importante de profesionales y analistas financie
ros expertos. Adems, en la m edida en que la institucin financiera es m s gran
de. el anlisis de crdito es menos hom ogneo y requiere fuertes inversiones en
capacitacin. La pregunta que los bancos se hacen es: qu tan subjetivo es el
anlisis de crdito? Y, por tanto, cules son los pesos ptim os que deben asig
narse a las cinco Ces?
El anlisis de crdito tradicional se est convirtiendo en nuestros das en un
problema burocrtico para los solicitantes de financiamiento y, por este motivo, el
desarrollo de tcnicas paramtricas basadas en estadsticas est creciendo ms que
cl anlisis tradicional. El futuro en el anlisis de crdito estar relacionado con
e>las tcnicas y los futuros acreditados podrn solicitar el crdito a travs de siste
166
9.2
a)
b)
a)
b)
167
a)
h)
c)
i - p)
168
9.3
b)
1 69
El modelo de Z -S c o r e e AItman
t)
Independientemente del modelo que se elija, el objetivo debe ser, por una parte,
contar con la probabilidad de incum plimiento de la contraparte y, por otra, cons
umir una matriz de probabilidades de transicin para predecir la tendencia de un
crdito a subir o bajar de calificacin, com o se explica ms adelante en la metodo
loga de Creditmetrics.
9.4
El m odelo de
- S
r e
de AItm an2
170
7 = \2 X
+ 1.4,*1 + 3 .3*
, ! + 0 .6 *4
, + .9 9 *1
,
*1
Donde:
171
M o d e lo Z , A ltm a n (1 9 6 8 )
A o s p r e v i o s a la q u ie b r a
Q u ie b r a
N o q u ie b r a
M o d e lo Z , A l t m a n ( 1 9 7 7 )
Q u ie b r a
N o q u ie b r a
9 3 .9 %
9 7 .0 %
9 6 .2 %
8 9 .7 %
7 1 .9 %
9 3 .9 %
8 4 .9 %
9 3 .1 %
4 8 .3 %
NA
7 4 .5 %
9 1 .4 %
2 8 .6 %
NA
6 8 .1 %
8 9 .5 %
3 6 .0 %
NA
6 9 .8 %
8 2 .1 %
C omo puede observarse, a pesar de las crticas que se han hecho al modelo de Altman,
se le atribuye un alto poder de prediccin en la quiebra mediante la observacin del
deterioro en la calificacin de la empresa.
Ciertamente, para la obtencin de probabilidades de quiebra es necesario te
ner una serie histrica de las calificaciones y, a partir de sta, calcular las frecuen
cias relativas, es decir, las probabilidades de incumplimiento o de transicin.
9.5
P, = a0 + a, x, + a , z 3 + a j j j + + a,x = a0 + lax,
Donde las equis son razones financieras que se obtienen de los estados financieros
del acreditado y las aes son los coeficientes del modelo.
172
b) Definir una muestra significativa para cada grupo, tanto de empresas que
estn cumpliendo con sus compromisos crediticios, como de aquellas que se
encuentren en cartera vencida.
c) Calcular las 22 razones financieras propuestas por Altman en la muestra
de empresas escogida .1
d) Realizar las simulaciones del modelo Probit o Logit (el que ajuste mejor)
en el E-views u otro paquete de cmputo similar.
e) Determ inar el m ejor modelo, que tenga un buen ajuste (coeficiente de
determinacin alto), el menor error de dispersin y someterlo a pruebas
economtricas de multicolinealidad. heteroscedasticidad y autocorrelacin
serial.
Notas
1.
2.
3.
C AP TU LO 10
El credit VaR
t
173
El credit VaR
10.1
Modelo
para probabilidades de
incum plim iento1
K
A=-C + B
Donde C es el valor de m ercado de las acciones y B es el valor d e mercado de
la deuda, que en nuestro ejemplo simplificado es un bono cupn cero con valor
nominal o facial D y con periodo de pago en T. Tambin asuma que el valor de
mercado de los activos de la firm a al vencimiento del bono ser liquidado ya sea a
los acreedores del bono o a los accionistas. El perfil de pagos de estos instrumentos
ser como sigue:
B = TTin(A, D)
C ~ m x(A - D,0)
175
Veamos en prim er lugar el caso del valor de las acciones que conforman el capi
tal de la firma. El perfil de pagos del capital es sim ilar al perfil de una opcin de
compra (cali option). En la figura que se presenta a continuacin obsrvese que si el
valor de los activos al final del periodo T adquiere el valor 0.4*. los activos sern
superiores al monto de la deuda y los accionistas obtendrn un valor residual des
pus de pagar la deuda (utilidades que se traducirn en dividendos). Mientras que si
el valor de los activos al final del periodo T es 0A, el valor de los activos ser menor
que el valor de la deuda (porque las prdidas de la firma implican un capital negativo)
y los accionistas perdern los recursos invertidos (estarn fuera de! dinero).
Por lo anterior, para determinar el valor del capital se podra aplicar la frmula de
Black-Scholes tal como se explic en el captulo 6 . Dicha frmula es la siguiente:
177
Donde:
178
E l credit Val
0 J+*r+0
d,=
G-Jt
d 2 = d i - a-Jt
Donde A es el valor de mercado de los activos. 0 es el valor facial o nominal
de mercado de la deuda, r es la tasa libre de riesgo al plazo de la opcin o del
prstamo, t es el plazo de la opcin o del prstam o, o es la volatilidad de los
rendim ientos de los activos y (tl) es la probabilidad acumulada de la curva de
distribucin normal.
La frmula anterior se puede simplificar algebraicamente y obtener una frmu
la ms coaocida en el mercado para la valuacin de bonos de deuda. Esta frmula
es la siguiente:
Valor del bono = 0 " "
s =
[(ih
D..-<H
A
A="
Gl l -
ln ( )
Glfl
ujt
4
t = I ao
r 8 % anual
a t = 12 % anual
91.924.961
1B0
E l credtt VaR
Sobretasa * [ - j
J l n | # ( A 3) + ^
jw(A,
)J
181
4.32% diario y sta equivale a 68.34% anual, la volatilidad de los activos que resulta
Je resolver por algn mtodo iterativo las dos ecuaciones (en este caso se aplic la
herramienta del solver en Excel) es de 12% anual.
O bsrvese que la volatilidad de los activos p o r lo general ser m enor a la
volatilidad del capital. Los pasos que se siguieron se detallan en el siguiente
cuadro:
4 .3 2 % diaria
6 8 .3 4 % anual
$ 100.000.00
Periodo =
1 ao
T a s a d e inters =
8 .0 % anual
Capital =
$ 1 8 ,0 7 5 .0 4
$ 110,000.00
1 2 .0 0 % anual
Una vez calculados los valores de la volatilidad de los activos, de los propios
activos y la valuacin de la deuda, la metodologa KMV considera el clculo de lo
que se denomina frecuencia de incumplimiento esperada EDF (Expected Default
F r e q u e n c y ) para cada deudor.
En la siguiente figura se puede observar que durante el ao que dure la deuda
en la empresa, los activos pueden adoptar un vaior superior a los $ 1 1 0 .0 0 0 o un
valor inferior a este nivel. El punto de incumplimiento se dara cuando el valor de
los activos sea inferior al valor nom inal de la deuda, es decir, $100,000. La regin
de incum plimiento es la que se encuentra por debajo del valor de la deuda. Esta
rea representa la probabilidad d e que el valor de los activos sea menor que el
valor de la deuda en el perodo de un ao y es la frecuencia de incumplimiento
esperada (EDF).
E l eretft Vgfi
0 .1 2 x 1 1 0 ,0 0 0
= $ 110,000
DO = 0.7575
EDF= 0.2243
D = $100,000
Regin de
incumplimiento
>
Tiem po
1 ao
10.2
Metodologa propuesta p o r
183
r e
i t m
t r i c
184
E l credlt VaR
AAA
AA
A
BBB
BB
B
CCC
D
1 0 0 .0 0 %
En este ejemplo hay una probabilidad de 5.30% de que un bono calificado hoy
como BBB, dismuya su calificacin a BB en el periodo de un ao. Obsrvese que la
Credltmetrcs
185
AAA
9 0 .8 1
BBB
8B
CCC
8 .3 3
0 .6 8
0 .0 6
0 .1 2
0 .7
9 0 .6 5
7 .7 9
0 .6 4
0 .0 6
0 .1 4
0 .0 2
0 .0 9
2 .2 7
9 1 .0 5
5 .5 2
0 .7 4
0 .2 6
0 .0 1
0 .0 6
BBB
0 .0 2
0 .3 3
5 .9 5
8 6 .9 3
5 .3
1 .1 7
0 .1 2
0 .1 8
BB
0 .0 3
0 .1 4
0 .6 7
7 .7 3
8 0 .5 3
8 .8 4
1 .0 6
0 .1 1
0 .2 4
0 .4 3
6 .4 8
8 3 .4 6
4 .0 7
5 .2
0 .2 2
0 .2 2
1 .3
2 .3 8
1 1 .2 4
6 4 .8 6
1 9 .7 9
AAA
AA
B
c c c
E n M x ic o , la e m p r e s a p r o v e e d o r a d e p r e c io s d e n o m in a d a V a lo r d e M e r c a d o , e n
c o o rd in a c i n c o n la e m p re s a c a n a d ie n s e A lg o rith m ic s , h a re a liz a d o u n e s f u e r z o p o r
c o n s tr u ir u n a m a tr iz d e tr a n s ic i n c o n in fo r m a c i n d e lo s in s tr u m e n to s m e x ic a n o s . E l
e je m p lo q u e s e p re s e n ta e s u n a m a triz c o n u n p e rio d o d e tra n s ic i n d e u n a o c o n
in s tr u m e n to s d e m e d ia n o p la z o .
9 7 .8 6
0 .0 0
0.71
1 .4 3
0 .0 0
0 .0 0
0 .3 2
9 3 .6 2
3 .6 8
1 .2 6
0 .S 3
0 .5 9
0 .1 3
0 .1 8
9 3 .1 6
4 .2 9
1 .2 0
1 .0 4
8 1 .4 9
4 .8 7
2 .1 7
0.00
0.00
1 .4 7
0 .0 0
0 .0 0
0 .0 0
1 .6 7
8 7 .0 1
1 1 .3 2
0 .0 0
0 .0 0
0 .0 0
0 .0 0
0 .0 0
1 0 0 .0 0
E n e l e je m p lo q u e s e p r e s e n t a la p r o b a b ilid a d d e m ig r a r d e la c a l if ic a c i n 3 a la 4
e s d e 4 .2 9 % . L a ltim a c o lu m n a d e la m a tr iz in d ic a la p r o b a b ilid a d q u e tie n e c a d a tip o
d e in s tr u m e n to d e c a e r e rt im p a g o .
E l credij VaR
186
B ie n e s
R o p a
in e r a
r a c e s
c a lz a d o
F a c to ra je
A rr e n d a m ie n to
F iltr o s /m a q u in a ria
S e r v ic io s
A rt.
C e m e n to
F in a n c ie r o
O tr o s
A rte s
C o m e r c ia l
H e r r a m ie n ta s
T e le c o m u n ic a c io n e s
A u to m o tr iz
C e lu lo s a
m a d e r a
g r f ic a s
P a p e l y
c e lu lo s a
a lu m in io
s e rv ic io s
u e b le r o
S id e r r g ic a
H o te le s
P a p e le r a
T e x til
A u to p a rte s
C o n tr o la d o r a
I n d u s tr ia l
P e tr le o
T u r is m o
C o n s tru c c i n
B a n c a
d e
d e s a r r.
D is tr ib .
a u to m o tr iz
I n m o b ilia r io
V iv ie n d a
B a n c a r o
E d ito r ia l
J o y e ra
P b lic o
B e b id a s
E n s e re s
Q u m ic a
B ie n e s
R e s ta u ra n te
P e tr o q u m ic a
e ta lm e c m c a
d o m s tic o s
d e
c a p ita l
a q u in a r a
E n v a s e s
187
C a te g o r a
A o 1
A o 2
A o 3
A o 4
AAA
3 .6 0 %
4 .1 7 %
4 .7 3 %
5 .1 2 %
AA
3 .6 5 %
4 .2 2 %
4 .7 8 %
5 .1 7 %
3 .7 2 %
4 .3 2 %
4 .9 3 %
5 .3 2 %
B BB
4 .1 0 %
4 .6 7 %
5 .2 5 %
5 . 3 %
BB
5 .5 5 %
6 .0 2 %
6 .7 8 %
7 .2 7 %
6 .0 5 %
7 .0 2 %
8 .0 3 %
8 .5 2 %
CCC
1 5 .0 5 %
1 5 .0 2 %
1 4 .0 3 %
1 3 .5 2 %
16.0%
14.0%
12 . 0 %
10 . 0 %
8 .0%
6 . 0%
4.0%
2 .0 %
El precio forward de cada bono es el valor presente del bono tom ando en cuenta
un ao hacia adelante, tomando en cuenta las tasas de descuento de ta curva que
represente la calificacin del bono y los flujos de efectivo (cupones) del bono desde
un ao hacia adelante hasta el vencimiento del bono.
Por ejemplo, si el bono tiene una calificacin BBB y la tasa cupn es de 6 %
(valor nominal de $ 1 0 0 ), el precio forward del bono a un ao es el siguiente:
E l credil Vaft
168
Valor del
crdito
AAA
AA
$109.35
$109.17
A
BBS
BB
B
ecc
$108.64
$107.53
$102.01
$98.09
$83.63
Default
$51.13
AAA
AA
A
BBB
BB
B
ccc
In c u m p lim ien to
P ro b a b ilid a d
d e tra n sic i n
V alor d e l
bono
C a m b io d e
v a lo r AV
0 .0 2 %
0 .3 3 %
5 .9 5 %
8 6 .9 3 %
5 .3 0 %
1 .1 7 %
0 .1 2 %
0 .1 8 %
$ 1 0 9 .3 5
$ 1 0 9 .1 7
$ 1 0 8 .6 4
1 .8 2
1 .6 4
1.11
0 .0 0
(5 .5 2 )
(9 .4 5 )
(2 3 .9 1 )
(5 6 .4 0 )
m e d ia *
$ 1 0 7 .0 7
$ 1 0 7 .5 3
$ 1 0 2 .0 1
$ 9 8 .0 9
$ 8 3 .6 3
$ 5 1 .1 3
m e d ia -
(0 .46)
A su m ie n d o d istrib u c i n n o rm a l:
C redit V aR (9 5 % ) = $ (5 .4 0 )
C re d it V aR (9 9 % ) - $ (7 .4 3 )
A su m ie n d o d istrib u c i n real:
C re d it V afl (9 5 % ) =
C re d it V aR (9 9 % ) =
S (5.52)
S (9.45)
p - 1 . 6 5 o * - 0 . 4 6 - 1 . 6 5 x 2 .9 9 - - 5 . 4 0
ji - 2 .3 3 o - - 0 .4 6 - 2 .3 3 * 2 .9 9 - - 7 .4 3
0 .0 0 1 0
0 .0 1 4 8
0 .1 4 7 3
0 .1 8 5 2
1 .3 5 8 6
0 .9 4 4 2
0 .6 5 9 5
5 .6 3 2 6
V a ria n z a *
D esv. e s t. -
8.9431
2 .9 9 0 5
189
PnrrAL ~
1=1
Donde:
portafolios en el estado i.
E l credl Vgft
190
10.3
Poisson.
1 91
p{x, X ) = ^ f -
x = 0 , 1, 2 ,...
x!
El valor de A. es una tasa p o r unidad de tiempo. Para d tema que nos ocupa, es
la tasa de crditos incumplidos que en promedio se registran en un periodde tiem
po (normalmente un ao). La letra e representa la base de logaritmos naturales, cuyo
valores 2.71828, y x es el nm ero de incumplimientos de inters, j r - 0 , 1 ,2 ,3 , ...N.
En la distribucin de Poisson , la media y la varianza son iguales:
a 1 ~ media = A
media - VX
<7 =
p(6,3) = L ^ lg g 8 )^ (3 )U o .0 5 0 4 = 5.04%
6!
192
E l credil VaR
0.0498
0.1494
0.2240
0.2240
0.1680
0.1008
0.0504
0.0216
0.0081
0.0027
0.0008
0
1
2
3
4
5
6
7
8
9
10
Probabilidad
acumulada
Probabilidad
0.0498
0.1991
0.4232
0.6472
0.8153
0.9161
0-9665
0.9881
0.9962
0.9989
0.9997
i
8
10
12
193
10.4
2.
194
E l credit VaR
de 60% para crditos y 40% para bonos que cotizan en el mercado. La desviacin
estndar anual de los recovery rales fiie de 25% para crditos y 20% para bonos
Como puede apreciarse en el cuadro siguiente, la consistencia en los resultados es
m uy alta. KMV subestima la prdida esperada, probablemente debido a que la tasa de
descuento que utiliza el modelo es la tasa libre de riesgo, mientras que en el modelo
de Creditmetrics se utiliza la tasa libre de riesgo ms un spread.
M o n to d e l p o rta fo lio s
( m illo n e s d e U S D )
P rd id a e s p e r a d a
(% )
C redim etrics
1 2 ,4 3 9 .0
1 .7
KM V
Credit R is k Plus
1 1 ,6 5 4 .0
1 2 ,4 8 4 .0
1.0
Credim etrics
KM V
Credit R is k Plus
4 9 ,7 2 6 .0
4 8 .8 3 4 .0
4 9 , 7 8 6 .0
M o d e lo
1 .7
1 .7
V a R (9 9 % )
(m ito n e s d e U SD )
4 .4
3 .6
4 .4
1.1
4 .0
3 .3
1 .7
6 .4
F u e n te : E s tu d io d e IIF/IS D A .
En conclusin, los tres modelos muestran gran consistencia, pero las diferen
cias se encuentran en los supuestos de los parmetros de entrada al modelo. Hay que
recordar que en el caso de la medicin de riesgos de crdito, a diferencia de tos
riesgos de mercado, la limitacin en la recoleccin de datos es mayor y la frecuencia
de los mismos es menor.
En el caso particular de la aplicacin de estos modelos en Mxico, se puede afir
mar que la mayor parte de los bancos ya cuenta con informacin histrica de sus
acreditados y que a partir de distintos sistemas de calificacin de dicha cartera, se
obtienen tasas de incumplimiento de los acreditados y las matrices de transicin.
Los modelos ms usados por los bancos en M xico para medir el riesgo de
crdito son Creditmetrics y Credit Risk Plus. Algunos utilizan otros modelos distin
tos a los explicados en este captulo. La mayora ha optado por considerar un penodo de un ao como horizonte en el clculo del credit VaR y muy pocos trimestral.
Esto se debe a que los bancos no esperan cam bios significativos en la calidad de
su cartera en periodos menores a un ao.
Notas
1.
2.
Notas
3.
4.
5.
6.
7.
195
C A P T U L O 11
Medidas de
desempeo
ajustadas por
riesgo
197
Utilidades
10
Portafolios A: t t t = ~ = 20%
VaR
50
_ Utilidades
12
Portafolios B : -------------- -- -------- 10%
VaR
120
Ahora resulta claro que el portafolios A tuvo un mejor desempeo que el B.
Esto significa que el B gener ms utilidades que el A, pero requiri mucho ms
riesgo.
En general, las m edidas de desempeo en portafolios de inversin son indi
cadores de utilidad o rendimiento, ajustados por riesgo. A estos indicadores se les
conoce como medidas de desempeo ajustadas por riesgo" (RAPM: Risk adjusted
performance measurement).
199
200
11.1
Indicador de Sharpe
Donde:
11.2
Indicador de Treyno r
Donde:
11.3
201
CaR
Donde:
LW = utilidad neta.
t?
Donde:
202
Capital en nesgo: se refiere a todo el riesgo que asume una institucin en una
transaccin. Como se puede observar, este concepto va m s all del valor en riesgo
por riesgo de mercado, ya que incluye un monto p o r riesgo operativo y prdidas
inesperadas en riesgo de crdito.
El VaR que considera el RAROC generalmente es anual, en lugar del VaR dia
rio o de diez dias que se considera en la medicin de riesgos del dia a dia. Desde
luego que para determinar el VaR anual es necesario calcularlo mediante el equiva
lente del V aR a un periodo menor. Por ejemplo, si se cuenta con el VaR de un da, es
posible obtener el VaR anual simplemente m utiplicaodo por la raz cuadrada de 255
dias (aproximadamente 16).
Las prdidas inesperadas por riesgo de crdito suponen que las contrapartes
podran incum plir a pesar de las probabilidades por incumplimiento, calculadas
estadsticamente. La manera de medir estas prdidas es la siguiente:
Prdidas inesperadas por riesgo de crdito = m xim e prdida por riesgo de
crdito prdida esperada por riesgo de crdito
En relacin con el monto por riesgo operacional, cabe sealar que el problema
que tiene es el de su cuantificacin. De hecho, algunas metodologas se estn po
niendo en prctica en la industria para lograr su cuantificacin analtica basada en la
estadstica.
Como se puede observar, la probabilidad de incumplimiento y el monto por ries
go operacional son las partes ms complejas en el clculo de dicha prdida esperada.
C A P T U L O 12
El riesgo operativo
203
El riesgo operativo
12.1
205
0 nesgo operativo
206
12.2
Procesos de operacin:
Tecnologa:
2. Riesgos extemos:
12.3
Incompetencia.
Fraude.
Concentracin del expertise ,
Ejecucin y confirmacin de rdenes.
Registro de una transaccin (Booking error)
Liquidacin de una compra/venta.
Documentacin (contratos legales).
Modelo de valuacin errneo.
Complejidad del producto.
Fallas en sistemas.
l Errores en sistemas de telecomunicacin.
Eventos polticos.
Aplicacin en la regulacin (multas).
Aplicacin d e leyes y reglamentos fiscales.
o)
b)
c)
d)
207
Identificar los controles que existen (o deberan existir) para reducir o eli
minar los riesgos operativos detectados.
A c tiv id a d
C a r la r e n u n c ia
R ie s g o
N o e x i s t e o n o e s t fir
m ada.
A v iso d e b a ja
N o s e n o tific a o p o r tu n a
m e n te la b a j a a l r e a d e
R e c u rs o s H u m an o s.
P u n to s d e c o n tro l
E l g e r e n t e d e la o fic in a d e b e verifi
c a r la e x is t e n c ia d e la c a r i a re n u n c ia
y q u e e s t d e b i d a m e n t e r e q u is ta d a .
E l r e a d e R e c u r s o s H u m a n o s lle
v a r u n r e g is tr o c r o n o l g ic o d e la s
n o tif ic a c io n e s d e b a j a s d e p e r s o n a l,
d e ta lla n d o la f e c h a d e l a v is o , q u i n
h iz o e l r e p o r te , q u i n lo re c ib i , fe
c h a d e r e c e p c i n d e l a r e n u n c ia y
N o t i e n e l a firm a d e l g e
r e n t e d e l a o fic in a .
f e c h a d e a v i s o d e la b a j a e n e l S i s
te m a d e R e c u r s o s H u m a n o s .
R e c u r s o s H u m a n o s r e v i s a r d e in
m e d ia to q u e e l a v i s o d e b a ja e s t
fir m a d o p o r e l g e r e n t e d e la oficin a,
y e n c a s o d e n o s e r a s i . la d e v o lv e
r d e in m e d ia to p a r a s u re q u is ic i n
y le d a r s e g u im ie n to h a s t a s u c u m
p lim ie n to .
F in iq u ito
C e r tific a c i n e r r n e a d e
a d e u d o s d e l e m p le a d o .
L a c e r tific a c i n d e lo s a d e u d o s lo s
lle v a r a c a b o e l o p e r a d o r r e s p o n
s a b l e y s e r n v e r if ic a d o s p o r s u ni
B a ja d e l S i s t e m a
B a ja in o p o rtu n a .
v e l in m e d ia to s u p e r io r, q u ie n d e b e r
d e firm a rlo e n s e a l d e re v is i n .
El r e a d e R e c u r s o s H u m a n o s vigi
la r s e m a n a l m e n t e q u e h a y a re c i
b id o la d o c u m e n ta c i n d e l a s b a j a s
d e l p e rs o n a l y la s h a y a tu rn a d o ai
r e a d e O p e ra c io n e s d e R e c u rs o s
H u m a n o s , r e g is tr a n d o ta l h e c h o e n
s u c o n tr o l c ro n o l g ic o .
E n tre g a d e l
p u e s to
No se h a c e o no s e do
c u m e n ta .
El g e r e n t e d e la o fic in a d e b e e n v ia r
a R e c u r s o s H u m a n o s u n a c o p ia d e l
a c ta d e e n tre g a del p u e s to , e n d o n
d e s e e s p e c if iq u e c l a r a m e n t e la b a ja
d e lo s passw ords, p o d e r e s , e q u ip o
y d o c u m e n ta c i n q u e e n t r e g a e l p e r
s o n a l q u e c a u s a b a j a y a q u i n io s
e n tre g a .
El riesgo operativo
12.4
Para estar en posibilidad de medir el riesgo operativo y calcular una suerte de valor
en riesgo (VaR) operativo, es necesario modelar el grado de severidad de la prdida
esperada, asumiendo que los factores de riesgo son estables.
Como en riesgos de mercado, es posible determinar algunos factores de riesgos
operativos que deben ser entendidos en trminos de su histograma de frecuencias y,
por tanto, de su distribucin de probabilidad.
Basados en datos histricos, los analistas de riesgos deben inferir cul es la
curva de distribucin de probabilidad ms adecuada. Existen dos tipos de distribu
ciones de probabilidad a utilizar:
o)
b)
i.
4.
209
Disribucin exponencial:
Mx) = Xe-)j,
varianza:
Distribucin de Weibull:
E l riesgo operativo
210
l A l )
media: 7 T1
vananza: a
Probabilidad
Bibliografa
211
212
Bibliografa
16. Caouette, John. Edward AItman y Paul Narayanan. Managing credil risk: The
nev.- great financia! challenge. Wiley, 1998.
17. Chorafas. D im itas. Managing Derivatives Risk. Invin, 1995.
18. Chorafas, Dimitris. The market risk amendment. McGraw-Hill, 1997.
19. Cox, John y Mark Rubinstein. Options markets. Prentice Hall, 1985.
20. Crouhy, Michel. Galai Dan y Mark Roben. Risk Management. McGraw-Hill.
2001.
21. Damodaran, Aswath. Investment valuacin. Wiley, Fromiers in Finance, 1996.
22. De Lara, Alfonso. Forwards, futuros y opciones sobre el tipo de cambio. Eje
cutivos de Finanzas, 1995.
23. De Lara. Alfonso. Proyectos de inversin ante la incertidumbre. Un enfoque de
opciones reales. Ejecutivos de Finanzas, 1996.
24. De Lara, Alfonso. The valu at risk model. Anahuac Journal. 1999.
25. De Lara, Alfonso. Valor en riesgo en mercado de dinero. Condusef. 2000.
26. De Lara, Alfonso. La funcin de administracin de riesgos. Condusef. 2001.
27. Dixit, Avinash y R oben Pindyck. Investment under unceriainty. Princeton
University Press, 1994.
28. Dowd, Kevin. Beyond valu ai risk: The new science o f risk management. Wiley,
Frontiers in Finance, 1998.
29. Fabozzi, Frank. Bond markets. analvsis and straiegies. 2* ed. Prentice Hall,
1993.
30. Farrel, James. Portfolio management. 2* ed. McGraw-Hill, 1997.
31. Galitz C., Lawrence. Financial engineering: Tools and techniques to manage
financia! risk. Irwin, 1995.
32. Garman, M. y Kohlhagen. Foreign currencv option vales. Journal o f Interna
tional M oney and Finance, vol. 2, no. 3, 1983.
33. Gastineau, Gary. Risk management: An overview. Risk management. ICFA
Continuing Education. AIMR, 1995.
34. Gemmil!. Gordon. Optionspricing: An Internationalperspective. McGraw-Hill,
1993.
35. Group o f Thirty, Derivatives: Practices and principies G-30, 1993.
36. Hildy, Richelson y Stan Richelson. Bonds & bonds funds. McGraw-Hill, 1996.
37. Hubbard, Glenn. Money thefinancia}svstem and theeconomv. Addison Wesley,
1994,
38. Hull C., John. Options, futures andother derivatives. 3* ed. Prentice Hall, 1997.
39. Huil, John y Alan W hite. The pricing o f options on assets with stochastic
volatilities. The Journal o f Finance, pp. 281-300. 1987.
40. Jarrow. Robert. Volatility: New estimation techniques fo r pricing derivatives.
Risk Books, 1998.
41. Jarrow R. y A. Rudd. Option pricing. Irwin, 1983.
42. JP M organ and Company. Riskmetrics - docum ento tcnico. Nueva York: JP
Morgan, 1996.
Bibliografa
213
0.00
0.01
0.02
0.63
0.04
6.05
0.06
0,07
0.0003
0.0003
0.0005
0.0006
0.0003
0.0004
0.0006
0.0003
0.0004
0.0006
0.0003
0.0004
0.0003
0.0004
0.0006
0.0003
0.0004
0.0009
-3 .4
-3 3
0.0003
0.0005
-3 .2
-3.1
-3 .0
0.0007
O.OO10
0.0005
0.0007
0.0009
0.0013
-2 .9
0.0019
-2 .8
-2 .7
-2 .6
-2 .5
-2 .4
0.0026
0.0035
0.0047
0.0062
0.0082
0.0006
0.0008
0.0015
0.0021
0.0015
0.0021
0.0029
0.0039
0.0028
0.0038
0.0052
0.0069
0.0051
0.0068
0.0089
0.0087
0.0122
0.0091
0.0119
0.0116
0.0154
0.0197
0.0150
0.0192
0.0113
0.0146
0.0188
0.0110
0.0158
0.0202
0.0013
0.0012
0.0018
0.0025
0.0017
0.0024
0.0017
0.0023
0.0016
0.0023
0.0034
0.0045
0.0033
0.0044
0.0032
0.0043
0.0031
0.0022
0.0030
0.0660
0.0080
0.0059
0.0078
0.0057
0.0041
0.0055
0.0040
0.0054
0.0075
0.0073
0.0071
0.0104
0.0102
0.0099
0.0096
0.0094
0.0125
0.0162
0.0207
-2 .1
-2 .0
0.0179
0.0228
0.0136
0.0174
0.0132
0.0170
0.0129
0.0166
0.0222
0.0217
0.0212
0.0002
0.0003
0.0005
0.0008
0.0011
0.0008
0.0012
0.0107
0.0139
0.0003
0.0004
0.0005
0.0007
0.09
0.0008
0.0011
0.0009
0.0013
-2 3
-2 3
0.08
0.0011
0.0016
0.0010
0.0014
0.0020
0.0027
0.0037
0.0049
0 0066
0.0005
0.0007
0.0010
0.0014
0.0019
0.0026
0.0036
0.0038
0.0064
0.0084
0.0143
0.0183
-1 .9
0.0287
0.0281
0.0274
0.0268
0.0262
0.0256
-1 .8
0.0359
0 .0JS 2
0.0344
0.0336
0.0322
0,0250
0.0314
0.0244
0.0307
0.0239
0.0310
0.0233
0.0294
-1 .7
0.0446
0.0548
0.0418
0.0516
0.0329
0.0409
0.0505
0.0401
0.0495
0.0392
0.0485
0.0384
0.0475
0.0375
0.046S
0.630
0.0764
0.0618
0.0749
0.0606
0,0594
0.0735
0.0722
0.0582
0.0708
0.0571
0.0694
0.0367
0.0455
0.0559
0,0918
0.0901
0.0885
0.0869
0.0853
0.0838
0.1093
0.1292
0.1075
0.1271
0.1038
0.1230
0.1492
0.1736
0.1020
0.1210
0.1423
0.1190
0.1401
0.1788
0.1515
0.1762
0.1056
0.1251
0.1469
0.0823
0.0985
0.1170
0.1379
0.2061
0.2033
0.1635
0.1894
0.1611
0.1867
0.2358
02177
0.2483
O J 148
-1 .6
-1 .5
-1 .4
-1 .3
-1 .2
-1 .1
0.0436
0.0427
0.0668
O.OS37
0.0655
0.0526
0.0643
0.0808
0.0968
0.0793
0.0951
0.0778
0,1151
0.1357
0.1131
0.1335
0.1562
0 ,0934
0.1 12
0.1314
0,1539
-1 .0
-0 .9
0.1587
0.1841
-0 .8
0.2119
0.1814
0.2090
- 0 .7
-0 .6
03420
0.2743
0.2389
0.2709
-0 .5
0.3085
0.3050
0.2676
0.3015
-0 .4
0.3446
03409
0.3372
-0 .3
0.3821
0.3783
0.3745
-0 .2
-0 .1
0.4207
0.4602
-0 .0
0.5000
0.4168
0.4562
0.4960
0.4522
0 .49 20
0.4129
0.1711
0.1446
0.1685
0.1660
0.2005
0.1977
0.1949
0.1922
0.2327
0.2296
02206
0.2611
0.2946
0.2266
0.2578
0.2236
0.2643
0 29 81
0.2546
0.2912
0.2877
0.2514
0.2843
0.3336
0,3707
0.3300
0.3669
0.3264
0.3228
0.3594
0.3557
0.4090
0.4483
0.40S2
0.4443
0.4013
0.4404
0.3974
0.4364
0.4880
0.4840
0.4801
0.4761
0.3632
0.1003
0.0681
0.2810
0.2451
0.2776
0.3936
0.3156
0.3520
04897
0.3121
0.3482
0.3859
0.4325
0.4721
0.4286
0.468!
0.4247
0.3192
0.4641
contintui)
215
<*>(-) = Z <)
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
o jo o o
0.5040
0.5438
0.5120
0.55 T7
0.5160
0.5557
0.5199
0.5596
0.5239
0.5279
0.5636
0.6217
0.6591
0.6255
0.6628
0.5910
0.6293
0.6664
0.5948
0.6331
0.6700
0.5987
0.6368
0,6736
(1.6026
0.6406
0.6772
O.S675
0.6064
0.6443
0.5319
0.5714
0.5832
0.5080
0.5478
0.5871
0.7054
0.7389
0,7088
0.7422
0.7704
0 .J3 9 8
0-5793
0.6179
0.6554
0.09
0.5359
0.6103
<1.6480
0.5753
0.6141
0.6517
0.6808
0.6844
0.6879
0.7123
0.7454
0.7157
0.7486
0.7190
0.7517
0.7224
0.7549
0.7734
0.7764
0.7794
0.7823
0.7BS2
0.8023
0.8289
0.8051
0.8315
0.8078
0.8340
0.8106
0.8365
0.8133
0.8389
0.8531
0.8554
0.8S77
0.8599
0.8621
0.8749
0.8944
0.8770
0.8962
0.8790
0.8980
0.8810
0.8997
0.8830
0.9015
0.9115
0.9265
0.9131
0.9278
0.91.47
0.9162
0.9292
0.9306
0.9177
0.9319
0.9429
0.9535
0.5
0.6915
0.6950
0.6985
0.7019
0.6
0.7257
0.7291
0.7
0.761
0.7357
0.7673
0.8
0.9
0.7580
0.7881
0.8159
0.7324
0.7642
0.7910
0.8186
0.7939
0.8212
0.7967
0.K238
0.7995
0.8264
1.0
1.1
0.8413
0.8643
0.8438
0.8461
0.8508
0.8729
0.8840
0.9032
0.8686
0.8888
0.8485
0.8708
1.2
1.3
1.4
0.8665
0-8869
0.8907
0.9049
0.9207
0.9066
0.9222
0.9082
0.8925
0.9099
0.9236
0.9251
I.S
1.6
0.4332
0.9452
0.9345
0.9370
0.9484
0.9418
0.9554
0 .96 4!
0.9582
0.9382
0.9495
0.9591
0.9406
1.7
0.9357
0.9474
0.9573
0.9394
0.9463
0.9564
0.9305
0.9599
0.9515
0.9608
0.9525
09616
0.9625
0.9649
0.9719
0.9656
0.9726
0.9664
0.9671
0.9693
0.9699
0.9738
0.9678
0.9744
0.96B6
0.9732
0.9750
0.9756
0.9761
0.9778
0.9783
0.9798
0.9803
0.9830
0.9868
0.9788
0.9834
0.9793
0.9826
0,9864
0.9838
0.9812
0.9854
0.9875
0 9846
0.9881
0.9808
0.9850
0.9871
0.9842
0.9878
0.9884
0.9887
0.9896
0.9898
0.9901
0.9904
0.9913
0.9916
0.9922
0.9925
0.9927
0.9909
0.9931
0.9911
0.9920
0.9906
0.9929
0.9932
0.9934
0.9936
0.9945
0.9959
0.9946
0.9960
0.9948
0.9949
0.9951
0.99S2
0.9961
0.9969
0.9970
0.9971
0.9962
0.9972
0.9963
0.9973
0.9964
0.9974
0.9977
0.9984
0.997*
0.9979
0.9979
0.9980
0.9984
0.9985
0.9985
0.9986
0.9981
0.9986
1.8
1.9
2.0
2.1
2.2
2J
2.4
09192
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9940
0.9441
0.9943
0.9953
0.9465
0.4955
0.9956
0.9957
0.9966
0.9974
0.9981
0.9975
0.9982
0.9967
0.9976
0.9968
0.9977
0.9982
0.9983
3.0
0.4987
3.1
0,9990
0.9987
0 .9 9 9 ]
2.5
2.6
2.7
2.8
2.9
3.2
0.9993
'3 .3
3.4
0.9995
0.9997
0,9993
0.9995
0.9997
0.9987
0.9988
0.9989
0.9989
0.9990
0.9991
0.9988
0.9992
0,9989
0.9991
0.9992
0.9994
0.9994
0.9996
0.9997
0.9994
0,9994
0.9992
0,9994
0.9992
0.9995
0.9993
0.9995
0.9996
0.9997
0.9996
0.9996
0.9997
0.9996
0.9996
0.9997
0.9995
0.9997
216
0.9997
0.9997
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9990
0.9993
0.9995
0.9997
0.9998
B
Backtesting, 70, 155
Banco Internacional de Liquidaciones o
Pagos (BIS), 45, 60,155, 158, 205
Barone-Adesi & Whaley, 130
Bayes, Thomas, 15
Bemoulli, Daniel, 14
Black, modelo de, 121, 124
Black-Scholes, 15,49, 117, 119-122,
124-125, 146-147, 153, 176, 178180
Bonos cupn cero, 77, 87, 9 6 ,1 1 4 , 137
Bonos de tasa flotante. 96-99
35
Cardano, Girolamo. 13, 14
Cholesky, matriz de, 149
Citrn. Bob, 21
Cobertura (hedging), 104-105
Colateral. 18-19, 81, 106, 163, 165167, 178, 188
F
Factor de decaimiento {decay factor), 46
Fermat, Pierre de. 14, 15
FRA. 112-113
Futuros de tasas de inters, 111-113
217
indica temtico
218
G
Galton. Francis, 15
Garman-Kohfhagen, 121. 123, 130
Gauss, Cari, 29
Griegas,
Delta, 121
Gamma. 122
Rho, 123
Theta, 122
Vega, 123
M
Mapeo. 67, 70, 73, 89-93, 110-111
H
O
Hamanaka. Yasuo, 21
Histograma, 29-3!. 68-69, 145, 147,
189-190, 208
I
Iguchi, Toshihide, 21
Indicador de Sharpe, 200
Indicador de Treynor, 200
Intervalos de confianza, 36-37
J
Jarque-Bera, 33, 34, 39
JP Morgan. 15. 1 9 .2 2 ,5 9 .6 0 , 89. 183,
187, 195
Indice temtico
219
S
Sesgo, 33, 34, 153
Simulacin histrica, 67-70, 97, 208
Sobretasa, 77, 96-99, 180, 186
Stress testing, 153
Swaps de divisas, 137-139
valor en riesgo, 138
valuacin, 139
Swaps de tasas de inters, 131-135
valor en riesgo, 135
valuacin. 134
T
Tasas de inters, 75-77
estructura de tasas, 77-78
futuras Oforwards, 79-81
V
V alo ren riesgo, 15, 19, 22, 2 3 ,5 7 ,6 1 ,
73, 87, 89, 9 3 ,9 6 , 97,111, 114,
115, 135, 141, 145-148, 153, 155,
156, 157, 159, 166-168, 190,208
de un activo, 61
de un portafolios, 41, 61-67, 93
Varianza-covarianza, 63-65, 67, 89,
114, 137, 148-150, 153
Volatilidad, 18, 34-35,41-56, 84, 8 8 ,
91-93, 99, 104, 110-111, 125, 137,
165, 178, 180-182, 189, 195,200
Volatilidad dinmica, 46-49, 157
Volatilidad histrica, 44-45
Volatilidad implcita, 49-50
A c e r c a d e l a u to r:
E s Ingeniero Industrial gra d u ad o con m encin hor
rfica en la Universidad Nacional Autnom a d e M x
(U N A M ). O b tu v o la m a e stra e n Adm inistracin y
m aestra en F in a n za s en el Instituto Tecnolgico (
t n o m o d e M x ic o (IT A M ), a s c o m o u n p o s g ra
en Finanzas en Northwestern Uriversity, en Chicar
Adicionalm ente, ha estudiado otro s'curso s e sp e c
liza d o s en el re a d e F in a n z a s , e n N u e v a York
Toronto.
P rotesionalm ente se ha desarrollado c o m o an
lista, coordinador y subgerente d e anlisis de crd
e n N a cio n a l F in a m e ra y c o m o director de proye
tos espe ciale s en el B a n c o N a cio n a l d e C o m e rc
Exterior.
E n 1994 in g re s a la A s o c ia c i n M e x ica n a <
Intermediarios Burstiles (A M IB ), donde fungi con
co o rd in a d o r d e los co m its d e m e rca d o d e diner
capitales y productos derivados.
Actualm ente es director d e administracin de rie
g o s del G ru p o Financiero S co tia b a n k Inverlat, en
cual e vala y m onitorea los riesgos d e m e rca d o c
las instituciones q u e conform an el grupo financiar
D e s d e 1 9 83 h a sido profesor d e M atem ticas
F in a n za s en niveles d e m aestra, diplom ado y licei
ciatura, as c o m o de la materia d e Adm inistracin c
R iesgos Financieros, en la m aestra d e F in a n za s e
el IT A M , en la Facultad d e In g e n ie ra d e la U A D
en la Universidad A n h u a c y en la Universidad Iberc
am e rica n a. A sim ism o , e s presidente del com it d
riesgo de A sig n a , la C m a ra d e C o m p e n s a ci n di
M ercado M exicano de Derivados (M E X D E R ) y mierr
bro del panel arbitral d e este m e rca d o .
H a publicado diversos artculos en revistas espe
cializadas relacionados co n los productos derivado:
finanzas co rp o ra tivas y adm inistracin de riesgo :
E s m ie m b ro d e l ca t lo g o d e c o n fe re n c is ta s Lat
A m e ric a n S p e a k e rs , a tra v s d e l cual dicta confe
rencias relacionadas co n su especialidad.
La a d m in is tra c i n d e rie sg o s , co n to do y ia c o m
plejidad d e s u s c o n ce p to s m atem tico s, e s u n a actividad
que h a registrado un crecim iento m uy importante en nuestro
pas y en el m bito internacional en los ltim os aos.
El costo de que u n a institucin o u n inversionista te n g a en
posicin de riesgo algn instrum ento financiero q u e no sea
plenam ente entedido, p u e d e s e r devastador.
9 7 -3 l-l-6 4 4 4 -6
9789681864446
739 81 8 64 44 6
EDITORES
[email protected]
www,norega.com.mx