Medición y Control de Riesgos Financieros, 3ra Edición - Alfonso de Lara Haro

O bras afines:
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:
Tcnicas de valuacin Individual.

Bases de datos comprensivas y relevantes.
Intentos por resolver el problema de riesgo de crdito de portafolio.
Estructuracin y negociacin de derivados de crdito y otros tipos da
seguro de crdito y garantas.
La obra es una magnifica recopilacin de ensayos, que sin duda ayudar al
profesional del crdito a mejorar la administracin de! riesgo crediticio.
El mercado al que est dirigida comprende a estudiantes de Economa
y Finanzas, profesionales del crdito y cobranzas, administradores de riesgos,
compaas de seguros y profesionales de>corretaje.
EL MANEJO DEL RIESGO CAMBIARIO
Las opcionee sobre divisas
Chesney
Obra que surge de la necesidad de contar con una referencia de fcil acceso
a uno de los instrumentos de cobertura de riesgo cambiano ms eficientes:
la opcin sobre la divisa. Esta versin, publicada originalmente en francs,
ha Bido actualizada y adaptada al caso latinoamericano, en especial al
mexicano.
E! libro expone gradualmente, yendo de lo simple a lo complicado, las
herramientas relacionadas con el riesgo cambiarlo, expuestas a manera de
hacerlas ms accesibles al lector, quien adems podr remitirse directamente
a los anexos que contienen los aspectos tcnicos y mtodos de valuacin
de las opciones ms recientes.
Medicin y control
de riesgos
financieros
T e r c e r a e d ic i n
Alfonso de Lara Haro
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
De Lara. - 3a. ed. - M x ic o : Umuaa, 2008.

220 p .: II. : 15.5x23 cm.
ISBN-13: 978-968-10-5444-8
Rstica.
1. A d m in is t r a c i n d e r ie s g o s 2 . A d m in is t r a c i n d e C r d it o s
Deway: 658.155 ] 22 / L3l8m
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
MEDICINY CONTROL DE RIESGOS

FINANCIEROS
SON PROPIEDAD D a E D ITO R . N IN G U N A PAR TE D E E S T A OBRA
PUEDE S ER REPRODUCIDA O TR ANSM ITID A, M EDIANTE NINGUN
S IS T E M A O M E T O D O , E LE C TR N IC O O N E C A M C O (INCLU
YENDO a FOTOCOPIADO, L A GRABACIN 0 CUALQUIER SISTEMA
OE R E C U P ER A C I N Y A L M A C E N A M IE N T O D E INFORMACIN),
SIN CO N SEN TIM IENTO POR E S C R ITO D a E D ITO R .
D erecho s reservados:
0 2 0 0 8 . EDITORIAL LIMUSA, SA. d e C.V.

GRUPO MORIEGA EDITORES
B a l o e r a s 9 5 , M x i c o . D.F.
C.P. 06040
5130 0700
| R 5512 2903
w
r
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
L os lectores objetivo de este libro son:
Estudiantes de finanzas a nivel de licenciatura y maestra.

Ejecutivos que se encuentren en el sector financiero, ya sea bancos, casas
de bolsa, casas de cambio, afores o e n fondos de inversin.
Ejecutivos que se encuentren en reas de finanzas en em presas no finan
cieras.
Reguladores del sector financiero.
Esta tercera edicin contiene las siguientes adiciones y mejoras:
Un nuevo capitulo relativo al riesgo de crdito, en e que se explican con

detalle las tres m etodologas m s conocidas para la m edicin y control de
este tipo de riesgo: el m odelo de KMV, C reditm etrics y C redit R isk Plus.
E l m aterial de la segunda edicin se ha actu alizado y se ha h echo m s
a c c e sib le el len g u aje m a te m tic o p a ra que p u e d a ser en ten d id o por
m s personas.
Se aadi un ndice tem tico al final del libro y una tabla con ios valores
de la curva norm al estandarizada.
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
de valor mi riesgo p ara un instrum ento de m ercado de dinero y un portafolios de

instrumentos de deuda. E s necesario sealar que este captulo reviste u n a im portan
cia lndamental, ya que el clculo de valor en riesgo para instrum entos que tienen
un plazo de vencim iento, es enteram ente sem ejante para productos derivados. Asi
mismo- se hace especial nfasis en los procedim ientos de m apeo o descom posicin
de posiciones para el clculo del valor en riesgo.
En el capitulo sexto se aplican las tcnicas de valuacin y m edicin de riesgos
en algunos productos derivados, bsicam ente futuros de acciones o de tipos de
cambio, futuros de tasas de inters, opciones, sw aps de tasas de inters y de divisas.
En el capitulo sptim o se exam ina el m odelo de Mcrntecarlo para m edir los riesgos
en instrumentos no-lineales, com o es el caso de las opciones financieras.
El captulo octavo se enfoca bsicam ente a! tema de calibracin de modelos
mediante pruebas de backtesting" y exam ina el uso de pruebas de valores extre
mos o de yiress". E ste capitulo com plem enta al captulo cuarto.
En el capitulo noveno se intenta establecer una introduccin a la m edicin de
riesgos de crdito. Se seala una sntesis del anlisis de crdito tradicional, el riesgo
de crdito en los m ercados financieros y un anlisis de las tcnicas para determ i
nar las probabilidades de incum plim iento y las m atrices de probabilidades de tra n
sicin.
En el captulo dcim o se explican las m etodologas de m edicin de riesgos de
mercado, principalm ente el m odelo KMV, Credilm etrcs y C redit Risk Plus. No
obstante que hoy n o existe un paradigm a en este sentido, estos m odelos obedecen
a prcticas generalm ente aceptadas.
En d captulo undcimo se presentan algunos indicadores para medir el desem
peo de un portafolios de activos de inversin ajustados por riesgo.
finalm ente, en el capitulo duodcim o se presenta una perspectiva m odesta de
como m edir cualitativa y cuantitativam ente el riesgo operativo, que constituye uno
de los desafios m s im portantes para las instituciones financieras hoy en dia.
Quiero reiterar mi gratitud a todos aquellos que han adquirido la obra en su
primera o segunda edicin y que, por tanto, han contribuido para que este libro sea
un xito.
Debo m anifestar que nunca he considerado, ni considero hoy, com o inmejora
ble y completa una obra com o sta, que probablem ente jam s podr reunir tales
caractersticas.
Finalmente, quiz para algunos lectores ste quizs sea el libro introductorio
m icado y cumpla con un objetivo fundamental: instruir y ensear, pero ms an,
espertar b apetencia y la curiosidad por esta nueva disciplina.
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
Prefacio a la tercera edicin
3.3 Volatilidad implcita

3.4 Series de tiempo para
modelar volatilidad
3.5 Modelos Arch y
Garch
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
ûavizamiento exponencial
n
13
4. CONCEPTOS BSICOS DEL

MODELO DE VALOR EN
RIESGO
4.1 Definicin del valor
en riesgo
4.2 Metodologas para el clculo
del VaR
4.3 Problemas del VaR
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
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
5.10 Valoren riesgo para un

portafolios de instrumentos de
deuda con mapco
5.11 Valor en riesgo en
instrumentos de tasa flotante
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
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
10. ELCRED1T VAR

10.1 Modelo KMV para
probabilidades de
incumplimiento
10.2 Metodologa propuesta por
Creditmetrcs
173
175,
183
10.3 Metodologa propuesta por

Credit Suisse denominada
112
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
9.2 Anlisis de crdito en los

marcados financieros
9.3 Modelos para el clculo de
probabilidades de
incumplimiento
9.4 El modelo de Z-Scorc de
Alunan
9.5 Modelos Probit o Logit
155
Credil Risk P!us

10.4 Comparacin entre ios tres
modelos
11. MEDIDAS DE DESEMPEO
AJUSTADAS POR RIESGO
U .l Indicador de Sharpe
11.2 Indicador de Treynor
11.3 Rendimiento sobre capital
en riesgo
193
19-fl
200
200'
201
12. EL RIESGO OPERATIVO

12.1 Definicin de riesgo
operativo
12.2 Clasificacin de riesgos
operativos
12.3 Identificacin cualitativa de
riesgos operativos
12.4 Medicin cuantitativa de
riesgos operativos
203
BIBLIOGRAFA
211
205
206
206
20^
TABLA DE REAS DE LA CURVA

NORMAL ESTNDAR
213
In d ic e t e m t i c o
161
163
190
2 )1
C A P IT U L O 1
La funcin de
adm inistracin
de riesgos
La funcin de un ejecutivo es decidir entre alternativas hom ogneas. La

administracin de riesgos es una herram ienta que ayuda e n el proceso de tom a de
decisiones. N o slo convierte la incertidum brc en oportunidad, sino evita el
suicidio financiero y catstrofes de graves consecuencias.
El riesgo es un aspecto relacionado con la psicologa del se r hum ano, con las
matemticas, la estadstica y la experiencia adquirida a travs de los aos. La
funcin de Ja adm inistracin de riesgos es en esencia un m todo racional y
sistemtico para entender los riesgos, m edirlos y controlarlos en un entorno en el
que prevalecen instrum entos financieros sofisticados, m ercados financieros que se
mueven con gran rapidez y avances tecnolgicos en los sistem as de inform acin
que marcan nuestra era.
11
La funcin de
adm inistracin
de riesgos
1.1
Antecedentes de la adm inistracin de riesgos
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.
îmluino 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* ê-*ueôs en Particular con los dados, realiz mltiples anlisis de proba13
durante su vida escribi 131 trabajos publicados y dej 1 11 manuscritos
13
14
L a funcin d e ad m in istracin d e riesgo s
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
Antecedentes de la adm inistracin d e riesgo s
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
esttico en uno dinm ico.

En 195^. Harry M arkowitz. prem io N obel de econom a, desarroll la teora de
portafolios y el concepto de que en la m edida en que se aaden activos a una cartera
de inversin, el riesgo (medido a travs de la desviacin estndar) dism inuye como
consecuencia de la d iv ersificaci n . T am b in p ro p u so el co n cep to de covarianza
y correlacin, es decir, en la m edida en que se tienen activos negativam ente correla
cionados entre s, el riesgo de m ercado de una cartera de activos dism inuye.
En el periodo com prendido entre 1970 y 2000. la proliferacin de nuevos ins
trumentos financieros ha sido notable, as com o el increm ento en la volatilidad de
las variables que afectan el precio de esos instrum entos, cales com o tipos de cambio,
tasas de inters, etc. Destaca en particular el desarrollo de productos derivados (fu
turos, opciones y swaps) en este periodo. E l desarrollo ms im portante probable
mente se dio en 1973 con la contribucin que hicieron Fishcr Black y M yron Scholes
al proponer la frmula para valuar el precio de las opciones financieras .1
En 1994. el banco estadounidense JP M organ propuso, en su docum ento tc
nico denominado Riskm etrics. el concepto de "v alo r en riesgo com o m odelo para
m edir cuantitativam ente lo s riesgos de m ercad o en instrum entos financieros o
portafolios con varios tipos de instrum entos. El v a lo re n riesgo (V aR) es un m odelo
estadstico basado en la teora de la probabilidad . 1
No obstante que la palabra estadstica se deriva del latn status , que significa
estado y que el concepto tradicional de estadstica se asocia con la presentacin
de resmenes, inform acin ordenada y relevante, asi com o grficas que explican el
estado de algn aspecto econm ico, dem ogrfico o politico, el concepto m oderno
de valor en riesgo est m uy lejos de estar asociado con un sim ple conjunto descriptivo de nm eros y grficas.
Con a propuesta de JP M organ, en 3a cual se incorporan los conceptos de esta
n c a desarrollados desde el siglo xvti, la adm inistracin de riesgos m oderna en los
rales del siglo xxi se concibe com o la adopcin de un enfoque m s proactivo,
que transforma la m anera de m edir y m ontorear los riesgos.
C on el tiem po. los m atem ticos han transform ado la teora de la probabilidad,
ser un instrum ento aplicado al pronstico de ganar o perder en ju egos de azar, a
16
L a funcin d e administracin d e riesgos
una poderosa herramienta que involucra informacin de posiciones en riesgo en

grandes corporaciones, para su medicin y monitoreo.
Hoy en dia existe una mejor definicin de riesgos, nuevos estndares (paradig
mas) en la medicin cuantitativa de los mismos y se han diseado nuevas estructuras
organizacionales con vocacin de investigacin aplicada en modelos matemticos y
tcnicas especializadas.
En adicin al enfoque organizacional en las instituciones para realizar una efec
tiva administracin de riesgos, vale la pena sealar que los avances en la tecnologa
han facilitado el proceso de identificacin, evaluacin y control de riesgos. El bajo
costo de la computadora ha permitido procesar considerables volmenes de infor
macin en un tiempo muy reducido.
Lo anterior no sorprende si se observa la evolucin tanto de los mercados fi
nancieros en M xico y en el mbito internacional como de la regulacin que est
cada vez ms especializada en lograr una medicin de riesgos ms completa, obj&j
tiva y cuantitativa.
1.2
Clasificacin de los riesgos financieros
Existen diferentes naturalezas de riesgos, las cuales se pueden clasificar en las si

guientes categorias;J
Se entiende como riesgo de mercado la prdida que puede sufrir un inverl

sionista debido a la diferencia en los precios que se registran en el mercadq
o en movimientos de los llamados factores de riesgo (tasas de inters, tipo
de cambio, etc.). Tambin se puede definir ms formalmente como la posi-f
bitidad de que el valor presente neto de un portafolios se mueva adversai
mente ame cambios en las variables macroeconmicas que determinan el
precio de los instrumentos que componen una cartera de valores.
El riesgo de crdito es el ms antiguo y probablemente el ms importante
que enfrentan los bancos. Se puede definir como la prdida potencial pro
ducto del incumplimiento de la contraparte en una operacin que incluye
un compromiso de pago.
El riesgo d e liquidez se refiere a las prdidas que puede sufrir una institu
cin al requerir una m ayor cantidad de recursos para financiar sus acti
vos a un costo posiblem ente inaceptable. Los bancos son muy sensibles a
las variaciones en las tasas de inters: y el manejo de activos y pasivos
(A sset-Liability M anagement) se convierte en una de las ramas de la ad
ministracin de riesgos que cubre este aspecto. El riesgo de liquidez se
refiere tambin a la imposibilidad de transform ar en efectivo un activo o
portafolios (imposibilidad de vender un activo en el mercado). Este ries
E l proceso d e administracin d e riesgos
1.3
17
go se presenta en situaciones de crisis, cuando en los mercados hay ni

camente vendedores.
El riesgo legal se refiere a la prdida que se sufre en caso de que exista
incumplimiento de una contraparte y no se pueda exigir, por la va jurdi
ca, cum plir con los com prom isos de pago. Se refiere a operaciones que
tengan algn error de interpretacin jurdica o alguna omisin en la do
cumentacin.
El riesgo operativo t s u n concepto muy amplio y se asocia con fallas en los
sistemas, procedimientos, en los modelos o en las personas que manejan
dichos sistemas. Tambin se relaciona con prdidas por fraudes o por falta
de capacitacin de algn empleado en la organizacin. Asimismo, este
tipo de riesgo se atribuye a las prdidas en que puede incurrir una empresa
o institucin por la eventual renuncia de algn empleado o funcionario,
quien durante el periodo en que labor en dicha empresa concentr todo el
conocimiento especializado en algn proceso clave.
El riesgo de reputacin es el relativo a las prdidas que podran resultar
como consecuencia de no concretar oportunidades de negocio atribuibles
a un desprestigio de una institucin por falta de capacitacin del personal
clave, fraude o errores en la ejecucin de alguna operacin. Si el mercado
percibe que la institucin comete errores en algn proceso clave d e la ope
racin, es lgico que los clientes considerarn eventualmente cam biar de
institucin.
El proceso de adm inistracin de riesgos
El objetivo de la administracin de riesgos puede expresarse en dos sentidos:
Asegurarse de que una institucin o inversionista no sufra prdidas econ

micas inaceptables (no tolerables).
Mejorar el desempeo financiero de dicho agente econmico, tomando en
cuenta el rendimiento ajustado por riesgo.
Lo anterior se logra entendiendo los riesgos que toma la institucin, midiendo

dichos riesgos, estableciendo controles de riesgo y comunicando dichos riesgos a
los ra n o s colegiados correspondientes (comit de riesgos o consejo de adminis
tracin!.
Ll proceso de la administracin de riesgos implica, en primer lugar, la identifi
cacin de riesgos, en segundo su cuantificacin y control mediante el estableci
miento de limites de tolerancia al riesgo y, finalmente, la modificacin o nulificacin
v ^ 'chos riesgos a travs de disminuir la exposicin al riesgo o de instrumentar una
ctiberiura. A continuacin se muestra esquemticamente este proceso:
18
La funcin d e administracin d e riesgos
>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
Docum e nta cin
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
incum plim iento

Liquidacin
Neteo
Fallas e n la custod ia
P ro M e m a s d e colateral
D eg rad am ie nto d o la calificacin d e crdito
0 proceso d e administracin p e riesgos
19
El siguiente paso en el proceso de la administracin de riesgos se reere a la

santificacin. Este aspecto ha sido suficientemente explorado en materia de ries
gos de mercado. Existen una serie de conceptos que cuantifican el riesgo de merca
do entre ellos; valor en riesgo, duracin, convexidad, peor escenario, anlisis de
s e n s i b i l i d a d , beta, delta, etc. M uchas medidas de riesgo pueden ser utilizadas. En
este libro, aunque se mencionan y explican la mayor parte de ellas, se pone especial
atencin en el concepto de valor en riesgo (VaR) que se populariz gracia^ a JP
Morgan. Como se ver con detalle, el valor en riesgo es un estimado de la mxima
p r d i d a esperada que puede sufrir un portafolios durante un periodo de tiempo es
pecfico y con un nivel de confianza o probabilidad definido.
En el caso de riesgos de crdito, la cuantificacin se realiza a partir del clculo
de la probabilidad de impago o incumplimiento. JP Morgan ha publicado un docu
mento tcnico denominado Creeiitmetrics en el que pretende establecer un paradig
ma sim ilar al del valor en riesgo pero instrumentado en riesgos de crdito. Es
decir, un estimado de prdidas esperadas por riesgo crediticio. La utilidad de este
concepto radica en que las instituciones financieras pueden crear reservas preventi
vas de prdidas derivadas de incumplimientos de contrapartes o de problemas con
el colateral.
En el siguiente diagrama se muestra la funcin de cuantificacin del riesgo de
mercado: por una parte se debe contar con los precios y tasas de inters de mercado
para la valuacin de los instrumentos y, p o r otra, cuantificar las volatilidades y
correlaciones que permitan obtener el valor en riesgo por instrumento, por grupo de
instrumentos y la exposicin de riesgo global.
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
A continuacin se muestra un diagrama que describe la fiincin primordial de

a administracin de riesgos: por una parte, la definicin de polticas de administra
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*
Las. instituciones financieras son tomadoras de riesgo por naturaleza. En es

contexto, aquellas que tienen una cultura de riesgos crean una ventaja competid
frente a las dems. Asumen riesgos ms conscientemente, se anticipan a los car
bios adversos, se protegen o cubren sus posiciones de eventos inesperados y loar
experiencia en el manejo de riesgos. Por el contrario, las instituciones que no tien
cultura de riesgos, posiblemente ganen ms dinero en el corto plazo pero en el lar
plazo convertirn sus riesgos en prdidas importantes que pueden significar, inel
sive, la bancarrota.
1.4
Desastres financieros en ausencia de

adm inistracin de riesgos
La posibilidad de contar con ms instrumentos y el acceso a mercados financiertB

internacionales, ha increm entado el apetito p o r riesgo de los inversionistas ct^
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
ra| Pero la ausencia de tcnicas que midan ei riesgo ha propiciado grandes

^ sastre s financieros. Estos descalabros tienen nombre y apellido; por ejemplo,
J l o p o r citar algunos:
Nick Leeson, un operador del mercado de derivados que trabajaba en la

subsidiaria del banco ingls Baring en Singapur, sufri prdidas que reba
saban en exceso el capital del banco y llev a la quiebra a la institucin en
febrero de 1995 con prdidas de ms de 1.300 millones de dlares.
Bob Citrn, tesorero del condado de Orange en Estados Unidos, invirti en
posiciones altamente riesgosas que se tradujeron en ms de 1,700 millones
de dlares, debido al alza de las tasas de inters registrada en 1994.
Toshihide lguchi, un operador que manejaba posiciones en mercado de
dinero en Daiwa Bank, perdi 1,100 millones de dlares en 1995.
Yasuo Hamanaka, un operador de contratos de cobre en Sumitomo Corp.,
perdi 1,800 millones de dlares en junio de 1996.
En diciembre de 1994, la devaluacin del peso mexicano dej al descu
bierto la fragilidad del sistem a financiero, ya que en todas las institucio*
nes financieras se presentaron fuertes prdidas por riesgos de m ercado y
crdito.
El comn denominador en estos desastres fue la falta de polticas y sistemas

de administracin de riesgos que perm itieran m edir y monitorear efectivam ente
las prdidas potenciales de las posiciones en que estaban involucradas dichas cor
poraciones.
Estos desastres provocaron, entre otras acciones, que en 1993 se creara una
asociacin internacional de carcter privado llamada G rupo de los T reinta (G30). Dicha agrupacin ha hecho algunas recom endaciones en relacin con crite
rios prudenciales para instituciones que tienen productos derivados en posicin
de riesgo.'
I.
E l pape! de a alta direccin. Definir las polticas y controles asegurndo

se de que estn por escrito en un documento que sirva de base a clientes,
reguladores y auditores. Las polticas deben incluir los lmites que deben
respetar las reas de negocios.
2'
i 'cduacin a mercado d e las posiciones de riesgo (marcar a mercado).

|-ste termino se conoce com o M ark-to-M arket y consiste en m edir el valor
justo o de mercado de un portafolios. La prdida o ganancia no realizada
la posicin de riesgo se calcula mediante la diferencia entre el valor de
adquisicin de la posicin y el valor de dicha posicin en el mercado. Esta
vd a c i n se debe hacer de preferencia diario para evitar sorpresas y res-
22
3.
4.
5.
6.
7.
ponder a la siguiente pregunta: si vendo la posicin hoy, a cunto aseen- J

deria la prdida o la ganancia ?
Medicin cuantitativa de riesgos. La medicin de riesgos de mercado se
logra mediante el clculo de lo que se conoce como Valor en Riesgo (VaR).
Este concepto fue propuesto por JP M organ en octubre de 1994 y hoy es
un estndar internacional. El VaR resume en un solo nmero la prdida-,
potencial mxima que se puede sufrir en una posicin de riesgo dado un
nivel de confianza elevado (usualm ente 95 o 99% ) y en un periodo de
tiempo determinado .6
Simulaciones extremas o de stress. Se deben valuar las posiciones en con-,
diciones extremas y adversas de mercado. El valor en riesgo slo es til en
condiciones normales de mercado. Existen muchas maneras de rea!iza|
estas pruebas. La ms comn es contestar a las preguntas: qu pasara con
m i posicin si ios factores de riesgo cambian dramticamente? Cul po
dra ser la mxima prdida que puedo sufrir en un evento poco probabltj
pero posible?
Independencia en la medicin de riesgos. El objetivo es evitar conflicto|
de inters que pueden surgir cuando las reas de negocios emiten sus proij
pos reportes, miden sus propios riesgos y se monitorean a si mismas. H
administrador de riesgos debe ser completamente independiente de lasreai
de registro contables {Back-Office) y de las reas de operacin del negocia
{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.
Bemstein, Peter. Against the Gods. The remarkable story o f rsk

Para ms referencias vase el articulo de Fisher Black y M. Scholes dencmins-l
do: The Pricing o f Options an d Corporate Lialibities, publicado por primefd
vez en el Journal o f PolitcalEconomy. Vol. 81 (1973).
Notas
23
4,
Consulte el docum ento tcnico de Riskmetrics, que se obtiene gratuitamente

por Internet en la direccin w w w .riskm etrics.com .
Existe una infinidad d e tipos d e riesgos; sin em bargo, s lo se enuncian tos ms
5.
Jorion, Phillipe, Valu at Risk, Ed. McGraw-Hil!, capitulo 15.
6.
En el capitulo 4 se profundiza m s en el concepto de vaior en riesgo'*.
3,
im portantes, que tal v e z in clu yan a tod os lo s dems.
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
Rendim iento y riesgo

t
n la teora financiera existen dos variables bsicas que es preciso entender y

saber calcular apropiadamente para tom ar decisiones de inversin: el rendi
miento y el riesgo. En la medida en que una inversin es ms riesgosa, debe exigirsele
un mayor rendimiento:
Rendimiento
Rendimiento
exigido ,
Tasa libre
de riesgo _
2.1
Rendimiento
^ rendimiento de un activo o portafolios es el cambio de valor que registra en un

periodo con respecto a su valor inicial:
4 V alor
R .=
V alor ^ - V a lo r_
V a lo r
V a lo r ..
27
28
R endim iento y riesgo
Com o ejemplo considere que el da de ayer el valor de un portafolios fue de

97.5 millones de pesos y hoy registra un valor d e 98.3 millones de pesos; el rendij
miento de un da es de:
9 8 .3 -9 7 .5 = Q g2%
97.5
El rendimiento tambin se puede definir en (uncin del logaritmo de la ra z j
de rendimientos como sigue:
r , = lJ
p
P,-
El rendimiento de un portafolios se define com o la sum a ponderada de lod

rendimientos individuales de ios activos que componen el portafolios, por el pesd
que tienen dichos activos en el portafolios:
ff
R P= ^ ( 0 , R ,
i* l
El rendimiento promedio se define como la suma de los rendimientos de c a d |

uno de los activos, entre el nmero de activos:
Av
prvm
ia r
X*
El rendimiento anualizado se define com o :1
Como ejemplo considere que el rendimiento diario de un portafolios es de 0.0

Dicho rendimiento anualizado (considerando 252 das hbiles) es de:
/ U * = (1 + .OOOlf21 = 5.17%
2.2
M edicin del riesgo
Una distribucin de frecuencias muestra la m anera como los rendimientos de a!

gn activo o portafolios de activos se han com portado en el pasado. Cuando ost
29
pjgtrKWCin normal o d e cam pana
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:
a) Determinar las observaciones de mnimo y mximo valor en la serie de

tiempo.
Elegir un nmero de subintervalos de igual magnitud que cubra desde el
mnimo hasta el mximo valor. stos son los rangos o clases.
c) Contar el nmero de observaciones que pertenecen a cada rango o intervalo.
sta es la frecuencia por clase.
d) Determinar la frecuencia relativa mediante la divisin entre la frecuencia
por clase y el nmero de observaciones. Es decir, la frecuencia relativa es
una fraccin de las observaciones que pertenecen a cada clase.
A continuacin se presenta un histograma de los rendimientos de la tasa de
inters THE a 28 dias, con observaciones desde abril de 1996 hasta m ayo d e 1999:
200
150
100
50
2.3
....................................... 1
.................................... l l
1
11
l l l ________
m
'
Distribucin norm al o de campana
js I,slnjmen,0S financieros presentan por lo general una distribucin de probabi*

normal, la cual est definida p o r una curva simtrica en forma de campana. No
los* 31110
CSta curva fi*e propuesta por De Moivre, est relacionada tambin con
s nombres de Pierre Laplace y Cari Gauss, quienes trabajaron en el desarrollo y la
aP'icac,i] de esta distribucin
cstari,a,lllitr'*,uc'^ n norrna^ ene un papel importante en cualquier cam po de la
ms ' *Ca 'V' en Part'cu'aj\ cn la medicin de riesgos en finanzas. Los parmetros
Aportantes que la definen son la media y la desviacin estndar, siendo la
30
notacin ms conocida como Afp,(y). Otros indicadores importantes que defina

a la distribucin normal son el sesgo y la kurtosis. El sesgo debe ser de cero (sime
tria de la curva perfecta) y la kurtosis de tres (en tres desviaciones estndar se cuent
con el 99.7% de las observaciones).
Como ejemplo tomemos los rendimientos o variaciones porcentuales diaria
del Indice de Precios y Cotizaciones de la Bolsa Mexicana de Valores (IPC) duran!
tres aos (1998 a 2000), es decir, un nm ero de 509 observaciones. A continuacij
se presenta una grfica del histograma de frecuencias:
H istogram a d e rendim ientos del IPC
(1998-2000)
120
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
pjgtribuon norm al o d e cam pana
La distribucin normal de probabilidad de una variable aleatoria continua se

ede representar como un histogram a de frecuencias de una forma suavizada y
P
. en un nmero grande de observaciones. A continuacin se muestra la ecuain de la distribucin norma] y la manera como se representa:
ft \
Q-____
y > 0 , * < //< * ,o< x <*
La funcin de densidad norm al contiene dos parm etros bsicos: p y a. El

primero es la media y el segundo la desviacin estndar de la distribucin corres
pondiente. por esto se localiza el centro de la distribucin y se determina el grado de
dispersin.
La curva normal est centrada alrededor de la media, la cual se representa por
p. La variacin o dispersin alrededor de la m edia se expresa en unidades de la
desviacin estndar, representada por o. En un portafolios, la media es simplemen
te su rendimiento promedio, y a la desviacin estndar se le define com o volatilidad.
Las expresiones para su clculo son las siguientes :2
n l
V ^ P .R ,
1=1
nde p es la probabilidad de ocurrencia.
I -l
32
A continuacin se muestra una grfica de dos distribuciones de probabilidad

normal que tienen la mism a media pero diferente dispersin:
En esta grfica se observa que la distribucin de probabilidad 2 tiene

dispersin que la distribucin 1 y, por tanto, tiene m ayor riesgo.
Cabe sealar que la funcin de densidad normal es simtrica con respecto a la
media y, por tanto, slo se necesita tabular las reas de un lado de la media. Las
reas tabuladas son reas a la derecha o a la izquierda de valores de z, en donde re s
la distancia de un valor x respecto de la media, expresada en unidades de d e sv ia c J
estndar.
fl M-------------------- zi7
f i + z<?
33
D istrib u c i n normal o d e cam pana
Si lo anterior es cierto, entonces debe quedar claro que:
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
distrib^- Sa^Cr S1 una distribucin de frecuencias se comporta de acuerdo con una

... . Uclon nontial, existen varias pruebas. La ms sencilla es la de Jarque-Bera , 3
que consiste CQ | 0 siguiente:
e calcula el estadstico de prueba dado por;
LM = N
Sesgo1
(Kurtosis3) 2
24
34
Donde Z /e s un estadstico de prueba y se distribuye de acuerdo con una curva

ji-cuadrada con dos grados de libertad, por lo que es necesario realizar una prueba
de hiptesis en la cual la hiptesis de inters (hiptesis nula) consiste en que la
curva es normal con un nivel de confianza (por ejemplo, 95%) y la hiptesis alterna^
tiva consiste en que no pasa dicha prueba (es decir, no es normal).
Como ejemplo, tomemos la serie de tiempo de los rendimientos del IPC duran-,
te el ao 2000, considerando 258 dias. El sesgo es de 0.1376 y la kurtosis de 3.81J
Con esta informacin, el valor de / /(e s ta d s tic o de prueba) es de 7.86. Si desead
mos 95% de confianza para realizar la prueba de normalidad, en tablas de una distri
bucin ji-cuadrada con dos grados de libertad, se obtiene 5.99. Dado que el esiadist^j
de prueba es m ayor que 5.99, se concluye que no se acepta la hiptesis de inters, qg
decir, que la serie de tiempo no se comporta de acuerdo con una curva normal, cot
un nivel de confianza del 95%. Sin embargo, al tom ar ms datos histricos, el sesgo
tiende a ser ms pequeo y la kurtosis ms cercana a 3, lo que significa que con uq
nmero suficiente de datos pasara la prueba de normalidad de Jarque-Bera.
Por otra parte, vale la pena aclarar que la m edia y la desviacin estndar de un
periodo pueden ser transformadas a otro periodo. Por ejemplo, si tenemos la medj
y la volatilidad diaria, es posible determinar los parmetros anuales mediante las
siguientes expresiones:
anual
ix
d ia ria
ânual ~
t
^
Observe que los ajustes en la volatilidad a diferentes horizontes de tiempo de

ben realizarse con la raz cuadrada del periodo, y por tanto, la volatilidad es una
funcin del tiempo expresada de manera no lineal.
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 dûtv
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
Mode)0 c A M P : Capital A sset Prlcing M odel
C orrelacin
2 .5
pcbido a la dificultad para interpretar la magnitud de (a covarianza, suele utilizarse

Ja correlacin para mcdtr el grado de movimiento conjunto entre dos variables o la
r e l a c i n lineal entre ambas. La correlacin se encuentra entre - I y + 1 y se determi
na de acuerdo con la siguiente expresin:
Corr(ftRJ) = p iJ=
COV{Rt , R , )
a o
donde:
es la correlacin entre los activos i y j .
c o iV ir R)
es la covarianza entre los activos / y j.
oi
es la volatilidad del activo i.
es la volatilidad del activo j
El coeficiente de correlacin de Pearson se calcula en funcin de los rendi

mientos observados de la siguiente manera:
Corr(.x,, y , ) *
( x ju.K v, - / ! , )
------------- --,c|
,
i-i
.-i
El signo positivo en el coeficiente de correlacin significa que las dos variables

se mueven en la misma direccin, mientras ms cercano a la unidad, m ayor ser el
grado de dependencia mutua. El signo negativo indica que las dos variables se mue
ven en sentidos opuestos. Asimismo, mientras ms cercano a cero sea el coeficiente
de correlacin, mayor ser el grado de independencia de las variables.
2-6
Modelo C A P M : Capital Asset Pricing Model
^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
~ Rm) - p ptTra ->_

al
var(Rm)
Intervalos de confianza
El rea bajo la curva representa la probabilidad en un intervalo especifico. Asi, si sd

desea obtener la probabilidad de que un rendimiento futuro se encuentre entre lo]
rendimientos a y b, se tiene que calcular el rea bajo la curva de la d istrib u d
normal entre a y b. Matemticamente, el rea bajo la curva se obtiene de integra^ lq
funcin de probabilidad f ( x ) definida entre a y b, de la siguiente forma:
intervalos de confianza
b
p ro b a b ilid a d =
f(x)dx
La funcin de densidad de probabilidad describe la distribucin de probabili

dad para una variable aleatoria continua. Tiene las siguientes propiedades:
1. El rea total bajo la distribucin de densidad es 1.
2. La probabilidad entre a y 6 es el rea bajo la curva entre a y b.
3. La funcin de probabilidad es siempre positiva o cero.
Para una distribucin normal, las probabilidades para ciertos rendimientos alre
dedor de la media son conocidas. E l rea dentro de una desviacin estndar de la
media cubre aproximadamente 6 8 % de los rendimientos posibles. Dos desviaciones
estndar de la media cubren aproximadamente 95% de los rendimientos posibles y
tres desviaciones estndar de la m edia cubren aproximadamente 99.7% de la media.
99.7%
38
2.8
R endim iento y rie:
Distribucin norm al estandarizada
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
T o m a n d o com o base el ejem plo anterior, se desea calcular el rendim iento de

I cola inferior que se encuentre asociado a un 99% de nivel de confianza o proba
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
El concepto de rendimiento anuaiizado se explica con ms detalle en el capitu

lo 5. en q) tema de tasas de inters.
2- La frmula que se enuncia corresponde a la volatilidad histrica. Sin embargo,
existen otras formas ms eficaces para calcular la volatilidad, las cuales se des
criben en el capitulo 3 .
âra mayor detalle vase el artculo de Jarque-Bera: J Testfo r NormalHy o /
bsetTttions andRegression Residuals, publicado por InternationalStatistical
^ pi'ir( 1987), pp. 163-172.
Lonsulte las tablas de una curva de distribucin normal en libros de estadstica
tra<liconales. Tambin pueden obtenerse en excel de Microsoft.
C A P T U L O 3
La volatilidad
Sin lugar a dudas, el anlisis de la volatilidad y el diseo de modelos para su

pronstico es una de las ramas de las finanzas ms explorada en los aos
recientes. Debido a ello existe un gran acervo de artculos sobre el particular.
La volatilidad es la variable ms importante para determinar el valor en riesgo
(VaR) de un portafolios de activos. Existen muchas metodologas para determinar
esta variable. En este captulo se explican las ms utilizadas en la prctica
profesional.
41
La volatilidad
a volatilidad es la desviacin estndar (o raz cuadrada de la varianza) de los

rendimientos de un activo o un portafolios. Es un indicador fundamental para
la cuantificacin de riesgos de mercado porque representa una medida de disper
sin de los rendimientos con respecto al promedio o la media de los mismos en un
periodo determinado.
La mayor parte de los rendimientos se sitan alrededor de un punto (general
mente el promedio de los rendimientos) y poco a poco se van dispersando hacia las
colas de la curva de distribucin normal. sa es la medida de volatilidad.
En la siguiente grfica se puede observar el comportamiento diario de los rendi
mientos de las tasas de inters (tasa de inters interbancaria de equilibrio TIIE a 28
das) de octubre de 1999 a noviemhre del 2000. Observe que la serie de tiempo no es
constante en algunos periodos y, por tanto, se dice que la serie es heteroscedstica, ya
que la volatilidad (o la varianza) es variable en el tiempo. Es decir, que en los merca
dos financieros, a periodos de calma y estabilidad, les siguen periodos de turbulencia.
Rendim ientos diario s d e la tasa T IIE a 26 das

(oct-1999 a nov-2000)
43
44
La v o la tilid a d
Es importante sealar que no es lo mismo la volatilidad de rendimientos de

precios que la volatilidad de tasas de inters. La frmula siguiente puede utilizara^
para convertir la volatilidad de tasas de inters a volatilidad de precios:
Volatilidad de precios (o^) =
AP
x r x < j f (volatilidad de tasas)
AP
Donde
es la sensibilidad del precio de un bono a un cambio en las tasas de
inters (m s adelante se retoma este concepto com o duracin).

Por ejem plo, si se desea calcular la volatilidad de los precios de Cetes a 9]
dias y la volatilidad de tasas es del 20% anual, la ltim a tasa de Cetes a 91 dias es
del 15% y la sensibilidad del precio cuando las tasas cambian en 1% es de 0.24
(duracin).
a /, 0.24 x 0.15 x 20% = 0.72% anual

Por lo anterior, existen varias formas de m edir y pronosticar la volatilidatja
continuacin se exponen cuatro mtodos de los m s importantes: a) volatilidad hisJ
trca; fi) volatilidad dinmica o con suavizamiento exponencial; c) volatilidad imj
plicita; y d) los modelos Arch y Garch.
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:
A continuacin se muestra un ejemplo para el clculo de la volatilidad histri^

considerando nicamente diez das de observaciones:
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%
En la investigacin que se ha realizado para contar con estimadores de la varanza,

se ha demostrado que es mejor considerar nicamente el cuadrado de los rendi
mientos. por lo que una forma ms practica de calcular la volatilidad histrica sera
la siguiente:
Lo que recomienda el Banco Internacional de Liquidaciones (BIS) es conside

rar un horizonte o ventana de 250 das de operacin (hbiles), equivalentes a un ao
calendario.
Las covaranzas con este mtodo se estiman como sigue:
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
Volatilidad dinm ica o con suavizam iento

exponencial
Una manera de capturar el dinamismo de la volatilidad en los mercados es media

el uso del suavizamiento exponencial de las observaciones histricas durante alj
periodo, generalmente anual. Esta metodologa le confiere mayor peso a las ltima
y ms recientes observaciones que a las primeras o m s alejadas en el tiempo. Esta
representa principalmente una ventaja sobre el promedio simple de las o b se rv a d *
nes o volatilidad histrica: la volatilidad dinmica captura rpidamente fuertes va
riaciones de precios en los mercados debido a su ponderacin, y por ello es posibt^
generar mejores pronsticos en pocas de alta volatilidad.
Partiendo del supuesto de media de los rendimientos igual a cero ,2 y como ya
se seal anteriormente, la volatilidad histrica es com o sigue:
Asignamos al cuadrado de los rendimientos un peso especfico w.

a? =
i=l
Si hacemos que w, = A'~'(l _ A)donde Q < A < | entonces tendremos la sig
te expresin:
Este modelo depende de un parmetro X que se encuentra entre 0 y 1. co n o c

como factor de decaimiento {decayfactor). Este parmetro determina los pesos q u
se aplican a las observaciones y la cantidad efectiva de datos que se u tiliz a i
para estim ar la volatilidad. M ientras m s pequeo es X, m ayor peso tieneo l o l
datos ms recientes. As, si X = 1 el modelo se convierte en la volatilidad h ist ri
con pesos uniformes a todas las observaciones, es decir, dado que una o b se rv a d
hace n dias es multiplicada por X*- 1 y ste es un factor muy pequeo en la medida e ii
que la n es grande, menos peso tienen las observaciones ms lejanas.
A continuacin se muestra un ejemplo para el clculo de la volatilidad c o ^
suavizamiento exponencial:
atjf|{jad dinm ica o cOn suavizam iento exponencial
nTltlidad dinm ica:
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%
El modelo descrito con anterioridad se puede expresar tambin mediante un

tipo recursivo de la siguiente manera:
(Th-i - 0 - ) r ? + A(T?
Por lo tanto, cuando se baga referencia a la volatilidad recurstva, es preciso
recordar que es equivalente a a expresin de volatilidad dinmica.
Las ob serv acio n es h ist ric a s que reco g e el m odelo de suav izam ien to
exponencial, segn rshnetries.,3 son las siguientes:
Das de datos histricos para un nivel de tolerancia
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
El nivel de tolerancia est dado por:
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
Com o se puede observar en la grfica, este modelo captura rpidamente el di^

namismo de los rendimientos en el tiempo y es un buen pronstico de volatilid^fco
un da, especialmente cuando existe alta volatilidad en los mercados.
Por otra parte, a continuacin se presenta una grfica en donde se apreef.el
peso especfico que tienen las observaciones para el clculo de la volatilidad con un
factor de decaimiento de 0.90 y con un nivel de tolerancia del 1%; slo se c o n s i^ |
ran los 44 datos m s recientes.
Distribucin de pesos de la volatilidad exponencial

1.2000
1.0000
0.6000
0 6000
0.4000
"
0.2000
0.000
49
VWaKdsct implcita
M todo R M S E ( fo o t M ean S q u a re d Error)
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):
C lcu lo d e Iam b da p fcm c o n el m to d o W S f [B o o t M e a n Squa u e d E rro r)
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 T r lalllidad 110 Se *5aSa en cons'c*crar observaciones histricas sino en observar

0
dad existente en el mercado de opciones. La manera de calcularla es ob*
^rec de la prima de las opciones en el mercado y sustituyendo este
la r Cn ,l,nT1u'a de Black-Scholes que se detalla en el captulo 6 . Una vez hecha
sustitucin se despeja' el valor de la volatilidad de dicha frmula,
subv- ''^ '^ d ^ d a d implcita es muy confiable cuando el mercado de opciones del
vme tiene suficiente liquidez. Sin embargo, en la prctica enfrentamos el pro-
La voiam
50
blema de que no todos los subyacentes tienen contratos de opciones y, por lo l a n (

son m uy pocos los casos en los que se puede calcular la volatilidad implcita.
3.4
Seres de tiem po para m odelar volatilidad
Al estudiar series de tiempo, es importante identificar tendencias {cambios etil

media en periodos largos), efectos estacionales (periodicidades), efectos cic|y
(cam bios fcilmente predecibles), fluctuaciones irregulares (cambios en la varia
y fluctuaciones puramente aleatorias.
Una vez identificados los efectos mencionados, podramos descomponer una ]
re de tiempo en sus componentes principales, por ejemplo: x,= T , +S, + f , . donde!
partes de la serie de tiempo son, respectivamente, una tendencia, un com ponen^
ridico y una parte irregular. As, por ejemplo, podemos tener que una serie de tic
po consta de tres elem entos, cada uno con su ecuacin, a saber: T, - 1 - q f
(tendencia), S, = 1.6 sen
componente peridico o cclico) e }, - 0.7
(componente irregular, donde e, es una variable aleatoria).

Para modelar series de tiempo economtricas (con un componente estocas
es necesario que stas tengan un comportamiento estacionario, es decir, que la m
dia no dependa del tiempo (que sea constante), lo que implica que aun cuando i
rante cierto periodo de tiempo el proceso se aleje de la media, ste siempre regr
a la vecindad de la misma (concepto de regresin a la media). Por tanto, es noce
rem over o quitar los efectos mencionados (tendencias, periodicidades y ciclos) pa
trabajar con una serie estocstica y estacionaria.
Por otra parte, al estudiar series de tiempo se tiene muchas veces el pioblejjjde
heteroscedasticidad, es decir, que la varianza de la serie no es constante en el tieti
po. Por ejemplo, en series econmicas y financieras es frecuente observar peric
de volatilidad alta seguidos de otros de tranquilidad, En estos casos es difcil tilo
o transformar para lograr convertir a la serie de tiempo original en una h o m o s c e
(varianza constante). Una alternativa es aplicar el mtodo Arch o Garch.
Estos modelos fueron propuestos por Engle en 1982/ Para entender estos
dlos, es necesario recordar los modelos autorregresivos (AR), de promedios
les (M A) y los llamados ARMA (que son una combinacin de ambos).
Procesos autorregresivos
Si r ,e s un ruido blanco o variable aleatoria que se distribuye
definido por:
x, = tu x,.i + a2x,-i + a i x,.% + ..........+ ap x ,.P + ?
el p ro cejj
51
S ^ e s d e empo para m odeiar volatilidad
nar tiulorregresivn de urden p y se denotar como AJUp). Note que la

k? en estudio (en nuestro caso la volatilidad) depende de la misma variable
varIfl
- en e iempo y de un choque aleatorio que es la parte estocstica de (a
fWr Para modelar una serie de tiempo como un proceso autorregresivo se
ecuacit, n. contcstar
preguntas bsicas: cmo se estiman los parmetros a, del
56
,,cnC^s0? y cul es el orden del proceso (es decir, el valor de p )l

P
p a r a determinar los parmetros del proceso se pueden aplicar tres metodologas:
.
modelo de regresin comn o las conocidas ecuaciones de Yulemiflirooh tuûxaw
j
*_
WaJker que se encuentran en cualquier libro de senes de tiempo o de econometna.
Los tres mtodos darn estimadores similares. Lo que comnmente se hace en la
rctica es apoyarse en algn paquete de cmputo especializado en economctra,
como E-vies. el cual plantea una ecuacin de mxima verosimilitud y su resolu
cin para obtener los coeficientes a,.
Por otra parte, para determinar el orden del proceso autorregresivo, una herra
mienta muy til es lo que se conoce como correlograma, es decir, la grfica de los
coeficientes de autocorrelacin rt contra los rezagos Je. El anlisis de estas grficas
es fundamental para modelar procesos autorregresivos, pues permite identificar la
estructura de correlacin implcita en la serie de empo que indica el grado de depen
dencia lineal de cada dato con los que le preceden. De la interpretacin del correlograma se desprende qu tipo de modelo podemos aplicar a una serie de empo. Los
coeficientes de autocorrelacin al rezago k se determinan de la siguiente manera :5
< 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 êIerm'nar 'I orden del proceso autorregresivo, adems del anlisis del
rama que considera e! comportamiento de los coeficientes de aulocorrela-
52
La volatili
ein, es necesario utilizar otro instrumento: los coeficientes de autocorreiaci

parcial. Lo importante de esta funcin es que se puede mostrar que en un proce
f9,p) la grfica de las autocorrelaciones parciales se corta despus del rezago/H
As pues, al observar este grfico y el punto donde ya los valores son muy peque
(dentro de la bandado ~ r ) , se tendr una estimacin del valor de p que se deh
V/J
tomar para ajustar el modelo autorregresivo. En otras palabras, el nmero de aut
correlaciones parciales distintas de cero indica e! orden del proceso AR. El paque
E-views proporciona ambos correlogramas: el de los coeficientes de autooor
cin y el de autocorrelacin parcial.
Modelo
de promedios mviles
Un proceso ser de prom edios mviles MA(q) si se expresa de la siguiente mane:
X, = Z, + P, Z,-\ + /?, 2,-2 + ....... + PqZ,-i

donde zt es un ruido blanco que se distribuye com o MO. <32). Al igual que en un
proceso Afljp), el inters se centra en estimar el proceso q y los parmetros JJ.
La estimacin de las betas es ms difcil que en el proceso autorregresivo, ya
que no es posible encontrar estimadores explcitos eficientes y se tienen que usar
iteraciones numricas. Por lo cual es conveniente invertir! proceso de promedl^j
mviles a uno autorregresivo. La invertibilidad del proceso se realiza mcdianttf un
procedimiento propuesto por Box y Jenkins, que utilizan los paquetes de cm ptj
especializados, pues son mtodos iterativos que pretenden minimizar la suma de lof
cuadrados de los residuales.
Para determinar el orden del proceso de prom edios mviles, lo mejor es obsefl
' var el punto donde se "cortan los coeficientes de autocorrelacin en el e o rrelo g ra^ J
La grfica de autocorrelacin parcial decrecer exponencialmentc y no es de utiliq
dad para determinar q.
Modelos autorregresivos y de promedios mviles (ARMA)

Estos modelos son una combinacin de un ARip) y un MA(q) y tienen la f o r m a f j
x >~ ^ + X
x ' >+ X
.-I
,-1
/ z ,-j
A este proceso se le denomina autorregresivo y de promedios mviles de o r d e j

(/>, q) y ser denotado por ARMA {p,q).
S se usa-el proceso de diferenciacin ide la serie de tiempo para convertir a la I
serie original en una estacionaria, entonces al proceso se le denomina au to rre g re s^ J
y de promedios mviles integrado y se denota com o A R IM A (/v/y).
fcetelos Arcti y G arch
53
para modelar una serie de tiempo como un proceso ARMA/,^) o ARIMA(/,</,y)

se debe cumpl"
1
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.
Es importante sealar que aumentar p o q no siempre provoca que el modelo

mejore y probablemente tendr un efecto sobre las predicciones, por lo que es im
portante buscar el mejor modelo ajustado. Un criterio importante es que debe dismi
nuirse al mnimo el nmero de parmetros del modelo (principio de parsimonia), de
tal suerte que slo estn los necesarios.
3,5
Modelos A rch y G arch
Generalmente se supone que la varianza de una serie cronolgica es constante

(liomoscodasticidad), y el serlo es una condicin necesaria para que una serie de
tiempo sea estacionaria. Sin embargo, com o ya se mencion, en ocasiones no es as;
en particular tratndose de (a volatilidad se presenta m uy frecuentemente el fen
meno de lieteroscedasticidad, es decir, la varianza de la serie tiene cambios sistem
ticos en el tiempo. Algunas veces es posible estabilizar la varianza aplicando algunas
transformaciones o filtros, por ejemplo, si la varianza crece linealmente en funcin
del tiempo, al aplicar logaritmos se puede resolver el problema. Pero en la mayor
parte de las series de tiempo financieras el problema de heteroscedasticidad es m u
cho ms complejo. La volatilidad es un fenmeno en el que se presentan periodos
tic alta turbulencia seguidos de periodos de calma.
A continuacin se observa una grfica de los rendimientos de! tipo d e cambio
diarios durante 1998 y 1999, en la que se puede apreciar el fenm eno de
heteroscedasticidad. es decir, que la volatilidad no es constante en el tiempo.
Rendimientos del tipo de cambio peso/dlar 199&-1999
4.00% I------------------------------------------------------------------------------------------------------------- 1
54
L a v o l til#
Para estos casos donde persiste la heteroscedastcidad. se utilizan los m odeld

Arch (Autoregresive Conditionally Heteroscedastic) y Garch (generalizacin de loj
modelos Arch).
Los modelos Arch (autorregresivo y condicional heteroscedstico). estn disej
nados especialmente para modelar y pronosticar volatilidad. Son muy utilizados por
analistas de series de tiempo y administradores de riesgos. Su xito se debe a que el
pronstico de la volatilidad captura en gran medida la heteroscedastcidad de !a
serie de tiempo.
Para comprender m ejor este modelo, considrese un modelo aulorregresivb de
orden uno AJ( 1):
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
Se puede observar que [i en el m odelo Garch es equivalente a A (factor de

miento en volatilidad exponencial y que a en el modelo Garch es equivalente
A en el modelo exponencial. Por tanto, la volatilidad dinmica o exponencial
caso particular del modelo Garch donde la persistencia es igual a uno y co = 0.

eS pjnaimente. a continuacin se describen los principales pasos del proceso para
'listar una serie de tiempo (en este caso, la volatilidad), a un modelo Arch o Garch:
proceso para ajustar una serie de tiempo de volatilidad a un

modelo Arch o Garch
1
G raficar la serie de tiem po e identificar ciclos, tendencias y factores

estacionales deterministas.
2 Mediante una regresin por mnimos cuadrados, determinar el modelo de
dichas tendencias deterministas y restrselo a la serie de tiempo original.
La idea es trabajar exclusivamente con un proceso estocstico.
3 . De ser posible aplicar una prueba de aleatoriedad o de procesos estocsticos
(la ms conocida es la prueba de Dicky-Fuller).
4. Observar el correlograma de la serie de tiempo original y decidir si es nece
sario aplicar una o dos diferencias a la serie para hacerla estacionaria (es
necesario que los coeficientes de autocorrelacin decaigan rpidamente).
5. Ajustar un modelo ARMA o ARIM A (si se trabaja con la serie diferencia
da). Observando el correlograma es factible determinar el grado del proce
so ARMA, pero deben elegirse solamente aquellos parmetros que sean
estadsticamente distintos de cero, aplicando pruebas de hiptesis con 95%
de confianza.
6 . Una vez que se cuenta con el m odelo ARMA o ARIMA, debe realizarse una
prueba que determ ine la existencia de heteroscedasticidad. Por lo general
se aplica la prueba de residuales a ! cuadrado.
7. Si existe heteroscedasticidad, entonces ajustar un modelo Arch o Garch,
cuidando que en todo momento los coeficientes tanto del modelo ARIM.4
como del Arch o Garch sean estadsticamente distintos de cero, aplicando
pruebas de hiptesis con 95% de confianza.
8 . Una vez que se tiene el m ejor modelo Arch o Garch, se procede al prons
tico de la volatilidad.
C o n clu sio n e s
Gomo se puede apreciar, el pronstico de la volatilidad mediante modelos Arch o

es complejo y puede ser muy tardado. Por este motivo, se considera que la
juanera ms prctica para enfrentar el clculo de la volatilidad es mediante el uso de
a ilictad dinmica o exponencial, ya que despus de todo se trata de un caso
particular de un modelo G a rc h (U ).
56
L a volalilidg
Sin embargo, tratando de analizar y pronosticar la volatilidad sin restriccin^

de tiempo y contando con los sistemas de cm puto adecuados, no hay duda de que
los modelos Garch son los ms poderosos.
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
Un paradigma es un modelo que se convierte en norma. El valor en riesgo,

conocido como VaR, es el paradigm a en la medicin de los riesgos de mercado.
Es un concepto que se propuso en la segunda mitad de la dcada de los noventa
y hoy lo aplican una cantidad importante de instituciones en M xico y en el
mbito internacional. En este captulo se explican las m etodologas ms
comunes para calcular el valor en riesgo, asi como las ventajas y desventajas de
cada una de ellas.
57
Conceptos bsicos del

m odelo de valor en riesgo
a metodologa de valor en riesgo, promovida y difundida por JP Morgan en

1994, se considera como un nivel de referencia (Benchmark) y un estndar en
los mercados financieros, lo que permite com parar la exposicin de riesgo d e mer
cado entre diversas instituciones.
4.1
Definicin del valor en riesgo
El valor en riesgo (VaR) es un mtodo para cuantificar la exposicin al riesgo de

mercado por medio de tcnicas estadsticas tradicionales.
El valor en riesgo es una m edida estadstica de riesgo de m ercado que
estima la prdida m xim a que p o d ra re g istra r un portafolios en un inter
valo de tiem po y con cierto nivel de probabilidad o confianza.
Es importante destacar que la definicin de valor en riesgo es vlida nicamente
en condiciones normales de mercado, ya que en momentos de crisis y turbulencia la
perdida esperada se define por pruebas de stress o valores extremos, que se detallan
e" el capitulo 8 .
Para entender este concepto, a continuacin se presenta un ejemplo: un inver
sionista tiene un portafolios de activos con un valor de 1 0 millones de pesos, cuyo
Dd | C
CS
^ 5 0 ,0 0 0 con 95% de nivel de confianza (significa que la
paiab a ma.x'ma a p e ra d a en un da ser $250,000 en 19 de cada 20 das). En otras
nes3 ras sl un da de cada 20 de operacin del mercado (1/20 = 5%), en condicionormalcs, la prdida que ocurrir puede ser mayor a $250,000.
59
60
C once ptos bsicos dei m odelo d e valor e n nesgoj
En una empresa o institucin financiera, los miembros del consejo de administr

cin son quienes deben definir dos aspectos fundamentales para el clculo del VaR: et
nivelde confianza que desean tener para determinar el VaR, y el horizonte de tiempo co^
que se va a medir. El Banco Internacional de Liquidaciones (BIS) recomienda definir
99% de nivel de confianza y un horizonte de 10 dias para los intermediarios financiero^
Sin embargo, JP Morgan recomienda 95% de probabilidad en un horizonte de un da,
para operaciones en mercados lquidos {Riskmetrics: daily eamings at risk, DEAJfil
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
M etodologas para el clculo del VaR

i
El Valor en Riesgo se puede calcular mediante dos mtodos:

1)
2)
4.2.1
M todos paramtricos.
M todos no-paramtricos.
Mtodos paramtricos
Tienen com o caracterstica el supuesto de que los rendimientos del activo en e u a |

tin se distribuyen de acuerdo con una curva de densidad de probabilidad nonti
como se indic con anterioridad.
Metodologas para el clculo del VaR
61
Sin embargo, en la prctica se ha observado que fa mayora de los activos no

siguen un comportamiento estrictamente normal, sino que son aproximados a la
curva normal y. por tanto, los resultados que se obtienen al medir el riesgo son una
a p ro x im a c i n .
4 2.1.1 El valor en riesgo d e un activo individual

Bajo el supuesto de normalidad y de m edia de rendimientos igual a cero, el modelo
paramctnco que determina el valor en riesgo de una posicin es el siguiente;
VR = F'k S x g x 4
donde;
F ~ factor que determina el nivel de confianza del clculo. Para un nivel de

confianza de 95%, F= 1.65, y para un nivel de confianza de 99%, F - 2.33.
S = monto total de la inversin o la exposicin total en riesgo,
o = desviacin estndar de los rendimientos del activo.
f - horizonte de tiempo en que se desea calcular el VaR (holefng perioef).
Para ilustrar lo anterior, observe el siguiente ejemplo: un inversionista compra
t.(K)t) acciones en el mercado accionario cuyo precio es de $30 por accin y su
volatilidad es de 20% anual (un ao consta de 252 das de operacin en el mercado,
aproximadamente). Se desea conocer el VaR diario de esta posicin considerando
95% de confianza.
laR = 1.65 x $300,000 x 0.20 x
= $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.
4-2.1.2 El valor en riesgo d e un portafolios d e activos (m todo d e

varianza-covarianza o delta-normal)
oondCmt;nêr CSte concePto' 'rnese el caso ms sencillo; suponga un portafolios
portaf !,|- C l l V o s Resgosos en cuyo caso se tiene un peso especfico del activo 1 en el
0 ' o s . n 1, y u n peso especifico del activo 2 en el portafolios, n '2 , de tal suerte
62
Conce ptos bsicos del m odelo d e valor e n rie
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
Donde rho es el coeficiente de correlacin entre los rendimientos de los do*

activos. El VaR del portafolios es:
VaR = F OpS-Jt = F [w 2,
+ m o l + w iYViPuO iO il
S 'f i
VaR = [vaRl + VaR\ + 2 p xlVaRi V a R il'2

A este VaR se le conoce tambin como el VaR diversificado porque toma en
cuenta las correlaciones de los rendimientos entre instrumentos. Note que el VaR
diversificado es menor que la suma aritmtica de los VaR individuales. Para el caso:
general en el que se tienen ms de dos activos en el portafolios, se llega a lo siguien^
VaRp = F o PS j = F [ wo C o
= [VaR x C x VaR T]Ui
Donde V aR es un vector de VaR individuales de dimensiones (1 x n), C es la

matriz de correlaciones de dimensiones ( X n) y VaRr s s e! vector transpires!^ de
VaR individuales de dimensiones (/? X 1).
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
Una matriz es un arreglo de nmeros compuesto de renglones y columnas. Cu

el nmero de renglones y columnas coinciden, se le denomina matriz cuad:
ejemplo es:
3
9
A= 3
17
8
12
Al conjunto de datos compuesto por 17, 9 y 12 se le conoce como a Jiagk

de la matriz, y este concepto se utiliza en matrices cuadradas.
^ in d o io g a s para el clculo del V aR
63
y na matriz simtrica es aquella en que los elementos que no pertenecen a la

al tienen su reflejo o se repiten separados p o r dicha diagonal. La matriz sea
lada anteriormente es un ejemplo de simtrica. Note que el nmero 6 del tercer
rengln segunda columna, es el mismo 6 del segundo rengln, tercera columna.
S una matriz tiene n renglones y m columnas, se dice que tiene un orden n x m.
Por ejemplo, la matriz A tiene un orden de 3 x 3 (primero renglones y despus
columna5)- El orden de la matriz se escribe usualmente debajo de la letra que l
denota, por ejemplo ^
Una matriz muy importante en la medicin de riesgos es la llamada matriz de
varianza-covarianza. La diagonal de la matriz est compuesla por las varianzas y
los elementos fuera de la diagonal p o r covarianzas, a saber:
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
Otra matriz interesante es la llamada de correlacin, denotada por C. La diagonal

de la matriz est compuesta por tinos y los elementos fuera de la diagonal son los llama
dos coeficientes de correlacin, que se obtienen mediante la siguiente expresin:
P .2
P*
P = ~ ^ ' -r Matriz de correlacin: [ c ] =

a ,a ,
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
Conce ptos b sica s del m odelo d e valor e n >ie
En los m odelos multivariados, las matrices se consideran como entidades equ

parablcs a los nmeros en la conocida aritmtica escalar. Por tanto, las matric
pueden ser sumadas, restadas o multiplicadas, pero deben seguirse regias especif
cas para realizar estas operaciones. Para sumar o restar matrices, stas deben ser del
mismo orden; simplemente se suma o resta elemento por elemento, por ejemplo^
4
(2 x2)
[ I
y Y
3 (2 x 2)
3
1
-2
[; 2
entonces X + Y \ f
4
12x 2)
|_l) 7_
Dos matrices, A y 3 , se pueden multiplicar slo si son compatibles; esto signific

que para encontrar el producto A x B, el nmero de colum nas de A debe ser igual al
nmero de renglones de B. Note que si, por ejemplo, el orden de A es de 3 x 4 y el de
B es de 4 x 5, entonces el orden del producto A x B ser de 3 x 5.
En la actualidad ya no es necesario conocer los detalles de la m u ltip lic a d ^
pues los paquetes de cmputo realizan esta operacin. En Excel, por ejemplo, la
instruccin es =M M ULT(A,B). Sin embargo, es indispensable saber si ambas ma
trices son com patibles y anticipar el orden del producto.
La divisin entre matrices es ms compleja que la multiplicacin. A este proc&J
so se le denomina inversin de matrices. La matriz inversa se denota como A ' 1. Al
igual que en la aritm tica escalar, el resultado de la multiplicacin de A por su
matriz inversa es la matriz identidad: 'x A ' 1= 1. Para una matriz de 2 X 2, la matriz
inversa es:
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:
^ ^ l o g i a s para el clculo del Vafl
65
ftera de la diagonal sean ceros, a saber:
o\ =
<72
0
0
CTi
La matriz de varianza-covarianza denotada por I ser aquella que se obtiene de

multiplicar las siguientes matrices:
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
Utilizando la teora moderna de portafolios es posible medir el riesgo de merca

do de una canasta o portafolios de activos. Para determinar el VaR del portafolios es
necesario considerar los efectos de la diversificacin con las correlaciones entre los
rendimientos de los activos que conforman el portafolios. La metodologa que se
sigue, tambin llamada mtodo de m atriz de varianza-covarianza o delta-normal, es
la siguiente:
VaRp = F x S x a f x-Jt
m = M C \[ e ]
Donde:
F
i
-- factor que define el nivel de confianza,

horizonte de tiempo en que se desea ajustar el VaR.
M = vector de pesos de las posiciones del portafolios ( x 1).
[]' = vector transpuesto de los pesos de las posiciones del portafolios (1 X n).
[2 J - matriz de varianza-covarianza que incluye las correlaciones entre los
valores del portafolios (n X ).
66
Conce ptos bsicos del modelo d e valor en nesg
[C = m atriz de correlaciones de los rendim ientos de los activos del p o rta fj

S
Oj
lios.
= valor del portafolios.
= volatilidad de) portafolios (1 x I ).
A continuacin se muestra un ejemplo numrico considerando un portafofifl

de cinco activos (acciones o divisas), en el entendido de que La matriz de c o r re la ta
nes, las posiciones y las volatilidades individuales son datos. En este ejemplo se
desea conocer el valor en riesgo de un dia con un nivel de confianza de 99%:
Ejemplo 08 valor an fleceo da un portafolios

Mtodo analtico o delta-normal.
<9.0%
Nivel da con don a

N a da desviacin ostndar
Volaundod < M portalo<ios
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
P ara follo a '
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%
Como se puede observar, el valor en riesgo del portafolios es menor que la

suma de Ios valores en riesgo individuales. A esta diferencia se le denomina d
efecto de diversificacin (parte superior derecha del cuadro: $44.10) y se debe a que
los activos presentan correlaciones distintas de cero.
Ifatodologias para et calculo det V a
67
factores de riesgo
Cuando se tiene un portafolios con instrumentos e diferente naturaleza, es preciso

'detitif*tcar i08 factores de riesgo, a Fin de construir una matriz de varianza-covarianza
reflcje los riesgos del portafolios. Un solo factor de riesgo podra representar
cientos de activos individuales. C ada activo individual puede ser mapeado o des
compuesto en uno o ms factores de riesgo. En el capitulo 5 se describe con detalle
e l proceso de mapeo. L a definicin de factor de riesgo es a siguiente;
Factor de riesgo es un p a r m e tro cuyos cam bios en los m ercados fi
nanciero! causarn un cambio en el valor presente neto del portafolios.
En este sentido, los factores de riesgo ms comunes son; los precios de las
acciones, las tasas de inters, las sobretasas en instrumentos de mercado de dinero,
los tipos de cambio, los precios de materias primas {commodities), etc.
4.2.1.3
Mtodo paramtrico denominado Simulacin Montecarlo
Este mtodo lue propuesto por Boyle 2 y consiste en la generacin de nmeros

aleatorios l/v/idm) para calcular el valor de] portafolios generando escenarios. Un
nuevo nmero aleatorio sirve para generar un nuevo valor del portafolios con igual
probabilidad de ocurrencia que los dems y determinar la prdida o ganancia en el
mismo, liste proceso se repite un gran nmero de veces ( 1 0 ,0 0 0 escenarios) y los
resultados se ordenan de tal forma que pueda determinarse un nivel de confianza
especifico.
La mayor ventaja de utilizar este mtodo es la posibilidad de valuar instrumen
tos no lineales, com o las opciones. Este efecto no se puede obtener en las dos
metodologas descritas anteriormente.
Debido a su complejidad, esta metodologa se detalla en el capitulo 7.
4.2,2 Mtodo no paramtrico o de simulacin histrica

C onsiste en utilizar una serie histrica de precios de la posicin de riesgo (portafolios)
para construir una serie de tiempo de precios y/o rendimientos simulados o hipot
ticos, con el supuesto de que se ha conservado el portafolios durante el periodo de
tiempo de la serie histrica.
Para aplicar esta metodologa se deben identificar primero los componentes de
los activos del portafolios y reunir los datos de los precios diarios histricos consi
derando un periodo que oscila entre 250 y 500 datos. A partir del histograma de
frecuencias de los rendimientos simulados se calcula el cuantil correspondiente
do dicho histograma (primer percentil si el nivel de confianza es de 99%).
68
C once ptos b sico s del m odelo d e valor e n rn
Existen tres tipos de simulacin histrica: crecim ientos absolutos, crecimiento!

logartmicos y crecimientos relativos. A continuacin se describen ios pasos a <e!
guir en cada uno de estos mtodos.
4.2.2.1
Sim ulacin histrica con crecim ientos absolutos3
Pasos a seguir;
a)
b)
c)
Obtener una serie de tiempo de precios de la posicin en riesgo (250 a 500

datos).
Calcular las prdidas/ganancias diarias de dicha serie de tiempo median^
la expresin:
Determinar una serie de tiempo de precios simulados sumando a la A/a

precio ms reciente o actual, de acuerdo con lo siguiente:
/>*=/%+A/>,
N ote que f es fijo para toda la serie de tiempo.
d)
Determinar una serie de tiempo de rendimientos simulados, a partir de los

precios hipotticos y referidos a la observacin ms reciente, como sigue;
p0
)
JS
Calcular el valor en riesgo tomando el percentil (en Excel con la instrao*

cin: Percentile) que est de acuerdo con el nivel de significancia deseada
(0.01 si el nivel de confianza es de 99% ), del histograma de rc n d im k $ H
simulados.
Note que el valor en riesgo, en este caso, estar dado como re n d im ie d jcn J
porcentaje, por lo que ser necesario m ultiplicar por el valor del p o rta
lios vigente para obtener dicho valor en riesgo en pesos, dlares, etc,<
A manera de ejemplo, considere que el histograma que se obtiene par* un

serie de tiempo de rendimientos simulados del tipo de cambio peso-dlar es el si*
guiente:
69
yefdofog'35 Para el cteu, del VaR
H istogram a de rendim ientos

s im u la d o s
Rangos
Para determinar el VaR simplemente se calcula el percentil deseado de este

histograma.
4.2.2
Simulacin histrica con crecimientos logartmicos*
Pasos a seguir:
a) Obtener una serie de tiempo de precios de la posicin en riesgo (250 a 500

datos).
f>) Conseguir los rendimientos de los precios de la siguiente manera:

Re nd = Ln
P,
P,-1
c) Determinar una serie de tiem po simulada de crecimientos de acuerdo con

lo siguiente:
/ ' = / (! + rend)
^
Obtener una serie de tiempo de prdidas/ganancias simulada: Pa- P .

Calcular el valor en riesgo tomando el percentil (en Excel con la instruc
cin: Percentile) que est de acuerdo con el nivel de significancia deseado
(0.01 si el nivel de confianza es de 99%), de! histograma de prdidas/ga
nancias simulados.
70
C once ptos b sico s del m odelo d e valor e n n e s g j
4.Z.2.3
Sim ulacin histrica con crecim ientos relativos
El procedimiento es semejante al de crecimientos logartmicos, pero en lugar de

obtener dichos rendimientos con el logaritmo del cociente de precios, se obtiene^
con la siguiente expresin:
R c n d = -P' ~ P,-
P ,-i
El mtodo de simulacin histrica tiene m uchas ventajas, entre ellas las si

guientes:
a)
ff)
c)
Es fcil de entender por parte de los ejecutivos que no son expertos en

conceptos estadsticos.
Es realista, pues se basa en una serie de tiempo de datos reales.
N o se apoya en supuestos de correlaciones y volatilidades que en situacio^
nes de movimientos extremos en los mercados pueden no cumplirse. Las
correlaciones y volatilidades estn implcitas en el clculo del VaR {fuf-
valualiuri).
d)
)
N o requiere mapeo de posiciones 5 y no incluye supuesto alguno (inclusive]

el de la distribucin normal).
E s aplicable a instrumentos no lineales (opciones).
E l la siguiente pgina se presenta una comparacin de valor de riesgo entre:

simulaciones histricas y mtodos paramtricos, con un ejemplo.
4.3
Problem as del VaR
A continuacin se enumeran algunos problemas que pueden presentarse en el clctt

lo del valor en riesgo.
Puede ser fuertemente dependiente de algunos supuestos, en particular en

el comportamiento de las correlaciones y volatilidades.
Puede haber problemas en la recoleccin de datos u observaciones^
El VaR no establece qu hacer con el problema de alta kurtoss {fat taits) y.
p o r tanto, no se conoce hasta cunto podran llegar las prdidas en 1 o 5%
de las veces.
Puede haber problemas de interpretacin, es decir, puede interpretarse colt
el peor escenario o la exposicin total del riesgo y generar una falsa sensa
cin de seguridad.
Por lo anterior se recomienda que:
El VaR se use en conjunto con otros mtodos, como pruebas de Sirt&

Realizar pruebas de retroalimentacin con datos reales, Backmting.*
t:S5Sfe22gsg3^S5SSgS5SaggS88
0 ô^(|ldddoÔ ^>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
Comparacin de valer en riesgo entre simulaciones histricas y mtodos paramtricos-.
^ d (p * * ' 0 ^ " * ' ^ > d N ( j r p 6 W n r d t 0 N
&}3s8S22*Sg35&S3S8SSesS838;
^fiôd^d^^r-oY<p^<j-(pôd
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
8S S sS i?S a83?S S 83S S aS

^ ^ ' - o ^ * * 6 o^>f 0 <v^ *-c>P 0 0 N
SSSgS8*sSSffig25SSg2S2& ?ga
>'
>r
S 5i
?S8 *!
s s s sa S ssa s a sss sssss a s S a ss
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
%$
3 2 $ 2 $ l2 4 ' ' i$ & $
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
Conceptos bsicos dei modelo d e valor e n rie
Evitar sensaciones de seguridad.

Revisar datos sucios utilizando dos o tres veces desviacin estndar para
analizar rendimientos anormales.
Notas
1.
2.
3.
4.
5.
Vase e l docum ento tcnico de Riskmetries.

Para ms detalles vase el artculo: Options: A Montecarlo Approach. Pheliad
P. Boyle. Journal o f Financial Economics 4 (1977), pp. 323-338.
Jorion, Philippe. Valu atRisk. Ed. Irwin (1997).
Teora d e Harry M arkowitz relacionada con portafolios o carteras de inversil
El m apeo de posiciones se explica con detalle en el captulo de valor en riesgo
en mercado de dinero.
C A P T U L O 5
El riesgo en
mercado de dinero
Una de las aplicaciones ms importantes en la medicin y control de los riesgos

financieros se refiere al clculo del valor en riesgo con instrumentos que
involucran un plazo de vencimiento. Los instrumentos de deuda que se cotizan en
el mercado de dinero tienen un plazo de vencimiento y este atributo hace que su
medicin de riesgos sea ms compleja que en el caso de ttulos accionarios o
monedas.
Tambin se trata el tema de la estructura intertemporal de tasas de inters, el
clculo de tasas forward y el procedimiento de interpolacin y descomposicin de
posiciones (mapeo) para la obtencin del valor en riesgo en un portafolios de
instrumentos de deuda.
73
El riesgo en m ercado
de dinero
5.1
Tasas de inters
l concepto de tasas de inters se utiliza normalmente para describir el creci

miento de una ganancia potencial asociada a una cantidad de dinero. Los tipos
de lasas de inters que existen y el contexto en que son aplicadas son motivo fre
cuente de confusin. Por ello es importante dedicar un espacio para entender este
concepto,
Es posible definir la tasa de inters como la tasa de crecimiento o decrecimien
to del valor de un activo en un periodo de tiempo. Es la medida relativa del valor de
un activo entre dos fechas distintas (presente y futuro). Las tasas de inters ayudan
a contestar preguntas como: un activo es ms valioso hoy o en una fecha fritura? o
cul ser el valor de un activo dentro de un ao?
Las tasas de inters son una m edida de la ganancia para quien decide ahorrar
hoy y consum ir en el futuro. Por ejemplo, un individuo que cuenta con una canti
dad de dinero hoy y no necesita destinar sus recursos al consum o, podra prestar
su dinero a otro individuo que si requiere consum ir ahora. Am bos pueden acordar
el prstamo y fijar un premio o un inters que sera pagado en el futuro. Si el
prestamista difiere su consum o, es compensado por el prestatario o acreditado
con dicho inters. ste es el principio que rige la mayor parte de las transacciones
financieras.
Los mercados de capitales proveen una mecnica eficiente para transferir capi
tal entre agentes econmicos. El prestamista recibe un inters por el uso temporal
de su capital. Por ello, la formacin eficiente de las tasas de inters para diferentes
plazos depende de la eficiencia del mercado de dinero que involucra al prestamista
y a l prestatario. El depsito en un banco por parte de un ahorrador (prestamista)
generar un inters y el banco, en su funcin de intermediario, destinar esos recur
75
76
E l riesgo en m ercado ele dinerfl
sos al otorgam iento de crdito, cobrando al acreditado (prestatario) in \a n a b le m a a

un inters m ayor que el pactado con el ahorrador.
A las tasas de inters que los bancos fijan para otorgar crditos se les d e n o to a
tasas activas, m ientras que a las tasas de inters que se fijan para pagar a lo
ahorradores, se les denomina tasas pasivas.
Las tasas de inters se pueden transformar de una base a otra mediante la sil
guiente expresin:
Donde r{ y /* son tasas de inters y , y b, son diferentes bases (diversos perio

dos de reinversin o capitalizacin de dichas tasas).
Por ejemplo, si la tasa de inters expresada en trm inos anuales es de 12%, pero
se reinvierte trimestralmente, cul es la tasa de inters expresada en trminos anua
les pero que se capitaliza semcstralmente?
('
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
el nmero e es la base d e logaritmos naturales cuyo valor es e = 2.7 1828.

para p la z o s d is tin to s a un a o , se tiene que la ta s a c o n tin u a es en- \ .
por ejemplo, una tasa de inters continua equivalente a la lasa de inters discrew de! | 0 % anual ser:
D onde
G e n e ra liz a n d o ,
= 10.5171% anual
5.2
Estructura de tasas de inters
En el mercado de dinero se deben manejar con frecuencia diferentes tasas de inters

o tipos de lasas de inters expresadas en diversas bases y diferentes plazos. Para que
las tasas de inters sean comparables se deben expresar en la misma base y ser del
mismo tipo. Cuando esto sucede, es posible obtener una estructura intertemporal de
tasas de inters. Es decir, dicha estructura es una manera consistente de mostrar las
tasas de inters en diferentes plazos o periodos.
A la grfica que describe la relacin entre las diferentes tasas de inters (rendi
mientos de instrumentos de mercado de dinero) para diferentes periodos o plazos se
le conoce como la curva de rendimientos de tasas de inters (yietd curve). A conti
nuacin se muestra un ejemplo para el caso de Cetes en una fecha determinada:
Plazos
Ta s a s
C u rv a d e rendim iento de Cetes

24.00
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)
Esta grfica se construye observando las diferentes tasas de rendimientos para

cada plazo que se opera en el mercado de dinero. Esta curva es fundamental en la
valuacin de prcticamente todos los instrumentos de deuda porque cualquier ins
trumento puede analizarse como una serie de bonos cupn cero. Sin embargo, se
debe destacar que esta curva considera rendimientos libres de riesgo de contraparte
0 dc crdito, por lo que para valuar instrumentos que tengan dicho riesgo de contra
parte es necesario descontar a valor presente con tasas libres de riesgo al plazo en
tjue paga el cupn ms un diferencial (sobretasa) que refleje tanto el riesgo de crltn L'mi>el riesgo de liquidez del instrumento.
En los mercados desarrollados existen curvas de rendimiento (libres de riesgo)
0 .i t'td curve que presentan plazos hasta de 30 aos. En el caso mexicano la mayor
78
E l riesgo en m ercado d e dineiq
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
'T e o r a d e preferencia a la liquidez
d e ta s a s
" T e o ra d e seg m en taci n d e m ercad o s
P ositiva
" P re m io posrtivo a la liquidez
*Se e s p e ra q u e la s ta s a s d e corto p lazo a u m e n te n
" E x c e s o d e o te rta re sp ec to a la d e m a n d a e n largos plazos

S e e s p e ra o u e la s ta s a s d e cario plazo dism inuyan
N egativa
" P re m io negativo (castigo) a la liquidez

" E x c e s o d e oferta re sp ec to a la d e m a n d a e n c o rto s plazos
S e e s p e ra q u e las ta s a s d e corto p lazo p e rm a n e z c a n iguales
H orizontal
"E q u ilib rio e n tre oferta y d e m a n d a e n to d o s los plazos

S e e s p e ra q u e la s ta s a s d e co rto pla 20 a u m e n te n y d e sp u s dism inuyan
J o ro b a d a
" N o h ay prem io p o r liquidez
" P re m io positivo a la liquidez seg u id o d e prem io negativo a la liquidez

'" E x c e s o d e oferta re sp ec to a la d e m a n d a e n pla z o s Interm edios
N o ta: los a s te risc o s in d ic a n la re la c i n d e la estru ctu ra d e ta sa s c o n la te o ra correspondiente.
,
.
79
Tasas de inters futuras o forwards
53
Tasas de inters futuras o
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
El inversionista ser indiferente ante las alternativas m encionadas si le pro

porcionan igual r;ndim iento o recibe la misma cantidad de dinero al final de ese
ao. El inversionista conoce la tasa de rendimiento que existir de aqui a seis meses,
pero no sabe que tasa de rendim iento estar disponible dentro de seis m eses y
hasta un ao.
A la tasa queprevaiecer dentro de seis meses y hasta un ao se le conoce como
lasa adelantada ofom ard rale. Dada la tasa de Cetes a seis meses y la tasa de Cetes
a un ao, es posite determinar la tasa que har indiferente al inversionista entre tas
dos alternativas is c rita s . Si el valor nominal de Cetes es de 10 pesos, el inversio
nista recibir diclo valor nominal al final del ao. Por tanto, el precio (costo) del
Cete a un ao sen:
10
Donde r, es h tasa de rendimiento de Cetes a un ao. Por otra parte, si el inver

sionista elige la dtcmativa b, el precio (costo) de su inversin ser el siguiente:
80
E l riesgo en m ercado d e dinetq
Donde rt es la tasa de rendimiento de Cetes a seis meses y / 2 es la tasa fututj

que prevalecer dentro de seis meses y hasta un ao. El inversionista ser indiferj
te entre las dos alternativas si:
10___________
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
Donde la Base se refiere a la convencin utilizada en nmero de das (360 para

el caso de Mxico).
Para ilustrar lo anteor utilicemos las tasas de rendimiento siguientes:
Tasa de rendim iento de Cetes a seis meses = 22.27% anual.
Tasa de rendimiento de Cetes a un ao
= 23.32% anual.
Sustituyendo en la frmula para determ inar la tasa de inters forward se ob
tiene:
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
En el mercado de dinero se operan instrumentos de corto plazo con caractersticas

especificas de liquidez, rendimiento, plazo y riesgo. Por tanto, se han desarrollado
modalidades de operacin de corto plazo que optimizan estas caractersticas a
oferentes y demandantes de dinero. U na de esas modalidades es el reporto.
El reporto es una operacin de compra-venta de un instrumento en el mercado
de dinero. I'n esta operacin una institucin financiera acuerda con un inversionista
venderle en el presente un instrumento (Cetes, por ejemplo) por un monto determi
nado. pactando al mismo tiempo su recompra a un plazo determinado (plazo del
reporto) y garantizando un rendimiento o premio durante el plazo convenido.
El reporto se entiende tambin como una operacin de prstamo: el inversio
nista que compra en reporto un bono, en realidad est prestando dinero ai vendedor
Uniendo como garanta el propio bono y al trmino del plazo del reporto, le regre
sarn su dinero en efectivo ms un premio, a cambio de devolver la garanta o colate ra l
( e l
b o n o ) .
82
E! riesgo e n m ercado d e dine^
La siguiente figura ejemplifica la operacin de un reporto:
Plazo de salida
del reporto
elir
Hoy
en esgQ
-------------
<
p ]a 2 0
r -------------------------w
W
Periodo del bono
<
-------------
Para entender esta figura, vea el siguiente ejemplo: un inversionista institucin

(banco o casa de bolsa) participa en la subasta de mercado primario semanal que lleva
a cabo el Banco de Mxico y compra Cetes con valor nominal de $10 cada uno, que
tienen como plazo 180 das (periodo del bono). Posteriormente, dicho inversionjsj
vende en reporto a otros participantes del mercado tales Cetes a un plazo de salida o
del reporto de siete das a una tasa de rendimiento menor que la pactada en la subasta
primaria, obteniendo una ganancia por el diferencial entre la compra y la venta.
Debido a que los Cetes regresarn dentro de siete das, el plazo en riesgo para la
institucin de nuestro ejemplo ser de 173 das (el plazo de regreso del bono). En
este sentido, el inversionista institucional debe considerar que un reporto implica
realizar dos operaciones: una activa (al plazo del bono) y una pasiva (al plazo de
salida del reporto).
Cabe sealar que cuando un portafolios de instrumentos de deuda registra ope
raciones de reporto, deben considerarse los valores presentes de los activos con
signo positivo y los pasivos con signo negativo.
5.5
C o ncepto de duracin
El concepto de duracin es muy til en mercado d e dinero, especialmente como un

indicador de riesgo. Su definicin es la siguiente: la duracin es el cambio en el
valor de un bono o instrumento de mercado de dinero (AP) cuando se registr un
cambio eo las tasas de inters del mercado (A/*). M atemticamente es la d e riv a # tW
precio del bono con respecto a la tasa de inters. La expresin para determirifeb
duracin se deduce a continuacin.
El precio de un bono tiene la siguiente expresin :1
P = _ a _ + _J?> + a
+
l + r (1 + r)
(1 + r )
+_ _ +_ 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
dividiendo la ecuacin de ambos lados entre el precio se tiene:
\_dP
P dr
2c,
2 -+
1+
1+
(1 +
r )2
3c,
3t +
+-
(1 + r )3
nc
(1 +
+ n*VN
r)'
(1 +
r)
A esta expresin se le conoce con el nombre de duracin modificada, y a la

expresin que se encuentra dentro del corcbete multiplicado por l/P se le llama
duracin de Macaulay?
P dr
= Dur. modificada
Dur. Macaulay
Duracin modificada =
+ 7
n xV N
+-
o tambin: Dur. Macaulay =
P T
(1 +
r)'
(1 +
r)"
Otra expresin de la duracin de Macaulay es la siguiente:
D= 1+ r
l + r + [n (C -r)]
[c((l + r ) ' - l ) ] + r
Oe la expresin de la duracin modificada se puede despejar dP como sigue:
dP
= - D u r . modificada x dr
kst expresin se puede interpretar tambin de la siguiente manera:

Cambio (%) (je i p r e c 0 - _ Dur. m odificada x cam bio (%) en la ta sa d e int. x 100
84
E l riesgo en m ercado de dtnerq
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.
As, la duracin modificada se define como el cambio porcentual en el precio

del bono, cuando las tasas cambian 1% (100 puntos base). Por ejemplo, si un bono
tiene una duracin de 3.5 aos y las tasas suben 1%, dicho bono sufrir una pcrdidi
de 3.5%. D e esta manera, conociendo la duracin m odificada dei bono, es posib*
identificar de manera inmediata la prdida potencial de este instrumento por cada
1 00 puntos base ( 1%).
5.6
C o ncepto de convexidad
La convexidad es una propiedad de los instrumentos de deuda. Cuando los cambioj

en las tasas de inters son muy pronunciados (alta volatilidad), como en el caso del
mercado mexicano, la duracin del bono no es suficiente para cuantificar la prdida
potencial derivada de dicha posicin. En estos casos es necesario sumar el efecto de
la convexidad a dicha prdida.
Para entender el concepto de convexidad, a continuacin se presentan dos figuras;
en la primera el bono tiene baja convexidad y en la segunda alta:
Matemticamente, la convexidad se determina con la segunda derivada del pre

cio del bono respecto a la tasa de inters, de la siguiente manera:
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
En el caso de un bono cupn cero (C = 0), la expresin de la convexidad se

reduce como sigue;
n(n+])
(1
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
1 + 0.03 + [52 x (0.04 - 0.03)] ^
[o.04 x ((1,03)J: - 1)]+ 0.03
sta es la duracin de Macautay semestral, por lo que la anual debe dividirse

entre 2 :
D" anual = 12.76

Calculando la convexidad con periodos semestrales se obtiene:
2x0.04x(1.03T
-0.04)]
C =--------------------
=93116
(0.03>2x<I.03>?).04x(a.03)5M)+0.03j]
Esta es la convexidad semestral. Para obtener la convexidad anual se divide

entre el cuadrado de los periodos semestrales. En este caso se divide entre 4:
Convexidad anual = 232.79
Lo anterior significa que por cada 1% de aumento en la tasa de inters, el camIO en el precio del bono ser:
86
E l riesgo en mercado d e dinenf
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
Valor en riesgo para un instrum ento de deuda
Para calcular el valor en riesgo en instrumentos de deuda, se sabe que:
E-= - D~ p
dr
donde Dmes la duracin modificada. El cambio porcentual en el precio es cniom
dP
n dr
y la volatilidad de los rendimientos de precios del bono es :3

a f ^ D n'rcs,
yglor en nesgo para un portafolios d e instrum entos d e deuda
87
donde <5, es *a volatilidad de rendim ientos de tasas de inters y r es la ltima tasa

de inters conocida. Por tanto, asum iendo normalidad en el comportamiento de
los rendimientos, el valor en riesgo de un bono es:
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
Valor en riesgo para un portafolios de

instrum entos de deuda
Cuando se tiene un portafolios de instrumentos de deuda (bonos cupn cero) y se

desea calcular el valor en riesgo, es necesario seguir los siguientes pasos:
u)
Calcular el valor presente del bono cupn cero, tanto para activos como
para pasivos (reportos), mediante la siguiente expresin:
1+
r-360
Donde VN es el valor nominal del bono, r la tasa de inters de rendi

miento de la curva spot y 7 l periodo del bono cupn cero.
Vale la pena sealar que los activos deben tener signo positivo y los
pasivos signo negativo.
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
Donde vv es el peso especifico de cada instrumento en el portafolio!
xl el valor presente de cada instrumento en lo individual y x T la suma de

todos los valores presentes de la totalidad de los instrumentos de deuda.
c)
J)
)
Con base en la serie de tiempo de tasas de inters para cada vrtice de la

curva de rendimientos spot{vieldcurv), calcular los rendimientos diarios
de cada vrtice y su consecuente volatilidad.
Construir la matriz de correlaciones de rendimientos de tasas de inters. 1
Calcular la duracin modificada para cada instrumento del portafolios:
D =-
Plazo
1+
f)
r
360
O btener la desviacin estndar (volatilidad) de rendimientos de precios

para cada instrumento de deuda. A este arreglo se le llama matriz de
volatilidades de precios (que es una matriz diagonal con ceros en los ele
m entos que no estn en la diagonal). La expresin, como ya se mencion
es la siguiente:
<7prtaa
g)
Calcular la volatilidad del portafolios utilizando la matriz de volatilidad de

precios como sigue:
<7^ =
M C c JH M
Donde C es la matriz de correlaciones, w el vector de pesos del

portafolios y sigma la matriz de volatilidades, una matriz diagonal cuyos^
elementos fuera de la diagonal son cero.
//)
El valpr en riesgo del portafolios considerando media cero es el siguieoflj

VoRpotl
F p e r t T 'ft
^ apeo o descom posicin d e posiciones
89
Donde / es el factor relacionado con el nivel de confianza del VaR

(2.32 o 1.65 si el nivel de confianza es de 99 o 95%, respectivamente) y B T
la suma algebraica de los valores presentes de todos los instrumentos de
deuda (activos y pasivos).
Para ilustrar esto, a continuacin se presenta un ejemplo numrico: un inversio
nista institucional com pra dos em isiones de C etes, una con valor nom inal de
^0*500.000 a un plazo de 364 das y otra con valor nominal de SIOOOO.OOO a un
lazo de 91 dias. Al mismo tiempo vende en reporto la cantidad de S20'000,000 a
un plazo de 28 das. Se desea calcular el valor en riesgo a un da con un nivel de
confianza de 95%.
Para fines didcticos se considerarn las tasas de inters de rendimientos de
la curva (yield curve) spot nicam ente de los cuatro das m s recientes (en la
prctica se consideran 250 das). Asimismo, la venta de un activo en reporto se
considera con signo negativo. El ejemplo se desarrolla en el cuadro de la siguiente
pgina.
5.9
Mapeo o descom posicin de posiciones
Cuando un adm inistrador de riesgos se enfrenta a portafolios con muchas posicio

nes. las dimensiones de la m atriz de varianza-covarianza suelen crecer geom tri
camente, de manera que a estimacin de riesgos puede resultar m uy compleja,
adems de que en ia prctica no cuenta con volatilidades y correlaciones para
todos los plazos, por lo que resulta m uy til llevar a cabo un mapeo de posiciones
para tener la matriz de varianza-covarianza con el m enor nmero de renglones y
columnas.
Por mapeo se entiende el proceso mediante el cual se puede expresar o descom
poner un instrumento en una combinacin de al menos dos instrumentos ms sim
ples que el original; es decir, describir un portafolios de instrumentos en sus partes
mas elementales (una analoga sera describir una molcula en funcin de los to
mos que la componen).
La metodologa que se expone a continuacin es la que propone JP Morgan en
su documento Riskmetrics.* Dicha metodologa se basa en la separacin de flujos de
efectivo Je un instrumento y se aplica a cualquier instrumento, no slo de deuda.
Consiste en separar y colocar cada flujo de efectivo de un instrumento (cupones y
principal > en dos flujos correspondientes a los vrtices adyacentes de la curva de
rendimientos de tasas de inters (yield curve). Las premisas que deben cumplirse
son las siguientes:
*
El valor de mercado de dos flujos de efectivo debe ser igual al valor de

mercado dei flujo de efectivo original.
1 8 2 5?
& M r ^
(A
8
i*
Ejemplo de VaR en mercado de dinero:
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
^ p g Q o descom posicin d e posiciones
91
El riesgo de mercado del portafolios compuesto por dos flujos de efectivo

debe ser igual al riesgo de mercado del flujo de efectivo originalEl signo de dos flujos de efectivo debe ser igual al signo del flujo de efec
tivo original.
La manera de descomponer el flujo de efectivo original en dos flujos de efecti

vo que cumplan con las condiciones anteriores se ilustra con el siguiente ejemplq;
sea un (lujo de efectivo que vence en P a o s y que se desea descomponer en uno que
se coloque en el periodo A y otro en el periodo B. El mapeo del instrumento de P
aos ser una combinacin de la siguiente manera:
? " = 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
cuya solucin est dada por: ot =
2a
a=
+ O a - 1 P M OjOg
b = 2 p , (jjt^Ts 2 <rb
Para determinar la volatilidad del instrumento original se sugiere interpolar

/inealmente de la siguiente manera ;5
92
E l riesgo en m ercado d e dina*,
Aplicando geometra euciidiana se obtiene:
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
yalof en riesgo para un portafolios d e instrum entos d e deuda co n m apeo
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
Valor en riesgo para un portafolios de

instrum entos de deuda con mapeo
A continuacin se establecen los pasos a seguir para determinar el valor en riesgo de

un portafolios de deuda, considerando que se mapean las posiciones:
a) Se calculan las volatilidades de los rendimientos de las tasas de inters y
A)
<l
(A
*)
/)
g)
A)
A
A
la duracin modificada p ara cada vrtice de la curva de rendimientos de

tasas.
Se calcula la matriz de correlaciones entre los rendimientos de las tasas de
inters considerando los vrtices de la curva de rendimientos de tasas de
inters.
Se calculan las volatilidades y la tasa de rendimiento para cada instrumen
to, mediante una interpolacin lineal.
Se determina el vector de valor presente de las posiciones utilizando las
tasas interpoladas como tasas de descuento.
Se calculan los valores de alfa para cada instrumento, con el objeto de
mapear la posicin.
Se aplica el factor alfa (y 1 - alfa) para descomponer las posiciones y
determinar un nuevo vector de posiciones.
Se determina el vector de pesos especficos de cada instrumento, cuya suma
debe ser igual a uno.
Se obtiene la matriz de volatilidad de precios, una matriz diagonal con
elementos de cero fuera de la diagonal.
Se calcula la volatilidad del portafolios, de acuerdo con la frmula arriba
mencionada.
Se calcula el valor en riesgo del portafolios.
Para ilustrar esto, se presenta un ejemplo numrico: un inversionista institucional

compra dos emisiones de Cetes, una con valor nominal de $20500,000 a un plazo
de 300 das y otra con valor de $10'000,000 a un plazo de cinco das. Al mismo
tiempo, vende en reporto la cantidad de $20000,000 a un plazo de 56 das. Se desea
calcular el valor en riesgo en un plazo de un dia con un nivel de confianza de 95%
(vase el cuadro de las pginas 94-95).
94
Ejemplo
de VaR
en mercado
de dinero
con
mapeo
de p o s ic io n e s :
Mo#0 tfnf ate/ latfivns a* L
s?
95
E l riesgo en m ercado d e dinero
96
5.11
Valor en riesgo en instrum entos de tasa flotante
En la seccin anterior se describi la metodologa para m edir los riesgos en bonoj

cupn cero, que bsicamente son instrumentos de tasa fija. Sin embargo, en el mer
cado de dinero existe una gran demanda por instrumentos de tasa flotante o varia
ble, es decir, instrumentos de deuda, tambin denom inados cupones, que pagan
intereses peridicamente ( l, 28, 9 | o 182 das) en funcin de una tasa de referen,
cia (Cetes de 28 das, TIIE de 28 dias, etc.) ms una sobretasa (en algunos instru
mentos internacionales la sobretasa puede ser m ultiplicativa en lugar de aditiva a
la tasa de referencia).
En M xico, los bonos de tasa flotante ms conocidos son los BREMS (Bonos de
Regulacin Monetaria), Bondes (Bonos de Desarrollo del Gobierno Federal) y los
bonos IPA B (Instituto de Proteccin al Ahorro Bancario). Tambin se encuentran
los bonos bancarios emitidos por la Banca de Desarrollo o por la Banca Comercial
La principal caracterstica de estos instrumentos es que el cupn c( que se
paga en el periodo /, se fija en el perodo t 1 , en el momento de revisin de la tasa
de referencia.
Los bonos de tasa flotante que emite el gobierno federal son ttulos de crdito
documentados en moneda nacional que representan obligaciones directas e incondi
cionales de los Estados Unidos Mexicanos de pagar una suma determinada de dinero
(cupones), peridicam ente, as como su valor nominal. Son instrumentos coloca*
dos por el gobierno federal bajo el mecanismo de subasta y son ttulos re-portable,
A continuacin se describen las caractersticas generales de estos instrumentos:^
V alor nominal: $100 pesos o sus mltiplos.
Plazo: de uno a cinco aos.
Precio: valor de adquisicin. Se obtiene mediante el valor presente de los cupones y el valor nominal del instrumento, a saber:
donde:
c, = Pag de cupn (usualmente cada 28, 91 o 182 dias),

r = tasa de rendimiento de referencia del bono (usualmente Cetes),
s = sobretasa del bono.

VN = valor nominal del bono pagadero al vencimiento del papel.
n = nm ero de pagos de cupn.
Valor en riesgo e n instrumentos d e tasa flotante
97
Premio: diferencia entre el valor nominal del instrumento y su precio de adquisi

cin.
Una vez hechas estas consideraciones podemos asum ir que estos instrumentos
son muy atractivos para el mercado, ya que otorgan un doble rendimiento; el prime
ro porque son colocados a descuento y son amortizados a su valor nominal, al
vencimiento del bono, lo que se traduce en un premio, y el segundo, porque pagan
intereses sobre su valor nominal. El efecto de este doble rendimiento del instrumen
to es lo que comnmente conocemos como sobretasa.
La sobretasa es en estricto rigor un factor o premio que al sumarlo a la tasa de
inters de mercado para descontar los cupones y el valor nominal a valor presente,
est obligando a que el instrumento se venda a descuento, en beneficio del inversio
nista o tenedor del papel. Esta sobretasa estar variando diariamente (no es fija
como en otros mercados internacionales) en funcin de tres aspectos fundamenta
les: el riesgo de crdito o de contraparte del emisor, la liquidez de instrumento en el
mercado y la clusula de prepago del instrumento por parte del emisor.
Por otro lado, la tasa base es revisable cada periodo de intereses, ya que, por
ejemplo, al haber 13 cupones de 28 das en un ao (o bien 25 en dos aos) deriva
que al inicio de cada cupn tenemos una nueva tasa base que es aplicable durante
todo el periodo siguiente. Este procedimiento se repite para cada inicio de cupn.
Para el clculo del valor en riesgo de un bono de tasa flotante, es posible aplicar
modelos paramtricos o no-paramtricos (simulacin histrica). En estos ltimos se
debe tom ar con una serie de tiempo de precios de los instrumentos que conforman
el portafolios de instrumentos y la metodologa es enteramente semejante a la des
crita en el capitulo 4. en virtud de que se utilizan los precios de los instrumentos que
ya incluyen los efectos de la tasa de mercado y de la sobretasa.
Si se desea aplicar una metodologa paramtrica, es necesario considerar que se
tiene un instrumento con dos factores de riesgo: la tasa de inters de referencia y la
sobretasa, Esto significa que si uno de los dos factores de riesgo se mueve adversa
mente (hacia arriba), el precio del instrumento disminuir y, en consecuencia, el
tenedor del instrumento sufrir una prdida.
Por lo anterior, es factible pensar en que el valor en riesgo del instrumento est
en funcin de dos factores de riesgo, uno debido a la tasa de referencia y otro debido
a la sobretasa, como sigue:
Kz/Zta. = -JVaR + Vaf+2 Pn VaR,VaR ,

dondep es e| coeficiente de correlacin lineal entre los rendimientos diarios de la
tosa de referencia y los de la sobretasa.
Ahora bien, para obtener el valor en riesgo de cada uno de los factores de ries8 o. se puede expresar de la siguiente manera:
E l riesgo en m ercado d e
98
VaR , = F x P x o , x D x s x * /l
Donde;
F - factor relacionado con el nivel de confianza del VaR.

P valor de la posicin (precio por el-nmero de ttulos).
Ctj G, volatilidades de la tasa base y la sobretasa, respectivamente.
D " , D " = duraciones modificadas de la tasa base y la sobretasa, respectivamwrfS
r, s = ltima tasa base y sobretasa de mercado conocidas, respectivamenjjj
/ = periodo de clculo del VaRPara el clculo de las duraciones de la tasa y sobretasa, es necesario recurrir a la
definicin de la duracin modificada;
Dr -
1 dP
1 dP
y D, - donde P es el precio del bono.
Por tanto, realizando la derivada parcial de la tasa de referencia, se llega a la

siguiente expresin:
dP _
r~
t_________ x VN
' (l + r + s f ' (l + r + s )*4,1
La duracin de la tasa de referencia es aproximadamente igual al periodo para

que venza el prximo cupn. Por ejemplo, en un Bonde que revisa y paga cupones
cada 91 das (m ejor conocido como Tribonde), la duracin de la tasa de referencia,
es muy cercana a los 91 dias entre 360 das, es decir, 0.25 de ao.
En contraste, la duracin de la sobretasa es aproximadamente igual ai penodo de vencim iento de todo el instrumento y, por tanto, esto explica la ratn d*
que el bono de tasa flotante sea ms sensible a m ovimientos de la sbrelas* que a
los propios de la tasa de referencia.
Es importante aclarar que algunas personas estiman que los in stru m e i^ l de
tasa flotante son menos riesgosos que los de tasa fija, en virtud de que aqullos
revisan la ta sa de referencia y se fija el pago del prxim o cupn peridicam e^LSt
embargo, no hay que olvidar que estos instrumentos tienen un factor de n e sg a d * '
cional a la tasa de inters, es decir, el factor de la sobretasa cuya v o l a t i l |cl>
Notas
99
p asiones es mayor que la volatilidad de la tasa de referencia. El precio del instru

mento es sensible a los movimientos de la sobretasa y, por ello, el riesgo de estos
i n s t r u m e n t o s puede ser mayor que el de instrumentos de tasa fija.
Motas
I
2.
3.
4.
5.
Obsrvese que el precio de un bono es el valor presente de sus flujos de efecti

vo (cupones y valor nominal).
Ver Fabozzi, Frank, BondMarkets, Anafysis andStrategies, 2a edicin, Prentice
Hall.
Ver Dowd, Kevin, Beyond Valu at risk: The new Science ofriskmanagemeni,
Wiley, 1998.
Ver documento tcnico Riskmelrics.
No obstante que existen m uchos mtodos de interpolacin, aqui se sugiere el
ms prctico y sencillo: interpolacin lineal.
C APTU LO 6
El riesgo en
productos
derivados
Las posiciones de riesgo en productos derivados en las instituciones constituyen

una de las mximas preocupaciones de la alta direccin. El motivo de esta
preocupacin es que se trata de instrumentos con un alto grado de apalancamicnto
financiero y. por tanto, alto riesgo que, combinado con el desconocimiento que en
ocasiones se tiene de estos instrumentos, puede provocar prdidas inesperadas
importantes.
Kl objetivo del capitulo es entender los productos derivados, los riesgos que
implican y la manera de valuar estos instrumentos. En este capitulo se tratan los
productos derivados ms bsicos (futuros, opciones y sw aps\ que constituyen la
base para entender otros instrumentos ms sofisticados.
101
El riesgo en productos
derivados
6.1
Los productos derivados
n aos recientes ha surgido en la comunidad empresarial y financiera de Esta

dos Unidos y otros pases desarrollados un creciente inters por el tema de los
producios derivados. La mayor parte de los contratos que operan ahora en los mer
cados d o existan hace slo 2 0 aos.
En la actualidad prcticamente ningn individuo, empresa, gobierno o proyecto con enfoque de negocios escapa a los fuertes impactos que provocan las fluctua
ciones de los tipos de cambio, tasas de inters y precios de materias primas, entre
oirs variables.
Lo mayor parte de la literatura en materia de derivados coincide con las si
guientes definiciones:
Un instrum ento financiero derivado es cualq u ier instrum ento f ina n

ciero cuyo valor es una funcin que se deriva de o tras variables que, en
cierta m edida, son ms im portantes.
l'n producto derivado es un activo financiero que tiene como refe
rencia u n activo subyacente.
C on base en estas definiciones se puede decir que los instrumentos financieros
derivados son contratos cuyo precio depende del valor de un activo, comnmente
denominado el bien o activo subyacente de dicho contrato.
Los activos subyacentes pueden ser a su vez instrumentos financieros, por ejem
plo. una accin individual, una canasta de acciones o un instrumento de deuda:
tambin pueden ser bienes como el oro o productos com o el petrleo; o indicadores
L'umo un ndice burstil e incluso el precio de otro instrumento derivado.
Su finalidad es reducir el riesgo que resulta de movimientos inesperados en el
Precio del bien subyacente entre los participantes que quieren disminuirlo y aque103
104
El riesgo e n productos derlv;
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)
La fluctuacin de los precios de materias prim as, tasas de inters, tipos de

cambio y ttulos accionarios se increment sustancialmente durante la d
cada de 1980. que fue, como se recordar, uno de los periodos ms volti
les de la historia. Durante los ltimos aos la volatilidad de estas variables
ha obligado a los agentes econmicos a reducir sus riesgos mediante la
participacin en los mercados de derivados.
Los avances tecnolgicos en telecomunicaciones y sistemas de informa
cin automatizados han permitido la globalizacin de los mercados finan
cieros. En la actualidad, billones de dlares se mueven de un pas a otro en
cuestin de segundos, no slo para obtener los mejores rendimientos de los
recursos invertidos, sino para cubrir el riesgo inherente a la inversin de
dichos recursos.
L os hombres de negocios contemporneos estn cada vez ms conscientes
de que para ser ms competitivos y poder integrarse a las nuevas oportunidtdes de un mercado globalizado e integrado, es necesario medir y administrar
sus riesgos, fijando las variables que afectan su flujo de efectivo. De hecho,
el nuevo concepto de hacer negocios" consiste en comprar o vender un
producto, fijando por anticipado el precio del mismo (o su margen financie
ro) en el momento ms rentable, para asegurar ganancias esperadas.
Por otra parte, es importante aclarar que la existencia de un mercado de deriva

dos se debe a cinco razones principales:
a)
Cobertura de riesgos (.Hedging). Se refiere a la habilidad de una persona,

fsica o moral, para minimizar los riesgos inherentes a las fluctuacin en
el precio de ttulos de deuda (tasas de inters), tipos de cambio o precios de
materias primas ( entnmodilies), a travs del uso de producios derivados*
b) Determinacin de precios. A travs de este mercado, los precios se forman
eficientemente y llegan a un equilibrio de acuerdo con las fuerzas de la
oferta y la demanda.
c) Diseminacin de precios. Por medio de las bolsas de futuros o de opciones,
la comunicacin de precios a todos los participantes del mercado es inme
diata y, por tanto, se conocen en todo el m undo en sistemas de tiempo real.
fcluaetn d e produ cios derivados
IO S
ti) Niveles de apalancamiento. Los productos derivados resultan mucho ms

baratos que otros instrumentos debido al apalancamiento que tienen impl
cito. Es decir, con un monto mucho menor al valor nocional, es posible
comprar estos instrumentos.
Canales de distribucin altemos. Especialmente en el caso de los commotfiiies (materias primas), el productor puede entregar su producto a los al
macenes reconocidos por las bolsas de futuros y que estn determinados
en el contrato negociado. No obstante esta caracterstica, debe sealarse
que slo el 3% de las transacciones de futuros culminan en la entrega fsica
del producto.
Es prudente sealar que para que un mercado de futuros tenga xito, es necesa
ria la existencia de un mercado de fsicos o de contado (spot) de libre competencia
v ordenado, de tal suerte que el comportamiento de los precios en el mercado de
contado est vinculado con los precios en un mercado de futuros.
F.n Mxico, el Mercado M exicano de Derivados (MEXDER) inici operacio
nes en diciembre de 1999 y actualmente se cotizan futuros financieros (dlar, Cetes
a 9) das, TIIE a 28 das, IPC y acciones individuales). La cmara de compensacin
se denomina ASIGNA y es la contraparte de todas las operaciones del M EXDER .1
6.2
Valuacin de productos derivados
Al proceso de reducir o eliminar el riesgo de mercado en un instrumento o portafolios

a travs de una o varias transacciones en los mercados se le conoce como cobertura
o hedging.
Para determ inar el valor de un producto derivado se necesita construir un
portafolios (el portafolios de cobertura) que elimine los riesgos que presenta el pro
ducto derivado en cuestin. En particular, se requiere que el portafolios de cobertu
ra replique el mismo patrn de rendimiento del producto derivado, de tal suerte que
desde el punto de vista del inversionista, las dos alternativas (el portafolios de co
bertura y el producto derivado) sean exactamente lo mismo.
F.n este punto vale la pena definir el concepto de "arbitraje'. Si el portafolios de
cobertura y el producto derivado generan el mismo rendimiento, entonces ambos
deben tener el mismo v aloro precio. Si tuvieran diferentes valores en e! mercado, se
presentara una oportunidad de arbitraje, es decir, el inversionista podra vender el
producto "caro" y simultneamente comprarlo barato, obteniendo una ganancia
sin correr riesgo.
Por este motivo, el valor de un producto derivado debe ser igual al costo de
construir un portafolios de cobertura. A manera de ejemplo, imagine a un inversionis
ta que vende un f o n w r d sobre una accin a un ao. El inversionista se compromete a
entregar acciones dentro de un ao y recibir el pago de dichas acciones a un precio
pactado ahora. Sean 100,000 las acciones que contempla el contrato del forward.
106
E l riesgo e n productos derivad)
Para determinar el precio de! /b n \a rd sobre acciones, es preciso examinar]

costo de construir un portafolios de cobertura. Se debe disear una transaccin que
cancele el riesgo del forward. Una forma de hacerlo es comprando las lOO.OQQ
acciones ahora y mantenerlas un ao para entregarlas al vencimiento del contrato1
e\/brward. Cul es el costo de esta operacin? Si se supone que el precio de la
accin es d e $100, significa que se tendrn que invertir SIOOOO.OOO al momento
(100,000 acciones x SlOO/accin).
Estos $ 10000,000 tienen un costo de oportunidad, es decir, en lugar de compra
ias 1 0 0 .0 0 0 acciones ahora, podran invertirse en otras opciones que generen un inters. Dicho de otra manera, el inversionista tendra que pedir prestado para realiz
dicha adquisicin. Si la tasa de inters que se tendra que pagar por el prstamo es del
10 %, entonces el costo de construir un portafolios de cobertura para esta transacciM
es de $110. Por tanto, el precio del fonvard sobre acciones debe se r$ l 10 por accin.
En caso de que la accin pague un dividendo, entonces el precio del fomvtrd'
debe ser ajustado por el pago de dicho dividendo. Si el dividendo es de $5. entonce*
el precio te \fo rw a rd debera ser $105 por accin.
Como puede observarse, el precio terico de cualquier producto derivado (/Viionaj i
opcin, swap o cualquier combinacin de stos) est dado por el costo de construir un
portafolios de cobertura que elimine el riesgo de mercado de dicho producto derivado.
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*
Contratos d e torw ards y futuros
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.
E l riesgo en productos derivados)
En el caso de un futuro, la frmula de valuacin es la siguiente:
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
Donde r es la tasa de inters domstica y r la tasa de inters extema. Por

ejemplo, si se desea conocer el valor del contrato de futuro del peso-dlar a tres
meses, si el tipo de cambio spot o de contado es de 9.50 pesos por dlar y las tasas
de inters domstica y externa son de 15 y 6 %, respectivamente;
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
Donde W son los puntosforward o puntos swap.

A manera de ejemplo, si se tiene un tipo de cambio spot de 9.50 pesos por dlar
v el precio del futuro es de 9.71 pesos por dlar, se tienen 21 puntos forwani.
6.3.1
M ecnica d e cob ertura (H e d g in g ) c o n futuros
to n el propsito de entender cul es una de las principales finalidades del mercado

de liituros, a continuacin se ejemplifica la mecnica de cobertura a travs del con
trato de futuros del peso-dlar. Lo importante es recordar que la ganancia o prdida
que se obtiene en el mercado de futuros se debe compensar con la ganancia o prdi
da en el mercado de contado. Veamos un ejemplo: una empresa mexicana desea
importar una mquina que cuesta 2 0 0 ,0 0 0 dlares, los cuales tiene que pagar en 30
das. Su principal preocupacin es que el peso se deprecie respecto al dlar y, por
tanto, decide acudir al mercado d e futuros para realizar una cobertura. Si el tipo de
cambio spot es de 9.1812 pesos p o r dlar y el tipo de cambio en el MEXDER (mer
cado de futuros) es de 10.8035 pesos p o r dlar, la estrategia que debe seguir la
empresa consiste en comprar contratos de futuros en el MEXDER para protegerse
de una depreciacin del peso. El nmero de contratos que tendra que adquirir si
acudiera al MEXDER seria de 20, ya que el tamao del contrato en este mercado es
de 1 0 ,0 0 0 dlares.
Una vez cumplido el plazo de 30 das, la empresa debe acudir al MEXDER
para realizar la operacin contraria que perm ita cerrar la operacin; en este caso,
\ endera los 20 contratos que compr previamente. Suponga que la preocupacin de
la empresa estaba fundada y efectivamente el tipo de cambio spot se depreci a
10 .10 pesos por dlar y la cotizacin en el M EXDER es de 11.7180 pesos por dlar.
De esta manera, la empresa obtendr una ganancia en el mercado de futuros que
- nmpensar la prdida incurrida en el mercado de contado.
La ganancia obtenida en el mercado de futuros se calcula como sigue;
200,000 dlares x (11.7180 pesos por dlar 10.8035 pesos
por dlar) - 182,900 pesos.
Dicha ganancia en el mercado de futuros se compensar con la prdida que
dignific para la empresa el efecto de depreciacin del peso. La prdida sufrida se
calcula de la siguiente manera:
B riesgo e n productos derivi
110
200,000 dlares X (9.1812 pesos por dlar lO.lOpesos

por dlar) = - 183,760 pesos.
Com o se puede observar, en este ejemplo no se registra una cobertura perfecta,
ya que la diferencia entre la ganancia obtenida en el mercado de futuros y la prdida
sufrida en el mercado de contado asciende a 860 pesos, siendo esta cantidad una
prdida. Sin embargo, note que de no haber acudido al mercado de futuros, la prdi
da hubiera sido de 183,760 pesos.
As, es posible realizar coberturas tanto para empresas con egresos en sus teso
reras (com o el caso del ejemplo anterior), como para las que tengan ingresos o
inversiones y deseen cubrirse de una depreciacin del peso frente al dlar.
6-4
VaR para posiciones de futuros y
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
El m apeo es exactamente igual que en el caso del mercado de dinero, descrito

en el capitulo 5.
Para entender esto, considere el siguiente ejemplo: calcular el VaR de una po
sicin de futuros de un subyacente que tiene 10 contratos y cuyo precio de mercado
de dicho futuro es de $10.50 a un plazo de cuatro meses. La volatilidad diaria de
futuros de 3 y 6 meses, as como la correlacin entre los rendimientos de los futuros
de 3 y 6 m eses, es la siguiente:
Cr3 = l%
ra = 1.5%
P " 0.80
VaB para posiciones d e futuros y fprwarct$
111
Debido a que no se cuenta con la volatilidad de cuatro meses, se procede a

realizar el mapeo de la posicin:
Valor en riesgo de un contrato de futuros del dlar

10
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 :
V o latilid ad d e l p o rta fo lio s a
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 %
E l riesgo en productos d e rivada
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 comprador {posicin larga) recibe un prstamo.

El vendedor (posicin corta) acuerda otorgar el prstamo.
Por un m onto llamado nocional.
Denominado en cierta moneda.
A una tasa de in terse/a (tasa acordada).
En un periodo de tiempo especfico.
Iniciando en una fecha acordada en el futuro.
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
F R A (forw ard rata agreem ants): futuros d e tasas d e inters
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 )
P ero d o def contrato
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
En la prctica, la fecha de liquidacin no es la misma del vencimiento del con

trato. sino que el pago se realiza cuando termina el periodo inicial del FRA y co
mienza el periodo del contrato. Sin embargo, se considera el valor presente por el
periodo del contrato. La frmula para calcular el pago es la siguiente:
.
Dios
{ , - i r ) x A X - ----
Importe = ------------------------------_
, ,
DlOS.
l + ( t , X - -----)
Base
Donde:
lr tasa de inters de mercado de referencia.

i tasa de inters acordada en el contrato.
Das - nmero de das establecido en el contrato de! FRA.
Base convencin del nmero de dias por ao (360).
A = monto del contrato.
En el ejemplo anterior, el pago que hara el vendedor del FRA a la empresa
seria el siguiente;
( 0 .1 7 - 0 .1 5 5 )x l0 '0 0 0 ,0 0 0 x
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
E l riesgo e n productos derivada
VaR en contratos de futuros de tasas de inters (F R A )
El clculo de valor en riesgo para posiciones de FRA es muy similar a la meiodoloj

ga para el clculo de VaR para bonos cupn cero en mercado de dinero, ya que Un
FRA se puede replicar mediante la emisin de un bono cupn cero al trmino de la
operacin y la compra simultnea de un bono cupn cero al trmino del contrato por
el valor nominal de ia posicin de acuerdo con el siguiente diagrama:
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:
Valor en riesgo de un contrato de F R A S

S00 mitanes de pesos
120 das
13%
TIIE a 28 dias.
99%
Posicin Plazo del contrato Tase acordada *

Subyacente
Nnb de confianza
Volatilidad de
tasas (Sana)
2 80%
1 90%
130%
120%
1.40%
2.00%
1 50%
1.20%
1.40%
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
M a triz d s voiaUM Osd d e p re c io *
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
E l riesgo en productos d e nva^
6.7
C ontratos de opciones
Los contratos de opciones se disearon para que el comprador de la opcin se bcne.

ficie de los movimientos del mercado en una direccin, pero no sufra prdidas CQmo
consecuencia de movimientos del mercado en la otra direccin. Una opcin le da al
tenedor el derecho pero no la obligacin de ejercer el contrato (comprar o \ ender el
bien subyacente). Existen dos tipos de opciones: d e compra (cali opiion) y <je venta
(pul oprion), las cuales se definen a continuacin,
Una opcin de compra es:
E l derecho de comprar en una fecha futura.

Una cantidad especfica de un bien denominado subyacente.
A un precio previamente determinado denominado: precio de ejercicio.
Durante la vigencia del contrato o en la fecha de vencimiento.
La opcin de compra garantiza al tenedor el derecho de la opcin, pero no le

impone una obligacin.
Una opcin de venta es:
El derecho de vender en una fecha futura.

U na cantidad especfica de un bien denominado subyacente.
A un precio previamente determinado denominado: precio de ejercicio.
Durante la vigencia del contrato o en la fecha de vencimiento.
En prim era instancia, el concepto de opciones es confuso para la mayora de las

personas, aunque es fcil entender la nocin de comprar una opcin de compra
(confiere el derecho de com prar el bien subyacente en una fecha futura). Es decir, si
se puede com prar una opcin, tambin puede venderse. Si el precio del bien sub
yacente en el m ercado es suficientem ente alto (por arriba del precio de ejercicio),
el derecho ser ejercido y la ganancia para el com prador ser la diferencia entre el
precio del bien subyacente y el precio de ejercicio.
Sin embargo, el concepto de las opciones de venta es ms complicado. Dichas
opciones tambin pueden ser adquiridas y vendidas. El comprador de una opcin de
venta adquiere el derecho dq vender el bien subyacente. Este derecho ser ejercido
si el precio del bien subyacente en el mercado es suficientemente bajo (por abajo del
precio de ejercicio) y la ganancia para el tenedor de la opcin ser la diferencia entre
el precio de ejercicio y el bien subyacente.
De hecho, se podra afirmar que los contratos de opciones son similares a los
contratos de futuros, pero con la diferencia fundamental de que en estos ltimos
ambas contrapartes tienen, en todo momento, la obligacin de realizar la operacin,
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:
C o m p r a d o r d e u n a opcin d e com pra (ca li Option)
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 )
Comprador d e una opcin d e venta (p u f option)

Posicin corta
Precio de
ejercicio (/O
M ercado;
precio del bien
subyacente (S )
Valor intrnseco d e la opcin m x (K -S .Q )
118
E l riesgo e n productos d e n ^
Vendedor d e u n a opcin d e com pra ( cali option)
M ercado:
precio del bien
subyacente ( )
Vendedor d e u n a opcin d e venta (p u f
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
Existen dos estrategias bsicas de cobertura con opciones conocidas en el mercado

como: coveredcaliyprotectheput. El cowredcciilc.aa&vsAsi en adquirir una opcin de
compra cuando se tiene una posicin corta en algn instrumento (bien subyacente):
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
Valor de una opcin. Modelo de Black-Scholes
Los modelos de valuacin de opciones constituyen uno de los aspectos ms impor

tantes en la teora financiera. Existen varios modelos para la valuacin de opciones;
el modelo de Black & Scholes asum e que el comportamiento de los precios sigue
una distribucin lognormal y muestra cm o formar una posicin de cobertura con
un portafolios que contenga el subyacente (posicin larga) y una posicin corta de
opciones. Mediante argumentos de arbitraje determinan una ecuacin diferencial
parcial de segundo orden cuya solucin representa el precio de la opcin. Este modelo
es aplicable slo a opciones europeas. A continuacin se presenta la frmula de BlackSeholes para la valuacin de opciones de compra
C = S N { d , ) - K e n N{dz)
o V/
d i = d \~ o 4 t
donde:
S= valor del bien subyacente.

K - precio de ejercicio de la opcin.
120
El riesgo en productos d e riva d ^
r ~ lasa libre de riesgo.
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)
La tasa libre de riesgos de corto plazo es conocida y es constante durante la

vida de ta opcin.
El precio del valor subyacente se comporta de acuerdo con una caminata
aleatoria (random walk) en tiempo continuo y la distribucin de posibles
valores de dicho precio es lognormal. La varianza de rendimientos del va*
lor subyacente es constante durante el periodo de la opcin.
N o se considera el pago de dividendos si el valor subyacente es una opcin
o e l pago de intereses si dicho subyacente es un bono.
La opcin es europea, es decir, slo se ejerce al vencimiento de la opcin.
Es posible pedir prestado una parte del valor subyacente para comprarlo o
mantenerlo, a una tasa de inters libre de riesgo de corto plazo.
N o hay costos de transaccin en la compra o venta del subyacente o la opcin.
A continuacin se muestra un ejemplo para la valuacin de una opcin cali,

utilizando la frmula de Black-Scholes:
Sea una opcin con un precio de ejercicio de $35, un plazo de 3 meses y la
volatilidad de los rendimientos del subyacente sea 10% anual. La tasa de inters
libre de riesgo es de 15% y el valor de mercado del bien subyacente es de $38.
En prim er lugar, deben calcularse los valores d e dx y d de la siguiente forma:
0.15 +
0.10
x0.25
= 2.4198
0.10xV(L25
d 2 = 2 .4 1 9 8 -0 .1 0 x a /o !2 5 = 2 .3 6 9 8
En las tablas de una distribucin normal estandarizada, podemos determinar que:
M_dx) = 0.9920
= 0.9909
Contratos d e opciones
121
por tanto, tenemos que el valor de la opcin cali.
C= 0.9920 x 38 - 35 x 0.9909 x r
* * 0 >$ =
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
Modelo de paridad put-call
La paridad pul-cal! es una relacin muy importante en opciones, ya que permite

calcular el valor de la opcin de venta p ul, conociendo el valor de la opcin de
compra cali. Este modelo es el siguiente:
r + i t V - " = / + S
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.
5.7.4 Medidas de sensibilidad al precio de la opcin

6.7.4.1
Delta
La sensibilidad del precio de la opcin a los movimientos del bien subyacente es lo

que se conoce como la delta. Tomando la derivada parcial del precio de una opcin
de compra [calioptior) de la frmula de Black-Scholes, se tiene:
ftC
At = ~ = N { d d
Uc la misma manera, la delta de una opcin de venta (puiopron) es la siguiente:
122
El riesgo en productos d e riva d ^

i
La delta es muy til para la cobertura en opciones, Este indicador significa e|

equivalente en subyacentes que se necesita com prar o vender para cubrir una
opcin.
Por ejemplo, si la delta de una opcin de 100 acciones es igual a 0.45, se requie
re comprar o vender (segn sea el caso) 45 acciones para lograr la cobertura delta"
6 .7 .4 2
G am m a
Debido a que la delta de la opcin se modifica continuamente como consecuencia

de los cam bios en el valor subyacente, es importante m edir estos cambios. La gamma
se define com o la sensibilidad de la delta a cambios en el subyacente. Tambin se le
conoce com o la segunda derivada del precio de la opcin respecto al valor subya
cente. De acuerdo con la frmula de Black-Scholes:
_ d2c _ d
Y'~ d s 2 ~ dS
donde: N y = j k e^
La gam m a es un indicador de qu tan frecuentemente debe rebalancearse un

portafolios para lograr una adecuada cobertura delta.
Por ejemplo, considere una opcin con las siguientes caracteristicas:
S=
100
110
T = 0.5
/= 0.08
= 0.3
La delta de esta opcin ser A = 0.4384 y la gam m a ser y = 0.0186, lo que

significa que la delta podra incrementarse en 0.0186 para alcanzar 0.4570, si el
valor subyacente sube de 1 00 a 1 0 1 .
La gam m a de una opcin de venta o p u f option es simplemente la gamma de la
opcin de com pra pero negativa, de tal suerte que las gammas de opciones de conhpra siempre son positivas y las de opciones de venta siempre son negativas.
6 .7 .4 .3
Theta
La theta es la sensibilidad del precio de la opcin al periodo que le resta a la opcin

para que expire. En la frmula de Black-Scholes la ecuacin es la siguiente:
123
0 c=
L ( d>) + K e-n rN {c2)
| =
|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
La rho es la sensibilidad del precio de la opcin a cambios en las tasas de inters

libres de riesgo:
Pt = ^ ! K e n N{di)
or
6.7.4.S
Vega
La vega es la sensibilidad del precio de la opcin a cambios en la volatilidad del

subyacente. Tambin se le conoce como kappa o lambda. Formalmente es;
V c =
6.7.5
8a
Syfi N i d t )
Valor de una o p ci n d e d ivisa s. M o de lo d e G a rm a n -K o h lh a g e n
Para el caso particular de divisas, a continuacin se presenta el modelo de una mo

dificacin a Black-Scholes, que se denomina Garman-Kohlhagen:
Opcin calt.
C = S e-* 'N (dl) - K e-', m d 1)
dx =
di-di-a-Jt
124
E l riesgo e n productos deriva^
D o n d e;
C'= valor de la opcin cali.

S= tipo de cambio spot.
K - precio de ejercicio de la opcin.
r = tasa de inters domstica de Mxico (Cetes al plazo de la opci^
R = tasa de inters extema (Estados Unidos: treasury bilis al plazo de la
opcin).
o = desviacin estndar de los rendimientos diarios del tipo de cam.
bio spot.
Af^) y A(flp = rea bajo la curva de la distribucin nonmal estandarizada [hay
una instruccin en Excel que da este parmetro: normsdist(x)].
Opcin put.
P = K e ' , N ( - d 1) - S N ( - d )
di =
7$
d i = di B'Jt
Donde:
P ~ valor de la opcin put.

S = tipo de cambio spot.
K = precio de ejercicio de la opcin.
R = tasa de inters domstica de Mxico (Cetes al plazo de la opcin).
r= tasa de inters externa (Estados Unidos: treasury bilis al plazo de
la opcin).
a = desviacin estndar de los rendimientos diarios del tipo de cam

bio spot.
M d t) y M .(Q - rea bajo la curva de la distribucin normal estandarizada [hay
una instruccin en Excel que da este parmetro; normsdist(x}JsJ
$. 7,6
Valor de una opcin de tasas de Inters
Cuando se trata de una opcin sobre algn instrumento de deuda, tambin se b

propuesto una modificacin al modelo de Black & Scholes. A este modelo se le
conoce com o de Black (1976). Para una opcin de compra el modelo es el siguienfSij
00,ratos d e opciones
125
C [ / * { * ) - W (rf :)]* -"
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 -
Posteriomiente se determina el valor de dx y d
= 2.6777
O .I8xV 25
d i * 2.6777 - 0.18 x Vo25 = 2.5877

A{dt) = 0.9962
M d2) = 0.9951
El riesgo en productos d e riv a ^
126
y por tanto, el valor de la opcin c a lis s:
C = e -0-25"008 [12.04x 0.9962 - 9.50 x 0.9951] = 2.49
6.7.7
Valuacin de una opcin. Modelo de Cox-fubinstein o

binomial
El modelo de Cox-Rubinstein o binomial para valuar opciones se aplica a opcioaej

americanas (aquellas en las que el tenedor de la opcin podra ejercer su derecho en
cualquier momento durante la vida del contrato) y consiste en asumir que el valor
del bien subyacente (el precio de una accin, p o r ejemplo) se comporta bajo un
proceso multiplicativo binomial en periodos discretos. El movimiento de la accin
podra ser ascendente o descendente, de acuerdo con el siguiente diagrama:
u S con probabilidad q
Valor del
subyacente (
d S con probabilidad
1-
Donde u es igual a uno ms el incremento porcentual del valor subyacente

(precio de la accin), si ste sube, y d e s igual a uno m enos el decremento porcen
tual del valor subyacente (precio de la accin), si ste baja. Tambin se supone
que la tasa d e inters libre de riesgo es constante y positiva durante los periodos en
estudio y, asim ism o, se asume que no hay pagos de impuestos ni costos de tran
saccin.
Para valuar una opcin de compra o cal,l cuando slo se tiene un periodo, se
debe calcular el valor de dicha opcin si el precio de la accin sube ( Cu) o baja {Cd).
de la siguiente manera:
<
Cu = mx(0, u S - )
C dmx(0, d S )
Donde K e s el precio de ejercicio de la opcin. Si ahora se intenta formar un

portafolios con un monto especfico de acciones (4 ) y bonos libres de riesgo o valo
res gubernamentales (3). el costo de tal portafolios ser SA + ff>y al final del p10'
do se tendr :5
Contratos de opciones
127
<
uSA + rB con probabilidad q
dSA + rB con probabilidad 1 - q
Si se igualan los valores del portafolios al final dei periodo con los de la opcin
cali, se consigue lo siguiente :5

uSA + rB = Cu
dSA + rB= C d
Resolviendo simultneamente estas ecuaciones se tiene:
A=
y s =
Cu-Cd
{u-d)S
v C d - dCu
(u-d)r
Que son los valores de A acciones y 3 bonos que replican o reproducen el

comportamiento de la opcin cali. Cabe hacer notar que estos valores son los que
evitaran que se realizaran arbitrajes en los mercados, ya que el valor de la opcin
no podra ser m enor que el valor d e la cartera SA + A pues en este caso un inver
sionista eom praria la opcin y vendera en corto la cartera. Si el valor de la opcin
fuera mayor al valor de la cartera, el inversionista eompraria la cartera y vendera
la opcin en el mercado, realizando en ambos casos una ganancia sin riesgo o
arbitraje financiero. Por este m otivo se dice que los valores de A y B son valores
de no arbitraje.
Si lo anterior es cierto, se puede concluir que el valor de la opcin ca li debe ser
igual al valor de la cartera, como sigue: C - SA + B. y sustituyendo los valores de A
y ^ e n esta ecuacin, se tiene lo siguiente:
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
El riesgo e r productos derivj
128
inversionistas tienen una probabilidad subjetiva en el sentido de si el precio de]

bien subyacente subir o bajar. En segundo lugar, el valor de la opcin cali
depende d e la actitud del inversionista frente al riesgo y, por ltim o, la nigg]
variable aleatoria de la que depende el valor de dicha opcin es el precio del valor
subyacente en si mismo.
Para obtener los valores de u y d se aplican las siguientes relaciones: u =
y d = , en donde tre s la desviacin estndar de los rendimientos del valor suby*,*
cente en un periodo Ai.
Generalizando el modelo binomial con ms periodos, el procedimiento es ente
ramente semejante. En este caso, tom ar dos periodos es suficiente para propsito^
didcticos. Entonces, el comportamiento del bien subyacente y la opcin cali, seria
como sigue:
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:
Que son ecuaciones muy similares a la que se obtuvo en el caso de un sol

periodo; de tal manera, para n periodos se tendran ecuaciones similares.
3 9
Vale la pena sealar que en el caso de opciones americanas, es necesario veri

ficar eti caria uno de los nodos de la opcin lo siguiente:
m x(Cw, u 5 '- / : j
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 ).
A continuacin se muestra el valor de la opcin put-cajl\ considerando cinco

periodos en el rbol binomial:
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 -.
E l riesgo en productos den
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:
S ' - X = c(S * )+ { l - e ?r /v[</, ( S ' )}y2

Yi
Similarmente se tiene que el precio del ////am ericano es;

5
P(S) =
s") 1
X -S;SZS'
donde:
/\S ) = precio del p u t americano valuado usando la aproximacin BAW.

p (.) = precio del p u ! valuado por el modelo Garman-Kohlhagen.
i = tipo de cambio crtico abajo del cual la opcin debe ejercerse antes tt
vencimiento; se estima haciendo uso de mtodos numricos al resolv
la siguiente ecuacin:
31
rtBps d e ta sa d e inters
X -
p {S " y -
1 - e - r jv [- </, ( S " )]} s
r,
A d icio n alm en te se tiene que;
2r
= -
-< 0
Y,
>2 4a
rj*
=-
' r '
a ff
(r) = l - e _r
6-8
de tasa de inters
La definicin bsica de H /tj de tasa de inters es la siguiente:
Es un acuerdo entre dos partes,

para intercambiar flujos de efectivo peridicos, en fechas previamente es
tablecidas en el futuro y basadas en un monto denominado nocional o prin
cipal.
132
E l riesgo en productos d e r iv a ^
denominados en la misma moneda,

pero calculados en diferentes bases (tasas de inters): una parte paga p|ude efectivo basados en una tasa fija y otra parte paga flujos de efecth
basados en una tasa flotante,
no se intercambian el monto principal, slo intereses.
El sw ap de tasa de inters ms comn es el intercambio de tasa fija por

flotante en relacin con un monto denominado nocional. Por ejemplo, una p a ^
acuerda pagar un flujo de efectivo fijo semestral a una tasa de 15% anual sobre el
monto nocional de 1 0 0 millones de pesos y recibe de la contraparte un flujo de
efectivo basado en la tasa TIIE de 28 dias (tasa flotante) sobre el mismo monto
nocional.
La contraparte que paga tasa fija se beneficiar si la tasa THE de 28 das se
incrementa por arriba de 15% anual, pero perder si dicha tasa de referencia es
menor que 15%. U n swap de tasa de inters es sim ilar a la operacin y definicin de
un futuro de tasa de inters o de un FRA, pero opera para mltiples periodos.
Los swaps se originaron en la dcada de 1970 y se desarrollaron con mucha
fuerza en la dcada de 1980. En la actualidad, el mercado de swaps en el mundo es
superior a los tres trillones de dlares.
Para estandarizar los contratos de swaps se cre la Asociacin Internacional de
Swaps y Derivados (JSDA), que ha homogeneizado las caractersticas de los snaps
a nivel internacional. Sin embargo, hoy en da hay un nmero importante de carac
tersticas particulares que se deben negociar. Las ms importantes son la tasa de
inters fija que regir durante la vigencia del contrato, la frecuencia de los pagos
(mensual, trimestral, semestral o anual), la tasa flotante de referencia y la conven
cin de los dias que hay que aplicar (360 o 365 das al ao).
El prim er pago ocurre al final del periodo inicial y las contrapartes nicamente
se liquidan el neto de la posicin (la diferencia entre ambos flujos de efectivo). En
lugar de que cada contraparte pague su flujo de efectivo a la otra, simplemente el
deudor neto le paga al acreedor neto la diferencia resultante de los flujos de efectivo.
El ciclo se repite hasta el pago final, que se realiza al vencimiento del contrato que
generalmente es de tres a diez aos.
Los pagos de inters fijos se determinan de acuerdo con la siguiente frmula:
f = VNxrx
Donde:
F* = pago de inters fijo.

VN~= monto principal o nocional.
. Base
^ d
tasa d e inters
133
P se tasa de inters fija pactada en el svxop.

/ = nmero de das p o r liquidar del periodo valuado.
Base ~ convencin de nmero de dias al ao (360 o 365).
Los pagos de inters de flujo flotante se determinan de acuerdo con lo si
guiente:
Donde:
F'y r'~
/~
ffta v -
pago de inters flotante.

monto principal o nocional.
tasa de inters fo rn a rd para el periodo t .
Nmero de das por liquidar del periodo valuado.
convencin de nmero de das al ao (360 o 365).
No obstante que en los swops de tasa de inters no se intercambia el monto

principal, ambas partes deben acordar fijar un monto nocional, as como la moneda
en que se realizar el swap.
Como ejemplo, considere un xt+apde tasas de inters que tiene las siguientes
caractersticas:
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:
E l riesgo e n productos derivado
134
Ejem plo de sw ap de tasa de Inters

Fecha
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
Valuacin d e s w a p d e tasa d e inters
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
VaR 6 sw ap s d e tasa d e inters
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
Un swap de tasa de inters permite a un inversionista intercambiar flujos de tasas

fijas por flujos de tasas flotantes, y viceversa. Un swap puede descomponerse en
dos panes: !a fija y la flotante. Tam bin puede verse com o la suma de varios
contratos de FRA. El valor en riesgo se obtiene considerando varios FRA. Para
HiMrar dicho clculo, a continuacin se presenta un ejemplo: considere un swap
do tasa de inters con valor nocional de I 0 0 millones de pesos a cinco aos de
plazo y con pagos anuales. La tasa fija del swap se pacta en 6.50% anual y la tasa
flotante ser Libor.
El primer ao el contrato prom ete pagar 1 0 0 millones ms el pago del cupn de
6-50%; descontado ste a valor presente a la tasa de mercado, que es 5.81%, se
obtienen 100.65 millones. ste sera un FRA 0 X 1 .
F-I segundo ao se presenta un FRA 1 X 2, que promete pagar 100 millones ms
monto del cupn en dos aos, o 106.5 millones, que descontados a valor presente
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:
Valuacin de un swap de tasas de inters en pesos
<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
6.10 Swaps de divisas

Un swap de divisas es similar a uno de tasa de inters, excepto que:
Las monedas de los dos flujos del swap son diferentes.

Siempre hay intercambio de principa! al vencimiento.
Los flujos o pagos pueden ser:
Ambos de tasa fija.

Ambos de tasa flotante.
Uno de tasa fija y otro de tasa flotante.
Para obtener la valuacin de un swap de divisas, el procedimiento es semejante

al de swap de tasa de inters, nicamente que es necesario aplicar el tipo de cambio
de las divisas de que se trate; es decir, el valor de un swap de divisas tam bin es el
valor presente de los flujos netos del swapr.
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).
Valor en riesgo de un contrato de sw ap de tasa de inters

P osici n *
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
Matriz d e Volatilidad de p rados:
1
2
3
4
5
020%
0
0
0 .4 2 %
0
0
0
M atriz d e c orreia dor^s:

1
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
M onto nocional e n U S d la res =
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
E! modelo Montecarlo para valuar opciones y calcular ei valor en riesgo merece

un capitulo especial. Su complejidad consiste en la generacin de nmeros
aleatorios y la aplicacin del modelo de W iener al considerar el m ovim iento de
los factores de riesgo como movimiento geomtrico Browniano , es decir, de
caminata aleatoria o random watt.
141
Modelo M ontecarlo
a simulacin de M ontecarlo consiste en crear escenarios de rendimiento o pre

cios de un activo mediante la generacin de nmeros aleatorios. Posteriormen
te se observa el comportamiento del activo simulado.
Ust modelo es particularmente til cuando se pretende calcular el valor en
riesgo de productos derivados, com o futuros, opciones y swaps. En el caso de pro
ductos derivados no lineales es el mtodo ms eficaz para medir el riesgo; sin em
bargo. la desventaja que presenta es el consumo de memoria de la computadora que,
al generar los diferentes escenarios, podra requerir mucho tiempo.
7.1
Generacin de escenarios
Para entender el modelo Montecarlo primero es necesario comprender la m anera de

crear escenarios mediante la generacin de nmeros aleatorios o random.
Debido a que los precios de un activo en mercados eficientes se comportan de
acuerdo con un proceso estocstico (movimiento geomtrico Browniano), la ecua
cin matemtica que representa este proceso es el modelo de Wiener:'
= 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
) que contiene un ruido blanco o choque aleatorio e , En Excel, la funcin

que genera nmeros aleatorios distribuidos normalmente es: NORMSINV <RAND( j
Ahora bien, este modelo se puede expresar en trminos discretos de la sigujetgg
manera:
( 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 e sv. estndar d e rendim ientos s
D a
1 .4 3 %
5 4 ,49 8.00
V alo r del portafolios =

Valor del portafolios
Random
Dif. valor port
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
7 2 Valor en riesgo para un activo con el modelo

Montecarlo
faciendo lo mismo pero con 250 escenarios, la grfica seria la siguiente;
Generacin de 250 escenarios
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
Si se hacen 1,000 escenarios y se grfica el histograma de frecuencias, se ob

serva una curva de distribucin m uy cercana a la normal, como se muestra a conti
nuacin. El valor en riesgo simplemente se obtiene calculando el primer perecntil
del histograma de frecuencias (considerando un nivel de confianza de 99%).
Histograma de frecuencias
Rangos
146
7.3
Modelo Montecarlo para opciones2
El modelo M ontecarlo es una alternativa a la frmula de Black-Scholes para deter

m inar el precio justo de la opcin. Con esta metodologa es posible determinar el
valor en riesgo de una posicin con opciones. Este modelo consiste en generar esce
nanos en el comportamiento del subyacente.
La ecuacin que permite simular los precios del subyacente es la siguiente (vase
el articulo de Boyle ):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
I ^ e l o Montecarlo para opciones
147
onstante. A continuacin se presenta un ejemplo para valuar una opcin con el

jnodel0 Montecarlo y compararlo con el de Black-Scholes,''
[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
Para obtener el valor en riesgo, simplemente se toma el primero o quinto percentil

de ta distribucin de prdidas y/o ganancias, dependiendo del nivel de confianza
que se determine. 99 o 95%, respectivamente. El ejemplo anterior sirvi para deter
minar el precio de una opcin ca li y e ! valor en riesgo de la posicin considerando
10.1)01) escenarios simulados. Por razones de espacio nicamente se muestran las
primeras diez simulaciones. El histogram a de frecuencias del valor intrnseco de
la opcin c a lle s el siguiente:
148
7.4
Modelo Montecario estructurado
Como se h a visto en los capitulas anteriores, las correlaciones y volatilidades &

obtienen de los rendimientos de los activos. Lo que se pretende es generar un nmg.
ro grande de escenarios futuros a partir de rendimientos (entre5,O0Qy 10,000) Para
obtener el valor en riesgo con el modelo M ontecario se siguen los siguientes pasos;
A partir de la matriz de varianza-covarianza Z aplicar la descomposicin
de Cholesky (que se explica adelante) de tal manera que se obtenga la
matriz A. La matriz A es tal que Z = Ar x A.
2. Generar una matriz X de 10,000 nmeros aleatorios con distribucin nor
m al N(0,I). Recuerde que la instruccin en excel es: =normsinv(rand())
3. Determinar una matriz Y= A r x A donde Y tiene una distribucin normal
A{0, E).
4. Generar 10,000 simulaciones de los factores de riesgo mediante Z = Se*
donde <5^ es el vector de factores de riesgo vigente.
5. Determinar una serie de prdidas / ganancias mediante: Z - Sf Donde S
es la posicin total del portafolios.
6 . El valor en riesgo se obtiene de calcular el pereentil correspondiente de la
serie de prdidas/ganancias obtenida.
1.
7.4.1
D e s c o m p o s ic i n d e C h o le s k y
Considere la siguiente matriz de 2 x 2 de varianza-covarianza:

__ o f
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.
entonces tenemos que:
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 .
De lo anterior se desprende que

i
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 , . . . /?.
lis importante sealar que para aplicar la matriz de Cholesky, la m atriz de

Varianza covarianza debe ser definida positiva, es decir, que todos los menores de
150
la matriz sean positivos. El prim er menor es el prim er elemento de la matriz de

varianza covarianza, el segundo m enor es el determinante de la submatriz cua
de orden 2 , el tercer menor es el determinante de la submatriz cuadrada de oroeri 3
y asi sucesivamente.
Si la matriz de varianza covarianza no es definida positiva, puede ser que la
matriz incluye dos factores de riesgo que estn perfectamente correlacionado (en
cuyo caso el determinante ser de cero), o bien puede ser que las volatilidades y corre
laciones se obtuvieron con series d e tiem po d e diferente longitud. En ambos casos
seria necesario revisar posibles inconsistencias en la informacin.
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
La prueba de valores extremos o stress rest es semejante al valor en riesgo, ya que

si bien ste indica cul es la prdida mxima probable con 95 o 99% de confianza,
el stress res ofrece una idea clara d e lo que se podra perder en 1 o 5% de los
casos, es decir, en situaciones de crisis o turbulencia en los mercados.
Ein lano, el hucktesting es una prueba indispensable en la medicin de riesgos, ya
que permite evaluar la efectividad del modelo de valor en riesgo y, en
consecuencia, decidir sobre la conveniencia de calibrarlo.
151
Pruebas de b a c k te s tin g y
s tre s s te s tin g
8.1
Stress testing (prueba de valores extremos)
a prueba de stress o de valores extremos consiste en crear escenarios que res

pondan a la pregunta qu pasara
(mfazt i / ) , que obliga a los administra
dores de riesgos a predecir prdidas ea condiciones de desastres financieros o de
crisis provocadas por problemas polticos o desequilibrios en la economa de algn
pas con e) que se tenga relacin comercial o financiera. Cabe sealar que esta prue
ba es un complemento del valor en riesgo.
El supuesto ms importante en los modelos de riesgo de mercado consiste en
que los rendimientos de los activos siguen una curva normal. la cual puede ser
descrita por dos variables (momentos): la media y la desviacin estndar (volatilidad).
T anto los modelos para valuar opciones (Black-Scholes y Montecarlo) como el va
lor en riesgo paramtrico (varianza-covarianza) incorporan este supuesto.
( orno ya se seal en captulos anteriores, la idea del valor en riesgo consiste
en calcular el monto mximo que un portafolios podra perder durante un periodo
do tiempo con un nivel de confianza o probabilidad elevado. Para determinar el
valor en riesgo se toma el valor extrem o izquierdo de la curva normal de rendimien
to (extreme Iow-probabiIity\ imponiendo un nivel de confianza que en la mayor
Parte de los casos es de 95 o 99%. Esto significa que si el nivel de confianza es de
99(, y el valor en riesgo de un dia es de dos millones de pesos, un da de cada 100
dias de operacin se esperara una prdida mayor a dos millones de pesos.
Sin embargo, el valor en riesgo no define el monto que se podra perder en el
! /n de las veces y, debido a que en la prctica las curvas normales presentan sesgo
y furtoss o colas gordas {/al tails), las prdidas en ese l% d e las veces podran ser
muy aIlts, de tal suerte que podran llevar a la institucin incluso a la bancarrota.
153
P ru e b a s de backtesting y stress testing
154
A continuacin se enuncian algunos ejemplos de lo que se menciona:
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.
Backtesting (verificacin y calibracin de! m odelo)
155
En Mxico, la circular 1423 expedida por la Comisin Nacional Bancaria y de

Valores el 25 de enero de 1999, establece en la disposicin decimotercera que las
instituciones de crdito (bancos) complementarn su medicin de riesgos con la
realizacin de pruebas bajo condiciones extremas, que permitan identificar el riesgo
que enfrentara la institucin en dichas condiciones y reconocer las posiciones o
estrategias que hacen mas vulnerable a la propia institucin.
lin noviembre de 1999, el Banco de Mxico estableci tambin que tratndose
de posiciones de productos derivados, los bancos deban realizar pruebas de stress,
entre otros aspectos.
Algunas variables que deben considerarse en pruebas de stress son las siguientes:
1. Cambios paralelos a la curva de tasas de inters,
2. Cambios no paralelos a la curva de tasas de inters (cambios hacia arriba,

curva invertida y curva horizontal).
3. Devaluaciones de tipo d e cambio.
4. Liquidez. Qu pasara si el mercado dificulta deshacer posiciones o cubrir
las mismas por problemas de liquidez? Riesgos de fondeo de las posiciones.
5. Incumplimiento de contrapartes.
6 . Contagio: considerar que todas las posiciones del portafolios resultan afecta
das por movimientos adversos en las variables de mercado. Cul es el peor
escenario y cmo se relaciona con el capital contable de la institucin?
8.2
Backtesting (verificacin y calibracin del modelo)
H concepto de backtesting es esencial en el proceso de evaluar y calibrar los mode

los de medicin de riesgos. Es importante para la institucin y las autoridades
rcgulatorias verificar peridicamente que el modelo est m idiendo el riesgo adecua
damente. Tanto en el estudio del G rupo de los Treinta (G-30) como del Comit de
13n\iea se recomienda realizar pruebas de backtesting coa el fin de verificar si el
modelo de VaR es adecuado y, en su caso, realizar ajustes y calibrar el modelo.
Para realizar un backtesting es necesario com parar el valor en riesgo absentado
'on las prdidas y/o ganancias reales. En dicha prueba lo que se mide es la eficienCla
n el modelo, contando las observaciones de prdidas y/o ganancias que fueron
fav o res al VaR.
Los pasos a seguir para la elaboracin de un backtesting son los siguientes:
I
Las prdidas y ganancias se calculan con cambios en la valuacin o mark-
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).
P ru e bas d e backtesting y stress lestjj^
156
2.
L os errores o excepciones detectados se calculan contando el nmero de

veces que las prdidas y ganancias exceden al valor en riesgo observadas
E! nivel de eficiencia del modelo ser: nmero de excepciones/nmero de
observaciones.
4.
Uno de los mtodos ms utilizados para verificar si el modelo es adecuado es el

desarrollado por Kupiec en 1995.1 Dicho mtodo consiste en contar las veces que
las prdidas y/o ganancias exceden el VaR durante un periodo. Se asume que /Ves el
nmero de observaciones que exceden la prdida o ganancia, y para un nivel de
confianza dado (1 - p ) se prueba si la JVobservada es estadsticamente diferente a la
probabilidad de error p que se considera para e! clculo del VaR.
La probabilidad de observar /Vexcesos durante un periodo de T observaciones
en total, se explica con una distribucin binomial dada p o r
(1
- PY ~ Y
La decisin prctica que se necesita tomar consiste en determinar si la relacin

de excesos de prdidas y/o ganancias contra las observaciones totales, 1,5%, 6 %,
16%, etc., es estadsticam ente diferente a la probabilidad que se utiliza para el
clculo del valor en riesgo, es decir, 1%, 5%, 10%, etc.
Kupiec desarroll unas regiones de confianza con base en una distribucin chi
cuadrada con un grado de libertad, considerando la hiptesis nula de que p es
estadsticamente igual a la probabilidad utilizada para el VaR contra la hiptesis
alternativa de que p sea diferente a dicha probabilidad.
Estas regiones fueron determinadas de los extremos de la de mxima verosimi
litud dada por la siguiente expresin:
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
Qgcktesling (verificacin y calibracin del modelo)
Por ejemplo, con dos aos d e observaciones (7 = 501) se esperara observar
pjBpjr= 0.01*501 = 5 veces en que la marca a mercado excede al valor en riesgo,

considerando un nivel de confianza de 99% para el clculo del VaR. Sin embargo, si
histricamente se detectaron 13 desviaciones (considerando volatilidad dinmica
cv,n una lambda de 0.94), resulta un nivel de eficiencia de 97.41%, como se indica a
continuacin:
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 %
De acuerdo con la tabla de Kupiec, 13 observaciones se encuentran fuera del

rango de I < U < 11 para 1% de error y 510 observaciones. Por tanto, se rechaza
la hiptesis nula de que 13 desviaciones sean igual al 1% de probabilidad para el
clculo del valor en riesgo y es necesario realizar algn ajuste a fin de llevarlo al
nivel de confianza deseado de 99%.
Para calibrar el modelo existen dos opciones: aumentar el factor de 2.33 en
clculo del VaR hasta tener el nivel de confianza deseado o, bien, modificar el
factor de decaimiento lambda. En este ejemplo se modific el factor lambda a 0.88
y c] nivel de eficiencia aument a 98% con siete observaciones de peixlidas/gananC|as fuera del valor en riesgo. A continuacin se muestra dicha modificacin:
P ru e bas d e backtesting y stress tesilng
158
O bservaciones fuera del V a R =
Total d e observaciones =
SO I
Eficiencia del m odelo =
9 8 .6 0 %
Las siete desviaciones se encuentran ya en el rango que especifica Kupiec para

un nivel de error del 1%, por lo que se acepta la hiptesis nula de que la desviacin
7/501 1.40% es igual, en este caso, a la probabilidad del 1% deseada. Por tanto, el
modelo ha sido calibrado.
Por otra parte, el enfoque del Banco Internacional de Pagos (BIS) clasifica el
resultado en tres zonas de colores (verde, amarilla y roja). A continuacin se mues
tra un cuadro con el enfoque de zonas del BIS.
E n fo q u e d e l B13 p a ra in te rp re ta r e l B a c k te s tin g
Z o na
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
En este enfoque, la zona verde significa que el modelo no tiene problemas de

calidad y no se requiere modificacin alguna. La zona amarilla indica que no se
puede concluir algo acerca del modelo, por lo que podra o no calibrarse. La zona
roja precisa que es necesario modificar el modelo, ya que presenta problemas de
calidad y precisin.
La pregunta es: de qu manera incremento el valor en riesgo si el modelo esl
en zona amarilla o roja? El BIS recomienda incrementar el factor de capital requeri
do a la institucin, que es tres veces el VaR, de la siguiente manera:*
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
A lo largo del texto se ha explorado el tema de medicin y control de riesgos de

mercado. Sin embargo, es necesario analizar las tcnicas modernas para m edir el
riesgo de crdito o de contraparte, que son un complemento del anlisis de
crdito tradicional.
161
Modelos de riesgo
de crdito
9.1
Anlisis de crdito tradicional
l riesgo de crdito se define com o Ja prdida potencial que se registra con

motivo del incumplimiento d e una contraparte en una transaccin financiera
lo en alguno de los trminos y condiciones de la transaccin). Tambin se concibe
como un deterioro en la calidad crediticia de la contraparte o en la garanta o
colateral pactada originalmente.
Tradteionalmente, para medir dicha exposicin al riesgo, los bancos han elabo
rado procedimientos homogneos y tradicionales que se resumen en el diagrama de
la pgina siguiente.
Dicho procedimiento est basado en lo que se conoce como las cinco Ces del
solicitante, a saber:
I. C onocer (character) al sujeto de crdito. Tiene que ver con su solvencia
moral y reputacin y su disposicin para cum plir con sus compromisos
con terceros; conocer su historia] crediticio. Se podra afirmar que el tiem
po que tiene la empresa en el mercado es un buen indicador de la reputacin
en materia de crdito. En M xico se ha instrumentado el llamado Bureau
de Crdito, que es una institucin que registra a los acreditados que incum
plieron con alguna obligacin crediticia, con informacin de todo el siste
ma financiero.
2 C apacidad de pago mediante un anlisis financiero exhaustivo del soli
citante que refleje la volatilidad de las utilidades generadas histrica
mente. El flujo de efectivo debe reflejar la capacidad de pago de la firma.
-T C apital de la firma a fin de conocer la contribucin de los accionistas que
estn asumiendo el riesgo de la misma, as com o su capacidad d e endeu163
164
DE
CRDITO
T R A D IC IO N A L
Negociadores (caractersticas y
cernidores Os) Bnanelamlenlo)
ANLISIS
Anlisis de crdito tradicional
4.
5.
165
(amiento estimando la proporcin de recursos propios en relacin con los

recursos de terceros. Altos niveles de 3 palancamiento aumentan la proba
bilidad de bancarrota de la empresa.
C olateral. Se refiere a las garantas del crdito. En caso de incumplimien
to del crdito, los valores dados en garanta deben ser suficientes para que
el prestamista recupere la prdida en la operacin. A m ayor valor de mer
cado del colateral, m enor es la exposicin al riesgo en el otorgamient del
crdito.
Condiciones cclicas (eyele or eeonomic conditions). Se refiere a un ele
mento importante para determ inar la exposicin al riesgo de crdito, ya
que algunas industrias son altamente dependientes de un ciclo econmico.
En general, las firmas que fabrican bienes duraderos tienden a ser ms
dependientes de ciclos econmicos que aquellas con bienes no duraderos.
Asimismo, firmas que tienen una posicin competitiva internacional son
ms sensibles a los ciclos econmicos.
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
M odelos d e riesgo d e crcittq
mas automatizados o de Internet, y en cuestin de minutos sabrn si su solicitud ha

sido o no aprobada.
9.2
Anlisis de crdito en los m ercados financieros
El efecto de incumplimiento de una contraparte en una transaccin en los merca*

dos financieros, principalmente en productos derivados (futuros, opciones o sa-aps)
puede ser mitigado por el reemplazo del instrumento en el mercado. En el momen
to del incumplimiento, por tanto, el riesgo de crdito de una operacin es precisa*
mente igual al riesgo de reem plazar la operacin en el mercado. A este tipo de
riesgo se le denomina riesgo implcito o Deemed Risk, y la manera de modelarlo
es mediante el valor en riesgo (VaR). como se explic en los captulos anteriores,
ya que al ser reemplazada la operacin en el mercado, la prdida potencial est en
funcin del movimiento del precio.
El objetivo principal del Deemed Risk es establecer a la contraparte una garan
ta o colateral, de tal suerte que en caso de impago, ste sea suficiente para cubrir la
prdida potencial en el momento de reemplazar la operacin en el mercado. Sin
embargo, siempre es recomendable aadir al Deemed Risk un factor que compense
la poca liquidez que puede haber en el mercado, ya que al suponer que los mercados
son eficientes, se podra subestimar el riesgo crediticio.
El grupo G-30 recomienda que en caso de existir riesgo crediticio en alguna
transaccin realizada en los mercados, deben contestarse dos preguntas bsicas:
a)
b)
Si la contraparte incumpliera hoy, cul seria el costo de reemplaza- la

transaccin?
Si la contraparte incumpliera en algn punto en el futuro, cul es un esti
mado razonable para el costo potencial de reemplazar la transaccin?
Para contestar estas preguntas debe calcularse:
a)
b)
La exposicin vigente o actual de la transaccin en trminos de su valor

de mercado (marca a mercado); y
La exposicin potencial de la transaccin, que es un estimado de lo que
costara reemplazar la transaccin en el futuro.
Riesgo de crdito = Riesgo actual o vigente (M TM) + Riesgo potencial

Por ejemplo, si el valor nocional de un instrumento financiero es de SiOO.OOO y
si la operacin tuviera que liquidarse hoy, el tenedor del instrumento recibira de Ia
contraparte S I 0 ,0 0 0 (que es la ganancia no realizada de la transaccin). Por su
parte, el estimado de lo que podra variar el mercado en el periodo remanente del
Anlisis d d crdito o n los m ercados financieros
167
contrato (Deemed Risk) es de 8 % , y, por tanto, el riesgo potencial en este caso es de

$8.000. F.l riesgo de crdito es:
Riesgo de crdito = Riesgo vigente + Riesgo potencial
= $ 1 0 ,0 0 0 + $ 8 ,0 0 0 = $18,000
/
Ntese que el riesgo vigente simplemente es la marca a mercado o valuacin
positiva de la transaccin (el m onto que debe pagar la contraparte), y el riesgo po
tencial es un valor en riesgo (VaR).
Asimismo, la prdida esperada asociada a una contraparte se da en funcin de
tres variables:
a)
h)
c)
El monto de la exposicin de riesgo de la contraparte.

La probabilidad de incumplimiento o de impago.
La recuperacin potencia! de las garantas pactadas al inicio de la
transaccin.
Desde un punto de vista cuantitativo, si X es el monto de exposicin al riesgo de

crdito (S), P es la probabilidad de impago o incumplimiento (%) y R es la tasa de re
cuperacin de las garantas (%), la siguiente ecuacin simboliza lo arriba sealado:
Prdida esperada por riesgo de crdito = P x X x ( l - R )
Por ejemplo, si tenemos que la probabilidad de incumplimiento de una contra
parte calificada como BBB (Standard & Poor's) es de 0.18%, la tasa de recupera
cin del colateral es de $51.13 por cada $100 y la exposicin de riesgo de crdito es
de l (K) millones de pesos, la prdida esperada por riesgo de crdito ser com o sigue:
Prdida esperada = 0.0018x100 000.000x(l -0 .5 1 1 3 ) = $87.966,00
t
La prdida esperada es la cantidad de dinero que un banco debe separar de sus

nulidades en calidad de reservas y un ejercicio sano seria revisar peridicamente
ipor lo general, de manera trimestral) el nivel de reservas de la cartera crediticia.
( Obsrvese cmo las tres variables. P, X y R, podran cambiar en el tiempo.
Para calcular la prdida no esperada se puede asumir que dado que la operacin
Puede caer en incumplimiento o no (solamente dos posibilidades), la distribucin de
Probabilidad, puede asumirse com o binomial, en la cual la desviacin estndar es la
^guente:
o=
i - p)
168
M odelos d e riesgo d e cr<
Dado que las tasas de recuperacin son constantes, la prdida no esperada de

prstamo es la siguiente:
Prdida no esperada = J p { \ - p ) x X x ( i - R)
Tomando en cuenta el mismo ejemplo anterior, tendramos que:
Prdida no esperada = ^(G .0 0 !8 )(l-0 .0 0 1 8 )x I0 0 000.000 x (l -0.5113)

Prdida no esperada = $2071,511.62
Si se multiplica la prdida no esperada por 2.33 o 1.65. se tendra una suerte de
valor en riesgo al 99 o 95%, respectivamente (es decir, la mxima prdida esperada
en condiciones normales de mercado con un alto nivel de confianza). Ms adelante
se explica con detalle la metodologa de Creditmetrics para el clculo de lo que se
ha llamado el Credit VaR.
Asi com o la prdida esperada significa en trminos prcticos el nivel de reser
vas que un banco debe tener para hacer frente a incumplimientos en su cartera de
crditos, la prdida no esperada significa el nivel de capital mnimo que un banco
debe tener para mantener su portafolios de crditos.
9.3
M odelos para el clculo de probabilidades de

incum plim iento
La circular 1423 expedida por la Comisin Nacional Bancaria y de Valores relati

va a las disposiciones que deben observarse para una adecuada administracin
integral de riesgos, seala en su disposicin vigsima, seccin 11, inciso d. que las
instituciones de crdito deben calcular la probabilidad de incumplimiento de los
deudores en lo que hace al riesgo de la cartera crediticia.
Los modelos ms utilizados en el mercado para m edir riesgos de crdito son
los siguientes:
a)
b)
Modelos economtricos. Entre stos se encuentran el anlisis de discri

m inantes lineal y de regresin lineal m ltiple (m odelo de Altman), y
modelos Logit y Probit para determinar probabilidades de incumplimien
to. En estos modelos, las variables independientes son razones financieras
y otros indicadores, asi como variables externas que miden los efectos
m acoeconm icos.
Modelo K M V y Moody's. Aplica la teora de opciones para determina1
probabilidades de incumplimiento y la valuacin del prstamo. Este mo-
1 69
El modelo de Z -S c o r e e AItman
t)
dlo se basa en que es posible simular el comportamiento de un prstamo

mediante una opcin pui (pul option) y las acciones como una opcin cali.
No obstante que este modelo es muy robusto para empresas que cotizan en
la Bolsa, la empresa KMV tambin lo aplica para empresas privadas. Este
modelo tambin se conoce como C'redit Monitor (CM).
Redes nenronales artificiales.' Son sistemas por computadora que inten
tan imitar el proceso de aprendizaje humano emulando una red de neufonas
interconectadas entre si. El sistema aprende la naturaleza en la relacin
entre datos de entrada al sistema y datos procesados o de salida, de tal
suerte que en momentos en que los datos se encuentren incompletos o sean
inconsistentes, el sistema puede tomar una decisin educada d e la mis
ma manera como lo hara un humano experto. sta es una nueva tcnica
que se est desarrollando con xito; sin embargo, presenta algunos proble
mas, entre ellos el tiem po y esfuerzo que se requieren para aplicar los pro
cesos de toma de decisiones de humanos a un sistema de reglas, y la difi
cultad y costos asociados de programar algoritmos de decisin y el mante
nimiento de los sistemas, asi com o la inflexibilidad que presentan dichos
sistemas para cambiar de acuerdo con nuevas condiciones del entorno.
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
Es un modelo economtrico que se construye a partir de razones financieras. Dichas

razones financieras se combinan linealmente con un peso especifico para cada una,
a fin de obtener como resultado final una calificacin (Z-seore) que discrimina las
empresas que incumplen en sus compromisos crediticios, de aquellas que no lo
hacen.
El modelo de Alunan utiliza el anlisis discriminante como tcnica estadstica
muliivariada. De un universo de empresas, discrimina o separa aquellas que estn
en quiebra, de aquellas que no o estn, de tal suerte que la variable dependiente de
a funcin discriminante es 0 o 1 ( 0 si la empresa est en incumplimiento o 1 si la
empresa no est en incumplimiento) y las variables independientes son las razones
financieras que mejor explican el incumplimienio de las empresas. Es un proceso
'Ccuencial en el que el analista excluye aquellas razones financieras que no son
-'Madisticamente significativas e incluye las que s lo son.
M odelos d e riesgo d e crdito
170
En su prim er modelo (1968), Altman escogi 22 razones financieras que for

maban su lista original y finalmente escogi cinco de ellas, a saber:
7 = \2 X
+ 1.4,*1 + 3 .3*
, ! + 0 .6 *4
, + .9 9 *1
,
*1
Donde:
x t = capital de trabajo/activos totales.

Xj - utilidades retenidas/activos totales.
x, = utilidades antes de impuestos/activos totales.
xA= valor de mercado de la accin/valor en libros de la deuda.

x, = ventas/activos totales.
Este m odelo fue obtenido de una muestra de empresas que cotizan en la Bolsa,
pero tam bin dise otro modelo para empresas privadas e inclusive un modelo
para empresas mexicanas al que llam de mercados emergentes.
De acuerdo con E. Altman, la situacin financiera de la emisora depende de!
valor de Z\
Si Z > 2.99 la em presa se considera saludable.

Si Z < 1.81 la em presa est en bancarrota.
S 1.81 < Z < 2.99 no se puede determ inar la condicin financiera de la
empresa (zona g is ).
En 1977 Altman, Haldeman y Narayanan disearon un modelo superior al an

terior, considerando siete razones financieras: rendimiento sobre activos (ROA),
estabilidad de utilidades, servicio de la deuda, utilidades acumuladas, liquidez, ni
vel de capitalizacin y tamao (medido por el logaritmo de los activos).
El objetivo fundamental de Altman ha sido y es predecir la quiebra de empre
sas, con una anticipacin de hasta cinco aos. sta es la razn fundamental por la
que no ha cambiado los coeficientes del modelo. Si bien la ventaja de cambiar los
coeficientes del modelo es que contara con informacin ms reciente, las califica
ciones no serian comparables en distintos periodos y no se podra predecir la quie
bra de las empresasA continuacin se muestran los resultados del m odelo de Altman y su poder
predictivo:
M odelos Probit o Logt
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
Modelos Probit o Logit
fin eeonometria, un modelo de eleccin cualitativa consiste en determinar la proba

bilidad de que un individuo que tiene ciertos atributos pertenezca a uno de dos
grupos especficos (por ejemplo, empresas que pertenezcan al grupo de cartera vi
gente y empresas que estn en el grupo de cartera vencida). En nuestro caso, se trata
de determ inar la probabilidad de que un acreditado que tiene ciertos atributos (razo
nes financieras) se declare en incumplimiento o degrade su calificacin crediticia.
De manera ms general, se trata de determinar el conjunto de atributos (razones
financieras) que explican el incumplimiento del acreditado y obtener, mediante un
modelo, la probabilidad de que dicho acreditado que hoy pertenece al grupo de
cunera vigente, con el tiempo pertenezca al grupo de cartera vencida.
Para este propsito, los m odelos de eleccin cualitativa asum en que la pro
babilidad de incum plim iento es una funcin lineal de m ltiples variables inde
pendientes (razones financieras) que consideran el nivel del capital contable,
apaluncamiento financiero, liquidez, rentabilidad, etctera.
El modelo se expresa de la siguiente manera:
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.
M odelos d e riesgo d e crdito
172
Con el mtodo Probit o Logit, es la probabilidad de incumplimiento del acre

ditado /. que slo puede adquirir valores entre cero y uno.
Para determinar las razones financieras que explican el incumplimiento y el
valor de los coeficientes aes que sean estadsticamente significativos en el modelo,
es necesario realizar simulaciones en algn programa de software como el E-views?
u otro similar.
En el caso especifico de la variable dependiente Pp se considera como una
variable dicotmica , es decir, que solamente puede adquirir dos valores en la
simulacin: el valor de uno si la empresa est en cartera vigente y cero si est en
cartera vencida.
Para determ inar el m ejor m odelo que calcule la probabilidad de incumplmiento en la cartera crediticia de un banco, por ejemplo, es necesario realizar lo
siguiente:
o)
Agrupar la cartera crediticia p o r tipo de crditos homogneos.
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.
Para m s detalles acerca de las tcnicas de redes neuronales, se sugiere leer a

Dutta & Shekhar (1988), Kerling (1995) y Tyree & Long (1994). Las mximas
aplicaciones se han dado en taijetas de crdito, pero an no se han aplicado a
crditos en grandes corporaciones.
V er el libro Bankruptcy de Edward Altman.
El E-views (econometric views) es un paquete de cmputo para modelar series
de tiempo y realizar regresiones estadsticas.
C AP TU LO 10
El credit VaR
t
En este capitulo se explican las tres metodologas ms conocidas para la medicin

de riesgo de crdito: el modelo de KMV , el modelo Creditmetrics y el modelo de
Credil Risk Plus.

No obstante que an no existen paradigmas al respecto, la mayora de las
instituciones financieras en M xico y en el mbito internacional han
Miiplcmentado alguno de los modelos mencionados.
173
El credit VaR
10.1
Modelo
para probabilidades de
incum plim iento1
K
ste modelo se basa en aplicar la teora de valuacin de opciones financieras

desarrollada por Fisher Black y Myron Scholesen su famoso articulo de 1973.2
La valuacin de opciones se ha extendido a otros campos de las finanzas corpo
rativas, en particular en la determ inacin del valor de una empresa, de su capital
y de su deuda. En este apartado se pretende explicar (a manera de valuar la deuda y
el capital de una empresa con opciones, asi como determinar la probabilidad de
incumplimiento de la firma.
Considere una empresa que solamente tiene dos instrumentos financieros, un bono
cupn cero que vence en el tiempo T y acciones comunes. El valor de mercado de los
activos de la firma A ser la suma de los valores de mercado de los dos instrumentos:
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).
Valor intrnseco de la opcin * mx(A - D.0)
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:
Modelo K M V para probabilidades d e incumplimiento
177
Donde:
A = valor de los activos de la firma,

D = valor nominal de la deuda,
r tasa libre de riesgo,
1= periodo de la deuda.
<7 = volatilidad del bien subyacente, es decir, de los activos de la firma,
S{Ji) y M d 1) = valores que corresponden a la curva de distribucin normal acumu
lada (el rea bajo la curva).
Por otra parte, existe tambin una correspondencia entre el valor de ia deuda y
el valor de una opcin. Para determinar el valor de la deuda se aplica la siguiente
expresin:
D = De~n - opcin pul

Es decir, el valor presente del valor nominal de la deuda descontado con la tasa
libre de riesgo, menos el valor d e una opcin de venta o pul aption.
La siguiente grfica m uestra el perfil de pagos de una opcin de venta o pul
aption que coincideotemente es el perfil de pagos de un simple prstamo. Para en
tender el concepto asuma que ste es un prstamo que un banco le otorga a una
empresa a un periodo de un ao y que el monto del prstamo (OD) es otorgado
sobre la base de un descuento, es decir, se trata de un bono cupn cero. Durante el
ao, la empresa destinar el prstam o a una o varias inversiones productivas cuyo
\alor se reflejar en los activos de la firma.
Venta de una opcin (puf opton)
Valor intrnseco de la opcin = mx(D - A, 0)
178
E l credit Val
Si al final del ao el valor de mercado de los activos es 0A* , (os accionistas de

la firma tendrn incentivos para pagar la deuda 0 0 porque tendrn un valor resi
dual o utilidades generadas ese ao (0/1* - 0 0 ). Se puede observar que para cual
quier valor de los activos que exceda a 0 0 , los accionistas de la firma tendrn
incentivos para liquidar el prstamo y cum plir su compromiso con el banco.
Sin embargo, consideremos que e valor de mercado de los activos es menor
que OK, es decir. 0A en la grfica. En este caso, los accionistas tendrn el incentivo
de incum plir su compromiso con el banco y entregarle a ste los activos de la firma.
Para un valor de mercado de los activos que exceda a 0 0 , el banco tendr un rendmiento fijo por el prstamo otorgado, y para un valor de los activos menor a 0 D, el
banco sufrir prdidas, que en el peor de los casos (si no hay colateral) pueden ser
del 100 % del prstamo y sus intereses.
Com o puede observarse, el perfil de pagos de un prstamo para el banco coin
cide con el de una opcin. Cuando el banco otorga el prstamo, implcitamente est
emitiendo una opcin de venta o pul. Ei valor de la deuda es el precio de ejercicio,
y el valor de los activos es el valor del bien subyacente.
Considerando la frmula de Black-Scholes para una opcin de venta (pul option),
el valor de un prstamo es el siguiente:
Valor del bono = De * - D e * N ( - d 2) + A N ( - d {)
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
A continuacin se presenta un ejemplo de valuacin de un prstamo en Excel,

aplicando tanto la frmula tradicional de BJack-Scholes como la frmula simplifi
cada arriba mencionada:
f> = $100,000
.4 = $ 110,000
t = I ao
r 8 % anual
a t = 12 % anual
91.924.961
1B0
E l credtt VaR
Para determinar la sobretasa o premio por riesgo de contraparte, se podra aplicar

la frmula siguiente:
Sobretasa * [ - j
J l n | # ( A 3) + ^
jw(A,
)J
En el ejemplo anterior, la sobretasa seria la siguiente:
Sobretasa [1] In 0.9193 + !

0.0641 = 0.43%
1,0,8391 J
Lo que significa que el riesgo de contraparte de este tipo de deuda tiene un
premio de 0.43% por arriba de la tasa libre de riesgo, que es del 8 %.
Cabe sealar que dados los supuestos de Black-Scholes en la determinacin de
su modelo, algunas instituciones prefieren aplicar el modelo binomial de CoxRubinstein, aunque el concepto sealado anteriormente es exactamente e! mismo.
Por otra parte, en la frmula de Black-Scholes para determinar el valor de la
opcin de compra (cali option) obsrvese que el valor del capital puede obtenerse
a travs de conocer el precio de mercado de las acciones de la firma, por lo que los
valores del capital (C), de la tasa de inters libre de riesgo (r), del mercado de la
deuda (D) y el plazo d e la deuda ( 0 , son variables fcilmente observables en el
mercado. Sin embargo, el valor de mercado de los activos y la volatilidad de los
rendimientos de los activos (a4) no son directamente observables.
Para determinar el valor de los activos y la volatilidad de los rendimientos de
dichos activos, KMV propone el planteamiento de una segunda ecuacin, con el
objeto de tener dos ecuaciones con dos incgnitas, de manera que se puedan resol
ver. Dicha ecuacin es la siguiente:
Donde <T es la volatilidad de los rendimientos del precio de la accin en el

mercado, A es el valor de los activos en el mercado, a es la volatilidad de los
rendimientos de los activos en el mercado, C es el valor de mercado del capital y
es el valor de la probabilidad acumulada de la frmula de Black & Scholes.1
De lo anterior se desprende que las incgnitas son: el valor de mercado de los
activos A y la volatilidad de los rendimientos de tos activos o ,. Mientras que son
valores conocidos el valor nominal de la deuda D, el valor de mercado del capital C
la volatilidad del capital o . (calculada con la serie histrica de los precios de merca
do de la accin), el plazo de la deuda t y la tasa libre de riesgo r.
A continuacin se presenta el mismo ejem plo numrico mencionado. Si la
volatilidad de rendimientos de la serie histrica de los precios de la accin arroja
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:
1. C o n la serie de tiempo d e precios de m ercado d e la accin, s e calcula

la volatilidad del capital:
Volatilidad del capital =
4 .3 2 % diaria
Volatilidad del capital =
6 8 .3 4 % anual
2 . C o n los siguientes datos:

Deuda =
$ 100.000.00
Periodo =
1 ao
T a s a d e inters =
8 .0 % anual
Capital =
$ 1 8 ,0 7 5 .0 4
3. S e calculan las d o s incgnitas que satisfacen las dos ecuaciones;
Activos Volatilidad de activo s =
$ 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
Obsrvese que la regin de incumplimiento aumenta cuando: a) el valor de ios

activos disminuye, b) la volatilidad de los activos aum enta y c) el valor de la
aumenta. Si se asume que los rendimientos de los activos se comportan de acuerdo
con una distribucin normal, la distancia de incumplimiento DD (dislance lo defaui\
en el periodo de un ao ser-.
En nuestro ejemplo, la distancia de incumplimiento DD ser la siguiente:
0 .1 2 x 1 1 0 ,0 0 0
Es decir, si los rendimientos de los activos se comportan de acuerdo con una

distribucin de probabilidad normal, ]a distancia para el incumplimiento es de 0,7575
desviaciones estndar. En tablas de la curva norm al estandarizada (media 0 y des
viacin estndar de 1), tenemos que la probabilidad de default (EDF) en este caso
es de: 0.2243 o 22.43%.
Esta probabilidad se puede considerar alta, debido por una parte al alto ni
vel de apalancam iento de la em presa y, por la otra, a la alta volatilidad de los
activos.
= $ 110,000
DO = 0.7575
EDF= 0.2243
D = $100,000
Regin de
incumplimiento
>
Tiem po
1 ao
fofeodotoga propuesta p o r Creditmetrics
10.2
Metodologa propuesta p o r
183
r e
i t m
t r i c
Creditmetrics> es una herramienta propuesta por JP Morgan en 99? para m edir el

riesso de un portafolios, como un valor en riesgo, como consecuencia de cambios
en el valor de la deuda causados por variaciones en Ja calificacin crediticia de la
contraparte (emisor del papel). Es decir, no slo considera el evento de incumpli
miento. sino tambin los cambios (aumentos o disminuciones) en la calidad crediticia
del emisor. Por este motivo se dice que este modelo es de valuacin a mercado
(mark-to-market).
Mientras Riskmetrics intenta contestar a la pregunta: si maana es un mal da.
cunto puedo perder como mximo en mi portafolios compuesto por bonos, accio
nes. monedas y productos derivados?; en el caso de Creditmetrics la pregunta que
e intenta responder es: si el prximo es un mal ao. cunto puedo perder como
mximo en el conjunto de prstamos otorgados?
Para medir riesgos de crdito, es decir, prdidas esperadas en un portafolios
con varios activos, surgen dos problem as complejos por resolver: el primero se
refiere a la curva de distribucin de probabilidad de los rendimientos de crdito. En
riesgos de mercado la distribucin se asemeja a la normal y es relativamente sim
trica. por lo que con la media y desviacin estndar es posible entender los riesgos
y euantificar el valor en riesgo, mientras que en riesgos de crdito, los rendimientos
de! portafolios son sesgados y la curva presenta alta kurtosis en la cola izquierda;
por tanto, no bastan la media y la desviacin estndar para entender la distribucin
de probabilidad. A continuacin se presenta esquem ticam ente esta diferencia
fundamental:
El fenmeno de alta kurtosis en la cola izquierda de la curva se debe a Jos

probables eventos de incumplimiento o bancarrota.
184
E l credlt VaR
El segundo problema en el modelado de riesgos de crdito se refiere at clculo

de las correlaciones entre rendimientos de los activos del portafolios. La insuficien.
cia de datos histricos de la calidad crediticia del em isor hace difcil la estimacin
de correlaciones .5
N o obstante estos problemas, Creditmetrics propone los siguientes pasos para
determinar los riesgos de crdito:
Paso 1. Definir la matriz de probabilidades de transicin.
La probabilidad de transicin p es la probabilidad de que un emisor con i calidad
crediticia hoy, pueda migrar o moverse a otra calidad crediticia y en un horizon
te de tiempo definido.
Las probabilidades de transicin pueden ser calculadas internamente en las
instituciones, o bien recurrir a las que algunas em presas calificadoras han calcu
lado.
Hoy en da existen tres calificadoras en Mxico: Standard & Poors, Fitch y
M oodys. Despus de la dcada de los noventa, caracterizada por fusiones y adqui
siciones, todo indica que estas tres compaas se establecern como el patrn estndar
en el mercado financiero mexicano. La idea central de las calificadoras es tener un
juicio objetivo y libre de conflicto de intereses sobre la situacin financiera de una
empresa. Cabe mencionar que la calificacin que se indica puede darse sobre la
compaa emisora de deuda (en la mayora de casos si sta es pequea) o sobre una
emisin particular (si la compaa emisora es grande).
Por ejemplo, en el caso de Standard & Poors existen siete categoras de cali
ficacin. La ms alta calificacin es AAA y la ms baja es CCC. La probabilidad
de impago o incumplimiento es D. En nuestro ejem plo, si se tiene un bono que
boy presenta una calificacin de BBB, las probabilidades de transicin seran las
siguientes:
0 .0 2 %
0.33%
5.95%
86.93%
* 5.30%
^ 1.17%
^ 0 . 12%
0.18%
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
M etodologa propuesta por
Credltmetrcs
185
p ro b a b ilid a d m s a lta d e 8 6 .9 3 % e s la q u e s e re fie re a q u e e l b o n o m a n te n g a su

c a lific a c i n e n e l p e rio d o d e u n a o . L a p ro b a b ilid a d d e q u e e! b o n o s u b a d e c a lif ic a
c i n d e B B B a A A A ta m b i n e s b a ja , e s d e c ir , d e 0 .0 2 % .
A h o ra b ie n , e n lu g a r d e p e n s a r e n u n b o n o d e m a n e r a in d e p e n d ie n te , e s m e jo r
e s ta b le c e r lo q u e s e c o n o c e c o m o m a triz d e p r o b a b ilid a d e s d e tr a n s ic i n . E s ta
m a triz e s u n a ta b la d e p ro b a b ilid a d e s q u e re s u m e la s d if e r e n te s p r o b a b ilid a d e s d e
tra n s ic i n , c o m o s e s e a la a c o n tin u a c i n :
M atriz d e p ro b a b ilid a d e s d e tr a n s ic i n d e S ta n d a rd A P o o r 's c o n h o riz o n te d e u n a rio

AA
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
Fuente: S ta n d a rd & P o o r's (abril 15 .1 9 9 6 )
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 .
M a triz d e p ro b a b ilid a d e s d e tr a n s ic i n d e V a lo r d e M e rc a d o (V a ltn e r) c o n h o riz o n te de

un a o
1
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
F uente: Algorithmics (junio d e 2002)
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
Las compaas calificadoras utilizan diferentes escalas. Esto crea la necesidad

de homologar la escala para poder utilizar toda la informacin de la base de Valmer.
La escala va del 1 al 6 , siendo 1 la mejor calificacin y 5 la peor: el 6 denota el
evento de impago o incumplimiento (equivalente a la calificacin D de Standard &
Poors).
No se puede dejar de enfatizar la vital importancia que tiene la calidad de la
base de datos que se utiliza para la estimacin. L a calidad es bsica para tener
confianza en los resultados arrojados por el proceso de estimacin. La base de
datos utilizada por Valm er sigue a 1564 instrumentos desde el 15 de junio de 1989
hasta septiembre del 2001. El universo de instrumentos es representativo, incluye
sectores tales como:
A lim e n to s
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
Paso 2. Valuacin del precio forward del bono.

Para la valuacin del bono se requiere de la curva de tasas correspondiente a cada
nivel de calificacin. Si se toma en cuenta el criterio de Standard & Poors, se debe
contar con siete curvas de ta 5?s que incorporen la sobretasa o spread que refleje el
riesgo de crdito. Todos los acreditados que tengan la misma calificacin crediticia
deben ser valuados con la misma curva. A continuacin se presenta un ejemplo de
las curvas de tasas que incluyen el spread por riesgo de crdito y por cada califica
cin de acuerdo con el criterio de las siete calificaciones de Standard & Poors.
Metodologa propuesta por Cr&ditmetcs
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 %
C u rv a s de tasas con distintas

calidades crediticias
F u en te: Cred/m ertcs, J P Morgan
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
Si replicamos el mismo clculo para las distintas calificaciones, obtendremos los

siguientes valores:
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
El valor de default es simplemente la tasa de recuperacin de acuerdo con la

calidad del colateral y no obedece a la frmula de valor presente en el ao uno.
Paso 3. Medicin del riesgo de crdito (credit VaR).
A continuacin se muestra el clculo del credit V aR a partir de los cambios en
el valor del bono, es decir, las prdidas y/o ganancias que se obtendran en las dife
rentes calificaciones:
C lcu lo d e l V aR p a r a u n c r d ito d e calificaci n B BS:
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
Metodologa propuesta por Creritmetrics
189
Asumiendo normalidad en los cambios en la distribucin de prdidas y/o ganan

cias, la media y la volatilidad del portafolios, como medida de riesgo, se determina de
la siguiente manera:
PnrrAL ~
1=1
Donde:
P - probabilidad de tener calificacin i.

VroTuT va*or
portafolios en el estado i.
A V ~ cambio de valor en el estado i.
En este ejemplo, ntese cm o el credit VaR, asumiendo distribucin normal, es

menor (en trminos absolutos) que en la distribucin real (7.43 vs. 9.45). Esto se
debe a que, como ya se mencion, en el caso de riesgo de crdito, la distribucin de
probabilidad no es normal y tiene una kurtosis alta, especialmente en la cola iz
quierda de la curva.
Ntese tambin que el prim er percentil de la distribucin de prdidas y/o ga
nancias no se obtiene interpolando entre los valores de 0.12 y 1.17%, sino que se
acumula la probabilidad empezando por la de incumplimiento hacia la calificacin
AAA, de tal suerte que el prim er percentil ser la probabilidad acumulada que sea
igual o mayor que 1%.
El procedimiento para determ inar dicho prim er percentil es el siguiente: la
probabilidad de impago es 0.18% . Este valor es m enor que 1%. La probabilidad
de e staren calificacin CCC o en incumplimiento es de 0.30% (es decir: 0.12% +
0 . 18%), que an es m enor que 1%. La probabilidad de tener calificacin B, CCC
o en incumplimiento es de 1.17% (es decir: 0.30% + 1 .1 7 % ). D ebido a que ahora
esta probabilidad es m ayor que 1% , se tom a com o prim er percentil el valor de la
calificacin B y el credit V aR en este caso es de 9.45.e
A continuacin se muestra el histograma de frecuencias de la distribucin de
prdidas y/o ganancias del bono BBB:
E l credl Vgft
190
Histogram a de frecuencias del precio forward de un bono BBB
10.3
Metodologa propuesta por Credit Suisse

denominada Credit Risk Plus
El modelo propuesto por Creditmeirics est basado en los cambios probables de

las calificaciones de la contraparte y en consecuencia en la determinacin de un
valor en riesgo de crdito. El modelo propuesto por Credit Suisse Financial Products
(CSFP) en 1997 considera nicam ente dos estados de la naturaleza: incumpli
miento y n o incumplimiento, y su propsito es determ inar las prdidas esperadas y
no esperadas en lugar de determinar un VaR especfico. sta es la razn por la que
se dice que Creditmelrics es un modelo de Mark-to-Marhet y Credit Risk Plus es un
modelo de probabilidad de incumplimiento.
Otra diferencia importante con respecto al m odelo de Creditmefrics es que la
probabilidad de incumplimiento en un periodo especfico es discreta, mientras que
en el m odelo de Credit Risk Plus, la probabilidad de default es una variable continua
con una distribucin de probabilidad.
Adem s de determ inar la probabilidad de incumplimiento, Credit Risk Plus
permite establecer la severidad de la prdida. Este modelo asume que las proba
bilidades de incum plimiento se com portan de acuerdo con una distribucin de
Poisson.
Metodologa propuesta p o r CrBit S uisse denom inada Credit B is k Plus
1 91
La distribucin de Poisson es aquella en que la distribucin de probabilidad est

dada por:
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 =
Veamos un ejemplo: basados en datos histricos, el promedio de crditos in

cumplidos en una cartera de prstamos es de 3% (tres crditos en cartera vencida
por cada 100). Se desea saber la probabilidad de que en dicho portafolios se presen
te un incumpiimiento:
p ( U ) = ( M 1 8 2 ^ W = 0 ,493 = i4 93%
La probabilidad de que se presenten tres incumplimientos es:
p (3.3) = (2-718283; ^ 3L = 0.2240 = 22.4O%
La probabilidad de que se presenten seis incumplimientos es:
p(6,3) = L ^ lg g 8 )^ (3 )U o .0 5 0 4 = 5.04%
6!
La probabilidad de que no se presenten incumplimientos es:
p(6 ,3 ) = (.l- 7 t 82 _8 ) ~ M 3> = o 0497% = 4.97%

y
0!
192
E l credil VaR
De tal suerte que la probabilidad de que se presenten varios incumplimientos en

la cartera de este ejemplo, se calcula en el siguiente cuadro. Asimismo, se grafic la
curva de distribucin de probabilidades de dichos incumplimientos.
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
De aqu se desprende que en la metodologa de Credil Plus tambin es posible

determinar un credit VaR y una prdida esperada.
Si el promedio en el monto de crditos en el portafolios del ejemplo que nos
ocupa es de 520,000 por crdito y se espera (de acuerdo con datos histricos) que el
3% de los crditos incumpla, entonces la prdida esperada ser de $60,000 (es decir,
Com paracin entre los tros m odelos
193
x $20,000), y la prdida no esperada o credit VaR ser lo que resulte de obtener

un nivel de confianza del 99%. Obsrvese que este nivel de confianza se presenta
para cuando ocho crditos incumplen en el portafolios, en cuyo caso la prdida no
esperada es de $160,000 (8 x 520,000). A continuacin se muestra grficamente:
10.4
Com paracin entre los tres m odelos
En febrero de! 2000, la Asociacin de Swaps y Derivados (ISDA) y el Instituto

fncemacioital de Finanzas (IIF) publicaron los resultados d e un estudio que muestra
las comparaciones entre los tres modelos de riesgo de crdito mencionados CKMV,
Crcditmetrics y Credit Rtek Plus), implementados por 25 bancos comerciales en 10
pases. Las conclusiones ms importantes del estudio son las siguientes:
1.
2.
Los modelos arrojan resultados consistentes entre si cuando se tienen da

tos de entrada similares. De hecho, con datos de entrada iguales, los resul
tados entre las tres metodologas son casi idnticos.
Las diferencias en los resultados se deben a los datos de entrada con distin
tas frecuencias, correlaciones, mtodos de valuacin, spreads , tasas de des
cuento y tratamiento de flujos de efectivo.
Con el propsito de comparar los resultados, el grupo de expertos de F/ISDA

consideraron dos portafolios: uno pequeo con valor de mercado d e USD 12,540
millones que considera 588 crditos y uno grande de USD 20,173 millones que
considera 2,352 crditos. La tasa de recuperacin de garantas (recoverv rat) fue
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.
La referencia bibliogrfica de las publicaciones de KM V est en Internet, en la

direccin www.km v.com.
A este mpdelo tambin se le conoce como M odelo de Merton (1974), que a su
vez parte del principio contable que dice que una empresa est en quiebra cuan
do el valor de sus pasivos excede al de sus activos.
Notas
3.
4.
5.
6.
7.
195
La volatilidad de las acciones de la firma a puede calcularse mediante la serie de

tiempo de precios de la accin o inclusive mediante la volatilidad implcita si se
cotiza en el mercado el contrato de opcin sobre esa accin en particular.
Ver el documento tcnico de Credmetrics de JP Morgan del 2 de abril de
1997. En 1998 el grupo que desarroll Riskmetrics y Creditmeirics form una
sola empresa denominada Riskmetrics Group.
Creditmeirics incorpora en su modelo dos importantes efectos; granularidad y
concentracin del portafolios. Granularidad se refiere al grado de homogenei
dad en el tamao de las posiciones, es decir, la medida en que el tamao de
alguna posicin difiere del tamao de las dems. El efecto de concentracin es
la proporcin de posiciones en un mismo sector industrial o regin geogrfica
dentro del portafolios.
El VaR con el 95% de nivel de confianza es aproximadamente el que corres
ponde a 6.77%, es decir, V aR (5.3% + 1.17% + 0.12% + 0.18%).
El trmino 3! significa 3 x 2 x 1 = 6 , y 0! se define como uno.
C A P T U L O 11
Medidas de
desempeo
ajustadas por
riesgo
Un aspecto fundamental para la alta direccin en las instituciones es la manera en

que se puede m edir el desempeo de los portafolios. Tradicionalmente estas
medidas estaban basadas en el rendimiento que daban dichos portafolios, pero,
como se ha sealado, el riesgo cuenta en igualdad de importancia. Por tanto, en
este capitulo se presentan algunas medidas de rendimiento ajustadas por riesgo.
197
M edidas de desem peo

ajustadas por riesgo
onsidere dos portafolios de activos: A y B. El portafolios A gener 10 millones

de pesos de utilidad en un ano y el B 12 millones de pesos en el mismo lapso.
Cul de los dos tuvo m ejor desempeo? La respuesta inicial sera que e) portafolios
B super al A. en virtud de que slo se conoce el dato de las utilidades. Pero el
manejo de portafolios de inversin, como ya se seal en captulos anteriores, est
relacionado con el rendim iento y el riesgo, por tanto, es necesario m edir el riesgo
y relacionarlo con el rendimiento.
Suponga que el portafolios A tuvo un VaR anualizado de 50 millones de pesos
durante el mes, y el portafolios B registr un VaR anual de 120 millones de pesos.
La relacin de utilidades/VaR sera la siguiente:
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
M edidas d e de se m pe o ajustadas por riesgo
11.1
Indicador de Sharpe
El indicador de Sharpe es muy til para evaluar e] desempeo de un portafolios y

compararlo con otros. Este indicador mide el rendim iento del portafolios en exceso
de la tasa libre de riesgo, en relacin con la volatilidad mostrada por dicho portafolios:
Sharpe = ~ >~ r '

<7,
Donde:
R = rendimiento registrado por el portafolios.

rf = tasa libre de riesgo (Cetes a 28 dias como referencia).
Cp * volatilidad observada del rendimiento del portafolios en el mismo periodo.
El rendimiento del portafolios debe ser calculado despus de costos por unidad
de negocio.
Uno de los problemas que se presentan en la aplicacin del indicador de Sharpe
es que se requiere conocer el monto del capital originalmente invertido, a efecto de
medir el rendim iento del portafolios. Por tanto, este indicador debe usarse nica
mente cuando es claro el capital que se utiliz en la inversin del portafolios. Para
una operacin es posible calcular el capital utilizado mediante el capital regulatorio
que se establece por las autoridades financieras.
El indicador de Sharpe puede utilizarse para evaluar el desempeo de portafo
lios sobre una base histrica en un periodo especfico. Por ejemplo, se podra calcu
lar el indicador de Sharpe de m anera mensual en los ltim os cinco aos. Este
anlisis perm itira contestar las siguientes preguntas: el negocio est tomando
sistemticamente ms riesgo?; los rendimientos del portafolios estn alineados con
los riesgos que se han estado tomando?
11.2
Indicador de Treyno r
El indicador de Treynor es similar al de Sharpe. pero en lugar de utilizar la volatilidad

como medida de riesgo, utiliza la beta (riesgo sistemtico):
Donde:
Rf = rendimiento registrado por el portafolios.

r = tasa libre de riesgo (Cetes a 28 das como referencia).
= relacin del rendimiento del portafolios en relacin con el mercado.
Rendim iento sobre capital e n riesgo
11.3
201
Rendimiento sobre capital en riesgo
Una medida de desempeo ajustada por riesgo es el llamado rendimiento sobre

capital en riesgo. (Tambin se le conoce com o RAROC: Risk Adjusted Return on
Capital.) El modelo para este indicador es el siguiente:
CaR
Donde:
LW = utilidad neta.
E(P) prdida esperada p o r riesgo de crdito.

CaR (Capital at Risk) = capital en riesgo = VaR + prdidas inesperadas de crdito +monto por riesgo operacional. Tam bin puede considerarse com o el capital re*
gulatorio.
Utilidad neta: es el indicador ms sencillo de obtener en el modelo del RAROC.

Simplemente se refiere a la utilidad del negocio menos los costos directos e indirec
tos relacionados con el mismo.
Prdida esperada por riesgo de crdito: la cuantificacin del riesgo de crdito es
bastante compleja, como se vio en el capitulo anterior, ya que se requiere conocer la
probabilidad de incumplimiento de la contraparte en una transaccin, Esta prdida
esperada estar dada por la siguiente ecuacin:
t?
Donde:
E(P) = prdida esperada p o r riesgo de crdito.

Ep = exposicin total de riesgo de crdito en una transaccin en el periodo p.
Pp = probabilidad de incumplimiento de la contraparte en una transaccin en el
periodo p.
R f = porcentaje esperado de recuperacin del crdito en funcin de las garan
tas.
A/ = nmero de periodos en la prdida esperada por riesgo de crdito calcula
da (por ejemplo, en un swap de tres aos con pagos semestrales, M seria
igual a 6 ).
202
M edidas d e d e se m p e o ajustadas por riesgo
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
Uno de los ms importantes retos que enfrenta el sector financiero en la primera

dcada del nuevo milenio, es el relativo a la identificacin, medicin y control del
riesgo operativo. El desarrollo de modelos para m edir esta naturaleza de riesgo es
incipiente en virtud de la falta de informacin y de datos histricos con respecto
a prdidas derivadas de personas, sistemas, factores externos, como la falta de
aplicacin correcta o mala interpretacin a la regulacin, etctera.
El grupo de trabajo del Comit de Baslca ha propuesto que en el ano 2004 podr
implementar modelos de medicin de riesgos operativos similares a los que ya se
encuentran en riesgos de mercado y de crdito. De ahi su importancia crucial.
203
El riesgo operativo
12.1
Definicin de riesgo operativo
n los aos recientes, los participantes del sector financiero (principalmente re

guladores e instituciones bancarias), han reconocido ia importancia de riesgo
operativo y la necesidad de incorporar este riesgo en el perfil de riesgo global de las
instituciones financieras.
Los desarrollos tecnolgicos relacionados con la automatizacin de algunos
procesos, el crecim iento d e los servicios bancarios a travs de la internet (ecommerce), los procesos de fusiones y adquisiciones que implican la integracin de
sistemas, la tendencia mundial en el outsourcing, sugieren que las prdidas por ries
gos operativos pueden ser cada vez ms frecuentes y sustanciales.
En el mes de septiembre de 2001, el grupo de trabajo del Comit de Basilea del
Banco Internacional de Pagos (BIS) revis la definicin de riesgo operativo que se
haba propuesto desde 1999, para quedar como sigue: Riesgo operativo es la prdi
da potencial que resulta de fallas en los procesos internos, personas y sistemas, as
como de eventos externos.
Es decir, que el riesgo operativo se refiere a las prdidas que pueden causar cua
tro factores: personas, procesos, sistemas y factores extemos. Es importante aclarar
que el grupo del Comit de Basilea incluy el riesgo legal en el riesgo operativo.
El administrador de riesgos debe tener muy claro qu es un riesgo de mercado
o de crdito y cundo clasificar un riesgo operativo, aunque se trate de una opera
cin de mercado o de crdito.
A manera de ejemplo, consideremos a un cliente de alguna institucin bancaria
que incumple en sus compromisos crediticios; la prdida se refiere a riesgo de cr
dito, como se analiz en el capitulo nueve. Sin embargo, si el cliente incumple
porque en el proceso de anlisis de crdito no se debi haber aprobado la operacin.
205
0 nesgo operativo
206
en virtud de no haberse seguido Jos lincamientos establecidos por la institucin,

entonces se trata claramente de un riesgo operativo y no de crdito.
12.2
Clasificacin de riesgos operativos
Podramos clasificar el riesgo operativo en dos grandes vertientes: aqul que se

refiere a las prdidas potenciales derivadas de fallas internas en el negocio y el
que se refiere a prdidas por factores extem os a la organizacin. A continuacin se
propone la siguiente clasificacin:
1. Riesgos de fallas internas en el negocio:
Recursos humanos (personas): -
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.
Identificacin cualitativa de rie sgo s operativos
Para lograr una adecuada identificacin de riesgos operativos, es necesario seguir

los siguientes pasos:
o)
b)
c)
Identificar cada uno de los procesos en la organizacin. Un proceso se

entiende como aqul que comprende una secuencia de tareas repetitivas o
recurrentes en las cuales puede presentarse u n riesgo operativo.
Detallar las actividades especificas que se desarrollan en cada uno de los
procesos identificados.
identificar los riesgos operativos que se pueden presentar en cada etapa.
Identificacin cualitativa d e riesgos operativos
d)
207
Identificar los controles que existen (o deberan existir) para reducir o eli
minar los riesgos operativos detectados.
A continuacin se m uestra un ejemplo de identificacin y control cualitativo de

riesgos operativos. Se trata d e un proceso de renuncia o baja voluntada de algn
empleado en una empresa:
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
El hecho de no tener identificados los riesgos en este proceso de baja voluntaria

de algn empicado, podra causar algunas prdidas a la empresa. Por ejemplo, si el
empleado tenia poderes legales de la empresa y no se cancelaron, podra hacer mal
uso de los mismos, o si Recursos Humanos no da de baja al empleado oportuna
mente, ste podra seguir cobrando su sueldo p o r un periodo aun cuando ya no
labore en la empresa.
Cabe sealar que el anterior ejem plo puede ser aplicado a las reas de la
organizacin que tienen riesgo operativo, tales com o Tesorera, Operaciones, Sis
temas, etctera.
12.4
M edicin cuantitativa de riesgos operativos
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)
Distribuciones empricas: utilizan la distribucin de frecuencias con base

en datos histricos reales. Se asemeja al m todo de simulacin histrica
descrito en el captulo 4, es decir, no requiere asumir algn tipo de distri
bucin de probabilidad especfica.
Distribuciones paramtricas: utilizan una distribucin de probabilidad ya
establecida, tales como la distribucin exponencial, de Poisson, Beta,
binomial o de Weibull, las cuales contienen fuertes supuestos matemticos
en el comportamiento de los factores de riesgo. Estas distribuciones deben
ser consideradas si los datos se aproximan a alguna de estas distribuciones,
y, sobre todo, la experiencia debe sugerir ta aplicacin de alguna de ellas,
de acuerdo con el problema especifico de que se trate.
En genera! se requieren cuatro pasos para seleccionar y parametrizar una distri

bucin de probabilidad:
1.
2.
Construir un histograma de frecuencia de los eventos o impactos que se

han registrado en un proceso.
Identificar las distribuciones de probabilidad que son candidatas a aplicar
se, de acuerdo con la forma que tenga el histogram a de frecuencias.
Medicin cuantitativa d e riesgos operativos
i.
4.
209
Estimar los parmetros de la distribucin.

Aplicar alguna prueba estadstica de bondad de ajuste (goodness-of-fit).
En materia de riesgo operativo, existe la tendencia de que se sufra una gran

cantidad de pequeas prdidas registradas, en lugar de un nmero pequeo de pr
didas importantes, por lo que las distribuciones exponencial y de Weibull son las
ms comunes a utilizar. A continuacin se detallan ambas distribuciones'de proba
bilidad:
Disribucin exponencial:
Mx) = Xe-)j,
donde x > 0 y X. > 0

1
varianza:
En este caso tenemos un parmetro X, que es la tasa constante de fallas en un

proceso durante un intervalo de tiempo determinado.
Distribucin de Weibull:
E l riesgo operativo
210
l A l )
media: 7 T1
vananza: a
Probabilidad
La distribucin de Weibull es muy comn cuando la tasa de fallas en el proceso

no es constante en un intervalo de tiempo. El parm etro p de la distribucin tiene
efectos en la forma de la curva de distribucin de probabilidad; de hecbo, la distri
bucin de WeibuJ] se convierte en la distribucin exponencial cuando P = 1, y tiene
una form a similar a la normal cuando P = 3.25.
Bibliografa
1. Alexander, Carol. Thehandbookofriskmanagementandanalysis. Wiley, 1996.

2. Altman, Edward. Corporate fim ncial distress and bankruptcv, 2 ed. Wiley,
1993.
3. Bankers Trust Co. RAROC. Nueva York, 1994.
4. Baroni-Adesi G. y Waley R, Efficient analyfic approximation o f American Option Vales. Journal o f Finance, vol. 42, no. 2, 1987.
5. Beaver, W illiam y George Parker. Risk mamgement, problems & Solutions.
McGraw-Hill, 1995,
6 . Best, Philip. Itnplementng valu at risk. W iley & Sons, 1998.
7. Benninga, Simn. Financial modeling. 2 ed. M IT Press, 2000.
8 . Bera, Anil y Matthew Higgings, A survey ofA R C H models: Properties. estimation and testing. Journal o f Economics Surveys, vol. 7, no. 4, 1993.
9. Berstein, Peter. Against the gods. A remarkable story o f risk, 1998.
10. Bessis, Joel. Risk management in banking. Wiley, 1998.
11. Bhattacharyya, Gouri y Richard Johnson. Statisticai concepts and methods.
Wiley, 2000.
12. Black, Fisher y Myron Scholes. Thepricing o f options and corporate liabilities.
Journal o f Political Economy, vol. 81, 1973.
13. Bollerslev, T. Generalizedautoregresiveeonditional heteroskedastkity. Journal
o f Econometrics, vol. 31 (3), pp. 307-328, 1986.
14. Boyle, Phelim P. Options: A Monte Cario approach. Journal o f Financial
Economics 4, pp. 323-338, 1977.
15. Butler, Cormac. Mastering valu at risk: A step-by-step guide to understanding
and applying VaR. FT Pitman Publshing, 1999.
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
43. JP Morgan and Company. Creditmetrics - documento tcnico. Nueva York: JP

Morgan, 1997.
44. Jarque, Carlos y Ail Bera. A testfo r normatity ofobservations and regression
residuals. International Statisticai Review, pp. 163-172, 1987.
45. Jorion, Philippe. Valu at risk: The netv benchmarh fo r controlling market risk.
Irwin, 1997.
46. Jorion, Philippe. Tredicting volatility in the fort'ign exchange market. Journal
o f Finance, vol. L, no. 2. pp. 507-528, 1995.
47. Jorion, Philippe. Risk: Measuring the risk in valu at risk. Financial Analyst
Journal, nov.-dic.. pp. 47-56, 1996.
48. Kopprasch, Robert. Reporting and monitorng risk exposure. Risk Management.
ICFA Continuing Education. AIMR. 1995.
49. Kupiec, P. Techniques fo r verififyng the accuracy o f risk measurement models.
Journal o f Derivatives 2, pp. 73-84,1995.
50. Maddaia G, S. Introduccin a la econometria. 2a ed. Prentice Hall, 1996.
51. Marshail, Christopher. Measuring and Managing Operational Risks. Wiley,
2001.
52. Miller, Mcrton. Financial innovalions & market volatility. Blackwell, 1993.
53. Miller, Merton. Merln Miller on derivatives. Wiley, 1997.
54. Pyndick, R. y D. Rubinfeld. Econometric models < economic forecasts. 3a ed.
McGraw-Hill, 1991.
55. Reddy, Michael. Secundes operations. New York Institute o f Finance. 1995.
56. Reilly, Frank. nvestmentanalysLs and portfolio management. 4a ed. The Dryden
Press, 1994.
57. Snchez Cern, Carlos. Valoren riesgo y sus aproximaciones. Valuacin, An
lisis y Riesgo, S.C, 2001.
58. Saunders Anthony y Linda Alien. Credit Risk Measurement. 2a ed. Wiley, 2002.
59. Sharp, F. The Sharpe ratio. The Journal o f Portfolio Management, vol. 21. no 1,
pp. 49-58, 1994.
60. Siegel, Daniel y Diane Siegel. Fulares markets. The Dryden Press, 1990.
61. Solnik, Bruno. International investmems. 3a ed. Addison Wesley. Special edition
forC FA Candidates, 1996.
62. Treynor J. y B. Fisher. How lo usesecurity analysis to improveportfolio selection.
Journal o f Business, pp. 66-85, 1973.
63. Valentine, Jerom e y Edm und Mennls. Quantitalive techniques fo r financiai
analysis. Edicin revisada. The Institute o f Chartered Financial Analyst, 1980.
64. Zipf, Robert. How the batid markets works. New York Institute o f Finance. 2 ed 1997.
Tabla de reas de la curva

norm al estndar
*(.') = flZSx)
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 <)
reas de la curva normal estndar (continuacin)

;
0.0
0.1
0.2
0.3
0.4
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
ndice tem tico
Contratos de forvsards y futuros, 106

Contratos de opciones, 116
Convexidad, 84-86
Correlacin, coeficiente de, 35
Covarianza, 15, 34
Cox-Rubinstein, modelo de, 126, 180
Creditmeirics, 19. 168-169, 183-184,
187. 190, 193-195
Credit Risk Plus, 173, 190, 193-194
Activo subyacente, 103-104

Altman, modelo de, 169-171
ASIGNA, 105
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
Distribucin de Poisson, 190-191

Distribucin de Weibuil. 208-210
Distribucin exponencial. 208-210
Distribucin normal, 29-34, 189
Distribucin normal estandarizada, 38-39
Duracin, 82-84
de Macaulay, 83, 85
modificada, 83, 98
CAPM {Capital Asset Pricing Model),
Economtricos, modelos, 168
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
Mark-to-Markeu 21, 155, 190

Markowitz, Harry, 15, 62, 72
Matrices, 62. 64-65
Mre, Chevaiier de, 14
MEXDER, 105, 109
Modelo Montecario, 141-150
M odelos Arch y Garch, 53-55
M odelos Probit o Logit, 171-172
Moivre, Abraham de, 14, 29
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
Opciones de compra (cali option),

116
Opciones de tasas de inters, 121
Opciones de venta (put option), 116
P
Paridad put-call, 121
Pascal, Blas, 14,15
Premio por riesgo de contraparte,
180
Procesos autorTegresivos, 50-52
Productos derivados, 103-106
Promedios mviles, 52
R
KMV, 168, 175, 180-181, 193-194

ICupiec. 156
Kurtosis, 30, 33. 34, 70. 153,183, 189
L
L a m b d a ,4 9 ,123, 157
Laplace, Pierre, 29
Leeson, Nick, 21
Random, 67, 143

RAPM (Risk Adjusted
Performance Measuremeni), 199
RAROC (Risk Adjusted Relurn on
Capital), 201
Rendim iento, 27-28, 36, 38-39, 78-80,
143, 165, 178, 197, 199, 201
Reporto, 81-82, 89, 93
Riesgo de crdito, 16, 201-203, 205
Riesgo de liquidez, 16, 77
Indice temtico
219
Riesgo de mercado, 16, 91, 105-106,

110, 202, 203, 205
Riesgo de repotacin, 17
Riesgo legal, 17, 205
Riesgo operativo, 17, 202-203, 205210
Riskmetrics, 1 5 ,2 3 ,4 7 , 60, 72, 89, 92,
183, 195
RMSE (Root Mean Squared Error), 49
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
U EDtGlCN, CWTOSIGlOH, DISEO E iMPRSttN SE ESTA W FUERON 0CFUUDO6

BAJO LA s u p b w s B h oe G R U P O M O R IEGA E D ITO R E S
Ba u x r a s 95. C ol. C entro . Mxico, D .F . C.P. 06040
12581000QQ1Q87050P9200IE
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.
Medicin y control de riesgos financieros e s un e s fu e rzo

para difundir los prin cipa le s c o n ce p to s en la m e d ici n d e
riesgos d e sd e un punto de vista pragm tico, d e tal suerte
que las m etodologas p u e d a n ser entendidas por ejecutivos
y estudiantes n o expertos en la materia.
Este libro tiene las siguientes caractersticas:
- Explicaciones accesibles, tanto d e los instrum entos finan
cieros, c m o d e las m e to d o lo g a s de m edicin y control
de riesgos.
- Ejem plos num ricos y aplicaciones en la m edicin d e ries
gos que facilitan la c o m pre n si n d e los tem as.
- n fa sis en el co n ce p to c o n o cid o c o m o V alor en R iesgo
(V a R ), que se ha convertido hoy en d ia e n m odelo q u e es
n o rm a en la industria, es decir, e n p a radigm a.
El Valor en R ie sgo (V a R ) es u n a herram ienta esencial para
cualquier adm inistrador d e riesgos. Probablem ente su forta
leza consiste en q u e su alcance cubre a cualquier instrumento
o portafolios, d e s d e lo m s sim ple hasta lo m s com plejo.
El V a R re sum e en un solo n m ero ei c o n ju n to d e c o rre la
ciones, volatilidad y factores de riesgo q u e s e e ncuentran
en una posicin de riesgo.
S e explican otras herram ientas que son indispensables para
u n a efectiva adm inistracin d e riesgo co n visin integral,
tales c o m o pruebas d e stress, de b a ck testing, indicadores
de de se m p e o , entre otros.
Medicin y control de riesgos financieros es un libro introduc

torio q u e p rovee los co n ce p to s b sico s d e u n a ra m a d e las
finanzas, pero tam bin sirve c o m o libro de consulta y refe
rencia p a ra aquellos interesados e n este c a m p o .
AflEA: CGHTXeUOAO /FINANZAS

ISBN
9 7 -3 l-l-6 4 4 4 -6
9789681864446
739 81 8 64 44 6
EDITORES
[email protected]
www,norega.com.mx

Medición y Control de Riesgos Financieros, 3ra Edición - Alfonso de Lara Haro

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Medición y Control de Riesgos Financieros, 3ra Edición - Alfonso de Lara Haro

Cargado por

Copyright:

Formatos disponibles

O bras afines:

Tcnicas de valuacin Individual.

Alfonso de Lara Haro

De Lara. - 3a. ed. - M x ic o : Umuaa, 2008.

Deway: 658.155 ] 22 / L3l8m

MEDICINY CONTROL DE RIESGOS

0 2 0 0 8 . EDITORIAL LIMUSA, SA. d e C.V.

L os lectores objetivo de este libro son:

Estudiantes de finanzas a nivel de licenciatura y maestra.

Esta tercera edicin contiene las siguientes adiciones y mejoras:

Un nuevo capitulo relativo al riesgo de crdito, en e que se explican con

de valor mi riesgo p ara un instrum ento de m ercado de dinero y un portafolios de

Prefacio a la tercera edicin

3.3 Volatilidad implcita

4. CONCEPTOS BSICOS DEL

5.10 Valoren riesgo para un

10. ELCRED1T VAR

10.3 Metodologa propuesta por

9.2 Anlisis de crdito en los

Credil Risk P!us

12. EL RIESGO OPERATIVO

TABLA DE REAS DE LA CURVA

La funcin de un ejecutivo es decidir entre alternativas hom ogneas. La

Antecedentes de la adm inistracin de riesgos

L a funcin d e ad m in istracin d e riesgo s

Antecedentes de la adm inistracin d e riesgo s

esttico en uno dinm ico.

L a funcin d e administracin d e riesgos

una poderosa herramienta que involucra informacin de posiciones en riesgo en

Clasificacin de los riesgos financieros

Existen diferentes naturalezas de riesgos, las cuales se pueden clasificar en las si

Se entiende como riesgo de mercado la prdida que puede sufrir un inverl

E l proceso d e administracin d e riesgos

go se presenta en situaciones de crisis, cuando en los mercados hay ni

El proceso de adm inistracin de riesgos

El objetivo de la administracin de riesgos puede expresarse en dos sentidos:

Asegurarse de que una institucin o inversionista no sufra prdidas econ

Lo anterior se logra entendiendo los riesgos que toma la institucin, midiendo

La funcin d e administracin d e riesgos

Docum e nta cin

incum plim iento

0 proceso d e administracin p e riesgos

El siguiente paso en el proceso de la administracin de riesgos se reere a la

A continuacin se muestra un diagrama que describe la fiincin primordial de

L a funcin d e administracin d e riesgos

Las. instituciones financieras son tomadoras de riesgo por naturaleza. En es

Desastres financieros en ausencia de

La posibilidad de contar con ms instrumentos y el acceso a mercados financiertB

ra| Pero la ausencia de tcnicas que midan ei riesgo ha propiciado grandes

Nick Leeson, un operador del mercado de derivados que trabajaba en la

El comn denominador en estos desastres fue la falta de polticas y sistemas

E l pape! de a alta direccin. Definir las polticas y controles asegurndo

i 'cduacin a mercado d e las posiciones de riesgo (marcar a mercado).

L a funcin d e administracin d e riesgos

ponder a la siguiente pregunta: si vendo la posicin hoy, a cunto aseen- J

Bemstein, Peter. Against the Gods. The remarkable story o f rsk

Consulte el docum ento tcnico de Riskmetrics, que se obtiene gratuitamente

Jorion, Phillipe, Valu at Risk, Ed. McGraw-Hil!, capitulo 15.

En el capitulo 4 se profundiza m s en el concepto de vaior en riesgo'*.

im portantes, que tal v e z in clu yan a tod os lo s dems.

Rendim iento y riesgo

n la teora financiera existen dos variables bsicas que es preciso entender y

^ rendimiento de un activo o portafolios es el cambio de valor que registra en un

R endim iento y riesgo

la T r lalllidad 110 Se 5aSa en cons'ccrar observaciones histricas sino en observar