ESTUDIO COMPARATIVO DE METODOLOGAS PARA EL

CLCULO DEL VALOR A RIESGO: APLICACIN AL MERVAL

Eliana Ins Padula

Roberto Daro Bacchini
INTRODUCCIN
El presente trabajo tiene por objetivo evaluar diferentes herramientas
estadsticas para el clculo del Valor a Riesgo (VaR). La investigacin se
centra en analizar la capacidad de prediccin del VaR de uno de los ndices
ms importantes en Argentina, como lo es el MERVAL. Para ello se
considera diferentes mtodos de estimar el comportamiento del mismo.
La idea de evaluar el VAR surge a travs de muchas crticas hechas a
este instrumento sobre su eficiencia. El perodo elegido para la evaluacin
comprende incluye la Crisis Financiera de fines del ao 2008, la cual
representa un perodo en el cual los activos se comportaron de manera
atpica, presentando alta volatilidad.
El trabajo consta de 4 secciones. La primera incluye una breve
explicacin de cmo se calcula el VaR y un anlisis sobre la normalidad de
la distribucin de los rendimientos del ndice MERVAL, para el perodo de
Marzo 2005 hasta Julio 2010 inclusive. Las tres secciones siguientes
evalan diferentes herramientas para el clculo del VaR: RiskMetrics,
GARCH(1,1)-t(d) estandarizada y Extreme Value Theory (EVT). Por ltimo,
habr una conclusin final sobre los resultados de los anlisis.
1. ANLISIS DE NORMALIDAD
1.1. Definicin de VAR
El Valor a Riesgo (VaR) es una medida de riesgo de mercado que mide
la prdida mxima esperada que podra sufrir una cartera de instrumentos
financieros con cotizacin habitual, en condiciones normales de mercado,
en un intervalo de tiempo y con un cierto nivel de probabilidad o de
confianza (Jorion, 2001).
Bsicamente, el VaR contesta la siguiente pregunta: Cul es la prdida
de dinero que se puede esperar que se exceda slo el p% de las veces en

los prximos K das de transacciones? El VaR est definido implcitamente

por la probabilidad de que suceda una prdida an mayor:
(1)

Pr($Prdida $VAR)

(2)

$Prdida

VPF * RPF

donde VPF es el valor de mercado actual del portafolio y

RPF el

rendimiento del mismo en el perodo considerado. Sustituyendo (2) en (1):

(3)

Pr( VPF * RPF

$VAR )

Dividiendo ambos miembros por VPF:

(4)

Pr(RPF

$VAR / VPF )

Definiendo el VaR en trminos porcentuales como:

(5)

VAR

$VAR / VPF

entonces,
(6)

Pr(RPPF

VAR )

De esta manera el VaR queda expresado como una porcin del

portafolio (Christoffersen, 2003).
Por ejemplo, si llamamos VaRt

.01
1

al VaR que slo puede ser excedido el

1% de las veces para el rendimiento del prximo da y nos encontramos

en condiciones normales de mercado donde RPPF se distribuye como una
normal con media 0 y desvo 3%, entonces:

Pr(RPPF ,t

VAR t.011 )

Pr(RPPF ,t 1 /

PF ,t 1

( VAR t.011 /

PF ,t 1

.01
VAR t.011 /

PF ,t 1

.01

.01

donde
(*) es la funcin de distribucin de una variable normal
estndar. Despejando de la ecuacin anterior se obtiene:

VARt.011 /
VARt.011

1
PF , t 1
PF , t 1

VARt.011

(0.01)

(0.01)

0.03 * ( 2.33)

0.0699
La interpretacin del VaR aqu es que hay tan slo un 1% de chances
de que la prdida sea mayor al 6,99% del valor del portafolio hoy. Si el
portafolio tiene un valor de mercado de 100 millones, entonces el $VAR
ser 0.0699*$100M=$6,99M.
1.2. Supuesto de normalidad
Uno de los grandes supuestos que subyace en gran parte de la
literatura financiera, a los fines de calcular el VaR, es que los rendimientos
de los activos financieros se distribuyen normalmente. Para testear este
supuesto, se propone tomar los rendimientos diarios del ndice MERVAL
durante un periodo de ms de 5 aos, que incluye el periodo en el que se
produjo la crisis financiera del 2008. Ese lapso de tiempo incluye ms de
1.300 observaciones.
La frecuencia elegida para el anlisis es diaria ya que los activos se
pueden vender rpidamente en buenas condiciones de mercado. La
frecuencia tiene que ser alta cuando los cambios en los precios tienden a
ocurrir en un corto periodo de tiempo. Una frecuencia baja puede no ser
relevante para una posicin lquida, ya que el perfil del riesgo puede
cambiar rpidamente.
Se consideraron los valores de cierre del ndice MERVAL desde Marzo
2005 a Julio 2010. El rendimiento diario fue calculado como (Tsay, 2005):
(7)

Rt

ln( S t 1 ) ln( S t )

donde S t es el precio de cierre del ndice MERVAL en el da t.

En el Grficos 1.a, que muestra la evolucin del valor del ndice, se
puede apreciar una cada abrupta en el segundo semestre de 2008,
llegando a su mnimo el 21/11/2008. En el Grfico 1.b se aprecio que los
rendimientos diarios presentaron cambios abruptos en dicho perodo. Ms
adelante se analizarn estos cambios en el rendimiento.

Mar-05
Apr-05
May-05
Jun-05
Jul-05
Aug-05
Sep-05
Oct-05
Nov-05
Dec-05
Jan-06
Feb-06
Mar-06
Apr-06
May-06
Jun-06
Jul-06
Aug-06
Sep-06
Oct-06
Nov-06
Dec-06
Jan-07
Feb-07
Mar-07
Apr-07
May-07
Jun-07
Jul-07
Aug-07
Sep-07
Oct-07
Nov-07
Dec-07
Jan-08
Feb-08
Mar-08
Apr-08
May-08
Jun-08
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10

Grfico 1.a. Precio de cierre

3000

2500

2000

1500

1000

500

Grfico 1.b. Rentabilidad

0.15

0.1

0.05

-0.05

-0.15

Mar-05
Apr-05
May-05
Jun-05
Jul-05
Aug-05
Sep-05
Oct-05
Nov-05
Dec-05
Jan-06
Feb-06
Mar-06
Apr-06
May-06
Jun-06
Jul-06
Aug-06
Sep-06
Oct-06
Nov-06
Dec-06
Jan-07
Feb-07
Mar-07
Apr-07
May-07
Jun-07
Jul-07
Aug-07
Sep-07
Oct-07
Nov-07
Dec-07
Jan-08
Feb-08
Mar-08
Apr-08
May-08
Jun-08
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10

-0.1

Las medidas descriptivas del rendimiento diario son las siguientes:

Media

-0,0002

Desvo Standard

0,0158

Asimetra

-0,2090

Curtosis

9,7187

La curtosis mayor que 3 indica la posible presencia de una distribucin

con colas pesadas. Esto se puede apreciar en el Grfico 1.c, que muestra
la frecuencia emprica en comparacin a una distribucin normal ajustada
bajo el mtodo de los momentos. Es fundamental que las colas de la
distribucin utilizada sean las que ms se acercan a la realidad, ya que si
el VaR se estima utilizando una distribucin normal, se estara
subestimando la prdida esperada.

El exceso de curtosis y la asimetra positiva nos indican la posibilidad de

que los rendimientos estn lejos de comportarse como una distribucin
normal. Para confirmar dicha hiptesis se procede a realizar el test de
Jarque Bera (Tsay,2005). Bajo la hiptesis nula de que los datos
observados se distribuyen como una normal, el siguiente estadstico sigue
una distribucin chi-cuadrado con 2 grados de libertad:

(8)

JB e

2
As
T
6

K 3
24

2
2
2

s es la asimetra y K la curtosis. Con los datos de

donde A
rendimientos se obtuvo un estadstico de 4.306, por lo que se rechazara la
hiptesis nula y se podra asumir que los retornos diarios no se distribuyen
de manera Normal.
Grfico 1.c. Ajuste distribucin Normal
16%

12%

8%

Frecuencia Emprica

Normal

4%

-12.95%
-12.45%
-11.95%
-11.45%
-10.95%
-10.45%
-9.95%
-9.45%
-8.95%
-8.45%
-7.95%
-7.45%
-6.95%
-6.45%
-5.95%
-5.45%
-4.95%
-4.45%
-3.95%
-3.45%
-2.95%
-2.45%
-1.95%
-1.45%
-0.95%
-0.45%
0.05%
0.55%
1.05%
1.55%
2.05%
2.55%
3.05%
3.55%
4.05%
4.55%
5.05%
5.55%
6.05%
6.55%
7.05%
7.55%
8.05%
8.55%

0%

1.3. Anlisis de la serie de tiempo

Analizando nuevamente el Grfico 1.b, a simple vista se puede
observar que estamos ante la presencia de un proceso no estacionario en
varianza. Se pueden observar momentos de alta volatilidad y momentos
de baja volatilidad, lo cual se conoce en la literatura financiera como
volatility clustering. En particular, hacia finales del ao 2008 se aprecia un
gran incremento en la variabilidad de los retornos.
En primera instancia, se regresa el rendimiento de la serie para evaluar
este fenmeno:

Rt

La constante c es la media del proceso mientras que

es el residuo.

Analizando el cuadrado de la diferencia entre el rendimiento y la constante

se puede analizar la serie de varianzas. Si la funcin de autocorrelacin y
de autocorrelacin parcial de la serie de varianzas presenta un ruido
negro, es un signo de que la varianza es un proceso predecible
(Tagliafichi, 2003).
La heterocedasticidad en la varianza respecto del tiempo puede ser
analizada mediante un modelo ARCH (por las siglas en ingls de
Autoregressive Conditional Heteroskedasticity) (Engle, 1982).
Para testear si se puede implementar un modelo ARCH, se debe testear
la autocorrelacin de los residuos al cuadrado entre el tiempo t y t-k. Es
decir, se testea si la varianza es o no estable en el tiempo
(heterocedasticidad condicional). Para ello, se puede utilizar el test de
Ljung-Box, cuya hiptesis a probar es que todas las funciones de
autocorrelacin para distintos retrasos arrojen el mismo resultado, siendo
la hiptesis falsa cuando alguno o algunos difieran (Tsay, 2005).
Las autocorrelaciones fueron calculadas de la siguiente manera:

( Rt

)( Rt

t k 1

(9)

)2

( Rt
t 1

0 k

T 1

El estadstico Ljung-Box, Q(m), para 100 rezagos, es calculado de la

siguiente forma:
2
i

100

(10) Q(100)

T (T

2)
i 1

que bajo la hiptesis nula sigue una distribucin chi-cuadrado, con

tantos grados de libertad como rezagos se hayan evaluado. En este caso,
el estadstico sigue una distribucin chi-cuadrado con 100 grados de
libertad.
Para la muestra considerada, el estadstico arroj un resultado de
135,32. Teniendo en cuenta que el valor crtico es 2,364 para un grado de
significatividad del 1%, se rechaza la hiptesis nula. Por lo tanto, existe al
menos alguna autocorrelacin que difieren en resultado dando lugar a la
presencia de heterocedasticidad condicional.
En finanzas se suele aplicar un modelo heterocedstico generalizado
para modelar la varianza, GARCH(1,1), el cual brinda uno de los mejores
ajustes (Christoffersen,2003). Este modelo se analizar con profundidad
en la Seccin 3.
De este modo, en base al estudio de la serie de tiempo del MERVAL,
para el perodo de anlisis se pudo observar que las colas de la
distribucin de los rendimientos no siguen una distribucin normal por su
peso en los extremos. A su vez, se procedi a analizar si la serie de tiempo
en anlisis era estacionaria en varianza, ya que los grficos mostraban la
no estacionariedad. Se lleg a la conclusin de que el modelo presenta
efectos ARCH. En los captulos siguientes se analizarn diferentes modelos
para el clculo del VaR, teniendo en cuenta el anlisis hecho en este
primer captulo. El objetivo principal es analizar para diferentes modelos
cun preciso fue el VaR en cuanto a la medicin del riesgo durante la crisis
2008.

2.

RISK METRICS

2.1. Presentacin del modelo

El modelo de varianza de RiskMetrics (tambin conocido como
exponencial suave) se estableci por primera vez en 1989, cuando Sir
Dennis Weatherstone, el nuevo presidente de JP Morgan, pidi un informe
diario que midiera y explicara los riesgos de la empresa. Casi cuatro aos
despus, en 1992, JP Morgan puso en marcha la metodologa RiskMetrics
en el mercado, haciendo que la investigacin de fondo y el anlisis sea de
libre disponibilidad para todos los participantes en el mercado.
El modelo de RisksMetrics pondera la rentabilidad al cuadrado
histrica, de manera que el peso que se le da a la misma, disminuye
exponencialmente a medida que es ms antigua. Dicho modelo, propone
la siguiente frmula para calcular la varianza estimada diaria:
(11)

2
t 1

Rt2 1

Donde
es el rendimiento diario en
y el factor de
decaimiento (decay factor). Separando la suma del cuadrado del
rendimiento para =1, donde
= =1, se obtiene:
(12)

2
t 1

Rt2 1

Rt2

Para

se obtiene:
(13)

2
t

Rt2

Rt2 1

Reemplazando (13) en (12):

(14)

2
t 1

2
t

Rt2

En esta ltima expresin, la varianza estimada para t+1 puede ser vista
como un promedio ponderado entre la varianza estimada y el rendimiento
al cuadrado en t.

RiskMetrics fij = 0,94 para cualquier activo para calcular la varianza

estimada, ya que las estimaciones de fueron bastante similares para los
distintos activos.
2.2. Metodologa de anlisis
Para analizar la varianza estimada se parti en 2 periodos la serie de
tiempo analizada en la Seccin 1. Se tomaron los datos del MERVAL, de
Marzo 2005 a Julio 2009. Con los valores de Marzo 2005 hasta Febrero
2008 inclusive, se realiz la estimacin de la varianza del primer da hbil
de Marzo 2008. Se procedi de la misma manera para los das siguientes,
pero siempre tomando la misma cantidad de datos previos al da en
consideracin. Es decir, para predecir la varianza del segundo da hbil de
Marzo 2008 se consideraron los datos del segundo da hbil de Marzo
2005 hasta el primer da hbil de Marzo 2008, y as sucesivamente. En la
siguiente lnea de tiempo se ilustra la particin de la muestra.
Periodo de Estimacin

Periodo de Prediccin

Marzo/05

Febrero/08

Julio/10

Todo ello se realiza para estimar el VaR diario para el periodo de

prediccin (Marzo 2008 hasta Julio 2010) y realizar la comparacin con la
rentabilidad diaria, y as poder realizar un anlisis de la capacidad de
prediccin del modelo utilizado.
2.3. Anlisis de VaR
La varianza estimada por RiskMetrics toma en consideracin infinitos
valores, por ello la varianza, a los fines prcticos, fue estimada de la
siguiente forma:
(15)

2
t 1

1
T

1
1

Rt2 1

donde T, es la cantidad de datos contenidos en el periodo de

observacin (Anexo 2).

Una vez estimada la varianza, se estima para cada da el Valor a Riesgo

(VaR) utilizando una distribucin normal condicional. Si bien fue probado
que los rendimientos en toda la muestra no tienen un comportamiento
normal, RiskMetrics utiliza esta distribucin para hacer el clculo del VaR,
pero al considerar la heterocedasticidad se captura en cierto modo las
colas pesadas. Se compar ese valor con la rentabilidad diaria (JP Morgan,
1996).
Grfico 2.a. Comparacin VaR RiskMetrics con Retornos
Realizados
15%
Return
VAR 1%
VAR 5%

VAR 10%

10%

5%

0%

-5%

-10%

Grficamente se observa que el VaR calculado por RiskMetrics, tanto

para niveles de significatividad altos como bajos, puede llegar a ser una
buena medida del riesgo (Grfico 2.a). Para confirmar esta afirmacin, se
debe realizar un test sobre la eficiencia del VaR en su capacidad para
predecir que el p% de las veces la prdida observada es mayor que el
VaR. Para ello se procede a realizar un Backtesting.

jul-10

jun-10

abr-10

may-10

feb-10

mar-10

dic-09

ene-10

oct-09

nov-09

sep-09

jul-09

ago-09

jun-09

abr-09

may-09

feb-09

mar-09

dic-08

ene-09

oct-08

nov-08

sep-08

jul-08

ago-08

jun-08

abr-08

may-08

mar-08

-15%

2.4. Backtesting
La medida de riesgo VaR, indica que se espera que el p% de las veces
el rendimiento observado sea menor a -VaR. Para realizar el test, se
construye una variable indicadora
, cuyo valor sea 1, si la rentabilidad
fue menor que el valor a riesgo en t+1 (violacin) y 0 en caso contrario.
Dicha variable sigue una distribucin de
, donde p es la
probabilidad de que la rentabilidad sea peor que el VaR (Christoffersen,
2003).
Lo que se quiere testear es, si la proporcin de veces que el
rendimiento fue peor que el VaR difiere significativamente del nivel de
significatividad, p, para el cual el VaR fue calculado. Para testearlo se
calcula la funcin de verosimilitud de la secuencia de los
para el
perodo de prediccin.
T

(16)

1 It

It

T0

T1

t 1

donde T1 es el nmero de violaciones observado en la muestra, T 0 =

T T1, y
= T1/T. Por lo tanto,
(17)

1 T1 / T

T0

T1 / T

T1

Bajo la hiptesis nula de que = p, obtenemos:

(18)

L p

1 p

T0

T1

Usando un test de ratio de verosimilitud incondicional (unconditional

log-likelihood ratio) se puede testear la hiptesis nula utilizando el
estadstico:

(19) LRUC

2 ln L p / L

que bajo la hiptesis nula se distribuye como una-chi cuadrado con 1

grado de libertad. Los resultados del test para la muestra en consideracin
fueron los siguientes:

Backtest VaR: RiskMetrics

1%
5%
10%

p
T0
T1

LRuc
P-Valor

576
17
0.028668
31.641960
0.00%

555
38
0.064081
2.281807
13.09%

526
67
0.112985
1.070795
30.08%

Para un VaR de 1%, el p-valor ha resultado bajo, pero no ha sucedido

lo mismo con VaR al 5% y al 10%. Por lo tanto, la prediccin ha sido
buena para VaR con niveles de confiabilidad relativamente bajos (90% y
95%), pero no para niveles de confianza altos (99%). Esto es esperable
teniendo en cuenta las colas pesadas observada en los retornos.
3.

GARCH(1,1) DISTRIBUCIN T(D) ESTANDARIZADA

3.1. Presentacin del modelo GARCH(1,1)

El modelo GARCH(1,1) consiste en darle a la varianza el siguiente
comportamiento:
(20)

2
t 1

Rt2

2
t

con
<1. Una de las ventajas de este modelo es que presenta una
varianza a largo plazo definida, a diferencia del modelo de RiskMetrics. Si
se toma esperanza matemtica a (20) se obtiene:

(21)

w/ 1

Por lo tanto, si +
, la varianza de largo plazo no est bien
definida, como sucede en RiskMetrics.
3.2. Distribucin t(d) estandarizada
Una de las propuestas para medir el VAR es utilizar los rendimientos
estandarizados y ajustar a ellos una distribucin, que tome en cuenta las

colas pesadas. Para

(Christoffersen, 2003):
(22)

ft

ello,

se

la

siguiente

d 1 /2

z; d

propone

d /2

d 2

distribucin
d 2
2

z2
d 2

Donde d > 2 son los grados de libertad, z representa los

rendimientos estandarizados y
representa la funcin gamma. Si la
varianza condicionada est estimada, se procede a la estimacin del
parmetro d por el mtodo de los momentos:
(23)
donde

6
2

d 4

es el exceso de curtosis.

Para hacer el clculo del VaR se utiliz la siguiente relacin de la

distribucin t(d) estandarizada con la distribucin t de student:
(24) P zt

t p1 d

d 2

Utilizando esa relacin, el VAR fue calculado de la siguiente forma:

p

(25) VaRT

T p

d 2
d

3.3. Anlisis de VaR

Para realizar la estimacin de los parmetros del modelo (
se estim la varianza asumiendo una distribucin de verosimilitud normal.
Por lo tanto, se maximiza la siguiente funcin (Christoffersen, 2003):
T

(26)

max ln L

max

0,5 ln 2
t 1

sujeto a
siguiente:

ln

2
t

Rt2
2
t

. Donde la funcin verosimilud es la

(27)

2
t
t 1

0,5

1
2

2
t

Rt2
2
t

Para cada da del periodo de prediccin, se re estimaron los parmetros

y con los mismos se dedujo la varianza. Esta varianza se utiliz para
calcular el VaR a travs de la frmula (25). Luego se utiliz la misma
metodologa de anlisis que para RiskMetrics, para comparar el VaR con el
rendimiento observado. En el Grfico 3.a se observa dicho anlisis.
Grfico 3.a. Comparacin VaR GARCH(1,1) con Retornos
Realizados
20%

15%

Rentabilidad
10%
5%
1%

10%

5%

0%

-5%

-10%

-15%

Segn el Grfico 3.a, para VaR con diferentes niveles de

significatividad, el modelo GARCH(1,1) parece haber sido eficiente en su
estimacin. Sin embargo, al igual que en la Seccin 2, para testear esta
hiptesis se debe hacer un Backtesting.

Jul-10

Jun-10

Apr-10

May-10

Jan-10

Feb-10
Mar-10

Dec-09

Oct-09

Nov-09

Sep-09

Jul-09

Aug-09

Jun-09

Apr-09

May-09

Jan-09

Feb-09
Mar-09

Dec-08

Oct-08

Nov-08

Sep-08

Jul-08

Aug-08

Jun-08

Apr-08

May-08

Mar-08

-20%

3.4. Backtesting
Siguiendo la misma metodologa aplicada en la Seccin 2.4, el
backtesting arroj los siguientes resultados:

p
T0
T1

LRuc
P-Valor

Backtest VaR: GARCH(1,1) - t(d)

1%
5%
10%
591
2
0.003373
0.356658
55.04%

534
29
0.051510
0.026763
87.01%

499
45
0.082721
1.906180
16.74%

A comparacin de los resultados del Backtesting para RiskMetrics, el pvalor es mayor. Esto indica que un modelo cuya varianza se comporta
como un proceso GARCH(1,1) y cuya distribucin subyacente es una t(d)
estandarizada sera ms adecuado en el clculo del VaR. Al tener un pvalor relativamente alto, el modelo es confiable para hacer estimaciones
an en momentos de alta volatilidad.
4.

TEORA DE VALORES EXTREMOS (TVE)

4.1. Presentacin del modelo

La Teora de Valores Extremos propone ajustar una distribucin
solamente para los datos extremos, aquellos que superen un
determinado umbral. Los valores a los que se ajustar la distribucin sern
los rendimientos estandarizados, utilizando la varianza estimada por el
modelo GARCH(1,1), ya que en secciones previas se ha comprobado que
el comportamiento de la varianza no es estable. Para aplicar la
metodologa es necesario elegir un valor umbral a partir del cual ajustar
la cola de la distribucin. La probabilidad condicionada a que el
rendimiento super el umbral es:
(28) Fu x

P z u

xz

F x u F u
1 F u

donde u es el valor estandarizado del umbral a partir del cual se

ajusta la distribucin, y z los rendimientos estandarizados.
La principal conclusin de la Teora de Valores Extremos es que se
puede encontrar una funcin (u) tal que:
(29) lim Fu x
u

donde
es una distribucin de Pareto Generalizada (McNeil,
1999). Por lo tanto, cuando u tiende a infinito la distribucin de los
excesos sobre el umbral tiende a dicha distribucin. La distribucin de
Pareto Generalizada est dada por:
1

1
(30)

G;

si

x
x

1 exp
con > 0, x

si

u si

0 u

Para estimar el parmetro

x u

si

0.

existe un estimador llamado Hill

Estimator, que consiste en la siguiente frmula (McNeil, 1999):

(31)

1
Tu

Tu

ln yi / u
i 1

donde Tu es la cantidad de valores que se considera para ajustar una

distribucin a los valores extremos y
cada uno de esos datos, siendo
.
Usando el Hill Estimator, la distribucin de los retornos en exceso del
umbral, F(y), se plantea de la siguiente forma:
1

(32)

F y

T y
1 u
T u

donde T es la cantidad de datos totales con los que contamos.

4.2. Eligiendo el umbral

La decisin de elegir el umbral presenta dificultades. Si se toman muy
pocos datos para estimar la distribucin a la cual se ajustan los valores
extremos, ser muy incierta la estimacin de . Por otro lado, si se toman
muchos datos se corre el riesgo de obtener un estimador del parmetro
sesgado, ya que los datos pueden no ajustarse a una distribucin de
Pareto Generalizada (Huisman et al, 2001).
Ante este problema, se resolvi tomar los datos del periodo Marzo 2005
a Marzo 2008 y con ellos estimar el parmetro a travs del Hill Estimator.
Se opt por tomar el 4%, el 4,5%, el 5%, el 5,5%, el 6% y el 6,5%
ms bajo de los rendimientos histricos para ese perodo. Para cada uno
de ellos se calcul el parmetro y se compar la distribucin ajustada por
EVT con los datos reales. Los resultados son arrojados en el siguiente
grfico:

Grfico 4.a. Eleccin del umbral

1.20

1.00

0.80
F(y)
0,04
0.045
0.050
0.055
0.060
0.065

0.60

0.40

0.20

Retorno estandarizado (z)

F(y) representa la distribucin acumulada real, cuyos valores

acumulan probabilidad a medida que decrecen y los otros trazos son las
distribuciones ajustadas para el 4%, 5%, 5,5%, 6% y 6,5 % de los
rendimientos ms bajos. Se puede observar que para valores negativos
altos la distribucin de Pareto Generalizada se ajusta muy a los datos
estandarizados observados, pero no as para los valores no tan extremos.
Se decidi tomar un umbral que considere el 5% de los rendimientos ms
bajos.
4.3. Anlisis del VaR
Para cada da del periodo de prediccin, se re estimaron los parmetros
y con los mismos se dedujo la varianza. Para calcular el valor a riesgo se
debe considerar la frmula (32), de la cual se deduce:

-6.6837

-6.4587

-6.2337

-6.0087

-5.7837

-5.5587

-5.3337

-5.1087

-4.8837

-4.6587

-4.4337

-4.2087

-3.9837

-3.7587

-3.5337

-3.3087

-3.0837

-2.8587

-2.6337

-2.4087

-2.1837

-1.9587

-1.7337

-1.5087

-1.2837

-1.0587

-0.8337

0.00

(33) F y

1
1 p

p
Tu / T

Utilizando la distribucin calibrada mediante la Teora de Valores

Extremos, el VaR es:
(34)
donde

t 1

VaRtp 1

t 1

F y

1
1 p

es el desvo estndar estimado por el modelo GARCH (1,1)

para el periodo t+1 (Christoffersen, 2003).

En el Grfico 4.b se observa el VaR para diferentes niveles de confianza
en comparacin con los retornos observados. Se puede apreciar que
mediante la Teora de Valores Extremos el VaR es una buena medida de
riesgo de mercado. Sin embargo, nuevamente la comprobacin final de
esta afirmacin debe realizarse mediante un Backtesting

Grfico 4.b. Comparacin VaR TVE con Retornos Realizados

20%
Retorno
VAR 1%

15%

VAR 5%
VAR 10%

10%

5%

0%

-5%

-10%

-15%

4.4. Backtesting
El backtesting realizado al VaR calculado mediante la Teora de Valores
Extremos arroj los siguientes resultados:

p
T0
T1

LRuc
P-Valor

Backtest VaR: T.V.E.

1%
5%
10%
574
9
0.015437
8.186441
0.42%

493
48
0.088725
14.023169
0.02%

456
65
0.124760
3.317096
6.86%

jul-10

jun-10

abr-10

may-10

feb-10
mar-10

dic-09

ene-10

oct-09

nov-09

sep-09

jul-09

ago-09

jun-09

abr-09

may-09

feb-09
mar-09

dic-08

ene-09

oct-08

nov-08

sep-08

jul-08

ago-08

jun-08

abr-08

may-08

mar-08

-20%

De acuerdo a la tabla anterior, se puede concluir que el VaR TVE con

niveles de confianza bajos (1% y 5%) no es preciso en su prediccin, ya
que se obtuvieron p-valores bajos. Si bien sucede lo mismo que sucedi
con RiskMetrics, el modelo de TVE es menos preciso an, ya que para un
VaR al 5% se obtuvo un p-valor relativamente alto (13%) y en este caso
slo un 0,02%. Este resultado es coherente con el valor de , que llega
a ser casi el doble que p.
5.

CONCLUSIN

Una vez finalizado el estudio de las diferentes herramientas para aplicar

el VaR, se ha llegado a la conclusin de que la ms precisa fue el ajuste de
los rendimientos a una distribucin t(d) estandarizada, con una varianza
calibrada mediante un modelo GARCH(1,1), ya que el Backtesting dio pvalores mayores que para el resto de los modelos. Se ha probado que para
el ndice MERVAL, el VaR calculado por este modelo ha resultado ser una
buena medida del riesgo de mercado, an en pocas de alta volatilidad,
como lo fue el periodo la crisis del ao 2008.
Por otro lado, no se puede dejar de considerar que la medida tomada
fue diaria. En pocas financieras inestables podra ocurrir que no se
obtuvieran los mismos resultados tomando una frecuencia menor. Sin
embargo, a los fines del presente anlisis, el modelo GARCH(1,1)-t(d)
estandarizada ha logrado predecir con eficiencia los riesgos a los cuales
est expuesta la cartera. Haciendo hincapi en que se ha evaluado a un
ndice, la variacin de otros activos en el mercado puede no seguir el
mismo comportamiento. Depender en gran medida de la composicin de
cartera la herramienta de medicin a utilizar.
REFERECIAS BIBLIOGRFICAS
Christoffersen, Peter F. (2003): Elements of Financial Risk Management .
Elsevier Science, 2003.
Engle, R. (1982): Autoregressive Conditional Heteroskedasticity with
Estimates of the Variance of U.K. Inflation.
Huisman, R., K. Koedijk, C. Koll and F. Palm (2001): Tail-Index Estimates
in Small Samples.
Jorion (2001): Value At Risk - The New Benchmark For Managing Financial
Risk. McGraw-Hill, 2001.

JP Morgan (1996): RiskMetrics Technical Document.

McNeil, A. (2000): Extreme Value Theory for Risk Managers. Embrechts,
2000.
Tagliafichi, Ricardo A. (2003): La estimacin del VAR de mercado con
modelos Garch y las distribuciones de cola pesada.
Tsay, Ruey (2005): Analysis of Financial Time Series . John Wiley & Sons.
2005