Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 135 vistas

    Demostración VaR-CVaR Normal

    Cargado por

    Camila Arismendy Restrepo
    1) El documento describe la distribución normal y cómo calcular el VaR y CVaR para una variable aleatoria con esta distribución. 2) Explica que el VaR es igual a la media más la desviación estándar multiplicada por el percentil inverso de la función de distribución acumulada. 3) Indica que el CVaR es igual a la media más la desviación estándar dividida entre 1 menos el nivel de confianza, multiplicada por la función de densidad del percentil inverso.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Demostración VaR-CVaR Normal

    Cargado por

    Camila Arismendy Restrepo
    135 vistas3 páginas
    1) El documento describe la distribución normal y cómo calcular el VaR y CVaR para una variable aleatoria con esta distribución. 2) Explica que el VaR es igual a la media más la desviación estándar multiplicada por el percentil inverso de la función de distribución acumulada. 3) Indica que el CVaR es igual a la media más la desviación estándar dividida entre 1 menos el nivel de confianza, multiplicada por la función de densidad del percentil inverso.

    Título original

    Demostración VaR-CVaR normal

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    1) El documento describe la distribución normal y cómo calcular el VaR y CVaR para una variable aleatoria con esta distribución. 2) Explica que el VaR es igual a la media más la desviación estándar multiplicada por el percentil inverso de la función de distribución acumulada. 3) Indica que el CVaR es igual a la media más la desviación estándar dividida entre 1 menos el nivel de confianza, multiplicada por la función de densidad del percentil inverso.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    135 vistas3 páginas

    Demostración VaR-CVaR Normal

    Cargado por

    Camila Arismendy Restrepo
    1) El documento describe la distribución normal y cómo calcular el VaR y CVaR para una variable aleatoria con esta distribución. 2) Explica que el VaR es igual a la media más la desviación estándar multiplicada por el percentil inverso de la función de distribución acumulada. 3) Indica que el CVaR es igual a la media más la desviación estándar dividida entre 1 menos el nivel de confianza, multiplicada por la función de densidad del percentil inverso.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    VaR y CVaR de la distribución normal

    Riesgo de mercado. Universidad de Medellı́n

    Sea la variable aleatoria X con distribución normal con media µ y varianza σ 2 . Esto lo
    denotamos por X ∼ N (µ, σ).
    - Soporte de la variable aleatoria X: R.
    - Parámetros: µ ∈ R, σ > 0.
    - Densidad de probabilidad:

    1 (x−µ)2
    f (x) = √ e− 2σ2 .
    σ 2π
    - Función de distribución de probabilidad:
    Z x (t−µ)2
    1
    F (x) = Pr (X ≤ x) = √ e− 2σ2 dt.
    −∞ σ 2π
    Es claro que para b ≥ 0, la variable aleatoria Y1 = X + b es también normal con igual
    varianza σ 2 y media trasladada desde µ hasta µ + b: Y1 ∼ N (µ + b, σ).
    Por otra parte, para a > 0, si Y2 = aX, entonces
    Z y/a (x/a−µ)2
    1
    Pr (Y2 ≤ y) = Pr (X ≤ y/a) = √ e− 2σ2 dx
    −∞ σ 2π
    y/a [x−(aµ)]2
    Z
    1 −
    2(aσ)2
    = √ e dx,
    −∞ σ 2π
    que corresponde a la función de distribución de una variable normal con media aµ y des-
    viación estándar aσ: Y2 ∼ N (aµ, aσ).
    Por tanto, de acuerdo con los dos resultados anteriores, la variable aleatoria
    1 µ X −µ
    Z= X− = ,
    σ σ σ
    es normal con media 0 = (1/σ)µ − µ/σ y desviación estándar 1 = (1/σ)σ: Z ∼ N (0, 1).
    Es bien sabido que Z es la famosa variable aleatoria normal estándar con densidad φ y
    función de distribución Φ.

    1
    Para la variable aleatoria X ∼ N (µ, σ), calculemos Pr(x1 < X < x2 ). Para el cálculo,
    definimos la variable aleatoria
    X −µ
    Z= .
    σ
    Ası́, cuando X toma el valor x, la variable aleatoria Z toma el valor (x − µ)/σ. En
    consecuencia,
     
    x1 − µ X −µ x2 − µ
    Pr(x1 < X < x2 ) = Pr < <
    σ σ σ
    = Pr (z1 < Z < z2 ) .

    Ası́ que siempre es posible transformar una variable aleatoria normal X ∼ N (µ, σ) a
    Z ∼ N (0, 1) a través de la transformación indicada llamada estandarización.
    Expresemos las funciones de distribución y de densidad en términos de las respectivas
    funciones de la normal estándar:
     
    X −µ x−µ
    F (x) = Pr (X ≤ x) = Pr ≤
    σ σ
       
    x−µ x−µ
    = Pr Z ≤ =Φ .
    σ σ

    Por tanto,
       
    d d x−µ 1 x−µ
    f (x) = F (x) = Φ = φ .
    dx dx σ σ σ

    Y como x = µ + σ z, entonces σ f (µ + σ z) = φ (z), expresión que necesitamos para el


    cálculo del CVaR de la distribución normal.

    VaR de la distribución normal.

    Notación para el valor en riesgo: πp = VaRp (X).


    Por definición, F (πp ) = Pr(X ≤ πp ) = p, 0 ≤ p ≤ 1. Por tanto,
     
    πp − µ πp − µ
    F (πp ) = Φ = p ⇔ Φ−1 (p) = .
    σ σ

    Ası́,

    VaRp (X) = µ + σ Φ−1 (p).

    CVaR de la distribución normal.

    Sabemos que
    Z ∞
    1
    CVaRp (X) = E (X|X > πp ) = x f (x)dx, 0 ≤ p ≤ 1.
    1−p πp

    Podemos escribir la integral anterior como


    Z ∞ Z πp
    x f (x)dx = µ − x f (x)dx.
    πp −∞

    2
    Sea x = µ + σ z. Entonces dx = σ dz, y como vimos, σ f (µ + σ z) = φ (z). Por tanto, la
    integral anterior podemos escribirla como
    πp −µ
    Z ∞ Z
    σ
    x f (x)dx = µ − (µ + σ z) φ(z)dz
    πp −∞
    Z πp −µ Z πp −µ
    σ σ
    =µ−µ φ(z)dz − σ z φ(z)dz
    −∞ −∞
      πp −µ
    πp − µ
    Z
    σ
    = µ − µΦ −σ z φ(z)dz.
    σ −∞

    Por otra parte,


     
    0 d d 1 − z2
    φ (z) = φ(z) = √ e 2
    dz dz 2π
    z − z2
    = − √ e 2 = −zφ(z).
    2π
    En consecuencia,
    πp −µ
    Z ∞ Z
    σ
    −φ0 (z) dz
     
    x f (x)dx = µ − µ p − σ
    πp −∞
    
    πp − µ
    = µ(1 − p) + σ φ
    σ
     −1 
    = µ(1 − p) + σ φ Φ (p) .

    Por último,
    Z ∞
    1 1 
    µ(1 − p) + σ φ Φ−1 (p)
     
    CVaRp (X) = x f (x)dx =
    1−p πp 1−p
    σ
    φ Φ−1 (p) .
     
    =µ+
    1−p

    También podría gustarte