Las opiniones expresadas en este documento son de los autores y no coinciden necesariamente con las
del Banco Central de la Repblica Argentina.
1. Introduccin
El riesgo de tasa de inters (RTI) es el riesgo de que los cambios en la tasa de inters
puedan afectar negativamente a la situacin econmica de una entidad financiera. Los bancos
estn expuestos al RTI siempre que exista un descalce entre el plazo promedio de los activos y el
de los pasivos.
Si los activos tienen en promedio mayores plazos que los pasivos, un aumento en la tasa
de inters tiene el efecto de disminuir los ingresos netos por intereses debido al aumento en el
costo del financiamiento. Si tal aumento en la tasa de inters es permanente, el valor econmico
del banco se ve afectado negativamente ya que disminuye el valor presente de sus ingresos
futuros. A diferencia de lo que ocurre con activos que tienen precios de mercado, el efecto
negativo no queda registrado en el balance de la entidad excepto a travs de la cuenta de
resultados. De tal modo, el efecto pleno del aumento en la tasa de inters slo se va observando a
travs del transcurso del tiempo.
Las entidades financieras tienen diversas maneras de administrar el RTI. Pueden acotar
su exposicin al mismo al determinar los plazos de sus prstamos, las tasas de inters activas, el
carcter fijo o variable de la tasa de inters y en el caso de la tasa de inters variable, la
frecuencia del ajuste de tasa y la eleccin de la tasa de referencia. Tambin pueden determinar su
nivel de capital ptimo teniendo en cuenta el RTI junto con los dems riesgos a los que estn
expuestas. Adems, pueden hacer uso de diversos instrumentos financieros derivados, como pases
de tasa de inters, futuros u opciones, cuando existen tales mercados, para reducir el RTI. No
obstante, como en el caso de otros riesgos, como el crediticio o el de mercado (para activos
mercadeables y lquidos) el RTI presenta un fuerte desafo a la autoridad regulatoria.
El RTI puede ser encarado de maneras diversas por el ente regulador. En primer lugar
puede restringirse la intervencin a los casos extremos de descalce mediante medidas
discrecionales de la agencia de supervisin. En segundo lugar puede imponerse lmites
cuantitativos al descalce. En tercer lugar puede establecerse un (o adaptarse el) requisito de
capital mnimo que sea creciente con la exposicin al RTI. En cualquier caso deber establecerse
una metodologa de medicin del RTI.
A principios de 1993 el Comit de Basilea sobre Supervisin Bancaria emiti un
documento planteando la necesidad de medir el RTI de las entidades financieras. Su enfoque fue
1
Los autores agradecen a George McCandless por la detallada revisin del trabajo y las sugerencias aportadas.
Se decidi dejar de lado la tericamente posible aunque poco frecuente exposicin a la baja de tasa de inters por
parte de bancos con activos de menor duracin que sus pasivos. En el caso de los pasivos (activos) a tasa variable,
se incluye el ( un porcentaje del) flujo de fondos hasta la fecha de ajuste en la tasa, si la tasa de referencia es de
origen domstico. Si la tasa de referencia es de origen externo se incluye todo el flujo de fondos por considerarse
que una parte menor de la volatilidad de tasas domsticas se origina en el exterior, por lo cual el caso se asemeja al
de tasa de inters fija.
El tema haba sido estudiado desde haca varios aos pero no haba llegado a plasmarse en una regulacin.
La duracin de un instrumento es:
D = t =1
n
VP( FFt )
t
VPT
donde VP (FFt ) es FFt / (1 + K)t (o sea, el valor presente del flujo de fondos en el perido t) y VPT es el valor
presente de todo el flujo de fondos del instrumento. La duracin modificada del instrumento es D/ (1 + R/c) donde
R es la TIR del instrumento y c es el nmero de veces que se compone el inters en el ao (c=2 si hay un cupn o
amortizacin cada 6 meses). Se observa que si D es la elasticidad del precio del activo con respecto a la tasa de
inters y c=1, entonces DM es la semielasticidad del precio del activo con respecto a la tasa de inters.
la tasa de inters sobre los depsitos a plazo fijo entre 30 y 59 das, por considerar que stos
constituyen la principal fuente de fondos de las entidades. Como se ver ms abajo, los niveles y
las volatilidades de las series de tasas de los depsitos a plazo fijo difieren significativamente
segn que sean en pesos o en dlares. Por consiguiente, en la norma se calculan por separado los
flujos en pesos y los flujos en dlares.
En este trabajo se hace un anlisis emprico del comportamiento de las series de tasas
de inters de los depsitos a plazo fijo de Argentina con el objeto de encontrar un marco terico
bsico para la determinacin de los parmetros a utilizar en la regulacin.
Se usan series mensuales que abarcan el perodo desde abril 1993 hasta julio de 1998,
hacindose una correccin de los valores extremos de la crisis del Tequila y de la crisis asitica de
fines de 1997. Se comparan las distribuciones de las series de tasas con las distribuciones normal y
lognormal, comprobndose la intuicin de que ninguna de estas distribuciones caracteriza
adecuadamente el comportamiento de las series. Usando el test ADF, no pudo rechazarse la
existencia de una raz unitaria y de autocorrelacin cuando se toman las series en sus niveles. En
cambio, s se rechaza la no-estacionariedad cuando se usan las primeras diferencias. El anlisis de
las series en diferencia muestra que hay autocorrelacin significativa segn el estadstico Q de
Box-Ljung. Adems, en el caso de la serie en pesos tambin se comprob la existencia de
autocorrelacin en la varianza.
Se estiman tanto modelos AR(1) como GARCH(1,1), luego de hacer una resea de las
principales caractersticas de ambos. En el modelo GARCH se incluye un trmino autorregresivo
en la ecuacin correspondiente a la media. Se muestra, adems, cmo puede adaptarse el modelo
VaR simplificado al caso de una varianza condicional que es variable en el tiempo, como sucede
en los modelos de tipo GARCH.
El resultado de las estimaciones economtricas muestra que en todos los casos las
dummies para los valores extremos son muy significativas. En las estimaciones correspondientes
a la tasa en pesos, la variable dependiente rezagada no result significativa. Adems, segn el test
de Jarque-Bera los residuos resultaron normales para los modelos aplicados a las tasas en pesos
pero no as para el caso de las tasas en dlares (la discrepancia con la normal es menor en el
modelo GARCH). Sin embargo, en todos los casos los residuos no tienen autocorrelacin
significativa. Adems, en el caso del modelo GARCH los residuos estandarizados tienen media y
varianza aproximadamente igual a cero y uno, respectivamente, lo que coincide con los supuestos
del modelo. Los valores de log-verosimilitud son algo mayores en el caso de los modelos
GARCH, indicando un mejor ajuste.
Los parmetros de la ecuacin autoregresiva en la varianza condicional del modelo
GARCH indican una elevada persistencia de los shocks. Excepto en perodos de crisis, se
comprueba un buen poder predictivo (a un paso) de los modelos GARCH.
Posteriormente se muestra cmo puede adaptarse el marco terico al uso de un
horizonte temporal mayor a un mes, lo que se complica debido a la posible existencia de un
trmino autoregresivo en la ecuacin para la media del modelo GARCH. Los pasos ms
complicados de la demostracin se incluyen en dos apndices. En base a los parmetros
estimados, se calculan los valores de los parmetros a utilizar en la frmula del VaR (o sea, de la
exigencia de capital por RTI) para el caso de un horizonte de tres meses.
En una ltima seccin se comprueba que existe causalidad de Granger entre algunas
tasas de inters internacionales y las de los depsitos a plazo fijo, desde las primeras a las
segundas. En particular, la tasa de los fondos federales de EE.UU. (equivalente a la tasa
interbancaria domstica) causa en el sentido de Granger a las tasas de depsitos a plazo fijo tanto
en pesos como en dlares. Por ello, se introduce la tasa de fondos federales (rezagada en uno y
dos meses) como variable explicativa en el modelo GARCH. Estas variables resultan muy
significativas en ambas regresiones. La probabilidad de normalidad de los residuos segn el test de
Jarque-Bera aumenta en el caso de la tasa en dlares. Sin embargo, los coeficientes GARCH
pierden significatividad, sobre todo en el caso de la tasa en dlares, lo que torna dudoso el
beneficio de la incorporacin de estas variables.
FFt
(1 + R) t
= VP
D
dR
1+ R
= VP MD dR
donde :
D es la duracin del balance
MD es la duracin modificada (=D/(1+R)) .
Usando el hecho que en tiempo continuo D es la elasticidad del valor presente de un
instrumento financiero con respecto a la tasa de descuento, es decir:
VPt 1 + Rt
= Dt ,
(1 + Rt ) VPt
puede aproximarse esta expresin mediante :
VPt +1 VPt
1 + Rt
= Dt ,
(1 + Rt +1 ) (1 + Rt ) VPt
lo cual es equivalente a:
VPt VPt 1
(1 + Rt ) (1 + Rt 1 )
= Dt 1
1 + Rt 1
VPt 1
o sea :
VP t = VP t1 MD t1 R t
(1).
Supngase en primer lugar que Rt sigue una distribucin N(,2)6. Como Vt-1 y MDt-1
se conocen al momento t, la distribucin condicional de VPt tambin es normal:
VPt ~ N(-VPt-1 MDt-1 , VP2t-1 MD2t-1 2 ) .
El inters principal del presente trabajo se centra en encontrar una metodologa para
evaluar el valor a riesgo (VaR) debido al RTI, o sea, la prdida mxima potencial que se supera
slo en un x% de los casos, donde x es el nivel de tolerancia (o 100-x el nivel de confianza). Si se
considera las distribuciones de Rt y VPt se observa que cuando R es muy alto VP es muy
bajo. Como R se distribuye segn una normal N(,2) , el valor crtico que slo es superado por
R en el (x=) 1% de las veces es (k=) +2,326. Como VP tambin se distribuye normalmente,
estara 2,326 veces la varianza por debajo de su media slo en el 1% de los casos. Este desvo
crtico con respecto a la media es el VaR, o sea :
VaR t = 2, 326 VP t1 MD t1 .
Como indica la intuicin, se comprobar ms abajo que la serie Rt difiere sustancialmente de una normal. El
inters del supuesto en esta seccin es presentar las ideas bsicas del modelo VaR simplificado para luego
adaptarlo a una mejor caracterizacin de la serie.
6
Distribucin de Rt
1%
k = + 2,326
Rt
Distribucin de VPt
1%
VPt
VPt
VaRt
La idea motriz es que el valor esperado de la reduccin en el valor presente a raz de
un aumento en la tasa de inters puede ser tenido en cuenta al establecer las tasas de inters
activas y, por consiguiente, no presenta riesgo. El RTI, en cambio, est generado por la
posibilidad de que la reduccin en el valor presente sea mayor que el valor esperado. Por ello, el
desvo entre la mxima cada que se desea cubrir mediante el requisito de capital y el valor
esperado de esa cada representa el VaR.
Grfico 1
- en % -
16
12
4
1994
1995
DOLARES
1996
1997
1998
PESOS
10
El test de Jarque-Bera compara las distribuciones de las series de tasas de inters con
una distribucin normal. Se observa que en ambas series hay una marcada diferencia con respecto
a la distribucin normal. Tambin se comparan las series de tasas con una distribucin lognormal,
encontrndose que la de dlares difiere significativamente de la misma, mientras que la de pesos
difiere slo al 6%.
Grfico 2
Tasa de los depsitos a plazo fijo en dlares
25
Series: DOLARES
Sample 1993:04 1998:07
Observations 64
20
15
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6.368949
5.944238
11.09000
5.450000
1.137553
2.681177
10.34424
Jarque-Bera
Probability
220.5139
0.000000
0
6
10
11
distribution : Lognormal
Chi Square(2) : 36.16
probability:
0.0000
12
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
8.543098
7.950000
19.38000
6.378359
2.557548
2.601392
10.77956
Jarque-Bera
Probability
233.5748
0.000000
0
6
10
12
14
16
18
distribution : Lognormal
Chi Square(2) : 5.522
probability:
0.0633
11
Como las series no son normales, cabe preguntarse si lo son las primeras diferencias.
Tal es el caso del modelo "random walk":
Rt= Rt-1+ t ,
t~N(0,2)
donde los t no tienen correlacin serial (o sea, t es "ruido blanco")7. Cuando la tasa de inters es
un "random walk", la primera diferencia constituye "ruido blanco". La serie en niveles no tiene
tendencia clara a subir o bajar. Tampoco tiende a volver a un valor medio. Las perturbaciones
(dadas por t ) persisten en el tiempo. Las series que siguen este modelo son no estacionarias y se
suelen denominar integradas de orden uno o I(1). Ntese que en este caso la tasa no est acotada.
El modelo random walk es un caso lmite de un modelo ms general, el autoregresivo
de orden uno (AR(1)), en el cual las perturbaciones producen cambios pero la tasa vuelve
eventualmente a su nivel promedio:
Rt= Rt-1+ t
(0< <1 ) ,
t~N(0,2).
H1: <0 ,
Rt = Rt-1+ t
(i.e.
(2)
Rt = (1+) Rt-1 + t ,
donde t es ruido blanco. Para verificar la significatividad, dado que la distribucin del parmetro
es sesgada hacia los valores negativos, en lugar de realizarse un test t de Student, como sera
habitual en estos casos, se utilizan tablas alternativas obtenidas en base a simulaciones (si el
modelo tuviera incorporada una constante, las tablas a utilizar seran diferentes).
Algo que no tiene en cuenta el test original de Dickey-Fuller es la posibilidad de que
exista autocorrelacin en el trmino del error (t). Si t posee autocorrelacin (por lo cual no es
7
No es imprescindible la normalidad para el ruido blanco. Hendry llama "ruido blanco estricto" a un proceso
estocstico {t } tal que para todo t t tiene media nula y varianza finita y para todo par t, s la covarianza entre t y
s es nula.
12
ruido blanco), entonces los estimadores obtenidos por Mnimos Cuadrados Ordinarios (MCO)
no son eficientes (i.e. de menor varianza). Una solucin es agregar al modelo (2) rezagos de la
variable dependiente para aproximar la autocorrelacin. Se incorpora el nmero de rezagos
necesarios para eliminar la autocorrelacin y a su vez no perder grados de libertad. Este test se
denomina test de Dickey-Fuller Aumentado (ADF) y para verificar la significatividad del
parmetro en este nuevo modelo se utilizan las mismas tablas que en el caso del test comn. El
modelo es:
Rt = Rt-1 + ki=1 Rt-i + t
Los resultados obtenidos para las series de tasas de inters se presentan en el cuadro siguiente:
Tabla 1
Test de Dickey-Fuller Aumentado (2 rezagos)
Hiptesis nula: existencia de una raz unitaria
Series en niveles
Tasa en dlares
Tasa en pesos
Series en niveles (*)
Tasa en dlares
Tasa en pesos
Primera diferencia (*)
Tasa en dlares
Tasa en pesos
(*) Previa correccin de extremos
-2.659
-2.567
-2.592
-2.592
-2.060
-2.270
-2.592
-2.592
-5.387
-6.417
-2.592
-3.170
Los valores extremos ("outliers") que fueron corregidos tienen lugar en marzo y junio
de 1995 y noviembre de 1997 para la tasa en dlares y en marzo, mayo y junio de 1995 y
noviembre de 1997 para la tasa en pesos. La correccin se realiz con MCO y las series que luego
se analizaron son los residuos de esta regresin.
De los resultados del test se puede concluir que si se toma a las series en niveles y se
tiene en cuenta la correccin por extremos no puede rechazarse la no estacionariedad de las series
de tasas de depsitos tanto en dlares como en pesos. En cambio, cuando se hace el test para las
primeras diferencias de las series se rechaza la no estacionariedad. Por ello, lo apropiado es
continuar con el anlisis de las primeras diferencias de las series, las que se observan en el Grfico
3.
13
Grfico 3
Primera diferencia de tasa dep en dlares
0.06
0.04
0.02
0.00
-0.02
-0.04
1994
1995
1996
1997
1998
1995
1996
1997
1998
Al observar los grficos se comprueba que los valores fluctan alrededor de la media,
que es aproximadamente cero (del orden de 10-4). Adems, hay perodos de gran amplitud y otros
donde la misma no es tan grande, lo que lleva a sospechar que la volatilidad no se mantiene
constante. Adems, hay perodos de varios meses en que las curvas permanecen por encima (o
por debajo) de la media, lo que lleva a sospechar de que hay autocorrelacin. Tambin cabe
testear si la varianza presenta autocorrelacin.
Los grficos de las autocorrelaciones muestran que en ambas series existen algunos
rezagos con correlacin significativa, aunque casi todos los valores se encuentran dentro de una
banda de confianza del 95%.
14
Grfico 4
Tabla 2
Estadstico de Box-Ljung
Serie
Q-stat(16
rezag.)
28.656
29.851
Tasa en dlares
Tasa en pesos
15
Probabilidad
0.026
0.019
(3).
Los grficos de las autocorrelaciones muestran que hay menos correlacin significativa
en la tasa en dlares que en la de pesos pues para sta hay varios valores que quedan fuera de la
banda del 95%.
Grfico 5
16
Tabla 3
Estadstico de Box-Ljung
Serie (varianza)
Q-stat(20
rezag.)
10.390
37.032
Tasa en dlares
Tasa en pesos
Probabilidad
0.961
0.012
20
10
Jarque-Bera
Probability
-0.000106
-0.000209
0.030300
-0.023900
0.005492
1.557281
21.27120
901.7853
0.000000
0
-0.02
-0.01
0.00
0.01
0.02
0.03
25
Series: DPESO
Sample 1993:05 1998:07
Observations 63
20
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
15
10
-0.000777
-0.000634
0.077400
-0.047100
0.013755
2.133409
19.72387
5
Jarque-Bera
Probability
0
-0.04
-0.02
0.00
0.02
0.04
17
0.06
0.08
781.9710
0.000000
4. Dos modelos alternativos para las tasas de inters de depsitos a plazo fijo en pesos y dlares
Del anlisis realizado previamente puede inferirse que sera conveniente considerar
modelos en los cuales la volatilidad de la serie a estimar no se mantiene necesariamente constante
a travs del tiempo. Se consideran a continuacin dos tipos de modelos alternativos: (1) el modelo
autoregresivo de orden 1, y (2) el modelo GARCH. En las siguientes exposiciones se utilizar la
variable yt Rt .
A) Modelo Autoregresivo de primer orden ( AR(1)).
t ~ N(0, 2 )
(4)
(5).
0 (1 1t )
(1 1 )
(6).
18
= 2 (1 12t ) /(1 1 )
La primera igualdad es la definicin de la varianza. La segunda igualdad hace uso de
(6). La tercera igualdad usa (5) y el supuesto de que y0= 0. En la cuarta igualdad se tiene en
cuenta que las esperanzas de todos los trminos cruzados de la sumatoria desaparecen por el
supuesto de que los t son independientes en el tiempo. En la ltima igualdad se toma en cuenta
que, para todo i, E[2t-i] es igual a 2 (pues la media de t es cero).
Como tanto la media como la varianza del modelo autoregresivo cambian con t, se
trata de un proceso estocstico no estacionario. Existen dos maneras alternativas de convertir al
proceso en (dbilmente) estacionario :
1) Si se supone que t tiende a infinito, la media (6) y la varianza (7) tienden a
0
1 1
2
,
1 12
N(
0
1 1
2
)
1 12
E[ y t ] =
i
t
V[y t ] = V[ t1
i=0 1 ti ] + V[ 1 y 0 ]
2i
2t
= t1
i=0 1 V[ti ] + 1 V[y 0 ]
= 2
2
2
1 12 t
2t
+
=
1
1 12
1 12 1 12
obtenindose las mismas media y varianza que en 1). En ambos casos, la varianza del error se ve
amplificada por el factor 1/(1-12) para llegar a la varianza de yt.
19
Se ve que la media condicional vara a lo largo del tiempo y depende del ltimo valor
que haya alcanzado la serie y. En cambio, la varianza condicional es constante pero menor que la
varianza incondicional. Como dice Hendry (1995): "Mientras la economa evoluciona, vagando
ampliamente debido a su gran varianza incondicional, la regin en la cual se adentra en el punto
siguiente del tiempo es comparativamente pequea."8
t ~N(0,2t )
En lo anterior se ha venido suponiendo que |1|<1. Est claro que si |1|>1 la serie es explosiva. El caso
intermedio, |1|=1, es de gran inters. Si se toma 1=1 el modelo autoregresivo se convierte en un "random walk".
A partir de (5) se obtiene (si y0=0):
E[yt] = 0 t
V[yt] = 2 t
Ambos momentos aumentan sin lmite con el paso del tiempo. Lo correcto en el caso 1=1 (o sea, cuando hay una
raz unitaria) es diferenciar la serie.
20
t2 = + i =1 i t2 i
q
donde los t son independientes, xt es una constante y/o variables explicativas (aunque puede no
haberlas) y 2t es la varianza condicional de t , dada la informacin de t-1(2t =E[2t /2t-1 ]). Se
observa que la varianza condicional en el perodo t depende de una constante y de los residuos al
cuadrado de los perodos anteriores (trminos ARCH).
Los modelos GARCH (Generalized ARCH) son similares a los ARCH pero en ellos
se supone que la varianza condicional tambin depende de la varianza condicional en los perodos
anteriores (trminos GARCH). El modelo tiene la siguiente forma:
yt = xt + t
t ~N(0,2t )
(8)
(9)
donde q es el orden de los trminos ARCH y p es el orden de los trminos GARCH. En este tipo
de modelos, hay que tener presente que un error en el ajuste de la varianza no daa las
estimaciones de la media pero un mal ajuste de la media produce estimaciones inconsistentes de la
varianza. Por ello es comn especificar primero el modelo para la media.
Un modelo simple y de uso frecuente es el GARCH(1,1) , o sea :
yt = xt + t ,
t ~N(0,2t )
2t = + 2t-1 + 2t-1 .
(10)
(11)
En este caso, la varianza condicional en el momento t depende de una constante, de los residuos
al cuadrado en t-1 (el trmino ARCH) y de la varianza condicional en t-1 (el trmino GARCH).
Mediante sustituciones sucesivas y partiendo de valores iniciales 20 y 0, la ecuacin (11) se
transforma en:
1 t
t
2
t =
+ j =1 j 1 t2 j + t 02 .
(1 )
Se observa en esta expresin que la varianza condicional depende de la suma de los errores al
cuadrado precedentes con ponderaciones diferentes, en contraposicin a la varianza incondicional
en la que no varan las ponderaciones.
Si se suman y restan trminos apropiados en (11):
2t = + 2t-1 +2t-1 +2t-1 -2t-1 +2t -2t
y se define
21
t = 2t - 2t
se obtiene
2t = + (+)2t-1+t-t-1 .
Esto significa que los errores al cuadrado (la volatilidad) siguen un proceso
ARMA(1,1), el cual presenta gran heteroscedaticidad. El coeficiente del trmino autoregresivo es
(+) y su valor determina la persistencia de los shocks a la volatilidad. Ntese que si su valor es
prximo a uno entonces el efecto de los shocks decae lentamente.
En estos modelos los residuos estandarizados (t/t) tienen una distribucin normal
N(0,1). Se observa que las series financieras suelen tener colas pesadas (con mayor peso que la
normal). An cuando no se cumpla estrictamente la condicin de normalidad, las estimaciones
pueden efectuarse mediante mtodos robustos, por lo cual los resultados obtenidos no quedan
invalidados.
5. Adaptacin del modelo VaR para la modelizacin de R mediante un modelo GARCH(1,1)
con trmino autoregresivo en la media
Si los cambios en la tasa de depsitos Rt se ajustan con un modelo GARCH(1,1) que
posee adems un trmino autoregresivo para la media, las ecuaciones correspondientes a (10) y
(11) son:
R t = a 0 + a 1 R t1 + t
t2 = + t21 + t21
(12)
,
(13)
(14) .
22
a 1 VP t1 = a 1 VP t2 MD t2 R t1
lo que puede escribirse como:
VPt
= Rt
VPt 1 MDt 1
a1 VPt 1
= a1 Rt 1 .
VPt 2 MDt 2
Restando la segunda ecuacin de la primera se obtiene:
VPt
a VPt 1
+ 1
= Rt a1 Rt 1 .
VPt 1 MDt 1 VPt 2 MDt 2
Si se resta a0 y se tiene en cuenta la igualdad (14) se tiene:
VPt
a VPt 1
R a 0 a1Rt 1
) = t t .
+ 1
a0 = t ( t
t
VPt 1 MDt 1 VPt 2 MDt 2
Al despejar VPt se obtiene:
VPt = VPt 1 MDt 1 t t VPt 1 MDt 1 (a 0
a1 VPt 1
) ,
VPt 2 MDt 2
y definiendo
t 1 = VPt 1 MDt 1 (a0
a1 VPt 1
) ,
VPt 2 MDt 2
se obtiene finalmente :
VP t = VP t1 MD t1 t t + t1 .
Teniendo en cuenta que t~N(0,1) y que los dems valores se conocen en t y dependen de la
informacin en t-1, la distribucin condicional de VPt es:
VPt ~ N(t-1 , VP2t-1 MD2t-1 2t ) .
En forma similar a lo descripto en la seccin 2, si se considera las distribuciones de t
y VPt se observa que cuando es muy alto ( o sea R es muy alto) VP es muy bajo. Como
se distribuye segn una normal estandarizada, el valor crtico que slo es superado por en el
23
(x=)1% de las veces es (k=)2,326. Como VP tambin se distribuye normalmente, estara 2,326
veces la varianza por debajo de su media slo en el 1% de los casos. Ese desvo crtico con
Distribucin de t
1%
0.0
k = 2,326
vt
Distribucin de VPt
1%
t 1
VPt
VaRt
Entonces se tiene
24
Et 1[ t2 ] = + ( t21 + ) t21
(15) ,
y por lo tanto
VaRt = kVPt 1 MDt 1 [ + ( t21 + ) t21 ]1 / 2
t1
= VP t1 MD t1 a 0 ,
25
Tabla 4
Modelo Autoregresivo
serie: Rt-Rt-1
perodo: Abril 93 Julio 98
C
variable(-1)
dum953
dum956
Dlares
Pesos
S.E. :0.0055
-0.0002
(0.328)
0.2979
(0.000)
0.0295
(0.000)
-0.0229
(0.000)
S.E. :0.0138
-0.0009
(0.232)
0.06555
(0.307)
0.0776
(0.000)
dum9556
dum9711
0.0050
(0.008)
0.0018
0.895
306.62
137(4)(0.000)
26.45
(0.000002)
S.E. reg.
R2 ajust.
Log likelihood
Chi2(gl)
Jarque-Bera
-0.0390
(0.000)
0.0214
(0.000)
0.0055
0.840
237
112(4)(0.000)
0.53
(0.767081)
Se observa en primer lugar que las correcciones de los valores extremos son muy
significativas. En el modelo autoregresivo, el primer rezago de la variable (es decir el valor del
perodo anterior) es significativo para la tasa en dlares pero no para la en pesos. En el test de
normalidad se observa que los residuos del modelo de la tasa en dlares difieren
significativamente de una distribucin normal.
En el modelo GARCH(1,1) para la tasa en pesos no dio significativo el trmino
autoregresivo de R, por lo cual se opt por eliminarlo (a1 = 0 en (12)). En la ecuacin de la
varianza condicional, el coeficiente que corresponde a la varianza (GARCH) es mucho ms
significativo que el coeficiente que corresponde al error (ARCH). El test de Jarque-Bera indica
que los residuos estandarizados tienen una distribucin aproximadamente normal para la tasa en
pesos y no difieren slo al 3% para la tasa en dlares. Tambin se observa que el valor del
coeficiente del trmino autoregresivo en ambos modelos de la tasa en dlares es prcticamente el
mismo.
26
Tabla 5
Modelo GARCH
serie: Rt-Rt-1
perodo: Abril 93 Julio 98
C
Dlares
Pesos
S.E. :0.0055
S.E. :0.0138
-0.0010
(0.041)
-0.0003
(0.111)
0.2978
(0.008)
0.0294
(0.000)
-0.0229
(0.000)
variable(-1)
dum953
dum956
0.0777
(0.000)
dum9556
dum9711
0.0048
(0.000)
-0.0402
(0.000)
0.0214
(0.000)
4.43E-07
(0.348)
0.1504
(0.407)
0.6001
(0.039)
0.0018
0.888
313.99
152(4)(0.000)
6.48
(0.039259)
4.33E-06
(0.343)
0.1692
(0.237)
0.6103
(0.053)
0.0058
0.822
244.17
126(3)(0.000)
0.51
(0.775337)
Varianza
C
ARCH(1)
GARCH(1)
S.E. reg.
R2 ajust.
Log likelihood
Chi2(gl)
Jarque-Bera
Los p-value figuran entre parntesis
-8.2e-20 3.0e-06
8.7e-20 2.8e-05
0.057
-0.003
1.20
1.11
27
13.335
9.482
0.345
0.661
11.602
14.336
0.478
0.280
Por los valores que figuran en la tabla se comprueba que los residuos en todos los
modelos no tienen autocorrelacin significativa y los residuos estandarizados de los modelos
GARCH (t/t) poseen valores de media y varianza aproximadamente igual a cero y uno,
respectivamente, lo que coincide con los supuestos del modelo.
En cuanto al ajuste, los valores "log likelihood"9 son levemente superiores en los
modelos GARCH, lo que dara la pauta de un mejor ajuste. Se puede observar que (+)> 0,75
en estos modelos, por lo cual el efecto de un shock sobre la varianza condicional decae
lentamente.
Fue analizado tambin el poder predictivo de los modelos GARCH y los resultados de
la prediccin a un paso se observan en el Grfico 7. Dado que t2 es la estimacin de la varianza
condicional de Rt t+1 es el desvo estndar del error de la prediccin a un paso de Rt+1. Por lo
tanto, en el grfico se presentan los valores de la primera diferencia de las series y las otras lneas
corresponden a la prediccin de la primera diferencia ms y menos t+1 en un caso y 2 t+1 en el
otro10.
Grfico 7
0.015
0.010
0.005
0.000
-0.005
96:10 97:01 97:04 97:07 97:10 98:01 98:04 98:07 98:10
Logaritmo de la funcin de verosimilitud evaluada en los valores estimados de los coeficientes. El test obtenido a
partir de l permite comparar un modelo restricto con uno irrestricto e indirectamente dos modelos entre s.
10
Ntese que en el modelo de la varianza si es muy pequea y la constante es negativa (como ocurre en nuestro
caso), puede producir una prediccin negativa, la cual no sera vlida. Esto ocurri en septiembre de 1997 por lo
que se la reemplaz por cero. El valor siguiente fue muy pequeo como se puede observar en el grfico.
28
En este caso el grfico abarca desde agosto de 1996 hasta octubre de 1998 y puede
observarse que los nicos valores que quedaron significativamente fuera de las bandas
corresponden a noviembre de 1997 (la crisis asitica relacionada con el ataque especulativo del
dlar de Hong Kong) y septiembre de 1998 ( el inicio de la crisis rusa).
Tambin fueron considerados modelos GARCH(4,4) y modelos autoregresivos que
incluyeron hasta el rezago cuarto. En el primer caso ninguno de los trminos adicionales ARCH o
GARCH fueron significativos. En el caso de los modelos autoregresivos, ninguno de los rezagos
adicionales result significativo.
donde cada Rt+i puede ser reemplazado por una expresin similar a (12), obtenindose:
Rt , t +T = ( a0 + a1Rt + T 1 + t +T ) + ... + (a0 + a1Rt + t +1 ) .
Si a su vez se reemplaza sucesivamente cada Rt+i (i>0) por una expresin en trminos de Rt , se
obtienen expresiones similares a (5) :
Rt , t +T = j =1 (a0 i = 0 a1i + i = 0 a1i t + j i + a1j Rt ) ..
j 1
j 1
29
j 1
j 1
(16) .
j 1
j 1
j 1
T j
j 1
j 1
En base a los modelos estimados, los desvos estndar pronosticados para las tasas de
depsitos en dlares y pesos para un horizonte de tres meses (y multiplicados por k=2,326) se
presentan en el cuadro siguiente:
30
Tabla 8
Desvos pronosticados por modelo GARCH (k*, k=2,326)
Horizonte:
1 mes
0.0089
0.0028
Serie
Tasa de depsitos en pesos
Tasa de depsitos en dlares
Horizonte:
3 meses
0.0160
0.0050
Tales son los nmeros que deben multiplicar a VPt-1 MDt-1 para obtener el VaRt.
Tabla 9
Dada la causalidad de la tasa de los Fondos Federales sobre las tasas de depsitos, la
misma fue incorporada en los modelos GARCH. Los resultados obtenidos se presentan en la
Tabla 10.
31
Modelo GARCH
serie: Rt-Rt-1
perodo: Abril 93 Julio 98
C
Dlares
Pesos
S.E. :0.0055
S.E. :0.0138
-0.0016
(0.002)
-0.0006
(0.003)
0.2325
(0.022)
0.0281
(0.000)
-0.0229
(0.000)
variable(-1)
dum953
dum956
dum9556
dum9711
Tasa de los Fondos Federales(-1)
Tasa de los Fondos Federales(-2)
0.0056
(0.000)
0.4005
(0.003)
0.4557
(0.000)
0.0737
(0.000)
-0.0406
(0.000)
0.0229
(0.000)
1.1709
(0.002)
1.1709
(0.005)
Varianza
C
3.82E-07
(0.541)
ARCH(1)
0.1500
(0.613)
GARCH(1)
0.6000
(0.308)
S.E. reg.
0.0016
R2 ajust.
0.914
Log likelihood
315.04
Chi2(gl)
154(6)(0.000)
Jarque-Bera
4.124
(0.127227)
Los p-value figuran entre parntesis
3.78E-06
(0.343)
0.1511
(0.193)
0.6012
(0.131)
0.0051
0.865
245.44
128(5)(0.000)
1.258
(0.533150)
32
Tabla 11
Media
Varianza
Estadstico de Box-Ljung
Residuos estandarizados
Modelo GARCH con Tasa Fondos Federales
Tasa en dlares
0.054
Tasa en pesos
-0.010
1.18
1.07
Probabilidad
11.092
11.912
0.521
0.453
Por lo expuesto previamente, si bien al introducir en los modelos la tasa de los Fondos
Federales mejora el ajuste, al perder significatividad los trminos ARCH y GARCH que son
importantes para la prediccin de la varianza condicional parece mejor realizar dichas
predicciones con los modelos presentados en la Tabla 5.
9. Conclusiones
En este trabajo se mostr que las tasas de inters sobre depsitos a plazo fijo en pesos
y en dlares pueden modelarse en forma satisfactoria con modelos AR(1) y GARCH(1,1) sobre
las primeras diferencias, obtenindose un ajuste mejor en el ltimo. Como los modelos GARCH
estiman una ecuacin autoregresiva para la varianza condicional del error de una ecuacin
autoregresiva para Rt, puede usarse esa ecuacin para realizar un pronstico condicional de la
varianza condicional. Este pronstico puede utilizarse en el clculo del valor a riesgo (VaR) que
surge al evaluar el riesgo de tasa de inters (RTI).
Se mostr cmo obtener el VaR, o sea, el requisito de capital por RTI, cuando el
desvo estndar proviene de una estimacin GARCH. Adems, se mostr cmo debe adaptarse el
modelo para un horizonte temporal (en el cual quieren acotarse las prdidas por RTI) de varios
meses cuando las series usadas son de frecuencia mensual.
Los nmeros obtenidos permiten contar con una referencia al determinarse los
parmetros a utilizar en la implementacin del nuevo requisito de capital por RTI que los bancos
deben integrar en Argentina desde marzo de 1999.
Por ltimo, se comprob que ciertas tasas de inters internacionales, en particular la
tasa de fondos federales de EE.UU. causan en el sentido de Granger a las tasas argentinas (todas
en primeras diferencias). Por ello, se incluy la tasa de fondos federales en la estimacin del
modelo GARCH, sin obtenerse una mejora apreciable en el ajuste.
33
Apndice 1
j 1
Si se define
M j = t + j (i = 0 a1i )
Tj
se tiene
T
Et [(Rt , t + T Et [Rt ,t +T ])2 ] = Et [( j =1 M j )2 ] ,
= Et [ j =1 M 2j + n +...+ n
T
T = 2, ni 2
=2
2
M 1n1 ...M TnT ]
n1!...nT !
2
M 1n1 ...M TnT ] .
n1 !...nT !
n1 + ... + nT = 2 , ni 2
Tj
2
T 1
T T
( t +1 t +1 (i = 0 a1i ))n1 ... ( t + T t +T ( i = 0 a1i ))nT ]
n1!...nT !
.
Por consiguiente
Et [(Rt , t + T Et [Rt , t +T ])2 ] = j =1 Et [ t2+ j t2+ j (i = 0 a1i )2 ] +
T
34
Tj
n1 +...+ nT = 2 , ni 2
2
T 1
T T
Et [( t +1 t +1 (i =0 a1i )) n1 ]... Et [( t +T t +T (i = 0 a1i )) nT ]
n1!...nT !
,
y se obtiene
Et [(Rt , t +T Et [Rt , t + T ])2 ] = j =1 Et [ t2+ j ](i = 0 a1i ) 2
T j
donde la esperanza de los trminos cruzados desaparece por la condicin de t ~IIN(0,1). Por lo
expuesto, el valor esperado de la prediccin de la varianza condicional de un perodo de T meses
se obtiene a partir de los respectivos valores esperados de las predicciones de las varianzas
condicionales de los perodos integrantes.
Apndice 2
Cuando se estiman modelos GARCH, para poder predecir la varianza condicional de un perodo
de tiempo de tamao T, se deben obtener las predicciones individuales de la varianza de los
perodos que componen el mismo y luego agregarlos.
Por (13) la expresin de la varianza condicional en t+1 es igual a:
t2+1 = + t2 + t2
35
Y~y+y Zy ,
donde las distribuciones Z son independientes y estandarizadas (0,1) y en principio pueden tener cualquier
distribucin, entonces se puede demostrar que:
36
Et [ t2+3 ] = [1 + ( + ) + ( + ) 2 ] + [ 3 + 2 (2 + t2 ) + 2 (1 + 2 t2 ) + 3 t2 ] t2 .
En forma inductiva12 puede llegarse a la expresin general :
Et [ t2+ j ] = [1 + ( + ) + ( + ) 2 + ... + ( + ) j 1 ] +
[ j + i =1 i j i (i + ( j i ) t2 ) + j t2 ] t2
j 1
Et [ t2+ j ] = [i =1 ( + ) i 1 ] +
j 1
[ j + i =1 i j i (i + ( j i ) t2 ) + j t2 ] t2 .
j 1
Si se tiene tres distribuciones : x y z con las mismas condiciones que en nota 4 (i~i+i Zi , Zi estandarizado
(0,1), i=x,y,z ), se puede demostrar que :
E[2x 2y 2z ]=2x 2y 2z+2x 2z2y +2x 2y 2z+2y 2z 2x+2x 2y 2z+2y 2x 2z+2z 2x 2y+2x 2y 2z.
Por induccin se puede demostrar que si se tiene 1.......n distribuciones, tal que i~i+i Zi , entonces :
E[21 .... 2n ]=K=0...N [j s(N,k) (2j m=S(N)-j 2m )] ,
donde S(N)={1,2,3...N}
37
Bibliografa
38