Alfonso Novales
Departamento de Economa Cuantitativa
Universidad Complutense
Enero 2016
Versin preliminar
No citar sin permiso del autor
@Copyright A. Novales 2013
Contents
1 Algunas cuestiones previas 3
1.1 Momentos poblacionales. Momentos de una distribucin de prob-
abilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Momentos muestrales . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Distribuciones marginales y condicionadas: Un ejemplo . . . . . 12
1.4 Semi-desviacin tpica y momentos parciales inferiores de segundo
orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 El coeciente de correlacin lineal como medida de asociacin
entre variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Matrices de covarianzas . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Rentabilidad continua equivalente . . . . . . . . . . . . . . . . . . 18
1.9 Rentabilidad en mercados cotizados en tipos de inters . . . . . . 19
1.10 El supuesto de rendimientos lognormales . . . . . . . . . . . . . . 20
1.11 Contrastes de Normalidad . . . . . . . . . . . . . . . . . . . . . . 21
1
3 Varianzas y covarianzas cambiantes en el tiempo 39
3.1 El uso de ventanas mviles en la estimacin de la varianza (equipon-
deradas) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Volatilidad ponderando ms el pasado reciente (ponderacin ex-
ponencial) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3 Bandas de conanza para precios y rentabilidades bajo el supuesto
de Normalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4 Conos de volatilidad . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Varianza de la cartera . . . . . . . . . . . . . . . . . . . . . . . . 51
2
1 Algunas cuestiones previas
1.1 Momentos poblacionales. Momentos de una distribu-
cin de probabilidad.
Toda variable aleatoria est caracterizada por su distribucin de probabilidad,
que no es sino el conjunto de valores posibles de la variable aleatoria, acom-
paados de sus respectivas probabilidades. El modo en que se representa la
distribucin de probabilidad depende de que la variable aleatoria en cuestin
sea de naturaleza discreta o continua.
Si denotamos por P (xi ) la masa de probabilidad en cada punto xi del soporte
de la distribucin de probabilidad de una variable aleatoria X; (conjunto de
valores posibles de la variable aleatoria X), y por f (xi ) la funcin de densi-
dad que la representa, cuando sta existe (distribuciones de tipo continuo), la
esperanza matemtica de la variable X se dene:
Z 1
E(X) = x = xf (x)dx;
1
P (X = xM ) P (X = x) 8x 2 ;
La moda puede no ser nica. No existen condiciones bajo las cuales la
mediana o la moda deban preferirse a la esperanza matemtica como medida
3
representativa de la distribucin, pero hay que considerar tal posibilidad, de-
pendiendo de las caractersticas de la distribucin de probabilidad.
La esperanza matemtica [suma de los valores numricos ponderada por
probabilidades] de las desviaciones entre los valores del soporte de la distribucin
y su esperanza matemtica es igual a cero:
E(X x) = E(X) E( x) = x x =0
i h
2
El valor numrico que minimiza la expresin: E (X a) es: a = x . El
valor minimizado es la varianza de X.
El valor numrico que minimiza la expresin: E(j X a j) es: a = m.
La varianza de una variable aleatoria (cuando existe), es la esperanza matemtica
del cuadrado de las desviaciones entre los valores de la variable y su esperanza
matemtica:
Z 1
2 2 2
x = E (X x) = (x x) f (x)dx
1
X 2
2
x = (xi x) dP (xi )
xi
X 2
X X X
2
x = (xi x ) dP (xi ) = x2i dP (xi ) 2 xi x dP (xi ) + 2
x dP (xi ) =
xi xi xi xi
X X X
= x2i dP (xi ) 2 x xi dP (xi ) + 2
x dP (xi ) = E(x2i ) 2 2
x + 2
x = E(x2i ) 2
x
xi xi xi
V ar(aX + b) = a2 V ar(X)
V ar(a) = 0
4
x
Coef iciente de variacion = 100
x
El coeciente de curtosis:
h i
4
E (x x)
Coef iciente de curtosis = 4
x
tambin llamado coeciente de apuntamiento, es un indicador del peso que
en la distribucin tienen los valores ms alejados del centro. Toda distribucin
Normal tiene coeciente de curtosis igual a 3. Un coeciente de curtosis superior
a 3 indica que la distribucin es ms apuntada que la de una Normal teniendo,
en consecuencia, menos dispersin que dicha distribucin. Se dice entonces que
es leptocrtica, o apuntada. Lo contrario ocurre cuando el coeciente de curtosis
es inferior a 3, en cuyo caso la distribucin es platicrtica o aplastada. A veces
se utiliza el Exceso de curtosis, que se obtiene restando 3 del coeciente de
curtosis.
Funcion generatriz de momentos
La funcin generatriz de momentos MX (t) de una variable aleatoria X se
dene:
5
MX (t) = E(etX )
siempre que dicha esperanza matemtica exista. MX (0) existe siempre y es
igual a 1.
Utilizando el desarrollo en serie de la funcin exponencial:
t2 X 2 t3 X 3 tn X n
etX = 1 + tX + + + ::: + + :::
2! 3! n!
tenemos:
da (MX (t))
E(X a ) =
jt=0
dta
Cuando no sea necesario, ignoraremos el subindice X e MX (t):
Para el clculo de momentos respecto de la media a partir de la Funcin
Generatriz, puede tenerse en cuenta que,
h i
2
E (X ) = E X2 2E (X) + 2
h i
3
E (X ) = E X3 3E X 2 + 3E (X) 2 3
= E X3 3E X 2 +2 3
=
3
= M 000 (0) 3M 00 (0)M 0 (0) + 2 [M 0 (0)]
h i
4
E (X ) = E X4 4 E X 3 + 6E X 2 2
4E (X) 3
+ 4
=
2 3 4
= M 0000 (0) 4M 000 (0)M 0 (0) + 6M 00 (0) [M 0 (0)] 4 [M 0 (0)] M 000 (0) + [M 0 (0)]
2 2 2
En el caso de una Normal N ( ; ); tenemos M (t) = exp( t + 1=2 t ); con
por lo que
6
de donde se prueba con facilidad que el coeciente de asimetra de toda
N ( ; 2 ) es igual a cero, mientras que su coeciente de curtosis es igual a 3.
La funcin caracterstica de una variable aleatoria X se dene:
k1 k2 k1 k 2
'X1 +X2 = 'X1 :'X2 = (1 it) (1 it) = (1 it)
7
La funcin caracterstica de X es el complejo conjugado de la transformada
continua de Fourier de la funcin de densidad fX (x) :
Z Z
itx itx f (x)dx
'X (x) = e f (x)dx = e = P (t)
R R
Cov(X; Y ) = E (XY )
Otras propiedades de la covarianza que no requieren ningun supuesto:
Cov(aX + b; mY + n) = amCov(X; Y )
El coeciente de correlacin lineal entre dos variables es el cociente entre su
covarianza, y el producto de sus desviaciones tpicas:
Cov(X; Y )
Corr(X; Y ) = p p
V ar(X) V ar(Y )
Mientras que la covarianza puede tomar cualquier valor, positivo o negativo,
el coeciente de correlacin solo toma valores numricos entre -1 y +1. Esto
ocurre porque, por la desigualdad de Schwarz, la covarianza est acotada en
valor absoluto por el producto de las desviaciones tpicas de las dos variables.
Un caso importante es el de la covariacin entre los valores de una variable
con sus propios valores pasados. As, tenemos, para cada valor entero de k:
k = Cov(Xt ; Xt k ); k = 0; 1; 2; 3; :::
8
sucesin de valores numricos que congura la funcin de autocovarianza de
la variable Xt , as como su funcin de autocorrelacin:
Cov(Xt ; Xt k ) k
k = =
V ar(Xt ) 0
El primer valor de la funcin de autocovarianza, 0; es igual a la varianza
de la variable. El primer valor de su funcin de autocorrelacin, 0 , es siempre
igual a 1.
Dos variables aleatorias son independientes si su funcin de densidad con-
junta es igual al producto de sus funciones de densidad marginales:
P (X = x; Y = y) = P (X = x):P (Y = y)
En general, en el caso continuo, la funcin de densidad de una variable Y ,
condicionada en otra variable X viene dada por:
f (x; y)
f (y=x) =
f2 (x)
pudiendo denirse de modo similar la funcin de densidad de la variable X,
condicionada por la variable Y .
En el caso discreto, se tiene (ver ms adelante (1.3)):
PXY (X = x; Y = y)
P (Y = y=X = x) =
PX (X = x)
Es fcil probar que si dos variables aleatorias son independientes, entonces
su covarianza es cero.
La varianza de una suma o de una diferencia de dos variables aleatorias es:
9
si la posicin adoptada en cada activo es corta o larga, es decir, de si estamos
comprados o vendidos en cada uno de ellos.
Estas expresiones pueden extenderse anlogamente a cualquier combinacin
lineal den variables. Un ejemplo sera la suma de dichas n variables.
Desigualdad de Chebychev:
Z 1 Z
E [g(X)] = g(x)f (x)dx "2 f (x)dx
1 S
E [g(X)]
P g(X) "2
"2
10
lector, dada la excesiva frecuencia con que se calculan estadsticos muestrales,
calculados con datos histricos, para representar caractersticas de una variable;
por ej., la desviacin tpica de la rentabilidad burstil de un determinado mer-
cado. Bajo este supuesto, podemos considerar los anlogos muestrales de los mo-
mentos poblacionales o tericos que vimos en la seccin anterior. Los momentos
muestrales consitiutyen estimaciones numricas de los momentos poblacionales
o tericos.
Las medidas de posicin central y dispersin anlogas a la esperanza, vari-
anza y desviacin tpica son:
Pn Pn 2
xi (xi x) p
x= i=1
; Sx2 = i=1
; DTx = Sx2
n n 1
mientras que la covarianza y coeciente de correlacin muestrales son:
T T
1X 1X
Cov(X; Y ) = (xt x) (yt y) = xt yt xy
T t=1 T t=1
La media, varianza, mediana, covarianza y coeciente de correlacin mues-
trales satisfacen propiedades similares a las ya mencionadas para sus anlogos
poblacionales. Entre ellas:
T
1X
Cov(X; Y ) = xt yt = E(XY )
T t=1
11
1
PT 3
T t=1 (xt x)
Coef iciente de asimetr{a =
DTx3
1
PT 4
T t=1 (xt x)
Coef iciente de curtosis =
DTx4
siendo T el tamao muestral.
El recorrido o rango es la diferencia entre el mayor y el menor valor obser-
vados de una variable. Los cuartiles son los datos que dividen a la muestra, una
vez ordenada crecientemente, en cuatro submuestras de igual tamao (aproxi-
madamente). El segundo cuartil es la mediana. El rango intercuartlico es la
distancia entre los cuartiles primero y tercero. Estos estadsticos tienen la vir-
tud de no verse afectados por la presencia de valores atpicos. De modo anlogo
se denen los deciles y percentiles.
En una variable temporal, las funciones de autocovarianza y autocorrelacin
muestrales se denen:
T
1 X
k = Cov(Xt ; Xt k) = (xt x) (xt k x)
T
t=k+1
1
PT
Cov(Xt ; Xt k ) T t=k+1 xt xt k x2
k = Corr(Xt ; Xt k ) = p p =
Sx2 Sx2 Sx2
12
La distribucin de probabilidad de X1 condicional en un valor numrico de
X2 es,
V alores de X1 2 1 0 1 2
Si X2 = 1 1=4 0 1=4 1=2 0
Si X2 = 0 0 1=5 2=5 0 2=5
Si X2 = 2 0 3=11 2=11 0 6=11
con E(X1 =X2 = 1) = 0; E(X1 =X2 = 0) = 3=5; E(X1 =X2 = 2) = 9=11:
Luego E(X1 =X2 ) es una variable aleatoria que toma valores 0, 3/5, 9/11,
con probabilidades respectivas: 8/24, 5/24, 11/24. Por tanto, su esperanza
matemtica es 1/2, que coincide con E(X): Este es un resultado general, pues
siempre se tiene,
13
en cuyo clculo suelen incluirse los "ceros", es decir las observaciones con
Rt = R: Al igual que el resto de los momentos que vemos en esta seccin, la
semidesviacin tpica se especica en trminos anualizados.
El momento parcial inferior de orden 2 es el anlogo de la semi-desviacin
tpica, calculado con respecto a una referencia : En general, el momento parcial
inferior de orden (Lower partial moment), siendo un nmero no necesaria-
mente entero, es:
h i1= 1=
LP M ; (X) = E jmin(X ; 0j = E max( X; 0)
1.5 Estacionariedad
Hay varias razones estadsticas que justican el uso de rentabilidades, en vez de
precios o cotizaciones, al analizar los mercados nancieros. La ms importante,
es la general ausencia de estacionariedad en los precios de los activos nancieros,
as como en los ndices de los principales mercados, que puede reejarse de
diversas formas: presencia de tendencias estocsticas, presencia de tendencias
deterministas en los precios de mercado, volatilidad cambiante en el tiempo, etc..
Una tendencia determinista es una funcin exacta del tiempo, generalmente
lineal o cuadrtica. Una tendencia estocstica es un componente estocstico
cuya varianza tiende a innito con el paso del tiempo.
Si una variable presenta una tendencia determinista, su valor esperado ten-
der a aumentar o disminuir continuamente, con lo que ser imposible mantener
el supuesto de que la esperanza matemtica de la sucesin de variables aleato-
rias que congura el proceso estocstico correspondiente a dicha variable, es
constante. En consecuencia, tampoco podr mantenerse que la distribucin de
probabilidad de dichas variables es la misma a travs del tiempo. Sin embargo,
si efectuamos una correcta especicacin de la estructura de dicha tendencia,
podr estimarse y extraerse del precio, para obtener una variable estacionaria,
que no presentara las dicultades antes mencionadas. Un ejemplo claro es la
aparente tendencia cuadrtica en el ndice S&P500, que puede estimarse medi-
ante un polinomio de grado 2 del tiempo, con coeciente positivo en la segunda
potencia,
SP 500t = a + bt + ct2 + ut
14
Las diferencias entre los valores del ndice y los que toma dicha funcin
determinista del tiempo podran servirnos como la versin sin tendencia del
ndice S&P500 y, como se ve en los grcos/ de la pestaa SP500 trend en
el archivo Indices_work.xls, ambas versiones de la variable son de naturaleza
muy diferente. En este caso, el graco ilustra que la eliminacin de la tendencia
cuadrtica determinista deja un comportamiento un tanto extrao, que podemos
admitir de carcter estocstico, que habra que modelizar. La volatilidad de la
serie S&P500 hacia el nal de la muestra, que es enorme en trminos histricos,
queda claramente reejada al eliminar la tendencia determinista.
Antes comentamos la conveniencia de considerar toda serie temporal de pre-
cios o de rentabilidades de activos nancieros como una realizacin de un pro-
ceso estocstico. Pues bien, dicho proceso se dice que es estacionario cuando
su distribucin de probabilidad es invariante en el tiempo. Recordemos que un
proceso es una sucesin de variables aleatorias, y que el precio o la rentabilidad
que observamos en un periodo determinado es una realizacin (una muestra de
tamao 1) de la variable aleatoria correspondiente a dicho periodo. Pues bien,
cuando se examina una serie de precios como puede ser el indice S$&P500, es
dicil pensar que cada una de las cotizaciones de n de mes, que aparecen en
el grco, provienen de una misma distribucin de probabilidad. No es prob-
able que los precios de nal de 2002, en torno a 800, provengan de la misma
distribucin de probabilidad que gener las cotizaciones de mitad de 2007, en
torno a 1.600, el doble del anterior. Los valores medios de las distribuciones
de probabilidad correspondientes a dichos dias parecen claramente diferentes,
como pudo suceder asimismo con otros momentos, como la varianza o asimetra.
15
S&P500: enero 2000 - julio 2013
1800
1600
1400
1200
1000
800
600
400
200
0
dic-99
dic-00
dic-01
dic-02
dic-03
dic-04
dic-05
dic-06
dic-07
dic-08
dic-09
dic-10
dic-11
dic-12
20,0%
15,0%
10,0%
5,0%
0,0%
-5,0%
-10,0%
-15,0%
-20,0%
-25,0%
-30,0%
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
ene-08
ene-09
ene-10
ene-11
ene-12
ene-13
16
Por tanto, tambien es razonable pensar que si esta transformacion ha podido
generar una variable que tiene una misma media a lo largo del tiempo, sin em-
bargo su varianza no lo es, lo que tendremos en cuenta a lo largo de las prximas
secciones. A pesar de este contratiempo, es habitual transformar los precios en
retabilidades y trabajar con stas, modelizando la variacin temporal que pueda
existir en otros momentos, como la varianza, e incluso la asimetria y la curtosis.
La transformacion a rentabilidades es de gran importancia, pues hemos de
tener presente que si la media de la serie temporal no es constante en le tiempo,
entonces ni el calculo de la media muestral, ni el de ningun momento que se
calcula tomando a la media como referencia, como sucede con la varianza,
desviacin tipica, asimetria o curtosis, tienen sentido. Por ejemplo, como prcti-
camente ningn precio o ndice nanciero es estacionario, el uso indiscriminado
de un estadstico como la varianza o la desviacin tpica como indicador de
riesgo conduce a medidas sesgadas al alza.
17
no implica independencia, pues ambas variables pueden estar relacionadas
a travs de sus momentos de orden superior.
V = DRD
siendo D una matriz diagonal nxn con las desviaciones tpicas en su diagonal
principal, y R la matriz nxn de coecientes de correlacin. Esta descomposicin
es til para calcular matrices de covarianzas a partir de datos de varaizans y
correlaciones lineales sin tener que calcular cada una de las covarianzas previa-
mente.
Por otra parte, si w representa el n-vector columna de ponderaciones de una
cartera en los distintos activos que la componen, la varianza de la rentabilidad
de la cartera es:
18
Ambas rentabilidades son aproximadamente iguales si Rt es pequea, puesto
que:
rt Pt Rt Rt
= ln Pt ln Pt 1 = ln = ln(1 + )
100 Pt 1 100 100
mientars que la relacin exacta entre ambas, siempre vlida, est dada por:
Rt rt
ln(1 + )=
100 100
y rt se dice que es la rentabilidad continua equivalente a Rt :
La transformacin logartmica hace que podamos obtener rentabilidades
continuas compuestas mediante sumas. Supongamos que queremos calcular la
rentabilidad sobre dos perodos. Observando que:
rt1 r1 Pt Pt 1
+ t 1 = ln + ln = ln Pt ln Pt 1 + ln Pt 1 ln Pt 2 =
100 100 Pt 1 Pt 2
Pt
= ln Pt ln Pt 2 = ln = rt2
Pt 2
vemos que la rentabilidad continua a 2 perodos es, simplemente, la suma
de las rentabilidades continuas a 1 perodo obtenidas durante los dos ltimos
perodos. Algo similar ocurre para inversiones llevadas a cabo durante n y m
perodos de tiempo, respectivamente, siendo n un mltiplo de m (n = km),
pero siempre que las rentabilidades sean continuas. En ese caso, la suma de las
rentabilidades continuas obtenidas durante los ltimos k intervalos de tiempo,
cada uno de ellos de duracin n perodos, es igual a la rentabilidad continua
obtenida durante los ltimos m perodos.
Por el contrario, la suma de rentabilidades porcentuales sobre k perodos de
tiempo de longitud m no proporciona exactamente la rentabilidad porcentual
sobre un intervalo de longitud n, y el error de aproximacin va aumentando con
k.
Es importante observar que, para realizar la agregacin temporal de las
rentabilidades de tipo continuo no es preciso suponer independencia temporal
de las mismas.
19
cero, y calculamos la variacin porcentual o logartmica en dichos precios. Por
ejemplo, si una rentabilidad cotizada se ha reducido de 5,32% a 4,25%, la cartera
habr incrementado su valoracin en el mercado. El descenso de tipos se puede
evaluar por medio de:
1 1
Pt Pt 1 Pt 100=Pt 1 + rt
= 1= 1= 1
Pt 1 Pt 1 100=Pt 1 1 + rt 1
por lo que un procedimiento ms simple, aunque quiz ms dicil de recordar,
consiste en sumar 1 a los tipos de inters cotizados rt ; rt 1 , y calcular la inversa
de la tasa de variacin de 1 + rt :
1 1
1 + rt 1; 0425 Rt
1= 1 = 1; 010264 1 = 0; 010264 =
1 + rt 1 1; 0532 100
20
y la funcin de densidad de X,
1 (ln x )2
f (x) = p e 2 2 ; x>0
x 2
La esperanza y varianza de X son:
2 2 2
+ 12
E(X) = e ; V ar(X) = e2 +
e 1
Es habitual suponer que el proceso seguido por el precio o cotizacin de un
activo es tal que el rendimiento porcentual bruto correspondiente a un perodo
sigue una distribucin lognormal, es decir, que su logaritmo, el tipo continuo,
tiene una distribucin Normal:
rt Rt
= ln(1 + ) N ; 2
100 100
Una ventaja de suponer una distribucin lognormal para el rendimiento por-
centual es que asegura que 1+Rt /100 sea no negativo, lo que no ocurrira si
supusiramos Normalidad de Rt .
Pero conviene recordar que la distribucin lognormal no es simtrica de modo
que bajo este supuesto, el tamao medio de las rentabilidades por encima de la
media es superior al promedio de las rentabilidades por debajo de la media.
Bajo este supuesto, la esperanza y varianza de la rentabilidad simple Rt son:
2 2 2
+ 12
E(Rt =100) = e 1; V ar(Rt =100) = e2 +
e 1
estas frmulas son muy tiles para obtener predicciones a partir de modelos
estimados para los logaritmos de los rendimientos, pues si es la prediccin para
el logaritmo del rendimiento y 2 es la varianza condicional estimada para dicho
logaritmo del rendimiento (es decir, la varianza de la innovacin del proceso para
el logaritmo del rendimiento), entonces la prediccin para el propio rendimiento
y la varianza asociada, que nos servir para construir intervalos de conanza
para dicha prediccin, se obtienen a partir de las expresiones anteriores.
En la otra direccin, si m1 y m2 son la esperanza y varianza del proceso de
rentabilidades Rt , los momentos anlogos para el logaritmo de la rentabilidad
son,
0 1 !
m 1 + 1 m 2
E(rt ) = ln @ q A ; V ar(rt ) = ln 1 +
2
1 + m2 2 [1+m1 ]
[1 + m1 ]
21
que se distribuye como una chi-cuadrado con 2 grados de libertad.
Este es un contraste paramtrico de la hiptesis de Normalidad, existiendo
asimismo varios contrastes no paramtricos, quiz ms aconsejables:
22
operativo, que se deriva de sucesos exogenos: un fallo informtico, un incendio,
un fraude nanciero, etc.. En mercados de renta variable, el riesgo-beta que
denimos ms abajo, es til para muchos nes. En otras ocasiones, todo lo
que queremos es un umbral mximo de prdidas en la forma de un Valor en
Riesgo, es decir, un determinado percentil de la distribucin de probabilidad de
la rentabilidad esperada de una cartera en un horizonte estipulado previamente.
Por tanto, es importante saber qu tipo de riesgo queremos medir en cada caso.
Frecuentemente incurriremos en riesgo de modelo, al tener que escoger entre
distintas opciones, una representacin paramtrica para la evolucin temporal
de la rentabilidad de un activo o del vector de rentabilidades de varios activos.
El riesgo de precio en renta ja, se debe al desconocimiento de los tipos de
inters futuros a que podremos invertir los cupones recibidos sobre un bono.
Hablamos entonces de riesgo precio, o riesgo de reinversin. A igualdad de
condiciones, un bono cupn cero tiene un menor componente de riesgo, debido a
la ausencia de reinversiones, si bien est sujeto en cualquier caso a riesgo-precio,
por cuanto que desconocemos las posibles uctuaciones que pueda experimentar
su precio. En general, el riesgo de precio o de reinversin se produce cuando
compramos un activo cuyo vencimiento no coincide con el horizonte de nuestra
inversin (tanto si es inferior somo si es un plazo ms largo). El riesgo de
precio en renta variable puede deberse a la incertidumbre acerca del valor de la
empresa percepcin debido a acciones recientes, las inversiones que ha asumido,
la gestin de sus directivos, etc.. En el caso de una divisa, puede deberse a
que un fuerte deterioro de su balanza por cuenta corriente, o de sus cuentas
pblicas, su situacin poltica, etc., pueden sugerir una posible devaluacin, lo
que reducira signicativamente la rentabilidad de un inversor extranjero. Una
liquidez reducida es otro componente del riesgo especco de un activo, si bien
en ocasiones es todo un mercado el que est sujeto a una reducida liquidez. Por
ej., la mayor parte de una emisin de deuda privada puede estar en manos de
un gran fondo, que no la saca al mercado, por lo que los inversores privados que
poseen el resto de la emisin se enfrentan a un riesgo de liquidez.
Por supuesto que un activo de renta variable est sujeto a estas considera-
ciones, adems de las propias de su emisor, por lo que tiene riesgo de mercado
o riesgo-precio, riesgo de emisor, etc..
La primera cuestin es que existen distintos tipos de riesgo, que requieren
medidas diferentes: riesgo sistemtico o no diversicable dentro del mercado,
riesgo especico del activo o riesgo diversicable en el mercado. Cuando anal-
izamos un mercado concreto, el Riesgo total de un activo que cotiza en dicho
mercado puede descomponerse en un componente de Riesgo sistemtico o de
mercado, y un componente de Riesgo especco. Por ej., las acciones del mer-
cado continuo de Madrid, tienen un componente de riesgo explicado por el propio
mercado, representado por el ndice. Tienen tambin un segundo componente
de riesgo que no puede explicarse por el riesgo del mercado. Algo similar ocurre
con cada una de las referencias que cotiza en el mercado secundario de deuda
pblica espaol. Tambin en este caso podramos hablar de un componente de
riesgo global o de mercado, as como de un componente de riesgo especco
de cada ndice.
23
Distinguir entre estos tipos de riesgo y disponer de procedimientos para
la estimacin de cada uno de ellos es un aspecto importante de la gestin de
carteras.El componente de riesgo de mercado es un riesgo sistemtico, que no
puede eliminarse mediante la inversin en activos distintos del mismo mercado.
Por eso decimos que dicho riesgo no es diversicable. Este componente no
diversicable del riesgo del activo est determinado por la covariacin de su
rentabilidad con la rentabilidad del ndice del mercado al que pertenece.Viene
generalmente caracterizado por la beta del activo, que suele estimarse mediante
procedimientos de regresin entre las rentabilidades del activo y del mercado,
ambas descontadas de la rentabilidad ofrecida por el activo libre de riesgo. En el
caso de la renta variable, este es el modelo CAPM y hablamos del riesgo beta,
cuya cuanta viene medida por: a) la beta del activo y, b) la volatilidad del
mercado. Por el contrario, el componente de riesgo especco mide un riesgo no
vinculado al mercado al que pertenece el activo. Este es un riesgo que puede
eliminarse por diversicacin, si existe una variedad de activos sucientemente
rica en el mercado. Este componente del riesgo puede deberse, en unos casos, a
las caractersticas del emisor, y en otras, a las caractersticas tcnicas del activo.
24
dada corresponden a niveles de utilidad inferiores.
Por otra parte, la frontera eciente es el lugar geomtrico de pares de valores
(riesgo, rentabilidad esperada) con la siguiente propiedad: Consideremos todas
las carteras con un determinado nivel de riesgo/varianza; todas ellas ofrecen
una rentabilidad (esperada) inferior a la dada por la frontera eciente para ese
nivel de riesgo/varianza. La frontera eciente tiene la forma de media elipse
creciente, desde un vrtice, que corresponde a la cartera de mnima varianza.
La cartera ptima para un inversor est determinada grcamente en el punto
de tangencia entre las curvas de indiferencia de utilidad, y la frontera eciente.
Otro inversor tendr unas preferencias diferentes, y la tangencia se producir
en un punto distinto de la frontera eciente, por lo que la cartera ptima para
este inversor ser distinta de la del primero. Esta es la base del anlisis de
carteras propuesto por Markowitz. Para el clculo de la frontera eciente, es
imprescindible contar con una estimacin de la matriz de varianzas y covarian-
zas, o de las varianzas y correlaciones entre los activos disponibles al inversor.
Cuando un inversor puede distribuir su riqueza entre varios mercados, puede
simlpicarse el problema (perdiendo algo de precisin), resolviendo le problema
de aset allocation primero entre los distintos mercados, conotruyendo la cartera
ptima entre el conjunto de ndices de estos mercados, para luego, en una se-
gunda etapa, construir para cada mercado la cartera ptima en la que invertir
la cuanta previamente seleccionada para dicho mercado.
Pero antes de poder escoger una inversin (activo o cartera), hemos de hacer
frente a dos dicultades: 1) por un lado, lo que interesa al inversor es la rentabil-
idad esperada, para cada activo, a lo largo del perodo en que se va a llevar a
cabo la inversin, 2) por otro, el riesgo no es observable, por lo que hemos de
utilizar alguna medida del mismo, para lo que generalmente se identica riesgo
con volatilidad, y sta con varianza. Es muy importante observar que, desde el
punto de vista de la teora nanciera, ambas deberan ser medidas hacia el futuro
y, sin embargo, suelen ser inadecuadamente sustituidas por medidas histricas.
Valoracin de opciones:
El precio de una opcin depende de: a) el precio de ejercicio de la opcin,
b) el tiempo que resta hasta su vencimiento, c) el tipo de inters del activo
sin riesgo, d ) los dividendos ofrecidos por el activo subyacente, si los hay, e) el
precio del activo subyacente, f ) su volatilidad, que no es observable.
Para evaluar si el precio de mercado de una opcin es correcto ha de dispon-
erse de una estimacin de la volatilidad del activo subyacente. Para ello, se
necesita la volatilidad estimada del precio del subyacente durante el perodo
residual hasta el vencimiento de la opcin. Por tanto, necesitamos una predic-
cin de la volatilidad. Con dicha medida, podramos utilizar alguno de los
modelos disponibles que, condicionado en la validez de las hiptesis en l incor-
poradas, nos proporcionara el precio terico de la opcin. La comparacin con
su precio de mercado nos permitira evaluar el inters que pueda tener tomar
posiciones cortas o largas en la misma.
Cobertura de riesgos en inversiones a largo plazo:
El diseo de estrategias de cobertura de carteras depende crucialmente de la
estimacin del riesgo de los activos que conguran la cartera. Adems, en este
25
caso, tan importante como las medidas de volatilidad de los mercados del activo
subyacente y del activo que se utiliza en la cobertura, es la medida de covariacin
entre ambos. De hecho, es ya habitual hablar de un riesgo de correlacin entre
activos.
La utilizacin de medidas de volatilidad y de covariacin alternativas puede
conducir a estrategias de cobertura bastante diferentes, lo que implicar a)
costes bastante distintos para las mismas y b) resultados asimismo diferentes,
que pueden depender del tipo de evolucin temporal seguido por la cotizacin
del activo subyacente.
Varianza y covarianzas/correlaciones
En una poblacin estadstica, la varianza es el promedio ponderado de la
desviacin cuadrtica entre un punto extrado al azar del soporte de la distribu-
cin y la esperanza matemtica. La ponderacin que recibe cada punto del so-
porte de la distribucin es igual a la masa de probabilidad en cada punto. En una
muestra, la varianza es el promedio equiponderado de las desviaciones cuadrti-
cas de los datos muestrales respecto a la media muestral. Las ponderaciones son
las frecuencias relativas de observacin de los datos. Alternativamente, puede
pensarse que no prestamos atencin a los datos que puedan aparecer repetidos,
y que cada uno de ellos recibe en el clculo de la varianza una ponderacin igual
al inverso del tamao muestral 1=N; el mismo que recibira en el clculo de la
media muestral.
La desviacin tpica, denida como raz cuadrada de la varianza, puede in-
terpretarse aproximadamente como el tamao medio de las desviaciones de una
variable alrededor de un valor de referencia, ya sea su esperanza matemtica
(en el caso de la poblacin), o su media muestral (en el caso de la muestra).
En el caso de una variable aleatoria para la que se disponen de observaciones
a travs del tiempo, la desviacin tpica puede interpretarse como el tamao
medio de sus uctuaciones alrededor de nu nivel de referencia, denido por la
media muestral. Por consiguiente, cuando se trabaja con variables aleatorias
de esperanza (o media muestral) igual a cero, la desviacin tpica es un buen
indicador del tamao de dicha variable.
Las matrices de covarianzas entre activos son necesarias en la mayoria de las
aplicaciones nancieras, como:
estimacin y prediccin de la volatilidad de una cartera,
estimacin del Value at Risk (VAR) en carteras con ujos de caja lineales,
determinacin de la asignacin de recursos entre un conjunto de activos
para congurar una cartera ptima,
simular rentabilidades de un conjunto de activos con determinada estruc-
tura de correlaciones,
estimacin del VaR de carteras con pagos no lineales,
estimacin de precios en carteras de opciones sobre multiples activos,
cobertura del riesgo de una cartera.
26
2.3 La varianza como indicador de volatilidad: Limita-
ciones
La varianza y la desviacin tpica (poblacional o muestral) slo tienen sentido
frente a una medida de posicin central de la distribucin de probabilidad,
que sirve de referencia. Sin embargo, no siempre las medidas de posicin son
estables en el tiempo. Cuando no lo son, el uso de la varianza como indicador
de volatilidad queda en entredicho, como iremos viendo sucesivamente.
Hay distintas situaciones en que estos problemas ocurren:
PT
Sesgos al estimar la desviacin tpica: La cuasi-varianza muestral T 1 1 t=1 rt2 ,
calculada a partir de una muestra aleatoria simple, es decir, una mues-
tra cuyos elementos son independientes entre s, es un estimador ins-
PT
esgado de la varianza poblacional. Por tanto, E T 1 1 t=1 rt2 = 2r :
Esto es vlido para cualquier poblacin con esperanza y varianza con-
stantes. Sin embargo, la estimacin que deducimos para la desviacin
tpica tomando la raz cuadrada de la estimacin de la varianza no es ins-
esgada, debido a que la esperanza matemtica de una funcin no lineal
no es igual al valor de la funcin en dicha esperanza matemtica. De
hecho, la desigualdad de Jensen nos dice que: E [g(X)] g (EX) si la
funcin g es cncava, y lo contrario ocurre si la funcin g es convexa.
Por tanto, la esperanza matemtica de la raiz cuadrada de una funcin
es menor op igual que p
la raiz cuadrada de la esperanza matemtica de la
funcin: E g(X) E(g(X)):Si calculamos la desviacin tpica mues-
tral comoqla raz cuadrada (funcin cncava) de la varianza muestral:
PT
DT (r) = T 1 1 t=1 rt2 , tendremos un valor numrico que, en promedio
(aunque no para una nica muestra, como habitualmente tenemos) ser
mayor que la desviacin tpica poblacional, yar que por la desigualdad de
q P PT
1 T
Jensen: E (DT (r)) = E T 1
2
t=1 rt E T 1 1 t=1 rt2 ! 2r :
El sesgo de sobre-estimacin as cometido al estimar la desviacin tpica
puede evaluarse en el caso de una poblacin Normal. Bajo determinadas
condiciones, el sesgo desaparece al aumentar el tamao muestral siendo
la raiz cuadrada de la varianza muestral un estimador consistente de la
desviacin tipica poblacional.
en presencia de una tendencia determinista, el nivel seleccionado como
referencia para el comportamiento de la variable, que habitualmente es la
media o la mediana muestrales, no ser representativo de la evolucin de la
variable: si la tendencia es creciente, la primera parte de la muestra estar
sistemticamente por debajo de la media, mientras que la segunda parte
estar sistemticamente por encima. El estadstico de posicin central no
representa ni la primera ni la segunda parte de la muestra. Si calculamos
la varianza muestral como indicador de volatilidad en este caso, imputare-
mos como tal lo que no es sino tendencia, y podramos llegar a armar,
errneamente, que una variable es muy voltil, cuando lo que presenta es
27
una fuerte tendencia determinista. De hecho, la varianza de una variable
tendencial puede ser elevada incluso si sta apenas experimenta uctua-
ciones. En presencia de una tendencia lineal, la varianza est midiendo la
tasa de crecimiento; lo sorprendente es que este aspecto, que es positivo
si estamos hablando del precio o cotizacin de un activo, ser consider-
ado negativo, al ser imputado como volatilidad y, por tanto, como riesgo
asociado a la inversin en el mismo.
algo similar ocurre en presencia de tendencias estocsticas (es decir, de
races unitarias), un caso tpico de no estacionariedad de variables -
nancieras. En tales procesos la varianza crece con el nmero de obser-
vaciones utilizado en su clculo, por lo que no tiene sentido hablar de la
varianza, pues este momento no est bien denido. Su anlogo muestral
tiende a innito si utilizamos en su clculo un nmero de observaciones
arbitrariamente grande, por lo que no proporciona informacin acerca del
riesgo inherente a la toma de posicin en un activo cuyo precio presenta
tal comportamiento tendencial. En tal caso, deberamos trabajar con la
primera diferencia de la variable. Si se trata de un precio, su logaritmo
presentar las mismas carctersticas tendenciasles, aunque quiz algo ms
amortiguadas. Su primera diferencia es la rentabilidad del activo, por
lo que es muy intuitivo trabajar con esta transformacin de la variable
original. Este es el caso del comportamiento de los precios en muchos
mercados.
cuando, aun no existiendo tendencia, se ha producido un cambio de nivel
en la media. En este caso, la media calculada con toda la muestra no
representar ni la primera parte de ella, ni la segunda. Lo que ocurre
es que la media ha sido distinta en la primera y segunda submuestras,
y deberamos recoger este hecho. De lo contrario, estaremos imputando
como volatilidad lo que no es sino una ruptura en la media de la variable en
estudio. Ni la media muestral es representativa de la rentabilidad ofrecida
por el activo, ni la varianza muestral es una medida de incertidumbre.
la rentabilidad que interesa al inversor es la rentabilidad que espera obtener
durante el horizonte de su inversin, por lo que, en realidad, debera uti-
lizar una prediccin de la rentabilidad durante dicho perodo. General-
mente, los modelos tericos (seleccin de cartera de Markovitz, valoracin
de opciones de Black-Scholes) se basan en una medida de riesgo esper-
ado durante el horizonte de la inversin, que es substituida generalmente
por una medida histrica de riesgo, y sta es calculada como la varianza
muestral, sin llevar a cabo el tipo de prediccin requerido por el modelo
terico. Para ello, el anlisis de series temporales es imprescindible: es-
pecicando y estimando un modelo estadstico para la serie temporal de
rentabilidades, podramos obtener tal previsin. El modelo en cuestin
debera incorporar todas aquellas variables que se considera que pueden
inuir sobre la rentabilidad del activo, si bien entonces necesitaremos pr-
ever asimismo el comportamiento de tales factores durante el horizonte
28
de inversin. Una posibilidad consiste en utilizar un modelo univariante
de series temporales (por ej., segn el enfoque Box-Jenkins), conando en
que dicho modelo capture sucientemente bien la dinmica de la evolu-
cin temporal de la rentabilidad a lo largo del horizonte de inversin;
otra posibilidad consistira en utilizar modelos vectoriales autoregresivos
(VAR), que incorporasen variables adicionales que puedan inuir sobre el
precio del activo en cuestin.
tampoco el nivel de riesgo del activo es observable, pero se identica riesgo
con volatilidad. Ha sido asimismo tradicional asociar la volatilidad a un
momento de segundo orden de la distribucin de probabilidad o de fre-
cuencias de una determinada rentabilidad. As, la identicacin entre
volatilidad y varianza o, ms precisamente, entre volatilidad y desviacin
tpica, es habitual. Por tanto, la volatilidad se dene con respecto a un
nivel de referencia, generalmente la esperanza matemtica de la rentabil-
idad analizada, que es una medida de posicin central. Pero hay otras
medidas de posicin que pueden ser tiles bajo condiciones de asimetra:
mediana, moda, percentiles, etc. De hecho, la identicacin entre volatil-
idad y desviacin tpica no conduce a una medida adecuada del riesgo
asumido en la inversin en un determinado activo.
el ltimo comentario est basado en el hecho de que la varianza mide toda
la uctuacin que experimenta una variable (sea precio o rentabilidad),
y seguramente querremos pensar que el riesgo es slo una parte (quiz
la parte no predecible) de dicha uctuacin (esto ser analizado en de-
talle en la Seccin 4.i). Como caso extremo, una funcin trigonomtrica
como yt = A:sen 2 Tt ; t = 1; 2; :::; T; para una constante A dada, exper-
imenta uctuaciones de un tamao arbitrario, determinado por el valor
de A, pero son de naturaleza puramente determinista. Ello signica que
el valor de yt+s en cualquier perodo futuro es perfectamente predecible
en el instante t. Perfectamente predecible signica que el error de predic-
cin es cero; adems, la informacin muestral disponible en el instante
t sera irrelevante, pues no necesitaramos utilizarla para obtener dicha
prediccin. Las uctuaciones en este proceso podran ser arbitrariamente
grandes, pues bastara para ello con alterar el valor de las constantes. A
pesar de que un activo cuyo precios siguiese tal comportamiento, no im-
plicara riesgo alguno para el inversor, la varianza de dicho proceso podra
resultar arbitrariamente grande.
29
breves de tiempo, obteniendo as una medicin numrica que evoluciona
de manera ms o menos suave?
el uso que habitualmente se hace de la desviacin tpica como indicador
de volatilidad/riesgo, se fundamenta en el supuesto de Normalidad de
la variable cuya volatilidad hemos calculado. Por ejemplo, la varianza
estimada en un instante determinado puede utilizarse para construir un
intervalo de conanza para los valores que puede tomar la rentabilidad
que est siendo objeto de anlisis. Sin embargo, la gran mayora de las
rentabilidades de activos nancieros no siguen una distribucin Normal,
con clara evidencia de asimetra y exceso de curtosis.
si llevamos a cabo una inversin con un determinado horizonte, es ha-
bitual considerar que el riesgo asumido viene medido por la varianza de
la suma de las variaciones diarias en precio (rentabilidades continuas di-
arias). Asimismo, es habitual aproximar dicha varianza multiplicando la
varianza diaria, supuesta constante, por el nmero de das contenidos en
el horizonte de inversin. Sin embargo, este procedimiento no es correcto
si el proceso con el que trabajamos (precios o rentabilidades) presenta
autocorrelacin, en cuyo caso la varianza no es aditiva temporalmente.
Esta prctica conduce a sobre-estimacion (bajo autocorrelacin negativa)
o sub-estimacin (bajo autocorrelacin positiva) de la volatilidad de la
rentabilidad en estudio. En tal situacin, conviene utilizar una estruc-
tura temporal de volatilidades (volatilidad como funcin del horizonte),
ms que trabajar con una volatilidad constante para todos los plazos de
inversin. Esta cuestin ser analizada en ms detalle ms adelante.
30
la volatilidad anualizada. Como se aprecia, la estimacin de la desviacin tpica
aumenta con la amplitud de la muestra. Esto no debe suceder. No estamos
estimando nada que sea proporciona a la amplitud del intervalo sobre el que se
calcula. Si estimamos la desviacin tpica con 1 o con 2 aos tendremos dis-
tintos resultados numricos, pero comparables. En este ejercicio, la desviacin
tipica es creciente porque en procesos no estacionarios, como estos, la varianza
es creciente con la longitud de de la muestra utilizada, tendiendo a innito
con sta. De hecho, este es un procedimiento para contrastar la ausencia de
estacionariedad de una serie temporal.
Como se aprecia, esto no sucede al trabajar con rentabilidades (a la derecha).
Mas a la derecha se estima la volatilidad anual como el promedio de las rentabil-
idades al cuadrado. Como se ve, las diferencias respecto del clculo con desvia-
ciones tpicas, son minimas.
Al trabajar con indices, las cotizaciones mxima o mnima, por s solas, no
son nada informativas respecto de establecer comparaciones entre ndices. Ni
siquiera el rango muestral lo es, a pesar de que ya establece un intervalo de
valores cubierto por la variable. Parece evidente que el posible inters de estos
estadsticos descansa en expresarlos como porcentaje de una medida de posicin
central. En esta comparacin, ya aparecen Nasdaq, IPC Mexico y Athens como
los ndices de mayor aparente variabilidad.
Hay que observar, sin embargo, que un rango amplio no implica volatilidad
si los valores separados de la media no aparecen apenas en la muestra; por tanto,
una limitacin del rango es que slo utiliza como informacin los valores mximo
y mnimo. No estamos considerando todava la frecuencia con que aparece en
la muestra cada valor numrico del rango de variacin de cada ndice.
Una medida similar es la relacin entre rango centrado del 80% y media.
Ahora hemos descartado los valores muy separados de la media, tanto por
encima como por debajo, y estamos analizando la amplitud del rango en el
que recaen el 80% de los valores muestrales. Establecemos as una diferencia
entre valores normales y valores extremos. Si los valores extremos del rango
de variacin aparecen con relativa frecuencia, entonces un rango como el del
80% tender a ser ms amplio que si los valores separados de la media aparecen
infrecuentemente. Por tanto, si un ndice que tiene un rango total amplio pasa
a tener un rango del 80% relativamente ms estrecho ello se debe a que los val-
ores extremos ocurren con poca frecuencia. Si la amplitud del rango del 80% es
relativamente mayor que la del rango total, en relacin con otros ndices, se de-
ber a que si bien los valores separados de la media no son demasiado extremos,
ocurren con una relativa frecuencia.
Nuevamente, la desviacin tpica ni la varianza por s solas nos proporcionan
informacin relevante. Si examinamos las desviaciones tipicas muestrales, ya
apreciamos que no pueden utilizarse para obtener una estimacion de la volatili-
dad anual, pues habriamos de multiplicar por el numero de dias de mercado en
un ao, unos 250, obteniendo valores de volatilidad disparatados.
Dejando aparte este problema, podramos comparar las desviaciones tpicas,
como proporcin del nivel medio respecto al cual se han calculado. El uso de
desviaciones tpicas como porcentaje de la media permite la comparacin entre
31
mercados o activos, o tambin comparar la volatilidad en un mismo mercado en
distintos instantes de tiempo. Este es el coeciente de variacin:
sx
= 100
x
Avanzando en esta lnea de poner los estadsticos en trminos relativos, cuando
se pretende comparar variables medidas en diferentes unidades, es til tipicar
o estandarizar las variables, restando de cada observacin la media muestral, y
dividiendo por la desviacin tpica. Mediante esta transformacin, eliminamos
las unidades de cada variable, por lo que pueden ser comparables entre s, en
trminos de volatilidad. De hecho, bajo el supuesto de que la serie temporal
relativa a cada una de las variables est compuesta de observaciones indepen-
dientes, extradas de una determinada distribucin, con esperanza y varianza
2
constantes, las variables tipicadas tienen esperanza cero y varianza igual a
uno. El carcter de la distribucin no juega ningn papel en este resultado.
Cuando se pretende inspeccionar en un grco la posible correlacin entre
variables, es asimismo til utilizar esta transformacin. Esto corrige, adems el
efecto que producira el que los distintos ndices toman magnitudes diferentes,
lo que hara que, en un grco de sus niveles, se observasen las uctuaciones de
tan slo uno o dos de ellos, apareciendo los dems como lneas suaves.
Estos ltimos clculos que hemos hecho, al presentar estadsticos como por-
centajes de la media, resuleven en parte un problema, que es el de que las
distintas series temporales que consideramos tienen muy diferente promedio.
Pero el problema es ms grave: como hemos advertido, los clculos anteriores
adolecen de serias dicultades cuando se aplican a ndices de Bolsa, debido a su
naturaleza no estacionaria. Cuando esto sucede, los momentos de la distribu-
cin de probabilidad no estn bien denidos, pues cambian en el tiempo. Es
necesario entonces trabajar con una transformacin que sea estacionaria. La
rentabilidad logartmica generalmente lo es.
El anlisis de estadisticos debe repetirse ahora para las rentabilidades, como
se hace en la pestaa "indices". En ese analisis, ahora con plena justicacin
estadistica, se aprecia que Bovespa es el ndice ms volatil, seguido de Nasdaq y
Athens. Podemos ver que algunos estadisticos ahora carecen de sentido para las
rentablidades, por tener media proxima a cero. Por ejemplo, el coeciente de
variacin, o los rangos, calculados en trminos relativos de la media. En cambio,
los rangos por si mismos, tienen pleno sentido, a diferencia de lo que sucedia
trabajando con los indices.
32
La anualizacin puede conseguirse a partir de la volatilidad calculada para
cada perodo de una determinada frecuencia, sin ms que multiplicar por la raz
cuadrada del nmero de datos de dicha frecuencia que hay en un ao.
La volatilidad de una rentabilidad continua no satisface la misma propiedad
de extrapolacin temporal que antes vimos para la rentabilidad. En efecto, la
varianza de una rentabilidad sobre dos perodos es:
Rt + 21 T 2 Rt 2 2
E = eT 1; V ar = e2T +T
eT 1
100 100
33
sobre un intervalo de tiempo que comprende N observaciones p de las utilizadas
en el clculo de dicha desviacin tpica, multiplicamos por N . Esto es lo que
hicimos en el prrafo anterior.
As, si hemos estimado 2 con datos diarios,
p entonces:
la Volatilidad semanal se estima por: p5
la Volatilidad mensual se estima por: p 21
la Volatilidad anual se estima por: 252
De modo ms general, si hemos calculado rentabilidades a n perodos, y
hemos estimado su varianza 21 ; la volatilidad sobre T perodos se estima medi-
ante 2T = Tn 2n :
Ejemplo: Si la varianza de las rentabilidades diarias de un activo es 0,001, y
considerando 250 dias de riesgo (mercado) a lo largo del ao, la volatilidad del
activo sera 50%. Si la volatilidad anual del activo es 36%, la desviacin tpica
de sus rentabilidades semanales es 0,05.
Como ya discutimos en la Seccin 3.d, esta prctica habitual de extrapolar
una estimacin de la volatilidad a un intervalo amplio de tiempo es aplicable en
rigor slo al clculo de la volatilidad de rentabilidades continuas, y se basa en la
hiptesis de que los datos bsicos utilizados, ya sean rentabilidades mensuales,
diarias, horarias, etc. son independientes. Tambin supone que la varianza es
constante en el tiempo.
Si se est calculando la varianza de las rentabilidades, deben ser independi-
entes stas, no necesariamente los precios o cotizaciones que las generaron. Esto
se corresponde con la extendida idea de que el logaritmo del precio de un activo
nanciero tiene una estructura estocstica de camino aleatorio. En tal caso, la
rentabilidad de dicho activo, denida como la primera diferencia del logaritmo
del precio, es un ruido blanco. Es decir, la serie temporal de rentabilidades
obedece a un proceso formado por variables aleatorias independientes e idnti-
camente distribuidas, posiblemente con distribucin Normal, etc., y el mtodo
de extrapolacin de la varianza es correcto.
Agregacin temporal de varianza con rentabilidades autocorrelacionadas
Si las rentabilidades no fuesen independientes a lo largo del tiempo, su suma
tendra una distribucin Normal, pero su varianza no sera tan sencilla como
T 2 . Como antes, un anlisis similar aplica a intervalos de tiempo n y m, con
n = km. Cuando las rentabilidades estn autocorrelacionadas, la acumulacin
temporal de varianzas del modo que hemos descrito es un estimador sesgado
del riesgo. En el caso de tipos de inters, existe generalmente elevada autocor-
relacin positiva, mientras que en rentabilidades burstiles diarias de valores
individuales se detecta, en ocasiones, autocorrelacin negativa. Como la var-
ianza de una suma de variables es igual a la suma de varianzas ms el doble
de su covarianza, tenderemos a subestimar la varianza de la rentabilidad sobre
el horizonte temporal amplio en el caso de autocorrelacin positiva (creeremos
que, sobre el perodo amplio, la rentabilidad es menos voltil de lo que realmente
es), y a sobre-estimarla en el caso de autocorrelacin negativa (creeremos que
es ms voltil de lo que realmente es).
Si la rentabilidad de un activo tiene una estructura de autocorrelacin repre-
sentada por un proceso autoregresivo de primer orden (AR(1), rt = + rt 1 +
34
"t ; con "t N (0; 2" ); i:; i:d:; y j j < 1; la varianza de la rentabilidad continua
Ph 1
sobre h periodos: rht = i=0 rt+i es:
h
X1 h
X1 h
X1
2 i
V ar(rht ) = V ar(rt+i ) + 2 Cov(rt+i ; rt+j ) = " (h + 2) (h i)
i=0 i6=j i=0
y utilizando la identidad:
n
X x
(n i + 1)xi = [n(1 x) x(1 xn )]; jxj < 1:
i=1
(1 x)2
Si hacemos x = yn=h 1, tenemos:
h
!
X1
2 i 2 h 1
V ar(rht ) = " h+2 (h 1) = " h+2 [(h 1)(1 ) (1 )]
i=1
(1 )2
35
(n 1)s2
muestral, el cociente 2
x
sigue una distribucin 2n 1 . Por tanto, si observa-
mos una muestra de 25 observaciones sucesivas de una rentabilidad que estamos
dispuestos a suponer que evoluciona independientemente en el tiempo, y calcu-
lamos una cuasi-varianza muestral de 12,5, tendremos que (24)(12;5)
2 se distribuye
como una 224 .
Por tanto, tendremos:
(24)(12; 5) 2
0; 95 = P 12; 4 2
39; 4 = P 7; 61 24; 19
125 2
0; 95 = P 3; 25 2
20; 5 = P 6; 10 38; 46
Ejemplo II.3.8 : Suponga que las rentabilidades diarias del FTSE100 siguen
una distribucin Normal. Utilice la muestra de 11 datos diarios: {6038.3, 6219.0,
6143.5, 6109.3, 5858.9, 6064.2, 6078.7, 6086.1, 6196.0, 6196.9, 6220.1} para con-
struir un intervalo de conanza del 95% para la varianza de las rentabilidades.
R: (0,000211; 0,001333) .
Los cuantiles de una distribucin de probabilidad son invariantes por trans-
formaciones estrictamente montonas. De modo que si f es una transformacin
estrictamente montona de una variable aleatoria X, tenemos:
p p
0; 95 = P 250(0; 000211) < volatilidad < 250(0; 001333) = (23; 0%; 57; 7%)
36
2
Como V ar(X) = E(X 2 ) (E(X))2 ;tenemos: V ar(rt2 ) = E(rt4 ) E(rt2 ) :Pero:
E(rt2 ) = 2 : Por otra parte, si las rentabilidades siguen una distribucin Normal,
entonces: E(rt4 ) = 3 4 : Por tanto,1
T
X 4
V ar(^ 2 ) = T 1
3 4
( 2 2
) =2
i=1
T
por lo que la desviacin tpica de la varianza muestral, como estimador de
la varianza poblacional es:
r
2 2 2
DT (^ ) =
T
o, en trminos porcentuales:
r
DT (^ 2 ) 2
2 =
^ T
Veamos ahora como calcular la desviacin tpica del estimador de la desviacin
tpica. Esto no es un juego de palabras: necesitamos estimar la desviacin tpica
para estimar la volatilidad de una determinada rentabilidad. Y la desviacin
tpica del estimador es la medida de la precisin con que hemos estimado la
volatilidad, cuestin sin duda de toda importancia para el analista de riesgos
como para el gestor de carteras. Podriamos pensar que basta con tomar la raiz
cuadrada de DT (^ 2 ) que acabamos de calcular, para obtener la desviacin tpica
de ^ : Pero no es tan sencillo.
Como probamos ms abajo, la desviacin tpica de la desviacin tpica mues-
tral es, aproximadamente:
r
1
DT (^ )
2T
por lo que, como porcentaje de la volatilidad:
r
DT (^ ) 1
=
^ 2T
Para el coeciente de correlacin tenemos que, si las rentabilidades de dos
activos carecen de autocorrelacin y son idnticamente distribuidas, con dis-
tribucin Normal y media cero, entonces el coeciente de correlacin, dividido
por su desviacin tpica tiene una distribucin t-Student con T grados de liber-
tad. Por otro lado, su varianza es:2
1 Otra manera de ver este resultado es que, como es sabido, la varianza muestral se dis-
(T 1)^ 2 2
tribuye: 2 T Si la muestra es sucientemente larga (T > 20), la distribucin
1: q
chi-cuadrado converge a una Normal, por lo que: ^ 2 N 2 ; 4 T2 ; y: DT (^ 2 ) = 2 2
T
:
2 Si suponemos que la esperanza matemtica de ambas variables es igual a cero, entonces
el nmero de grados de libertad es T; ya que en ese caso no hay que restar 2 por el nmero
de parametros que es preciso estimar antes de calcular el coeciente de correlacin.
37
1 2
V ar(^) = (T 2) (1 )
de modo que:
p
^ T 2
p tT
1 ^2
Ejemplo: Una correlacin lineal de 0,20, calculada con 36 rentabilidades de
dos activos es signicativamente distinta de cero? R: No.
Para probar lo que antes armamos sobre la precisin con que se estima la
desviacin tpica, recordemos:
Si y es una funcin montona y diferenciable de la variable aleatoria x; la
funcin de densidad de y viene dada por: g(y) = jdx=dyj h(x):
Ejemplo: Consideremos la relacin entre variables: y = x2 ; entonces x =
p p p 1
y ) jdx=dyj = (2 y) 1 ; por lo que g(y) = h(x)= 2 y :Si, por ejem-
1=2
plo, x N (0; 1); entonces: h(x) = (2 ) exp( x2 =2); por lo que g(y) =
p1 exp( y=2); y 0
2 2 y
Por otra parte, aproximando f (x) alrededor de E(x) = ; tenemos:
1
f (x) ' f ( ) + f 0 ( )(x ) + f 00 ( )(x )2 + :::
2
por lo que, tomando esperanzas:
1
E(f (x)) ' f ( ) + f 00 ( )V ar(x)
2h i
00
E(f (x)2 ) ' f ( )2 + f 0 ( )2 + f ( )f 0 ( ) V ar(x) + :::
2
y, despreciando trminos en (V ar(x)) que, en datos diarios de rentabili-
dades, sern muy pequeos, tenemos:
2 2 2
V ar(f (x)) ' E(f (x)2 ) [E(f (x))] = (f 0 ( )) V ar(x) = [f 0 (E(x))] V ar(x)
p
En particular, cuando y = f (x) = x, tenemos:
2
1
V ar(y) = p V ar(x)
2 x
Por tanto (haciendo y = ^ ; x = ^ 2 ):
1 2 1 2 4 2
V ar(^ ) 2 V ar(^ ) = 2 T = 2T
4^ 4^
por lo que, como adelantamos,
r
1
DT (^ )
2T
38
q
Obsrvese que ni se cumple: E(^ ) = E(^ 2 ); debido a la desigualdad de
q
Jensen,3 ni tampoco se cumple: V ar(^ ) = V ar(^ 2 ):
Utilizando rentabilidades mensuales del ndice S&P500 para el perodo 9/1994
a 9/2014, T = 241; observamos:
p ^ = 0; 60%
p y ^ = 5; 17%: Sus desviaciones p tpi-
cas son: DTp (^ ) = = T = (5; 17%) = 241 = 0; 33% y DT (^ ) = = 2T =
(5; 17%) = 482 = 0; 235%; por lo que la rentabilidad media es apenas signica-
tivamente diferente de cero, debido a que se mide con poca precisin, mientras
que la desviacin tpica se estima con bastante precisin.
Todos los resultados vistos en esta seccin utilizan el supuesto de indepen-
dencia de las observaciones muestrales, lo que ha de tenerse en cuenta si se
aplican, por ejemplo, a una muestra de rentabilidades de un activo nanciero.
39
Sin embargo, la varianza es un momento poblacional o muestral y, como tal
es constante. Cmo podemos generar una serie temporal para la varianza?
Utilizando las denominadas ventanas muestrales, que son submuestras cortas,
cada una de las cuales se obtiene a partir de la previa, aadiendo un ltimo dato,
y prescindiendo del primero. La amplitud de la ventana ha de ser suciente como
para creer que, con cada una de ellas podemos estimar el parmetro en cuestin
(por ej., la varianza) con suciente aproximacin. De este modo, estaremos
generando un valor numrico de la varianza en cada instante para el cual tenemos
un dato. Slo perderemos un nmero de observaciones iniciales, igual al nmero
de ellas incluidas en cada ventana. Si, por ej., cada ventana consta de 20 datos,
entonces podremos generar datos de varianza a partir de la observacin 21.
Hay que mantener un equilibrio, no siempre fcil, al decidir la amplitud de
la ventana que se utiliza en el clculo de la varianza: por un lado, una ventana
ms corta tendr ms posibilidad de utilizar una media estable, y representar
mejor la situacin actual, pero la varianza resultante ser bastante voltil, entre
otras cosas, porque no la estimaremos con suciente precisin. Por otro, una
ventana amplia proporcionar una medida de volatilidad suave, pero calculada
respecto a una medida de referencia posiblemente no constante. En la valoracin
de opciones, se recomienda generalmente utilizar una ventana de longitud igual
al perodo que resta hasta el vencimiento de la opcin.
40
Se comparan con las volatilidades calculadas como desviaciones tpicas de las
rentabilidades diarias.
41
Sera interesante estimar modelos estadsticos de relacin (regresin) entre
estos pares de volatilidades: por un lado, un modelo que relacionase sus niveles
en cada da de la muestra podra conducir a una pendiente prxima a la unidad
en el caso de las comparaciones entre mercados europeos. Ello sera, adems,
consistente con la idea de que existe quiz un factor de volatilidad que explica
una buena parte de los niveles de volatilidad en estos mercados. En la compara-
cin Nikkei vs. S&P 500, la relacin parece estar bastante condicionada por
los episodios de alta volatilidad que han sido comunes a ambos mercados. Por
ltimo, puede verse que la asociacin entre los niveles de volatilidad trimestral
es bastante mayor que la existente entre los niveles de volatilidad mensual, como
quiz cabra esperar.
42
El mayor inters que presenta el clculo de la varianza en la forma de una se-
rie temporal es que, con ella, podemos plantearnos la prediccin de la volatilidad
futura, que discutiremos en detalle ms adelante. Un segundo aspecto de impor-
tancia reside en la capacidad que nos prestan las series temporales de cuanticar
el grado de asociacin de la volatilidad en distintos mercados, as como las car-
actersticas dinmicas de su relacin. Si detectamos que una mayor volatilidad
en un ndice de mercado, como Dow Jones, anticipa un aumento de volatilidad
en otro ndice, como el DAX, quiz podamos utilizar dicha informacin para
mejorar nuestras predicciones de la volatilidad en este ltimo mercado.
Ahora bien, sobre qu intervalo de tiempo debe estimarse la volatilidad? Ya
hemos dicho que la eleccin de una longitud para la ventana muestral dista de
ser trivial. En algunos casos, como cuando se quiere extrapolar hacia el futuro
(predecir) volatilidad, es habitual utilizar una misma longitud en su clculo que
la del perodo sobre el que se quiere predecir. Esto es ms evidente en algunos
casos, como los conos de volatilidad que veremos ms adelante, que en otros.
Que no haya unanimidad sobre cuestiones de este tipo ayuda a generar mercado,
pues distintos agentes valorarn la volatilidad de distinta manera, entre otras
cosas, porque estn interesados en distintos horizonte de inversin.
43
v
u n
u1 X
=t i 2
xt i
i=1
donde
Pn n es el nmero de datos utilizado en el clculo de la volatilidad, y:
n
= i=1 i = 11 ; que se reduce a: = 1 1 cuando no ponemos un lmite
al nmero de datos utilizado. En tal caso, el uso del factor substituye a la
necesidad de jar de antemano un nmero de observaciones para el clculo de
la volatilidad. Reducir el valor de equivale a acortar el intervalo temporal
utilizado en la estimacin.
Un anlisis similar podra aplicarse al clculo de la correlacin entre dos
rentabilidades:
n
1X i
= xt i yt i
i=1
44
3.3 Bandas de conanza para precios y rentabilidades bajo
el supuesto de Normalidad
Si la rentabilidad de un activo obedece a una distribucin Normal, la proba-
bilidad de que dicha rentabilidad se site entre su esperanza matemtica y un
rango alrededor de ella de ms o menos una desviacin tpica, es del 68,26%.
Pasa a ser del 95,46% cuando el intervalo tiene dos desviaciones tpicas de am-
plitud, y es del 99,87% para tres desviaciones tpicas. El intervalo de conanza
del 95% est delimitado por la esperanza matemtica ms y menos 1,96 veces la
desviacin tpica, mientras que el intervalo de conanza del 99% est delimitado
por la esperanza matemtica ms y menos 2,33 veces la desviacin tpica.
Si creemos que el proceso de cotizaciones no es estacionario, entonces este
ejercicio es bastante cuestionable, puesto que se basa en la hiptesis de que la
distribucin de probabilidad del proceso de cotizaciones que se analiza es rela-
tivamente estable. En general, la ausencia de estacionariedad va a aparecer en
la forma de esperanza y varianza cambiantes en el tiempo, por lo que interva-
los centrados alrededor de una cotizacin media histrica pueden ser muy poco
representativos de la evolucin futura del mercado.
Por tanto, si la variable que nos interesa no es estacionaria, hemos de trans-
formarla en una variable estacionaria (por ejemplo, tomando primeras diferen-
cias, o primeras diferencis de su logaritmo) y construir los intervalos de con-
anza para dicha transformacin estacionarias para despues transformarlos en
intervalos de conanza para la variable que nos interesa. Esta transformacin
de intervalos de conanza puede hacerse porque los percentiles se transforman
adecuadamente al aplicar transformaciones montonas.
Existe un modo razonable de construir intervalos de valores esperados bajo
los supuestos que hemos hecho acerca de la distribucin de probabilidad de las
rentabilidades continuas. Retomemos la hiptesis de que ln(1 + Rt ) o, lo que es
lo mismo, ln(Pt =Pt 1 ), se distribuye como una Normal( , 2 ) y, por estabilidad
temporal, lo mismo ocurre con ln(Pt+1 =Pt ). Ello signica que, una vez que
ln(Pt ) es conocido, entonces podemos considerar que ln(Pt+1 ) se distribuye como
una Normal( + ln(Pt ), 2 ).
La cotizacin media del IBEX35 durante diciembre de 1997 fue de 7.152,52.
A lo largo del mismo mes, la volatilidad diaria de las cotizaciones, medida
por su desviacin tpica, fue de 91,93. Bajo el supuesto de que la cotizacin
del ndice sigue una distribucin Normal con esperanza y varianza constantes,
los fundamentos estadsticos que acabamos de recordar nos permitiran con-
struir intervalos de conanza para las cotizaciones de das futuros, llevando a
izquierda y derecha de la cotizacin mensual media, tomada como prediccin de
la cotizacin en das sucesivos, un determinado nmero de veces su desviacin
tpica. Esto nos producira intervalos de conanza que cambiaran a travs del
tiempo segn fuesen variando la prediccin puntual de la cotizacin futura, y la
desviacin tpica muestral.
Para ello, es importante observar que la desviacin tpica de las rentabili-
dades fue, a lo largo de diciembre de 1997, de 0,0135363. Como primera aproxi-
macin, vamos a ignorar la rentabilidad diaria media durante diciembre de 1997,
45
que fue de 0,198%, y en cuya repeticin quiz el inversor no quiera conar. Este
es el parmetro de la expresin anterior, que supondremos igual a cero, por
lo que centraremos nuestro intervalo exclusivamente alrededor de ln(Pt ).
En tales condiciones, el rango de cotizaciones del 68,26% para el da siguiente
de mercado (primer da de mercado de enero) es de:
p p
ln(7152; 52) 1(0; 0135363) < ln Pt+1 < ln(7152; 52) + 1(0; 0135363)
es decir,
8; 8616387 < ln Pt+1 < 8; 888756 ) 7:056; 4 < Pt+1 < 7:250; 0
siendo el ltimo un clculo aproximado.
El rango de cotizaciones del 95,46% para el da siguiente de mercado es de:
p p
ln(7152; 52) 1; 96 1(0; 0135363) < ln Pt+1 < ln(7152; 52)+1; 96 1(0; 0135363)
es decir:
8; 848147 < ln Pt+1 < 8; 902293 ) 6:961; 5 < Pt+1 < 7:348; 8
mientras que el rango del 99% est determinado por:
p p
ln(7152; 52) 2; 33 1(0; 0135363) < ln Pt+1 < ln(7152; 52)+2; 33 1(0; 0135363)
es decir:
8; 843680 < ln Pt+1 < 8; 906760 ) 6:930; 5 < Pt+1 < 7:381; 7
lgicamente, ms amplio que el anterior.
Por ltimo, el rango del 99% para cinco das de negociacin (una semana)
despus, es:
p p
ln(7152; 52) 2; 33 5(0; 0135363) < ln Pt+1 < ln(7152; 52)+2; 33 5(0; 0135363)
es decir:
8; 804695 < ln Pt+1 < 8; 945745 ) 6:666; 5 < Pt+1 < 7:675; 2
Puede observarse que:
46
la amplitud de los intervalos aumenta con el grado de conanza que quer-
emos tener en que el intervalo construido contenga a la cotizacin que se
pretende anticipar,
la amplitud de los intervalos aumenta con el horizonte temporal para el
cual establecemos la prediccin.
p p
[ln(7152; 52)+5 (0; 00198)] 2; 33 5(0; 0135363) < lnS << [ln(7152; 52)+50 (; 00198)]+2; 33 5(0; 0135363)
es decir,
47
Exercise 4 Este tipo de anlisis proporciona una primera evaluacin acerca de
si un dato de mercado de un da concreto, puede considerarse como anmalo. La
pestaa "Grco Bandas" muestra la rentabilidad del ndice S&P 500 (variacin
en cotizacin), junto con las bandas de conanza del 99%.
^ + ^ rt
0; 95 = P a 1 1; 96^ " rt ^ + ^ rt
a 1 + 1; 96^ "
obteniendo as el intervalo de conanza para rt :
48
igual al producto T %: Un nmero de excepciones mayor podra indicar
la existencia de colas gruesas (leptocurtosis) en la distribucin de rentabil-
idades. Adems, las excepciones deberan repartirse equilibradamente en-
tre rentabilidades excepcionalmente positivas y negativas, es decir, debera
haber tantas excepciones por la izquierda d elos intervalos de conanza
diarios, como por la derecha de los mismos.
49
semestre, o ao, y podramos calcular su mximo y su mnimo. Cuando se rep-
resentan dichos mximos y mnimos, se observa generalmente, que la volatilidad
mxima es mayor en los intervalos menores (una semana) que en los intervalos
amplios de tiempo. Por otra parte, la volatilidad mnima es menor asimismo
cuando se calcula sobre intervalos breves de tiempo que cuando se calcula sobre
intervalos amplios. Algo similar ocurre cuando tomamos percentiles simtricos
para cada una de las series temporales de volatilidad, por ejemplo, percentiles
5% y 95%: el primero ser menor para ventanas de una semana que para las
de un mes, mientras que el percentil 95% ser generalmente superior en las
ventanas ms cortas.
Esto se debe a que la volatilidad toma valores ms extremos cuanto menor es
el intervalo de tiempo sobre el que se ha calculado. Es como si las distribuciones
de frecuencias de las distintas volatilidades tuviesen ms curtosis cuanto menor
fuese la amplitud de la ventana correspondiente. Dicho de otro modo, el rango
de valores de volatilidad calculados sobre una semana, tiende a incluir al rango
de volatilidades calculado sobre un mes, ste al rango calculado sobre tres meses,
y as sucesivamente. De este modo, habremos obtenido un cono de volatilidad.
Los conos de volatilidad desempean un papel importante cuando se quiere
apreciar si una opcin est relativamente cara o barata en el mercado. Para
ello, se trata de comparar la volatilidad implcita en el precio de mercado de la
opcin, con el rango de volatilidades que histricamente se ha estimado sobre
un perodo de tiempo igual al que queda hasta la expiracin de la opcin.
Si, por ejemplo, la volatilidad implcita cuando queda un mes para la ex-
piracin de la opcin est por debajo del percentil 10 de la distribucin de
frecuencias de las volatilidades que hemos calculado sobre intervalos de un mes,
diremos que el mercado est infravalorando dicha opcin, puesto que est dando
un precio que se corresponde con una volatilidad que es poco creble que se pro-
duzca, por lo reducido de su cuanta.
Esto signica que, en base a la experiencia histrica, la volatilidad que cabra
esperar es superior a la que el mercado espera. Si no hay razones para que as
resulte, habra que pensar que la opcin est barata. Lo contrario ocurrira si
la volatilidad implcita fuese superior al percentil 90, por ej.. Salvo que hu-
biese razones para esperar una volatilidad excesivamente alta para los registros
histricos, habra que pensar que el mercado est sobrevalorando dicha opcin.
Al construir un cono de volatilidad cabra introducir un ajuste si realmente
existe una discrepancia permanente entre los niveles de volatilidad histrica e
implcita.
Los percentiles escogidos determinan el nmero de seales que puedan obten-
erse acerca de posibles situaciones de mispricing (error en precio). Percentiles
menos extremos producirn ms seales de precio incorrecto, pero tambin
mayor nivel de riesgo, porque las seales tendern a ser incorrectas ms fre-
cuentemente. Seleccionar unos determinados percentiles es similar a seleccionar
un determinado nivel de riesgo para el clculo del VaR.
Las pestaas Cono 1 y Cono 2 presentan los cono de volatilidad para el
SP500 y el DAX, calculados con datos de enero 1997 a agosto 1997, con per-
centiles 10 y 90.
50
3.5 Varianza de la cartera
Si tenemos una cartera formada por n activos denida mediante pesos ! i ; i =
1; :::; n; el V aR de la cartera se calcula de modo anlogo a como lo hemos denido
para un solo activo foinanciero. La rentabilidad de la cartera puede escribirse:
n
X
Rc;t+1 = Ri;t+1
i=1
mientras que la varianza de dicha rentabilidad de la cartera ser:
n
! n n X
n
X X X
V ar(Rc;t+1 ) = V ar Ri;t+1 = V ar(Ri;t+1 ) + Cov(Ri;t+1 ; Rj;t+1 ) =
i=1 i=1 i=1 j=1
i6=j
n
X n X
X n
= V ar(Ri;t+1 ) + 2 Cov(Ri;t+1 ; Rj;t+1 )
i=1 i=1 j=1
i<j
51
2 2
c;t+1 W = x0 t+1 x
En el caso de una cartera compuesta por dos activos, (con n = 2), ten-
dramos:
2
c;t+1 V ar(Rc;t+1 ) = V ar(R1;t+1 ) + V ar(R2;t+1 ) + 2Cov(R1;t+1 ; R2;t+1 ) =
2 2
1;t+1 12;t+1 !1
= (! 1 ; ! 2 ) 2 2
12;t+1 2;t+1 !2
52
de precios futuros de las opciones sobre dicho subyacente. En esta lnea,
pueden establecerse diversos ejercicios:
53
el mercado puede percibir un mayor riesgo futuro, lo que debera elevar el precio
de las opciones sobre el mismo, conduciendo a una mayor volatilidad implcita.
Sin embargo, la respuesta no es evidente. Algunos estudios realizados [Anlisis
Financiero no.50, febrero]
V olatilidadimpl{citat+1 V olatilidadimpl{citat =
= (V olatilidadhistoricat V olatilidadhistoricat 1)
54
las medidas de varianza realizada basadas en rentabilidades intrada pueden
tener tambin este problema, especialmente en mercados poco lquidos. En
un contexto de limitada liquidez, el mximo puede calcularse como el mximo
realmente observado menos la mitad del spread bid-ask, mientras el mnimo es
calculado como el mnimo realmente observado ms la mitad del spread bid-ask.
En ausencia de fricciones se estima que las medidas de varianza basadas en el
rango de precios contienen informacin equivalente nicamente a la contenida
en 4 rendimientos horarios intrada. Lamentablemente, es difcil extender la
idea a la estimacin de covarianzas y correlaciones, a diferencia de lo que sucede
con las medidas de varianza realizada como veremos ms adelante.
La hiptesis de Normalidad del logaritmo de 2m;t+1 suele no rechazarse en
datos intrada, por lo que podemos utilizar un modelo de prediccin basado en
la volatilidad realizada,
2 2 2
ln m;t+1 = + ln m;t + ut+1 ; con ut+1 = t N (0; u)
Pero estamos interesados en la previsin del nivel de volatilidad, no de su
logaritmo. Por tanto, conviene recordar que,
2
2
ut+1 N (0; u) ) E (eut+1 ) = e u =2
2 2 2
2 + ln m;t +ut+1 + ln
Et m;t+1 = Et e =e m;t :Et eut+1 = 2
m;t e + u =2
55
las pautas de negociacin tienen mucho que ver con esta posible regularidad
horaria en la volatilidad de algunos mercados. Una de las guras adjuntas,
acompaada de una tabla, tomadas de Daigler (19xx), muestra el perl medio
de la volatilidad intra-da, cuando se agrupan los precios en intervalos de 15
minutos. Se utiliza como medidas de volatilidad: la desviacin tpica de las
rentabilidades, la medida de Garman-Klass (que veremos ms adelante), y el
nmero de ticks observados en cada intervalo de tiempo. En todos los casos
se tiene un perl en forma de U , si bien el mximo local de volatilidad no se
produce en el instante de cierre del propio mercado de futuros, sino algo antes,
coincidiendo con el cierre del mercado de contado. La tabla que se acompaa
es de este mismo trabajo. Dos grcos tomados de Lafuente (1999) presentan
la volatilidad del IBEX 35, as como del futuro sobre este ndice, en dos tramos
horarios: 11 a 12 de la maana, y 12 a 13 horas, aprecindose claramente la
mayor volatilidad al comienzo del da. En las tablas que se acompaan, se
presenta nuevamente evidencia a favor de un perl de volatilidad en forma de
U a lo largo del da. Chan, Chan y Karolyi (19xx), presentan una evidencia de
estacionalidad intra-da similar a la mencionada.
56
que el producto por la raz de 252 anualiza dicha volatilidad.
La rentabilidad media sobre un perodo reducido de tiempo, como el tran-
scurrido entre dos transacciones, ser muy pequea, en cuyo caso, podemos
calcular la volatilidad, muy aproximadamente, como:
v
u
p u 1 X T
V olatilidad : V = 252t r2
T 1 t=1 t
Dt = ln(Ht ) ln(Lt )
y mide, aproximadamente, el porcentaje en el que el precio mximo excede
del mnimo. Puede probarse que,
EDt2 = 4 ln(2) 2
v h i h i
uP PT
u T 1 2
ln (Ht =Lt ) 0; 386
2
ln (Ct =At )
p t t=1 2 t=1
V olatilidad : V = 252
T
57
Los valores de trading overnight no se registran, por lo que los valores real-
mente observados como mximo y mnimo no coinciden necesariamente con el
mximo y mnimo realmente producidos a lo largo de las 24 horas. Esto pro-
duce un sesgo a la baja en el estimador del mximo, y un sesgo al alza en
la estimacin del mnimo. El rango de precios queda subestimado, siendo un
subintervalo del verdadero rango de precios. Este sesgo que se produce por
generar un proceso discreto a partir de un proceso que es realmente continuo, es
algo signicativo en la medida de Parkinson, y queda bastante atenuada en la
medida de Garman-Klass. La direccin del sesgo no es evidente cuando se uti-
lizan exclusivamente datos de cierre. El sesgo puede ser importante si se utiliza
la volatilidad estimada para valoracin de opciones. Ejercicios de simulacin
sugieren que la mayor liquidez del mercado tiende a reducir el sesgo, lo que
presta en tal situacin mayor justicacin al uso de las medidas de Parkinson,
y Garman-Klass [ver Wiggins, J. (1992)]
Para tratar de tener en cuenta que las medidas de apertura/cierre y mx-
imo/mnimo se obtienen en p un intervalo inferior a 24 horas, suele ajustarse la
volatilidad resultante por 24=8; 5:
Por el contrario, las medidas basadas en el rango observado son relativamente
inmunes a este problema. En todo caso, dado que la existencia de ticks impide
que los precios ucten de modo continuo, haciendo que se tienda a sobreestimar
la volatilidad [ver Ball, C.A., (1988)], este sesgo se suele corregir en la medida
de Parkinson por medio del ratio c = d=vP , siendo d el tamao del tick, v
la volatilidad
p diaria estimada, y P el precio del p activo. Si c 1,77, se utiliza
k=0,50 c , mientras que si c<1,77, se utiliza k= 1 c2 =6:
Las medidas de volatilidad de Parkinson y Garman-Klass producen impor-
tantes ganancias de eciencia: con un nmero de datos 5 7 veces menor,
generan estimaciones de la varianza poblacional con una precisin estadstica
similar a la estimacin que se obtiene utilizando nicamente datos diarios de
cierre.
Para un da cualquiera, puede utilizarse como proxy de la volatilidad:
2 1
r;t = D2 ' :361Dt2
4 ln(2) t
Este estimador es, generalmente, menos errtico que la estimacin de la
varianza basada en la rentabilidad diaria al cuadrado, y tiene ms persistencia
que las rentabilidades diarias. Ello sugiere la posibilidad de utilizar el estimador
basado en el rango para validar un modelo de prediccin de varianza que haya
generado estimaciones ^ 2t , [Ejercicio 2.5 en Christoersen]
2
r;t+1 = + ^ 2t+1 + ut+1
Si estamos interesados en la prediccin de la volatilidad un perodo hacia
adelante, podramos utilizar el rango en el modelo de prediccin de volatilidades:
2
t+1 = ! + Rt2 + 2
t + Dt2
58
Example 5 El archivo ACCIONES.xls presenta la comparacin entre estas
medidas de volatilidad y la volatilidad ms estndar, calculadas para las co-
tizaciones de BBV, TELEFONICA, ENDESA y REPSOL, desde 9/10/97 a
10/11/99.
Rt+1 = + R t + "t
59
con V ar("t ) = 2t ; la varianza de dichas innovaciones, y pretenderemos que
los valores normalizados de "t carezcan de autocorrelacin. En este caso, es "t
quien tiene la representacin que antes propusimos:
no es claro cmo debe elegirse el nmero de das m . Este nmero suele de-
nominarse amplitud de la ventana de datos. Un nmero reducido tender
a generar una serie temporal de volatilidad muy errtica, mientras que un
nmero elevado de das generar una serie de volatilidad que puede con-
siderarse excesivamente suave. La eleccin de la amplitud de ventana debe
depender de la utilizacin que quiera hacerse de la previsin de volatilidad
resultante.
60
precisamente por esta razn, es un indicador que va reaccionando a incre-
mentos de volatilidad con cierto retraso, pues se trata de un promedio de
los niveles de volatilidad en los ltimos m das de mercado.
pondera por igual cada uno de los m das utilizados en su calculo. Ello
hace que la presencia de un da de alta volatilidad elevar la previsin de
volatilidad la primera ocasin en que dicha rentabilidad se utilice en el
clculo, y tender a mantener la volatilidad elevada durante m das, re-
ducindose nuevamente de manera drstica. La funcin de autocorrelacin
de las rentabilidades al cuadrado sugiere bastante persistencia, siendo por
tanto contraria a estas variaciones bruscas al inicio y al nal del perodo
de m dias.
61
1
X
i
12;t+1 = (1 ) R1;t i R2;t i
i=0
En la prctica es preciso truncar estas expresiones mediante:
t 1
X
2 i t 2
t+1 = (1 ) Rt2 i + 0
i=0
donde el ltimo trmino, que es funcin de la volatilidad en un perodo
inicial, 20 ; pierde relevancia con el paso del tiempo. La suma de los pesos en el
primer trmino a la derecha de la igualdad es,
t 1
X t
i 1 t
(1 ) = (1 ) =1
i=0
1
2 t 2
t = (1 ) Rt2 1 + Rt2 2 + ::: + 0
2 t+1 2
t+1 = (1 ) Rt2 + Rt2 1 + ::: + 0
2 2
t+1 = t + (1 )Rt2
Es un modelo simple, que slo tiene un parmetro para estimar, : Como
vemos, a pesar de la suma innita que aparece en la expresin de la varianza, el
modelo no necesita una gran cantidad de datos, pues las potencias de sern
prcticamente cero al cabo de un cierto nmero de perodos. Adems, una vez
calculada la volatilidad para un determinado da, la frmula de actualizacin an-
terior no precisa utilizar nuevamente los datos histricos. En realidad, el modelo
considera esencialmente un horizonte innito, sin estar sujeto a los problemas
de eleccin del nmero de das m que se utilizan en la estimacin de volatilidad
mediante ventanas mviles.
Cuando se utiliza este modelo para generar una serie temporal de volatilidad
histrica, es necesario comenzar a partir de una volatilidad inicial 20 , lo que
puede hacerse de dos modos: 1) mediante la varianza de las rentabilidades
previas a dicha fecha, que pasara a ser tomada como origen de tiempo; es
decir, utilizamos una primera submuestra (por ejemplo, 200 observaciones) para
calcular dicha varianza y comenzamos a extrapolar la varianza en el tiempo
partir de la observacin 201; 2) alternativamente, suele partirse de un valor
inicial igual a la varianza muestral de la serie temporal, es decir, se substituye 20
PT
en la expresin anterior por la varianza muestral, T1 s=1 Rs2 , que se interpreta
como el nivel de volatilidad de largo plazo, obteniendo:
t 1 T
!
X 1 X
i 2
2
t+1 = (1 ) Rt i + t Rs2
i=0
T s=1
62
Un simple clculo en (1) muestra la relacin,
2 2
t+1 = t + (1 ) Rt2
y, para covarianzas, como veremos ms adelante:
Cov (Xt ; Yt )
t =
V ar (Xt )
y coecientes de correlacin:
63
T
1X 2 rt2
ln L( ; r) = ln t( )+ 2( )
2 t=1 t
(1 )2 1
V ar ^ 2 = 2 V ar(rt2 ) = 2 4
1 1+
yaa qu: V ar(rt2 ) = E(rt4 ) E(rt2 )2 = 3 4 4
=2 4
:
En trminos porcentuales,
r
DT (^ 2 ) 1
2 = 2
^ 1 +
Como vimos anteriormente, tambin tenemos la aproximacin:
1
V ar(^ ) = V ar(^ 2 )
4^ 2
por lo que tenemos una desviacin tpica:
r r s
1 1 1 1 1 DT (^ ) 1
DT (^ ) = DT (^ 2 ) = 2 ^2 = p ^ ) =
2^ 2^ 1+ 2 1+ ^ 2(1 + )
s
1
DT (^ ) ' ^
2(1 + )
64
m
X1
2 2
t+1 =!+ i Rt i
i=0
que requiere que + < 1 para que la varianza sea estable. En caso
contrario, el peso aplicado a la varianza de largo plazo sera negativo. El alisado
exponencial de la seccin anterior, utilizado en RiskMetrics, es un caso particular
del modelo GARCH(1; 1); cuando + = 1 y = 0.
El modelo GARCH(1,1) puede escribirse tambin,
2
t = ! + Rt2 1 + 2
t 1
2
donde ! = ; lo que nos permitira prever la volatilidad del prximo da
a partir de la volatilidad prevista para hoy y de la rentabilidad observada al
cierre del mercado:
2
t+1 = ! + Rt2 + 2
t
tendramos,
2 !
=1 = 0; 01; = = 0; 0002;
1
Al considerar las uctuaciones en volatilidad, si la volatilidad estimada para
un determinado da es de t = 1; 6%, y ese da el precio del activo nanciero vara
un 1% al alza o a la baja, estimaramos para el da siguiente una volatilidad,
2
t = 0; 000002 + 0; 13 (0; 0001) + 0; 86 (0; 000256) = 0; 00023516
65
el pasado. El parmetro es la tasa a la cual el tamao de las rentabilidades
pasadas (o su volatilidad, si se quiere, pues estn al cuadrado) inciden sobre la
volatilidad actual del activo. Esta expresin puede truncarse al cabo de unos
cuantos perodos, sin incurrir en un grave error de aproximacin.
De acuerdo con este modelo,
2 2
E t+1 = ! + E Rt2 + E 2
t =!+ 2
+ 2
2 2
t+1 = (1 ) + Rt2 + 2
t = 2
+ (Rt2 2
)+ ( 2
t
2
)
2 2
t+1 = t +(1 )Rt2 ) Et 2
t+1 = Et 2
t +(1 )Et (Rt2 ) = 2
t +(1 ) 2
t = 2
t
2 2 2 2 2 2
t+2 = t+1 + (1 )Rt+1 ) Et t+2= Et t+1 + (1 )Et (Rt+1 )=
2 2
= t + (1 ) t + (1 ) t = 2t
2
2 2 2
donde hemos utilizado: Et (Rt+1 ) = Et ( t+1 ) = t:
5 Si dicha rentabilidad media no fuese cero, el modelo de alisado exponencia debera for-
mularse: 2t+1 = 2 + (1
t ) (Rt )2 :
66
El mismo razonamiento se aplicara para todos los perodos sucesivos, por
lo que:
2 2
Et t+k = t 8k
por lo que este modelo tiene persistencia igual a 1. Se espera que todo
shock en volatilidad persista para siempre, y cualquier incremento observado
en volatilidad elevar la previsin de volatilidad de todos los perodos futuros
en la cuanta del shock. El modelo de RiskMetrics extrapola la situacin de
volatilidad actual a todos los perodos en el futuro, mientras que el modelo
GARCH genera una reversin al nivel medio de volatilidad a largo plazo.
Por su parte, el modelo GARCH(1; 1) puede escribirse,
2
t = ! + Rt2 1 + 2
t 1
2
t+1 = ! + Rt2 + 2
t ) Et 2
t+1 = ! + Et Rt2 + Et 2
t =!+( + ) 2
t
2 2 2 2 2 2
t+2 = ! + Rt+1 + t+1 ) Et t+2 = ! + Et Rt+1 + Et t+1 =
= !+( + )Et ( 2t+1 ) = ! + ( + ) !+( + ) 2
t =
= !(1 + ( + )) + ( + )2 2t
2 2
puesto que, ERt+1 = t+1 :De modo similar,
2
Et t+3 = !(1 + ( + )) + ( + )2 2
t
y, en general,
2 ( + )k 1
1 k 1 2
Et t+k =! +( + ) t
+ 1
2 2
puesto que, ERt+k 1 = t+k 1 :
Por tanto, segun alejamos el horizonte de prediccin, la prediccin de volatil-
idad converge a:
67
2 !
Et t+k =
1 ( + )
que es la varianza incondicional o varianza de largo plazo, como cabe esperar
que suceda con las predicciones de toda variable estacionaria.
Alternativamente, si le modeo GARCH(1,1) se escribe:
2
t = (1 )VL + Rt2 1 + 2
t 1
k
!2 k
X X
2
Et Rt+i = Et t+i
i=1 i=1
k
!2
X
2
Et Rt+i =k t+1
i=1
k
!2 k
X X i 1
2 2 2
Et Rt+i =k + ( + ) t+1
i=1 i=1
68
y su logaritmo neperiano,
T
T 1X 2 Rt2
ln L = ln(2 ) ln t + 2
2 2 t=1 t
T
T 1X 2 Rt2
ln L(!; ; ) = ln(2 ) ln t (!; ; )+ 2 (!; ; )
2 2 t=1 t
69
la constante del modelo de varianza en funcin de los otros dos parmetros:
! = 2 (1 ), estimando as slo 2 parmetros, y .
Si queremos estimar un modelo de alisado exponencial como el utilizado en
RiskMetrics, se ja ! = 0; = 1 ; = ; y se efecta una bsqueda sobre el
valor numrico de ; 2 (0; 1);en la funcin
T
T 1X 2 Rt2
ln L( ) = ln(2 ) ln t( )+ 2( )
2 2 t=1 t
Rt = 0 + 1 Rt 1 + "t
que recoge la presencia de autocorrelacin, es decir, de dependencia temporal
en las rentabilidades. Tendra sentido entonces hacer el supuesto de estructura
GARCH de volatilidad, pero ahora sobre la innovacin "t del proceso estocstico
de rentabilidades, por lo que 2t sera ahora: 2t = V ar("t ); con funcin de
verosimilitud,
T
" #
Y 1 "2t
L= p exp
t=1 2 2t 2 2t
con,
T T
!
1X 1X
2
T 2 "2t 2 (Rt 0 1 Rt 1 )
ln L = ln(2 ) ln t + 2 = cons tan te ln t + 2
2 2 t=1 t 2 t=1 t
V ar("t )
V ar(Rt ) = 2
1 1
70
5.5 Validacin del modelo de volatilidad
Un contraste del modelo consiste en un test de ausencia de autocorrelacin en
las rentabilidades al cuadrado, Rt2 : Puesto que hemos pretendido recoger en
nuestro modelo la evolucin temporal de la volatilidad, no deberia existir tal
autocorrelacin. Para ello hemos de utilizar las rentabilidades normalizadas o
R2
estandarizadas al cuadrado, 2t : Una vez estimadala funcin de autcorrelacin,
t
la desviacin tipica de cada uno de dichos valores i por separado puede aproxi-
marse por p1T ; de modo que, por ejemplo, p2T podria utiilizarse com la banda
de conanza del 95% para el contraste de la hiptesis nula: H0 : i = 0:
Para un contraste riguroso, que considera varios valores de la funcin de
autocorrelacin, puede utilizarse el estadistico de Ljung-Box,
k
X T 2 2
T i
i=1
T i
donde i denota los sucesivos valores numricos de la funcion de autoocor-
relacin de Rt2 = 2t ; estadstico que se distribuye como una 2k : En realidad, se
trata de una familia de estadisticos, pues puede y debe utilizarse para diferentes
valores de k:
Contrastes relevantes son asimismo los pertenecientes a la familia de tests de
razn de verosimilitudes, que permiten contrastar un modelo restringido frente
a una alternativa ms general, del cual el primero se obtiene imponiendo deter-
minadas restricciones. El estadstico del contraste es,
LRT = 2 [ln LR ln LN R ]
y tiene una distribucin asinttica igual a una chi-cuadrado con grados de
libertad igual al nmero de restricciones que transforman el modelo ms general
en el modelo restringido.
Otro contraste habitual consiste en analizar si la serie temporal de varianza,
2
t es un predictor insesgado de la rentabilidad al cuadrado futura [ver Ejercicio
;
2.4 en Christoersen],
2 2
Rt+1 = + t+1 + ut+1
y se dice que 2t+1 es un predictor insesgado de Rt+1
2
si en esta regresin se
tiene: = 0 y = 1:
En situaciones en que la rentabilidad no tiene estructura de autocorrelacin,
suele tomarse la rentabilidad al cuadrado una buena aproximacin a la varianza
condicional, de modo que debemos preguntarnos6 Es Rt+1 2
una buena aproxi-
2
macin a t+1 ?
6 Cuando la rentabilidad tiene estructura de autocorrelacin, la varianza condicional es la
varianza de la innovacin del proceso autoregresivo que recoja dicha autocorrelacin, por lo
que es claro que la rentabilidad al cuadrado no seria una buena aproximacion a la misma.
71
h 2
i
2 2 2 2 2 2
V art Rt+1 = Et (Rt+1 t+1 ) = Et t+1 zt+1 1 =
h 2
i
4 2
= t+1 Et zt+1 1 = 4t+1 ( 1)
Cuando este ejercicio se lleva a cabo para opciones sobre el mismo activo
subyacente, con distinta fecha de vencimiento, se tiene una Estructura Temporal
de Volatilidades. Esta es la relacin entre las volatilidades implcitas de las
opciones y su vencimiento residual.
Cuando se utiliza el modelo GARCH, se obtiene un perl creciente o decre-
ciente, precisamente por su propiedad de reversin al nivel medio de volatilidad.
Por tanto, este modelo predice una curva de volatilidades que ser o bien cre-
ciente o bien decreciente respecto del vencimiento de las opciones.
Puede calcularse asimismo cual sera el efecto sobre cada una de dichas
previsiones, de una variacin por ejemplo, de un 1% en la volatilidad actual
del activo subyacente. Esta variacin en volatilidad no ser la misma para
todos los vencimientos, y tendr un perl anlogo al de la Estructura Temporal
de Volatilidades, lo que debera tenerse en cuenta al estimar la exposicin de
una cartera de opciones a variaciones en volatilidad del activo subyacente. Al
hacer una simulacin de este tipo y calcular una vega, no debera suponerse una
variacin anloga en volatilidad a lo largo de todos los vencimientos.
Si denimos:
72
2
V (t) = E( n+t )
1 2 k 1 2
y a = ln + ; la ecuacin de prediccin Et t+k = VL + ( + ) ( t VL )
se convierte en:
ak
V (k) = VL + e (V (0) VL )
siendo V (k) una estimacin de la volatilidad instantnea dentro de k dias.
La tasa de varianza media sobre un perodo de T dias a partir de hoy, ser:
Z T aT
1 1 e
V (t)dt = VL + [V (0) VL ]
T 0 aT
que se aproximar ms a la varianza a largo plazo VL cuanto ms distante sea
el vencimiento de la opcin. Si denotamos por (T ) la volatilidad anualizada
que debemos utilizar para valorar una opcin que vence en T dias segn un
modelo GARCH(1,1), tenemos:
aT
1 e
(T )2 = 252 VL + [V (0) VL ]
aT
de manera que si la volatilidad actual est por encima de la volatilidad a
largo plazo, el modelo GARCH genera una estructura temporal de volatilidades
decreciente, mientars que si la volatilidad actual es inferior al nivel de volatilidad
a largo plazo, la estructura temporal es creciente.
La expresin anterior puede utilizarse para estimar una estructura tempo-
ral de volatilidades, entendida como la forma en que la estructura temporal
responde a cambios en el nivel de volatilidad. Si reescribimos dicha ecuacin
como:
aT
1 e (0)2
(T )2 = 252 VL + VL
aT 252
entonces, cuando (0) cambia en (0); (T ) cambia en una cantidad:
aT
1 e (0)
(0)
aT (T )
[Hull: Risk Management and Financial Institutions, Ch.5]
2 2 P
p
2 P
q
2
t+1 = + i Rt+1 i + j t+1 j
i=1 j=1
Modelo GARCH(1,1):
73
2 2
t+1 = + Rt2 + 2
t
2 2 2
t+1 = t+1 + (Rt t) + ( t t)
2 2
t+1 = ! + (Rt t +
) t
2
t+1 = ! + Rt2 + It Rt2 + 2
t
74
festivos, anuncios macroeconmicos, reuniones de la Fed, etc. Tambin po-
dra considerarse la inclusin de un ndice de volatilidad tipo VIX cuando
queremos prever la volatilidad del subyacente de las opciones con las que
se ha calculado dicho ndice.
Algunos modelos univariantes
yt = " t ht
p
ln h2t = !+ ln h2t 1 + "t 1 + j "t 1 j 2=
Modelo GJR:
q
X p
X
h2t = ! + 2
i "t i + i I ("t i 0) "2t i + 2
j ht j
i=1 j=1
75
rango de activos en que consideran invertir es diferente, ello tambin har que
sus carteras ptimas dieran. Es importante sealar asimismo que la funcin de
utilidad descrita debe depender de la rentabilidad esperada y del nivel de riesgo,
que se supone adecuadamente medido por la volatilidad. Pero como sabemos,
la volatilidad no es observable y existen diversos modelos para evaluarla. Cada
uno de ellos conducir a una solucin diferente al problema de maximizacin de
utilidad y, por tanto, a una cartera ptima distinta. Por eso es tan importante
conocer cual puede ser el modelo ms apropiado de volatilidad en cada contexto.
Por ltimo, como se ha de considerar la rentabilidad esperada y el riesgo (o
volatilidad, en su caso) previstos sobre el horizonte de inversin, dos inversores
con idnticas preferencias pero con diferentes horizontes de inversin tendrn
generalmente carteras diferentes.
Por ejemplo, dados n activos, y denotando por w al vector de ponderaciones,
por r al vector de rentabilidades, y por V a la matriz simtrica de varianzas y
covarianzas de dichas rentabilidades, tendremos una rentabilidad esperada so-
bre el horizonte de inversin igual a w0 E(r), y una varianza igual a: w0V w: La
cartera ptima para un inversor con aversin al riesgo se obtiene resolviendo
el problema:
1 0
max w0 E(r) w Vw (2)
w 2
Como podemos ver, la aversin al riesgo mide el descenso que se produce
en el nivel de utilidad del inversor si la varianza de su cartera aumenta en una
unidad. Este mtodo de seleccin de carteras se conoce como criterio Media-
Varianza.
76
La tolerancia absoluta al riesgo es la mxima cantidad que estara dispuesto
a invertir en un juego que dobla o reduce a la mitad la cantidad invertida. Si
el inversor declara estar dispuesto a invertir hasta 400.000 euros para tener una
probabilidad de 1/2 de recibir 200.000 euros o, con igual probabilidad, recibir
800.000 euros, entonces 400.000 euros sera su tolerancia absoluta al riesgo. El
coeciente de aversin absoluta al riesgo es el cociente entre su riqueza total y
dicha cantidad. Si su riqueza es de 1.000.000 euros, el coeciente de aversion
absoluta al riesgo sera: 1:000:000=400:000 = 2; 5:
La tolerancia relativa al riesgo es la respuesta a la pregunta cul es la mx-
ima proporcin de su riqueza que estara dispuesto a invertir en una loteria que
dobla o reduce a la mitad dicha proporcin? Por ejemplo, si dicha proporcin
es el 20% de su riqueza, entoncs la tolerancia relativa al riesgo es 0,20 y el
coeciente de aversin relativa al riesgo es su inversa, 5.
El grado de aversin al riesgo est relacionado con la concavidad de la funcin
de utilidad. Dado un nivel de riqueza W; el coeciente de aversin absoluta al
riesgo se dene:
U 00 (W )
A(W ) =
U 0 (W )
y el coeciente de aversin relativa al riesgo:
W U 00 (W )
R(W ) =
U 0 (W )
Por ejemplo, para una funcin logaritmica: U (W ) = ln(W ); se tiene: A(W ) =
W 1 ; que decrece con el nivel de riqueza. De modo que el valor absoluto de la
inversin en activos con riesgo aumentar con el nivel de riqueza, puesto que la
aversin absoluta al riesgo disminuye. La aversin relativa al riesgo para pref-
erencias logaritmicas es; R(W ) = 1; constante. Por tanto, para tal inversor, la
proporcin de la riqueza invertida en activos con riesgo ser independiente del
nivel de riqueza.
Si un inversor tiene una funcin de utilidad exponencial sobre su riqueza W;
W
U (W ) = e ; >0
tenemos:
U 0 (W ) = e W
; U 00 (W ) = 2
e W
A(W ) = ; R(W ) = W
con coeciente de aversin absoluta al riesgo constante, :
En general, un inversor con A0 (W ) > 0 reducir la cantidad invertida en
activos con riesgo a aumentar su riqueza. Si adems tiene R0 (W ) > 0, entonces,
cuando aumente su riqueza, reducir no slo la cuanta invertida en activos con
riesgo sino tambin la proporcin de su riqueza invertida en tales activos.
77
El coeciente de aversin al riesgo de un inversor se expresa comparando su
tolerancia absoluta al riesgo con la cuanta total de la inversin.
Ejemplo: Consideremos un inversor con funcin de utilidad exponencial
U (W ) = e W ; > 0; y una tolerancia absoluta al riesgo de 250.000 eu-
ros. Si este tiene un patrimonio de 1 milln de euros, su coeciente de aversin
al riesgo sera: = 1:000:000
250:000 = 4:
1 1
E [U (P )] U ( ) + U 0 ( ):E(P ) + U 00 ( ):E (P )2 + U 000 ( ):E (P )3 +
2 6
1 0000
+ U ( ):E (P )4 + :::
24
donde = E(P ):Recordando la denicin de Equivalente Cierto: U (EC) =
E [U (P )] tendramos, bajo una utilidad exponencial:
1 2 3 4
EC = + ln 1 + ( ) ( ) + ( )
2 6 24
2
1 2 3 4 1 1 2 3 4
+ ( ) ( ) + ( ) ( ) ( ) + ( )
2 6 24 2 2 6 24
4
y, despreciando trminos de grado superior a :
1 2 3 4 1 4 1 2 3 3 4
EC + ( ) ( ) + ( ) ( ) = + ( ) ( ) + ( )
2 6 24 8 2 6 24
78
llegamos nalmente a:
1 2 2 3 3 3 4
CE +
2 6 24
Como vemos en esta expresin, cuando un inversor tiene una utilidad ex-
ponencial, aceptara un Equivalente Cierto a cambio de no participar en una
determinada lotera (en este caso, por mantener su cartera invertida bajo in-
certidumbre) que sera menor con una mayor varianza de su distribucin de
probabilidad, as como tambin con una asimetra negativa mayor y con un
mayor exceso de curtosis.
Supongamos una riqueza inicial igual a cero, por lo que riqueza y rentabilidad
al nal del periodo de inversin cocinciden. Entonces, si la rentabilidad de la
inversin sigue una distribucin Normal con esperanza matemtica y varianza
2
; tendremos: = 0; = 3; y el Equivalente Cierto ser, aproximadamente
igual a:
1 2
EC '
2
Por tanto, para un inversor con una funcin de utilidad exponencial, que
invierte en activos con rentabilidades con distribucin Normal, el problema de
seleccin de cartera que maximiza el Equivalente Cierto es:
1 0
M ax w0 E(r) w Vw (3)
w 2
donde r es el vector de rentabilidades de los activos disponibles, y V su matriz
de covarianzas, que no es sino la maximizacion del criterio Media-Varianza.
Proposition 7 Suponiendo que todas las alternativas de inversin disponibles
para un inversor con funcin de utilidad exponencial ofrecen una distribucin de
rentabilidad Normal, el criterio Media-Varianza consiste en escoger la cartera
de inversin que proporciona una distribucin de rentabilidades con un mayor
Equivalente Cierto.
Sin embargo, si un inversor tiene aversin relativa al riesgo constante, en-
tonces una funcin de utilidad exponencial no ser apropiada, y no existir una
relacin tan sencilla entre la utilidad esperada de una cartera y sus caracters-
ticas de Media-Varianza.
Ejercicio (Ex.I.6.4): Considere dos fondos. El primero tiene rentabilidad es-
perada 10%, con desviacin tpica 12%, asimetra -0,50 y curtosis 2,5. El segundo
tiene rentabilidad esperada 15%, con desviacin tpica 20%, asimetra -0,75 y
curtosis 1,5. Considere un inversor con funcin de utilidad exponencial, que
dispone de 1.000.000 de euros para invertir. En qu fondo invertira a) 1.000.000
de euros si su tolerancia absoluta al riesgo es 200.000 euros? b) 1.000.000 de
euros si su tolerancia absoluta al riesgo es 400.000 euros? c) 1.000.000 de euros
si su tolerancia absoluta al riesgo es 100.000 euros? d) 500.000 de euros si su
tolerancia absoluta al riesgo es 100.000 euros?. Interprete los resultados que
obtiene.
79
6.1.2 Cartera de mnima varianza
Otro criterio que podra seguirse para seleccionar una cartera con n activos,
sera el de formar aquella cartera que tuviese una menor varianza. Es, sin
duda, un criterio conservador, que puede ser muy til para muchos inversores y
que puede ser aproximadamente el comportamiento seguido por muchos fondos.
Resolvemos entonces el problema:7
minw0 V w
w
P
n
sujeto a : wi = 1; wi 0
i=1
80
varianza con una correlacin = 2=3? y con = 0; 75? R: dicha cartera inver-
tira 6.562,5 euros en el activo 1 y 3.437,5 euros en el activo 2, con volatilidad
14,52%, inferior a la de los dos activos. Con = 2=3; se tiene w = 1; 0: Con
= 0; 75; la cartera de minima varianza consiste en invertir 11:250 euros en el
activo 1 y ponerse corto en 1.250 euros en el activo 2.
Volatilidad de la cartera como funcin del % invertido en Activo 1
50%
40%
30%
20%
10%
0%
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
minw0 V w
w
P
n
sujeto a : w0E(r) = R; wi = 1; wi 0
i=1
81
0 1 0 10 1
w 2V 1 E(r) 0
@ 1 A = @ 10 0 0 A@ 1 A
2 E(r)0 0 0 R
donde 1; 2 son los multiplicadores de Lagrange de las dos restricciones del
problema.
(a i b i ) R(b i V~ i )
wi =
bV~ a2
m
X
a = i E(ri ); b = E(r)0 V 1
E(r)
i=1
82
y contrastar: H0 : 1 = 2 = ::: = k = 0; siendo k el nmero de activos
disponibles para inversin. El estadistico de contraste es:
2
! 1
X
W = 1+ ^0 1
sX
siendo = V ar("t ):
Extensiones del modelo CAPM
El contraste anterior supone que el riesgo sistemtico de cada activo es con-
stante en el tiempo y que el trmino de error tiene varianza constante. Ja-
gannathan y Wang (1996) y Bollerslev et al. (1988) extendieron el modelo
para permitir que la varianza condicional de los errores tuviera una estructura
GARCH, y el riesgo sistemtico variase en el tiempo.
El modelo CAPM supone que las rentabilidades de los activos con riesgo
quedan representadas por su media y varianza, y el modelo ha sido extendido
para permitir que el riesgo sistemtico de cada activo pueda depender de mo-
mentos de orden superior. Este modelo extendido se deduce maximizando la
aproximacion de Taylor de la funcion de utilidad, llegando al modelo de equi-
librio:
2 3
E (~
ri r~M ) E r~i r~M E r~i r~M
E(rit ) rF t = 1 2 ) + 2 3 ) + 3 4 )
E(~rM E(~rM E(~rM
donde r~i = ri E(ri ); r~M = rM E(rM ): Los tres trminos que aparecen en
los numeradores son la covarianza, coskewness y cokurtosis del activo i con el
ndice de mercado. Un buen survey es Jurczenko y Mailet (2006), Multi-moment
asset allocation and pricing models, John Wiley and Sons.
E(R) Rf
Sharpe S=
83
como valores previstos a lo largo del horizonte de futuro de inversin, aunque
esta medida, al igual que las siguientes, suelen utilizarse con valores histricos.
Al calcular el ratio de Sharpe, as como los que veremos a continuacin, debe
tenerse en cuenta la correccin por autocorrelacin al anualizar la volatilidad,
en el caso de que las rentabilidades no estn incorrelacionadas:
2 h 1
V ar(rht ) = h+2 [(h 1)(1 ) (1 )]
(1 )2
siendo h el nmero de rentabilidades observadas por ao. La raiz cuadrada
del valor numrico de esta expresin es lo que debe aparecer en el denominador
del ratio de Sharpe. Por el contrario, no es preciso ajustar la rentabilidad media
debido a la presencia de autocorrelacin.
T reynor TR =
IR =
84
aunque Jensen (1969) argumenta que, para establecer un ranking de carteras,
es preferible utilizar el coeciente estimado ( de Jensen) por s solo antes
que los ratios T R o IR .
No conviene olvidar que el uso de estos ratios est estrictamente justicado
slo bajo el supuesto de preferencias representadas por una funcin de utilidad
exponencial y rentabilidades con distribucin Normal.
Cuando el inversor es averso no solo a la volatilidad sino tambin a la
asimetra negativa (fuertes prdidas) y a un exceso de curtosis positivo, el ratio
de Sharpe se modica del siguiente modo:
{ 3
RSM = S + S2 S
6 24
donde S denota el ratio de Sharpe tradicional que antes vimos, es el coe-
ciente de asimetra y { es el exceso de curtosis, { = 3.
Rentabilidades no Normales
En contextos no Gaussianos, y bajo utilidad logaritmica, es recomendable
utilizar el ratio de Sharpe generalizado, que se dene en funcin del mximo
nivel alcanzable de utilidad esperada EU ; como:
p
RSG = 2 ln( EU )
teniendo en cuenta que bajo preferencias logaritmicas, esta raiz cuadrada
estar bien denida.
La media, asimetria y curtosis, ; ; de una distribucin de rentabilidades
se reeren al caso en que se invierte una unidad monetaria en la cartera corre-
spondiente. Cuando se invierten q unidades, el Equivalente Cierto es:
1 2 2 2 3 3 3 3 4 4
CE(q) q q + q q
2 6 24
Despreciando trminos de orden superior, el valor de q que maximiza CE(q)
es: q = =( 2 ); y teniendo en cuenta la identidad: EU = U (CE ); tenemos,
bajo una funcin de utilidad exponencial que el mximo nivel alcanzable de
utilidad esperada es, aproximadamente:
1 2 3 3 4
EU exp +
2 6 24
Pero = = S; el ratio de Sharpe estndar, por lo que:
r
p 1 3 1
RSG = 2 ln( EU ) = S 2 + S {S 4
3 12
Al igual que sucede con el ratio de Sharpe modicado (RSM ), tambin
RSG se reduce al ratio de Sharpe tradicional cuando la rentabilidad tiene una
distribucin Normal y la funcin de utilidad es exponencial.
Indices Kappa
85
Los indices Kappa fueron introducidos por Kaplan y Knowles (2004), Kappa:
A generalized downside risk performance measure, Journal of Performance Mea-
surement, 8, 42-54. El ndice Kappa de orden respecto al umbral h se dene
como:
E(R) h
K (h) =
LP M ;h (R)
donde h denota cierto umbral de rentabilidad, > 0 pero no necesariamente
entero, y LP M ;h (R) es el lower partial moment (momento parcial inferior) de
la rentabilidad R, denido como:
1= h i1=
LP M ;h (R) = E jmin(0; R h)j = E jmax(0; h R)j
E(R) h
K1 (h) =
E [max(0; h R)]
El indice Kappa de primer orden est relacionado con el estadstico Omega
introducido por Keating y Shadwick (2002). Denotando por F (R) la funcin de
distribucin de la rentabilidad R, el estadstico Omega es:
86
R1
E [max(0; R h)] h
(1 F (R))dR
(h) = = Rh
E [max(0; h R)] F (R)dR
1
E(R) Rf E(R) Rf
RS K2 (Rf ) = 1=2
=
E [max(0; Rf R)2 ] LP M2;Rf (R)
Todos los indices Kappa aumentan al disminuir el umbral de rentabilidad
escogido, h: Son negativos cuando E(R) < h; y positivos cuando sucede lo
contrario. Los ndices Kappa de orden superior son ms sensibles a la eleccin
de umbral h: Tambin son ms sensibles a la asimetra y al exceso de curtosis
porque los momentos parciales inferiores de orden superior son ms sensibles a
rentabilidades extremas (ver Example I.6.15).
87
con las limitaciones que ya conocemos por la presencia de la amplitud de
ventana m: En esta expresin estamos incorporando el supuesto de que las
rentabilidades tienen media cero, lo que ser muy aceptable en datos de alta
frecuencia.
Este tipo de modelizacin puede generar excesiva variabilidad en la serie
de covarianzas. Por tanto, puede resultar conveniente introducir persistencia
mediante un suavizado exponencial en covarianzas (RiskMetrics),
Ejemplo: Supongamos que las volatilidades diarias estimadas para dos ac-
tivos son u;t =1% y v;t =2%. Con un parmetro de alisado exponencial:
= 0; 95; Si se producen variaciones diarias en precios de Ru;t =0,5% y
Rv;t =2,5%, respectivamente, las nuevas varianzas seran,
2
u;t+1 = (0:95)(0:01)2 + (0:05)(0:005)2 = 0; 00009625 ) u;t+1 = 0; 00981 = 0; 981%
2 2 2
v;t+1 = (0:95)(0:02) + (0:05)(0:025) = 0; 00041125 ) v;t+1 = 0; 02028 = 2; 028%
uv;t+1 0:00012025
uv;t+1 = = = 0; 60443
u;t+1 v;t+1 (0:00981)(0:02028)
mientras que el del periodo anterior era:
uv;t 0:00012
uv;t = = = 0; 60
u;t v;t (0:01)(0:02)
88
Una segunda alternativa consistira en utilizar el esquema GARCH(1,1) de
covarianza, que presenta reversin a la media,
o, en notacin matricial,
89
donde Dt+1 es una matriz con desviaciones tpicas condicionales en la diag-
onal y ceros fuera de la diagonal, y t+1 es una matriz con unos en la diagonal,
y con las correlaciones condicionales fuera de dicha diagonal principal. En el
caso de dos activos:
2
1;t+1 12;t+1 1;t+1 0 1 12;t+1 1;t+1 0
t+1 = 2 = :
12;t+1 2;t+1 0 2;t+1 12;t+1 1 0 2;t+1
Suponemos que las volatilidades de cada activo ya han sido estimadas previ-
amentemediante modelos GARCH univariantes. Si estandarizamos las rentabil-
idades,
Ri;t+1
zi;t+1 = ; 8i; t
i;t+1
90
toda la muestra, y construimos una matriz de correlaciones constante en el
tiempo.10
Una vez estimada la matriz de correlaciones , las covarianzas condicionales
se obtienen:
Qt+1 = (1 ) zt zt0 + Qt
q11;t q12;t
donde Qt es una matriz kxk: Con dos activos: Qt = :Este
q12;t q22;t
modelo requiere la estimacin de un nico parmetro, ; con independencia del
nmero de activos considerados.
1 0 Cada uno de sus elementos puede interpretarse como el promedio de la serie temporal
de correlacion condicional (cambiante en el tiempo) que pudiesemos estimar para dicho par
de activos en la muestra utilizada mediante un procedimiento que permitiese tal variabilidad
temporal.
91
Al ser una covarianza entre rentabilidades estandarizadas, la serie temporal
qij;t ya nos proporciona una estimacin de la correlacin condicional entre dos
rentabilidades. Pero para garantizar que dicha correlacin est siempre en el
intervalo ( 1; 1); utilizamos la normalizacin:
qij;t+1
ij;t+1 =p p :
qii;t+1 qjj;t+1
Una vez estimadas las correlaciones condicionales ij;t , la matriz de varianzas
y covarianzas condicionales se obtiene de: t+1 = Dt+1 t+1 Dt+1 , que equivale
a calcular: ijt = ijt it jt ; mientras que las varianzas coincidirn con las de
los modelos GARCH univariantes inicialmente estimados, al tener la matriz t
unos en su diagonal principal.
ij = E(zit :zjt )
que estimaramos:
T
1X
ij = zit zjt
T t=1
teniendo entonces el modelo:
92
qij;t+1 = ij + zi;t zj;t ij + qij;t ij
Para el caso particular de dos activos, teniendo en cuenta que: E(zit :zjt ) =
2
z1;t z1;t z2;t 1 12
E 2 = resulta,
z1;t z2;t z2;t 12 1
2
q11;t+1 q12;t+1 1 12 z1;t z1;t z2;t q11;t q12;t
= (1 )+ 2 +
q12;t+1 q22;t+1 12 1 z1;t z2;t z2;t q12;t q22;t
o, en notacion vech :
0 1 0 1 0 2
1 0 1
q11;t+1 1 z1;t q11;t
@ q12;t+1 A = @ 12 A (1 )+ @ z1;t z2;t A + @ q12;t A
2
q22;t+1 1 z2;t q22;t
0,30
0,20
0,10
0,00
-0,10
-0,20
-0,30
GARCH DCC correlation
EWMA DCC correlation
-0,40
-0,50
02/01/1997
02/04/1997
02/07/1997
02/10/1997
02/01/1998
02/04/1998
02/07/1998
02/10/1998
02/01/1999
02/04/1999
02/07/1999
02/10/1999
02/01/2000
02/04/2000
02/07/2000
02/10/2000
02/01/2001
02/04/2001
02/07/2001
02/10/2001
93
Una ventaja de este modelo es que sus parmetros pueden estimarse en
varias etapas: Primero estimamos los parmetros de los modelos de volatilidad
condicional univariantes por los procedimientos vistos en secciones previas. A
continuacin, estandarizamos las rentabilidades y estimamos la matriz de cor-
relaciones incondicionalesPque, en el caso sencillo de dos activos consta de un
slo parmetro ij = T1 z1;t z2;t . Finalmente, estimamos los parmetros y
; que determinan la persistencia en los coecientes de correlacin. Lo impor-
tante es que en cada etapa, se estima simultaneamente un nmero reducido de
parmetros.
Ntese que el nmero de parmetros aumenta linealmente con el nmero de
pares de activos si estimamos las correlaciones de largo plazo, ij : Si jamos estos
parmetros en las correlaciones muestrales, entonces el nmero de parmetros
es 2, y ; con independencia del nmero de activos considerados.
94
7.6 Relaciones entre contado y futuro
Frecuentemente, se utiliza un modelo DCC para estimar la correlacin condi-
cional entre dos o ms variables. Para modelizar relaciones entre un activo de
contado (por ejemplo, el IBEX35) y un futuro (por ej., el futuro sobre IBEX35),
podriamos especicar:
n
X
rs;t (i)11 (i)12 rs;t 1 s "s;t
= + (ln St 1 ln Ft 1 )+
rf;t (i)21 (i)22 rf;t 1 f "f;t
i=1
95
donde, condicional en t 1 ; el conjunto de informacion disponible en t
1;los trminos de innovacion seguirn una determinada distribucin, que ten-
driamos que especicar para la estimacin por Mxima Verosimilitud del mod-
elo. Por ejemplo, podriamos suponer, despues de hacer algunos contrastes, que
("s;t ; "f;t ) = t 1 D(02 ; t ); siendo t la matriz de covarianzas condicional del
proceso bivariante de innovaciones, y D una distribucin de probabilidad por
especicar.
El modelo se formula en dos etapas. Primero, suponemos que la evolu-
cin temporal de las varianzas condicionales viene recogida por un modelo
GARCH(p,q), posiblemente asimtrico:
2 p
X q
X
s;t !s A(i)11 A(i)12 "2s;t 1 B(i)11 B(i)12 2
s;t 1
2 = + + +
f;t !f A(i)21 A(i)22 "2f;t 1 B(i)21 B(i)22 2
f;t 1
i=1 j=1
Una vez que se ha estimado este modelo, se generan las rentabilidades es-
tandarizadas:
T
X
2 1 2
qss;t = (1 1 2 )qss + 1 qss;t 1+ 2 zs;t 1 ; qss = T zs;t
t=1
T
X
2 1 2
qf f;t = (1 1 2 )qf f + 1 qf f;t 1 + 2 zf;t 1 ; qf f = T zf;t
t=1
T
X
1
qss;t = (1 1 2 )qsf + 1 qsf;t 1 + 2 zs;t 1 zf;t 1 ; qsf = T zs;t zf;t
t=1
qss;1 = 1;
qf f;1 = 1;
T
X
1
qsf;1 = T zs;t zf;t
t=1
96
La correlacin condicional se estima:
qsf;t
sf;t =p
qss;t qf f;t
y la covarianza condicional:
s "s;t
+ (ln St 1 ln Ft 1) +
f "f;t
2
s;t !s A11 A12 "2s;t 1 B11 B12 2
s;t 1
2 = + +
f;t !f A21 A22 "2f;t 1 B21 B22 2
f;t 1
2
"s;t D11 D12 "s;t 1 Is;t 1 Ik;t 1 = 1 si "k;t 1 < 0
+ + ; con
"f;t D21 D22 "2f;t 1 If;t 1 Ik;t 1 = 0 si "k;t 1 > 0; k = s; f
T
X
2 1 2
qss;t = (1 1 2 )qss + 1 qss;t 1 + 2 zs;t 1 ; qss = T zs;t
t=1
T
X
2 1 2
qf f;t = (1 1 2 )qf f + 1 qf f;t 1+ 2 zf;t 1 ; qf f = T zf;t
t=1
T
X
1
qss;t = (1 1 2 )qsf + 1 qsf;t 1 + 2 zs;t 1 zf;t 1 ; qsf = T zs;t zf;t
t=1
qsf;t
sf;t = p
qss;t qf f;t
sf;t = sf;t s;t f;t
zs;t 0 1 sf;t
= t 1 N ;R
zf;t 0 sf;t 1
97
por lo que la funcin logaritmo de la verosimilitud resulta:
T
T 1X zs;t
ln L = ln 2 ln(jRj) + (zs;t zf;t ) R 1 =
2 2 t=1 zf;t
T
" #
T 1X 2
2
z1;t 2
+ z2;t 2 12;t z1;t z2;t
= ln 2 ln(1 12;t ) + 2
2 2 t=1 1 12;t
98
min V ar(brst hrf t )
h
Como:
ht Cov(rst ; rf t )
=
bt V ar(rf t )
que coincide con el estimador de mnimos cuadrados de la pendiente de una
regresin de rst sobre rf t :
Estos momentos pueden estimarse con carcter incondicional, mediante tc-
nicas de minimos cuadrados ordinarios, o puede tratarse de momentos condi-
cionales, en cuya estimacin utilizaramos un modelo GARCH. de hecho, si
consideramos el problema:
llegaremos a:
99
estimaciones estariamos utilizando informacion no disponible en cada momento,
por lo que este tipo de estimaciones no habrian podido obtenerse en tiempo real,
segun se observa la evolucin de los mercados.
Las estimaciones ex-ante se obtienen utilizando para cada dia t informa-
cion estadistica correspondiente a dias no posteriores a t: Para ello, podemos ir
aumentando la muestra cada dia, o podemos utilizar ventanas moviles, mante-
niendo su amplitud constante. Esto puede hacerse tanto con la estimacion de
minimos cuadrados como con la estimacion GARCH.
La diferencia entre uno y otro tipo de momentos estriba en que los momen-
tos incondicionales se consideran constantes en el tiempo, y su estimacion va
mejorando segun se dispone de mas informacion muestral. Por tanto, bajo esta
interpretacion, tiene sentido estimar los momentos correspondientes al dia t con
todos los datos disponibles hasta dicho dia, no con ventanas moviles de amplitud
constante. En ese sentido, cabria esperar que la estimacion numerica variase con
el tamao muestral, auque convergiendo al verdadero valor del parametro que
se estima (si el estimador es consistente). Si esto no sucede, habr que pensar
que ha habido algun cambio estructural en el valor del parametro durante la
muestra utilizada en su estimacin, o que la naturaleza incondicional del mo-
mento poblacional no es correcta. Los momentos condicionales, por denicin,
cambian con el tiempo, por lo que cada dia se estiman momentos diferentes, y
tiene sentido mantener constante la amplitud de la ventana muestral utilizada
en la estimacin.
Lafuente y Novales (2003) consideran el problema:
100
El ratio de minima varianza solo queda sin determinar cuando cs;t = 1
y t = 1: En este caso particular, la funcin objetivo es igual a la varianza de
la posicin descubierta, b2t 2c;t ; con independencia del ratio de cobertura que se
utilice. En este caso limite, la rentabilidad del contrato futuro es no estocstica,
y no proporciona cobertura alguna.
En el caso general, la varianza condicional mnima de la posicin cubierta
es:
2
2 2
1 cs;t
b2t c;t t 2
1+ t +2 cs;t t
2
2 1 cs;t
siendo t 1+ 2t +2 el factor de reduccin de varianza conseguido con la
cs;t t
cobertura.
101
7.6.3 Modelo asimtrico
El modelo DCC GARCH admite una versin asimtrica que puede formularse
de distintas maneras. Capiello, Engle y Sheppard (Asymmetric Dynamics in the
Correlations of Global Equity and Bond Returns, Journal of Financial Econo-
metrics, 2006, vol.4, no.4, 537-572) proponen el modelo AG-DCC (Asymmetric
Generalized DCC):
Qt+1 = (1 )P N + zt zt0 + 0
t t + Qt
En el articulo se presenta asimismo una versin diagonal del modelo AG-
DCC y se dan las condiciones para que las matrices de covarianzas sean denidas
positivas en cada uno de estos modelos.
Es muy sencillo generalizar cualquiera de estos modelos para permitir algun
cambio estructural, ya sea en las rentabilidades medias o en las relaciones di-
namicas entre rentabilidades, pudiendo contrastar tras la estimacin la validez
de tal hiptesis mediante un test de Wald habitual.
102