Anda di halaman 1dari 102

Midiendo el riesgo en mercados nancieros

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

2 La medicin del riesgo inherente a un activo 22


2.1 Distintos tipos de riesgo nanciero . . . . . . . . . . . . . . . . . 22
2.2 Midiendo el riesgo mediante varianzas y correlaciones . . . . . . . 24
2.3 La varianza como indicador de volatilidad: Limitaciones . . . . . 27
2.4 Ejercicio prctico: Estadsticos descriptivos en la estimacin de
la volatilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5 Extrapolacin temporal de la varianza . . . . . . . . . . . . . . . 32
2.6 Estimacin de la varianza de una distribucin de probabilidad . . 35
2.6.1 Intervalo de conanza para la varianza . . . . . . . . . . . 35
2.6.2 Desviacin tpica de los estimadores de la varianza, la
desviacin tpica y el coeciente de correlacin lineal . . . 36

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

4 Otras medidas de volatilidad 52


4.1 Volatilidad implcita versus volatilidad histrica . . . . . . . . . . 52
4.2 Utilizacin de informacin intrada en la medicin de la volatili-
dad de un activo nanciero . . . . . . . . . . . . . . . . . . . . . 54
4.2.1 Estacionalidad intra-da en volatilidad . . . . . . . . . . . 55
4.2.2 Medidas de Parkinson y Garman-Klass . . . . . . . . . . . 56

5 Modelizacin y prediccin de la volatilidad 59


5.1 El modelo de alisado exponencial (EWMA) . . . . . . . . . . . . 61
5.2 El modelo GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . . . 64
5.3 Prediccin de volatilidad: EWMA y GARCH(1,1) . . . . . . . . 66
5.4 Estimacin del modelo de volatilidad por mxima verosimilitud . 68
5.5 Validacin del modelo de volatilidad . . . . . . . . . . . . . . . . 71
5.6 Estructura temporal de volatilidad . . . . . . . . . . . . . . . . . 72
5.7 Otros modelos GARCH . . . . . . . . . . . . . . . . . . . . . . . 73

6 Evaluando el resultado de la gestin de carteras 75


6.1 Criterios de seleccin de carteras . . . . . . . . . . . . . . . . . . 75
6.1.1 Maximizacin del Equivalente Cierto . . . . . . . . . . . . 76
6.1.2 Cartera de mnima varianza . . . . . . . . . . . . . . . . . 80
6.1.3 Problema de Markowitz . . . . . . . . . . . . . . . . . . . 81

6.1.4 Modelo CAPM . . . . . . . . . . . . . . . . . . . . . . . . 82


6.2 Criterios de evaluacin de carteras . . . . . . . . . . . . . . . . . 83

7 Modelos de correlacin condicional 87


7.1 Estimacin de covarianzas condicionales . . . . . . . . . . . . . . 87
7.2 Modelo de correlacin condicional constante (CCC) . . . . . . . . 90
7.3 Modelo de suavizado exponencial (Exponential smoother, EWMA,
Integrated DCC ) . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.4 Correlaciones dinmicas GARCH (DCC GARCH ) . . . . . . . . 92
7.5 Estimacin por cuasi-mxima verosimilitud . . . . . . . . . . . . 94
7.6 Relaciones entre contado y futuro . . . . . . . . . . . . . . . . . . 95
7.6.1 Modelo de correccin de error con estructura DCC GARCH 95
7.6.2 Cobertura de carteras: una aplicacin del modelo DCC-
GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.6.3 Modelo asimtrico . . . . . . . . . . . . . . . . . . . . . . 102

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

si la medida de probabilidad es continua, o:


X
E(X) = x = xi dP (xi )
xi

si la medida de probabilidad es discreta. En este ltimo caso, xi denota cada


uno de los valores posibles de la variable aleatoria X, en nmero nito o no.
La mediana m est denida por el punto del soporte valor numrico para el
cual se cumple:
Z m
1
f (x)dx =
1 2
en el caso de una variable aleatoria o distribucin de probabilidad continuas,
y:
( m
)
X 1
M ed(X) = inf mj dP (xi ) =
xi
2

en el caso de una variable discreta. Esta formulacin de la denicin se


debe a que en distribuciones discretas puede aparecer alguna ambigedad en su
clculo.
La moda es el valor ms probable de una distribucin, es decir, el punto xM
del soporte de la distribucin, tal que:

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

en distribuciones continuas y discretas, respectivamente.


La varianza puede escribirse tambin:
h i
2 2
x = E (X ) = E X2 2 X + 2 = E X2 2

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

Algunas propiedades de la varianza de una variable aleatoria X:

V ar(aX + b) = a2 V ar(X)
V ar(a) = 0

Como en muchas ocasiones se quiere poner dicho indicador en relacin con


el valor medio de la variable, se preere un indicador que tenga unidades com-
parables a las de la rentabilidad por lo que, cuando hablamos de volatilidad
solemos referirnos a la desviacin tpica: raz cuadrada de la varianza, tomada
con signo positivo:
p
DT (X) = x = 2
x

Otros momentos poblacionales son el coeciente de variacin:

4
x
Coef iciente de variacion = 100
x

que considera la desviacin tpica (volatilidad) como porcentaje del nivel


alrededor del cual ucta la variable, lo cual es til al comparar la volatilidad
de variables que tienen una esperanza matemtica diferente; por ej., al comparar
la volatilidad de dos ndices burstiles distintos.
El coeciente de asimetra:
h i
3
E (x x )
Coef iciente de asimetr{a = 3
x
que es positivo cuando la distribucin es asimtrica hacia la derecha, en cuyo
caso la moda es inferior a la mediana, y sta es, a su vez, inferior a la media
aritmtica. El coeciente de asimetra es negativo cuando la distribucin es
asimtrica hacia la izquierda, en cuyo caso la moda es mayor que la mediana,
y sta es, a su vez, superior a la media aritmtica. Toda distribucin simtrica
tiene coeciente de asimetra igual a cero.

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:

t2 E(X 2 ) t3 E(X 3 ) tn E(X n )


MX (t) = E(etX ) = 1 + tE(X) + + + ::: + + ::: =
2! 3! n!
t2 m2 t3 m3 tn mn
= 1 + tm1 + + + ::: + + :::
2! 3! n!
por lo que es facil probar para los momentos respecto al origen que:

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

M 0 (t) = ( + 2 t)M (t)


M 00 (t) = 2
+ ( + 2 t)2 M (t)
M 000 (t) = 3 2
+( + 2
t)2 ( + 2
t)M (t)
0000 2 2 2 4 2
M (t) = 6 ( + t) + 3 +( + t)4 M (t)

por lo que

M (0) = 1; M 0 (0) = ; M 00 (0) = 2


+ 2;
M 000 (0) = 3 2 + 3 ; M 0000 (0) = 6 2 2
+3 4
+ 4

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:

'X (t) = E(eitX ) = MiX (t) = MX (it)


La funcin caracterstica es la transformada de Fourier de la funcin de den-
sidad de la variable aleatoria X. La funcin caracterstica caracteriza una de-
terminada distribucin de probabilidad. Si calculamos la funcin caracterstica
de una determinada variable aleatoria y reconocemos dicha funcin caracters-
tica como la de una determinada distribucin de proabilidad, habremos probado
que la variable aleatoria de la que partimos tiene dicha distribucin. La funcin
caracteristica siempre existe, incluso en casos cuando la funcin generatriz de
momentos no existe.
Para un vector de variables, la funcin caracterstica se denede igual modo,
T
pero con t siendo un vector de parmetros: '(t) = E(eit X ). La funcin carac-
terstica de una distribucin Normal multivariante N ( ; ) es:
1 T
'(t) = eit 2t t

Tambien la funcin caracteristica est relacionada con los momentos respecto


al origen:
(k)
E(X k ) = ( i)k 'X (0)
Si X1 ; X2 ; ::::; Xn son variables aleatorias independientes, no necesariamente
igualmente distribuidas, entonces:

'a1 X1 +a2 X2 +:::+ak Xk = 'X1 (a1 t):::'Xk (ak t)


Por ejemplo, la funcin caracterstica de una distribucin Gamma ( ; k)
es: '(t) = (1 it) k . Consideremos dos variables aleatorias X1 ; X2 ; con dis-
tribucion de probabilidad Gamma con igual parmetro , independientes entre
s. Si queremos conocer la distribucion de probabilidad de la suma, calculamos
la funcin caracterstica:

k1 k2 k1 k 2
'X1 +X2 = 'X1 :'X2 = (1 it) (1 it) = (1 it)

lo que demuestra que la suma de ambas variable sigue una distribucin de


probabilidad ( ; k1 + k2 ):
Si la funcin caracteristica es diferenciable de orden k en el origen, entonces
la variable aleatoria X tiene momentos hasta de orden k (si k es par), o hasta
orden k 1 (si k es impar).
Una funcin ' : Rn ! C es funcin caracterstica de alguna variable aleato-
ria si y solo si es denida positiva, continua en el origen, y '(0) = 1 [Teorema
de Bochner]:

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

donde P (t) denota la transformada de Fourier continua de la funcin de


densidad fX (x):
De modo equivalente, cuando X es escalar, si la funcin caracteristica 'X (t)
es integrable, entonces la funcin de distribucin FX es absolutamente continua
y por tanto la funcin de densidad de X puede recuperarse a partir de 'X (x)
mediante la inversa de la transformada de Fourier:
Z Z
0 1 1
fX (x) = FX (x) = eitx P (t)dt = eitx 'X (t)dt
2 R 2 R
La covarianza entre dos variables mide el signo de la asociacin entre las
uctuaciones que experimentan ambas. Esencialmente, nos dice si, cuando una
de ellas est por encima de su valor de referencia, p.ej., su media, la otra variable
tiende a estar por encima o por debajo de su respectiva media:

Cov(X; Y ) = E [(X EX)(Y EY )] = E(XY ) E(X)E(Y )


Siempre se cumple que:

Cov(X; Y ) = E [X(Y EY )] = E [(X EX)Y ]


Cuando alguna de las dos variables tiene esperanza cero, entonces:

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:

f (x; y) = f1 (x):f2 (y)


dentro del rango de variacin de ambas variables.
En el caso de distribuciones discretas (aqullas en las que la variable en
estudio toma valores en un conjunto discreto de puntos, que puede ser innito),
dos distribuciones son independientes si:

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:

V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X; Y )


V ar(X Y ) = V ar(X) + V ar(Y ) 2Cov(X; Y )

de modo que solo si ambas variables son independientes se tiene que la


varianza de su suma es igual a la varianza de su diferencia:

V ar(X + Y ) = V ar(X) + V ar(Y )


En tal caso, el riesgo (medido por la desviacin tpica) de una cartera sera
funcin de las ponderaciones con que entran en ella cada uno de los activos que
la conguran y del riesgo de cada uno de dichos activos, pero no dependera de

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

siendo S el conjunto de puntos del soporte de X donde la funcin g es


superior o igual a "2 : Por tanto,
Z
E [g(X)] "2 f (x)dx = "2 P g(X) "2
S
y, nalmente:

E [g(X)]
P g(X) "2
"2

1.2 Momentos muestrales


En general, contamos con observaciones histricas acerca de una o varias vari-
ables (precios, rentabilidades, etc.) y queremos calcular medidas de posicin
central, de dispersin y de correlacin con el objeto de resumir las propiedades
bsicas de dichos datos. El conjunto de datos observados dene un histograma
de frecuencias, o distribucin muestral de frecuencias, que contiene toda la infor-
macin disponible acerca de la variable considerada. Un histograma de frecuen-
cias es similar a una distribucin de frecuencias, pero es diferente de ella. Para
entender la diferencia entre ambos, hemos de comprender el concepto de proceso
estocstico, y el modo de utilizarlo en el anlisis de datos de series temporales.
Un proceso estocstico Xt ; t = 1; 2; 3; :::es una sucesin de variables aleato-
rias, indexadas por la variable tiempo. Las variables aleatorias pueden ser inde-
pendientes entre s o no, y pueden tener la misma distribucin de probabilidad,
o una distribucin de probabilidad diferente. Cada dato de una serie temporal
debe interpretarse como una muestra de tamao 1 de la distribucin de proba-
bilidad correspondiente a la variable aleatoria de ese instante. Por ej., el dato
de cierre del IBEX35 (suponiendo que disponemos de datos de cierre diarios)
de hoy es una realizacin, es decir, una muestra de tamao 1 de la variable
aleatoria precio de la cesta IBEX35 (como ndice) el da de hoy. La distribu-
cin de probabilidad de esta variable puede ser diferente de la variable aleatoria
IBEX35 hace un ao por tener, por ejemplo, una esperanza matemtica menor,
una volatilidad mayor, o no ser Normal, mientras que hace un ao s lo era.
Vamos a suponer inicialmente que las variables Xt tienen todas la misma
distribucin de probabilidad, y son independientes entre s. Este es el caso ms
sencillo, y constituye un proceso de ruido blanco. Slo en este caso est to-
talmente justicado la utilizacin de momentos muestrales como caractersticas
de la variable X. Esta observacin debe servir como llamada de atencin al

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:

La suma de las desviaciones de la variable respecto de su media, es igual


a cero:
Xn Xn Xn
(xi x) = xi x = nx nx = 0
i=1 i=1 i=1

Como consecuencia de lo anterior, la media muestral de las diferencias


xi x; i = 1; 2; :::; n es igual a cero.
Si una de las dos variables, X o Y tiene esperanza cero, tenemos:

T
1X
Cov(X; Y ) = xt yt = E(XY )
T t=1

La varianza de X puede escribirse:


n n n n n
1X 2 1X 2 1X 1X 2 1X 2
(xi x) = x 2 xi x + x = x x2
n i=1 n i=1 i n i=1 n i=1 n i=1 i

Al igual que en el caso de una distribucin de probabilidad, otras medidas


utilizadas en la representacin de una muestra son:
DTx
Coef iciente de variacion = 100
x

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

siendo siempre: 0 = V ar(Xt ) y 0 = 1.

1.3 Distribuciones marginales y condicionadas: Un ejem-


plo
Consideremos la distribucin de probabilidad bivariante,
X1
2 1 0 1 2
X2 1 2=24 0 2=24 4=24 0
0 0 1=24 2=24 0 2=24
2 0 3=24 2=24 0 6=24
donde X1 puede tomar valores -2,-1,0,1,2, mientras que X2 puede tomar val-
ores -1, 0,2. El cuadro recoge probabilidades; por ejemplo, P [X1 = 1; X2 = 0] =
1=24: Las 15 probabilidades del cuadro suman 1.
La distribucin marginal de X1 es,
V alores de X1 2 1 0 1 2
Pr obabilidades 2=24 4=24 6=24 4=24 8=24
con E(X1 ) = 1=2; V ar(X1 ) = 7=4;siendo la distribucin de X2 ;
V alores de X2 1 0 2
Pr obabilidades 8=24 5=24 11=24
con E(X2 ) = 7=12; V ar(X2 ) = 263=144:

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,

E [E (X1 =X2 )] = E(X1 )


Las dos variables que hemos analizado no son independientes, pues ninguna
de ellas satisface la condicin de que su distribucin marginal coincida con su
distribucin condicionada en cualquier valor de la otra. Dicho de otro modo, el
valor que toma una variable X2 es informativo acerca de los posibles valores de
la otra variable X1 :

1.4 Semi-desviacin tpica y momentos parciales inferiores


de segundo orden
En la medicin del riesgo estamos interesados en los posibles resultados negativos
de una cartera. Por tanto, nos preocupa especialmente medir las caractersti-
cas de la distribucin de rentabilidades en su cola inferior. Los momentos que
examinamos en esta seccin miden las propiedades de las rentabilidades cuando
stas son inferiores a una determinada referencia, como pudiera ser la rentabil-
idad de un indice de renta variable, o un determinado porcentaje previamente
estipulado.
La semivarianza es una medida de dispersin de las observaciones inferiores
a la esperanza matemtica de una variable:

SV ar(X) = E min(X E(X); 0)2


Puesto que E [min(X E(X); 0)] 6= 0 , excepto que X = E(X) con proba-
bilidad 1, tenemos que: E min(X E(X); 0)2 6= V ar (min(X E(X); 0)) :Es
decir, la semivarianza no es la varianza de las observaciones inferiores a la ref-
erencia escogida en su denicin, que en este caso es E(X); pero que podra ser
un umbral .
La semi-desviacin tpica estimada a partir de una muestra de rentabilidades
es:
v
u
u1 X T
^ semi = t
2
min Rt R; 0
T t=1

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)

El LPM de orden 1 respecto del origen, LPM1;0 es:

LP M ; (X) = E [max( X; 0)]


que es el pago esperado en una opcin put con precio de ejercicio igual a , y
puede interpretarse como el coste de asegurarse respecto del riesgo de prdidas
de una cartera.
Segn aumenta , el LPM va asignando mayor peso a las rentabilidades ms
negativas. LP M3;0 se denomina la semi-asimetra (semi-skewness), mientras
que LP M4;0 es la semi-curtosis. Ejercicios: [EIV.1.1], [EIV.1.2]

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

En denitiva, se trata de un proceso no estacionario. Mayor dicultad en-


traa el caso en que una variable precio incluye una tendencia estocstica pues,
en tal caso, su esperanza y varianza no estn denidas. La presencia de una
tendencia estocstica requiere transformar la variable, generalmente en primeras
diferencias temporales, o tomando las diferencias entre las observaciones corre-
spondientes a una misma estacin cronolgica, en el caso de una variable esta-
cional. La transformacin mediante diferencias resulta bastante natural en el
anlisis de datos nancieros, por cuanto que la primera diferencia del logar-
itmo de un precio, es la rentabilidad del activo. Por esto es que tambin la
transformacin logartmica es utilizada habitualmente cuando se trabaja con
precios o ndices de mercado. Solemos pensar que las rentabilidades son pro-
cesos estacionarios, es decir, que sus observaciones provienen de distribuciones
de probabilidad con igual distribucin. Esto es relativamente razonable por
cuanto que, a diferencia de lo que sucede con el propio ndice, las rentabilidades
uctan en torno a su media. Sin embargo, en el caso del S&P500, el grco
de la rentabilidad, obtenida como primera diferencia logartmica muestra pero-
dos de mayor y de menor volatilidad, como sucede con todo activo nanciero.

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.

1.6 El coeciente de correlacin lineal como medida de


asociacin entre variables
El coeciente de correlacin lineal de Pearson, habitualmente utilizado, est
basado en supuestos que pueden limitar su utilizacin con carcter general.

El coeciente de correlacin entre variables no estacionarias puede ser muy


prximo a 1 (en general lo ser), sin que necesariamente implique que el
componente puramente aleatorio de ambas variables (sus innovaciones)
estn relacionadas, o se mueven en sintona. Es lo que conocemos como
correlacin esprea.
El coeciente de correlacin no es invariante bajo transformaciones no
lineales (por ejemplo, logartmicas),
Los valores factibles del coeciente de correlacin dependen de las distribu-
ciones marginales de las dos variables. Por ejemplo, si ln(X) es N (0; 1) y
ln(Y ) es N (0; 4); entonces el coeciente de correlacin no puede valer ms
de 2/3 ni menos de -0,09
La dependencia perfecta y positiva entre dos variables aleatorias no im-
plica necesariamente un coeciente de correlacin lineal igual a 1, ni la
correlacin perfecta negativa implica un coeciente de correlacin lineal
igual a -1, como muestra el ejemplo anterior.
Un coeciente de correlacin lineal igual a cero no implica independencia.
Solo en el caso en que las variables sigan una distribucin conjunta Normal
bivariante, ausencia de correlacin (coeciente de correlacin lineal igual
a cero) implicara independencia. Por ejemplo, una dependencia perfecta
en que las dos variables toman valores alineados a lo largo de un crculo
implicar un coeciente de correlacin lineal muy reducido. Un coeciente
de correlacin lineal nulo entre dos variables con distribucin t de Student

17
no implica independencia, pues ambas variables pueden estar relacionadas
a travs de sus momentos de orden superior.

1.7 Matrices de covarianzas


Las matrices de covarianzas miden la dependencia entre las rentabilidades de
un conjunto de activos. Estas matrices tienen en su diagonal las varianzas de
las rentabilidades de los distintos activos, y fuera de la diagonal, las covarianzas
entre cada par de rentabilidades. Los valores numricos de las covarianzas no son
interpretables, no sabemos cuando son grandes o pequeos. Para ello hemos de
ponerlos en relacin con sus varianzas, construyendo el coeciente de correlacin
lineal. La matriz de correlaciones tiene una estructura similar a la matriz de
covarianzas, con unos en la diagonal principal, y los coecientes de correlacin
lineal entre cada par de rentabiklidades fuera de dicha diagonal.
Una matriz de covarianzas V puede representarse en la forma:

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:

V ar(r) = w0 V w = (w0 D) R (Dw) = q 0 Rq


con q = Dw, siendo V la matriz nxn de covarianzas de las rentabilidades de
los activos que entran en la cartera. El producto q = Dw es un n-vector que
tiene por coordenadas los cocientes wi = i : Lgicamente, los activos nancieros
en w y V deben estar ordenados correspondientemente.

1.8 Rentabilidad continua equivalente


Distinguimos entre rentabilidades porcentuales y rentabilidades logartmicas.
Estas ltimas se conocen asimismo como rentabilidades continuas.
Rentabilidad porcentual:
Pt Pt 1
Rt = 100
Pt 1
Rentabilidad logartmica:

rt = 100 ln(Pt =Pt 1) = 100(ln Pt ln Pt 1)

donde vemos la diferencia en la transformacin logartmica a que antes nos


referamos.

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.

1.9 Rentabilidad en mercados cotizados en tipos de in-


ters
En mercados que cotizan en TIRes o en tipos de inters, como sucede con
un mercado interbancario, no existe un activo negociable. Sin embargo, en
ocasiones queremos hablar de rentabildades. La rentabilidad en dicho mercado
no es el tipo de inters cotizado, excepto si se mantiene el activo a vencimiento.
Para ello, calculamos la rentabilidad considerando la variacin en el precio de
una cartera invertida en el mismo. Generamos un ndice de precios sobre 100,
mediante la expresin: Pr = 100=(1 + rt ), como si se tratase de un bono cupon

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:

100 100 100 100


Pt Pt 1 1+rt 1+rt 1 1;00425 1;0532 95; 9233 94; 9487 0; 9476
= 100 = 100 = = = 0; 010264
Pt 1 1+rt 1 1;0532
94; 9487 94; 9486

y la revalorizacin habr sido del 1,02%.


Ntese que:

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

obtenindose en ambos casos la misma rentabilidad, R =1,0264%.


1
1+rt
La expresin 1+rt 1 puede aproximarse en serie de Taylor mediante:
1
1 + rt
' 1 + rt 1 rt
1 + rt 1
por lo que la varaicin diaria en el tipo de inters puede tomarse como una
aproximacin a la rentabilidad del activo cticio.
Ms adelante veremos que las sensibilidades de los tipos de inters a los
factores de riesgo que puedan establecerse vienen medidas en puntos bsicos.
Por es, es habitual trabajar con variaciones diarias de los tipos de inters (que
sern estacionarias) e interpretar las volatilidades en puntos basicos, no como
porcentajes.

1.10 El supuesto de rendimientos lognormales


Se dice que una variable aleatoria X, denida sobre el subespacio de nmeros
reales positivos, sigue una distribucin de probabilidad Lognormal cuando la
variable aleatoria que se obtiene como su logaritmo neperiano, Y = ln(X),
sigue una distribucin Normal( , 2 ). En tal caso, la funcin de densidad de Y
es:
1 (y )2
f (y) = p e 2 2 ; 1<y<1
2

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 ]

1.11 Contrastes de Normalidad


Bera y Jarque propusieron el contraste de Normalidad que lleva su nombre, que
utiliza los coecientes de asimetra AS y de curtosis K:
!
2
AS 2 (K 3)
BJ = T +
6 24

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:

el contraste de Kolmogorov-Smirnov, que se basa en el supremo de los val-


ores absolutos de las diferencias entre la funcin de distribucin emprica
y la funcin de distribucin terica de una variable Normal de esperanza
y varianza iguales a las muestrales. Para ello se divide el rango observado
en intervalos pequeos, y se comparan los valores de ambas funciones en
uno de los extremos de cada intervalo.
el contraste chi-cuadrado o de Pearson, basado en la comparacin de las
frecuencias terica y emprica en cada uno de los subintervalos en que se
ha dividido previamente el rango de valores observados.

Al igual que muchos contrastes cuyo estadstico hace intervenir al tamao


muestral de modo multiplicativo, el contraste de Bera-Jarque tiene una pecu-
liaridad, y es que para tamaos muestrales elevados, el estadstico del contraste
toma un valor alto, que puede conducir al rechazo de la hiptesis nula en de-
masiadas ocasiones. Dicho de otro modo, para muestras grandes, el contraste
tiene un tamao muy superior al terico.

2 La medicin del riesgo inherente a un activo


2.1 Distintos tipos de riesgo nanciero
La medicin del riesgo incorporado en un determinado activo es, sin duda, uno
de los problemas ms importantes de la economa nanciera. El nivel de riesgo
es una de las caractersticas de un activo que, junto con su rentabilidad esperada,
su liquidez, etc..determinan las decisiones ptimas de inversin de los agentes.
Es habitual identicar la medicin del riesgo con la varianza que ofrece la serie
temporal de rentabilidad del activo. En el caso de un mercado nanciero, el
riesgo suele medirse mediante la varianza de las variaciones en el ndice corre-
spondiente (rentabilidades) observadas con una determinada frecuencia (hora,
da, semana, mes). A veces, utilizamos la varianza con datos de alta frecuen-
cia, como son los datos intrada (dentro del da de negociacin); por ejemplo,
utilizando las ctoizaciones cada hora, cada 5 minutos, o incluso los precios de
todas las operaciones cruzadas.
Sin embargo, pocas veces reexionamos sucientemente acerca de lo que
estamos midiendo. Conviene pensar acerca de qu queremos medir, y si la
varianza es una medida adecuada de riesgo.
Adems del riesgo-precio o riesgo de reinversin, tenemos el riesgo de mer-
cado, debido a la evolucin del mercado en que cotiza nuestro activo durante el
plazo de la inversin, el riesgo de liquidez, debido a las potenciales dicultades
de deshacernos del activo si as lo deseamos, el riesgo de crdito o de contra-
partida, etc.; a nivel institucional tenemos tambin el riesgo operacional o riesgo

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.

2.2 Midiendo el riesgo mediante varianzas y correlaciones


Disponer de medidas numricas del nivel de riesgo asociado a la inversin en
un determinado activo nanciero durante un determinado perodo de tiempo es
una herramienta clave en muchos aspectos de la gestin de carteras. Algunos
ejemplos notables son,
Gestin de carteras mediante el anlisis rentabilidad/riesgo: Markowitz.
Este enfoque, supone que los inversores tienen preferencias dependientes de
dos argumentos: riesgo y rentabilidad esperada. La teora de carteras muestra
que, cuando un inversor se enfrenta a la posibilidad de invertir en dos activos
alternativos, no se trata de seleccionar aquel que ofrezca mejores posibilidades.
Por el contrario, es importante la complementariedad que pueda existir entre
ellos.
Dada la estructura de preferencias mencionada, podria pensarse que si un
activo ofrece mayor rentabilidad (esperada) que otro, y menor varianza, debera
ser un activo preferido, con lo que un inversor comprara solo este activo, y nada
del otro. Sin embargo, la teora de carteras ptimas nos ensea que sta puede
no ser la estrategia ptima, dependiendo del signo y magnitud de la correlacin
que exista entre ambos activos, supuesto que en el momento de llevar a cabo la
inversin estemos en un contexto de incertidumbre acerca de sus rentabilidades.
Pero qu combinacin de los dos activos sera ptima? Un inversor puede
estar dispuestos a asumir un mayor nivel de riesgo, si recibe tambin una mayor
rentabilidad, aunque no cualquier combinacin es preferible: el inversor ten-
dr un mapa de curvas de utilidad constante en el plano (riesgo, rentabilidad
esperada). Cada una de estas curvas, convexa hacia el origen y posiblemente
crecientes, es el lugar geomtrico de los pares de valores (riesgo, rentabilidad es-
perada) que ofrecen un mismo nivel de utilidad. Curvas ms elevadas en dicho
plano corresponden a niveles de utilidad superiores, y curvas por debajo de una

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.

en la prctica habitual se entiende que el riesgo es una caracterstica rela-


tivamente estable de un activo (en el caso del riesgo especco, no diversi-
cable) o de un mercado (en el caso del riesgo sistemtico, diversicable)
que puede, por tanto, estimarse a partir de datos histricos, utilizando la
desviacin tpica de la rentabilidad de un activo. Sin embargo, debemos
hacernos varias preguntas: es el nivel de riesgo o de volatilidad estable
en el tiempo? deberamos medir volatilidad sobre perodos relativamente

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.

[Case Study II:3] Volatilidades a lo largo de una estructura temporal.

2.4 Ejercicio prctico: Estadsticos descriptivos en la es-


timacin de la volatilidad
El archivo indices.xls presenta datos histricos de un conjunto de indices de renta
variable. Queremos comparar en terminos de volatilidad estos mercados. El
lector debe estar atento al hecho de que tal anlisis, que en ocasiones se efecta,
est sujeto a un problema fundamental, cual es el carcter no estacionario de
los indices de bolsa. Ello hace que sus momentos muestrales no estn bien
denidos, negando validez al anlisis que se presenta, que debera realizarse en
trminos de las rentabilidades diarias, por ejemplo, de los mercados. El lector
debe pregunatrse cules de los clculos que presentamos sobre los indices est
justicado.
En la pestaa se presentan las observaciones muestrales para los ndices de
Bolsa, as como para sus rentabilidades logartmicas (a la derecha). Debajo
tenemos la asimetria y exceso de curtosis de cada ndice, as como el clculo del
estadstico Bera_Jarque para contrastar la Normalidad de la distribucin de
probabilidad seguida por cada ndice. Por ltimo, se calcula la desviacin tpica
de cada indice sobre submuestras de amplitud creciente. De hecho, se presenta

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.

2.5 Extrapolacin temporal de la varianza


En el anlisis nanciero, la estimacin de la volatilidad obtenida a lo largo
de un perodo de tiempo breve suele extrapolarse a un determinado perodo
de referencia, generalmente anual. La anualizacin de la volatilidad permite
comparar el riesgo de varios activos, independientemente del intervalo de tiempo
considerado en su anlisis.

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:

rt2 rt1 r1 rt1 rt1 1 rt1 rt1 1


V ar = V ar + t 1 = V ar +V ar +2Cov ;
100 100 100 100 100 100 100

por lo que la varianza de la rentabilidad durante un perodo amplio no es


igual a la suma de las varianzas de las rentabilidades durante los perodos ms
cortos comprendidos en el intervalo amplio. La diferencia entre ambos clculos
estriba en que el segundo ignora las covarianzas entre cada par de rentabilidades
sobre perodos cortos.
Por tanto, si dichas rentabilidades fuesen independientes, sus covarianzas
seran nulas, y tendramos que la varianza sobre el horizonte largo sera igual a
la varianza de las rentabilidades sobre los perodos cortos.
Recordemos, adems, que la suma de variables aleatorias Normales, inde-
pendientes o no, sigue asimismo una distribucin de probabilidad Normal. Por
tanto, si suponemos que las rentabilidades continuas durante un perodo son
independientes y obedecen a la misma distribucin
Normal, tendremos, a lo largo de T perodos:
r t + rt + rt
2 + ::: + rt T +1
1
N (T ; T 2 )
100
de modo que la rentabilidad porcentual (o simple) a lo largo del intervalo de
tiempo (t T; t) tiene por esperanza y varianza:

Rt + 21 T 2 Rt 2 2
E = eT 1; V ar = e2T +T
eT 1
100 100

La prctica habitual es la siguiente: si se utilizan datos diarios, y 2 denota


una estimacin de la variabilidad diaria (varianza u otra medida), entonces
se toma 252 2 como estimacin de la variabilidad (varianza) anual p (252 es el
nmero aproximado de das de mercado dentro de un ao), y 252 como
estimacin de la volatilidad anual. Con datos semanales, la volatilidad anual
se
p obtiene a partir de la desviacin tpica de los datos semanales mediante:
52 , mientras que si se dispone de datos mensuales, la volatilidad tpica anual
se
p obtiene a partir de la desviacin tpica de los datos mensuales mediante:
12 . Se procede de igual modo si se trabaja con indicadores de volatilidad
alternativos a la desviacin tpica. Una vez obtenido un indicador de volatilidad,
se extrapolara a una medida anual del modo que acabamos de describir.
En general, dada una desviacin tpica calculada con datos de una deter-
minada frecuencia, si queremos obtener la estimacin de la desviacin tpica

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

Ejemplo: Suponga que las rentabilidades mensuales de un hedge fund sobre


los tres ltimos aos tienen una desviacin tpica de 5% cual sera su estimacion
de la volatilidad del fondo bajo el supuesto de rentabilidades independientes?
y bajo el supuesto de que tengan una autocorrelacin de 0,25? R=17,32%;
21,86%.
Esta consideracin sugiere, por tanto, que un modo de contrastar la inde-
pendencia de rentabilidades consiste en analizar si la varianza muestral aumenta
linealmente con la amplitud de la ventana muestral. En variables con covariacin
positiva, al agregar temporalmente tendremos un crecimiento ms que lineal de
la varianza, y lo contrario ocurrir bajo covariacin negativa. En denitiva,
la agregacin de volatilidades descansa en la independencia temporal de las
rentabilidades del activo en cuestin, lo que equivale a que el precio de dicho ac-
tivo obedezca a una estructura de camino aleatorio. Existen distintos enfoques
estadsticos para el contraste de dicha hiptesis, que pueden verse en la seccin
??
La existencia de autocorrelacin en rentabilidades no es necesariamente un
resultado negativo, pues ofrece la posibilidad de predecir rentabilidades. Por
esta razn, sera contraria a la nocin de mercados ecientes, segn la cual, el
precio actual resume toda la informacin relevante acerca del precio futuro, lo
que equivale a decir que el precio sigue un comportamiento de camino aleatorio.

2.6 Estimacin de la varianza de una distribucin de prob-


abilidad
2.6.1 Intervalo de conanza para la varianza
Si la poblacin de la que se extrae una muestra aleatoria simple es Normal,
con esperanza y varianza 2 , ambas constantes, y s2x denota la cuasi-varianza

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

un intervalo no muy preciso, que tendramos que tener en cuenta al establecer


nuestras conclusiones acerca de la volatilidad de un mercado. Por supuesto,
que el nmero de datos utilizados es muy importante para la precisin de la
estimacin y, como consecuencia, para la amplitud del intervalo de conanza.
Si la cuasi-varianza de 12,5 hubiese sido obtenida a partir de 10 datos, entonces
125 2
2 se distribuira como una 10 , y tendramos:

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 (c1 < X < c2 ) = P (f (c1 ) < f (X) < f (c2 ))


Por tanto, para obtener el intervalo de conanza del 95% para la volatilidad,
tendriamos:

p p
0; 95 = P 250(0; 000211) < volatilidad < 250(0; 001333) = (23; 0%; 57; 7%)

2.6.2 Desviacin tpica de los estimadores de la varianza, la desviacin


tpica y el coeciente de correlacin lineal
De la denicin de varianza, suponiendo que el periodo de tiempo es suciente-
mente pequeo como para considerar que la rentabilidad media es cero, y que
las rentabilidades son independientes en el tiempo e igualmente distribuidas
tenemos, tomando varianzas:
T
X T
X
^2 = T 1
(rt 1 r)2 ) V ar(^ 2 ) = T 1
V ar(rt2 1 )
i=1 i=1

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.

3 Varianzas y covarianzas cambiantes en el tiempo


Case Study II.3: Varianzas y covarianzas a lo largo de la estructura temporal
de tipos de inters

Qu frecuencia de observacin de datos debe utilizarse en la estimacin


de varianzas y correlaciones?
Qu longitud de periodo muestral debe utilizarse?
Deben utilizarse variaciones absolutas o variaciones relativas? Si estamos
estimando momentos que suponemos constantes en el tiempo, deberiamos
utilizar aquellas variaciones que generen estimaciones ms estables de las
volatilidades y correlaciones.
Debe utilizarse equiponderacion, ponderacion exponencial, o estructuras
GARCH?

3.1 El uso de ventanas mviles en la estimacin de la var-


ianza (equiponderadas)
Una generalizacin importante en el anlisis de datos nancieros, consiste en
considerar los estadsticos muestrales no como constantes, sino siendo a su vez
funciones del tiempo, en cuyo caso estaremos interesados en disponer de series
temporales de los mismos. Si identicamos volatilidad con desviacin tpica,
slo generando series temporales de la varianza de su rentabilidad podremos
hablar de variaciones en la volatilidad de dicho activo.
3 Si x es una variable aleatoria y ' es una funcin convexa, entonces: '(E(x) E('(x)):
Consideremos: y = x2 = '(x);una funcin convexa. La desigualdad de Jensen arma: 2x
E(x2 ) = y : Es decir, la esperanza del cuadrado de una variable aleatoria es mayor o igual
que el cuadrado de la esperanza
p de dicha variable. p
Supongamos ahora: y = x; una funcin cncava. Por tanto, y = x = '(x) es una
p
funcin convexa. En consecuencia: x E(y)

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.

Example 1 En la pestaa "indices" a la derecha de las rentabilidades logarit-


micas, se presentan las rentabilidades al cuadrado. En la pestaa "Rentabilidad
sq." se presentan las volatilidades de los distintos indices de Bolsa, medidas
como promedio del cuadrado de las rentabilidades diarias. Se hace el clculo
para distintos intervalos de tiempo. Las desviaciones tpicas son anualizadas.

40
Se comparan con las volatilidades calculadas como desviaciones tpicas de las
rentabilidades diarias.

Example 2 Este es un mercado con un nivel de volatilidad relativamente alto.


Pero lo ms signicativo son las uctuaciones que experimenta su nivel de
volatilidad (por ej., mensual). Es decir, la volatilidad puede ser bastante er-
rtica. Las pestaas "Volatilidad Nikkei" y "Vol. Nikkei 2008-14" muestran
la serie temporal de volatilidades del Nikkei, calculadas sobre ventanas mviles
de 1 y 3 meses (22 y 66 sesiones). Puede apreciarse que la serie temporal de
volatilidad calculada con una ventana muestral ms amplia es ms suave que
la calculada con una ventana muestral ms corta. Esto siempre ocurre as, por
construccin. Este grco contina mostrando notables variaciones en el nivel
de volatilidad. Sin embargo, si nos interesa el grado de asociacin existente en-

tre los niveles de volatilidad en dos mercados, es difcil apreciarlo en un grco


temporal. Es mucho ms til considerar nubes de puntos de volatilidades para
los mismos pares de ndices.

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.

3.2 Volatilidad ponderando ms el pasado reciente (pon-


deracin exponencial)
Pero, incluso jado un intervalo temporal debemos de dar a todas las obser-
vaciones pasadas la misma relevancia en el clculo de la volatilidad? Puede
parecer razonable ponderar ms las observaciones ms recientes. Utilizando las
potencias de un factor , 0< <1 , conseguimos que las observaciones vayan
perdiendo importancia cuanto ms se alejan en el tiempo.
La medida de volatilidad es entonces:

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

con el objeto de aminorar el efecto de acontecimientos relativamente alejados.

Example 3 La pestaa "Ponderaciones" muestra este clculo, aplicado a la


volatilidad del Nikkei , utilizando como pesos las potencias de 0,97, 0,90 y
0,66, alternativamente. Puede apreciarse que la volatilidad es ms variable para
ponderaciones ms reducidas, en las que el presente pesa mas que el pasado.
Asimismo, los niveles de volatilidad disminuyen, en este caso, al aplicar las
ponderaciones relativas y tanto ms cuanto menor es la ponderacin, es decir,
cuanto ms se descuentan los valores ms alejados en el tiempo. Esto se debe a
que durante el perodo considerado, los niveles de volatilidad fueron superiores
al comienzo que al nal de la muestra.

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:

los intervalos construidos no son centrados en torno a la cotizacin del da,


7.152,52, como consecuencia del supuesto de lognormalidad, que hace ms
probables aumentos importantes que descensos importantes (es decir, el
incremento medio esperado es mayor que el descenso medio esperado),

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.

Con este procedimiento podemos aprovecharnos de la aditividad de las rentabil-


idades continuas. Recordemos que esta propiedad garantiza que la rentabilidad
continua sobre un determinado perodo de tiempo puede obtenerse agregando las
rentabilidades continuas sobre subperodos del mismo. Adems, si las rentabil-
idades continuas son independientes, y cada una de ellas sigue una distribucin
Normal, todas ellas con igual esperanza y varianza, entonces su suma obedece
asimismo una distribucin Normal, con esperanza y varianza igual a la esperanza
y varianza de cada una de las rentabilidades sobre un subperodo, multiplicadas
por el nmero de rentabilidades incluido en el perodo amplio.
Por tanto, si quisisemos tomar en consideracin el incremento diario medio
en rentabilidad, estimado en un 0,198%, cuando calculamos un rango admisi-
ble para dentro de una semana, lo que haramos sera aadir 5 veces 0,00198
al logaritmo de la cotizacin actual, 7.152,52, antes de tomar 2,33 veces a su
izquierda y a su derecha, la desviacin tpica, de 0,0135363.
As,

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,

6:731; 8 < S < 7:751; 5

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%.

En segundo lugar, este tipo de evaluaciones es claramente importante al


disear estrategias de cobertura, pues establecemos armaciones acerca del
rango esperado de uctuacin de la rentabilidad de un determinado activo. Es
asimismo importante al calcular el Valor en Riesgo de un determinado activo o
mercado.
En este sentido, debe notarse que, aunque nos hemos limitado a calcular
intervalos de conanza, en realidad disponemos de una distribucin de prob-
abilidad centrada alrededor de la ltima cotizacin o precio observados. Por
consiguiente, no slo podemos construir el rango de uctuacin esperado a un
determinado nivel de conanza, sino que tambin podemos asociar probabili-
dades a cada uno de los posibles eventos, dentro o fuera de dicho rango.
Este anlisis se ha basado en dos supuestos:

Independencia de las rentabilidades sobre subperodos no solapados. Este


supuesto facilita enormemente el clculo. Cuando no se cumple, debe
establecerse una modelizacin de la correlacin temporal, construir el in-
tervalo de conanza para la innovacin y deducir de dicho intervalo el
correspondiente para la rentabilidad. Por ejemplo, si creemos que la es-
tructura de autocorrelacin es: rt = a + rt 1 + "t ;con "t N (0; 2" ),
estimaremos dicho modelo por mnimos cuadrados,PT y tendremos: 0; 95 =
P ( 1; 96^ " "t 1; 96^ " ); con ^ " = T 1 1 t=2 (rt (^ a + ^ rt 1 ))2 ; por
lo que:

^ + ^ rt
0; 95 = P a 1 1; 96^ " rt ^ + ^ rt
a 1 + 1; 96^ "
obteniendo as el intervalo de conanza para rt :

Normalidad de las rentabilidades continuas. En muchas ocasiones, tal


supuesto no resulta admisible para variables de rentabilidad nanciera,
como hemos visto ya en algunos ejemplos. En ocasiones, las distribuciones
de frecuencias presentan cierto grado de asimetra. Ms frecuentemente,
en el caso de variables nancieras, la distribucin muestral o de frecuencias
de las rentabilidades observadas presenta desviaciones respecto de su valor
central que son mayores de lo que la Normalidad podra explicar. Dicho
de otro modo, las colas de la distribucin son muy gruesas o los valores
extremos demasiado frecuentes, en relacin con la distribucin Normal.
De hecho, este ejercicio puede utilizarse como back-testing para contrastar
el supuesto mantenido de Normalidad, con varianza constante, a lo largo
de toda la muestra histrica. Con un tamao muestral grande, T; el
nmero de excepciones, es decir, el nmero das en los que la rentabili-
dad cae fuera del intervalo de conanza de % debe ser aproximadamente

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.

3.4 Conos de volatilidad


Una vez que se dispone de la serie temporal de rentabilidades de un activo,
puede calcularse su volatilidad muestral sobre intervalos de distinta amplitud
temporal. Queremos representar el modo en que la volatilidad vara con la
amplitud de dichos intervalos temporales. Ya sabemos que, bajo supuestos de
independencia temporal de las rentabilidades, la varianza sera una funcin lineal
de la amplitud del intervalo. Sin embargo, esta es una hiptesis que no siempre
se cumple.
Para ello, seleccionamos distintas amplitudes para ventanas muestrales: se-
mana, quincena, mes, trimestre, semestre, o ao, y calculamos en cada perodo
la volatilidad de la rentabilidad ofrecida por dicho activo desde el comienzo de
cada una de dichas ventanas. De este modo, construimos una serie temporal de
volatilidades para cada una de las ventanas seleccionadas.
Asi, jada una determinada amplitud temporal, por ej., un mes, vemos cmo
ha ido cambiando la volatilidad a travs del tiempo: si estamos a 15 de noviem-
bre de 2001, y disponemos de datos desde comienzos de enero de 1996, em-
pezaramos calculando la volatilidad muestral para todo el mes de enero de
1996, por ejemplo (el comienzo es relativamente arbitrario), e iramos aadi-
endo un da al nal de la muestra, y quitando un da al comienzo de la misma,
para volver a calcular la volatilidad registrada a lo largo de un mes de mercado.
El procedimiento puede seguir hasta el ltimo dato disponible. De este modo
habremos generado una serie temporal de volatilidad, a lo largo de un mes,
desde el 1 de enero de 1996, hasta el 15 de octubre de 2001.
En esta ocasin, sin embargo, no nos detenemos en analizar la variacin
temporal de la volatilidad, sino en estudiar algunos de sus estadsticos descrip-
tivos, pues queremos analizar cmo cambian las propiedades de la volatilidad
al cambiar la amplitud del intervalo de tiempo considerado. De hecho, vamos a
considerar los valores que conguran la serie temporal de volatilidades de una
determinada ventana como valores extrados al azar de la distribucin de prob-
abilidad de la varianza correspondiente a dicha ventana. Inicialmente, tomamos
los valores mximo y mnimo de las volatilidades as calculadas, y los repre-
sentamos en la vertical sobre el eje de abscisas, en el punto correspondiente a
1 mes. El mismo procedimiento puede llevarse a cabo para cada una de las
ventanas escogidas: para intervalos de 1 semana, comenzaramos nuevamente al
inicio de enero de 1996, obteniendo un mximo y un mnimo de las volatilidades
calculadas sobre un rango temporal de una semana.
De este modo tendramos una serie temporal para cada una de las volatili-
dades calculadas sobre intervalos de: una semana, dos semanas, un mes, trimestre,

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

que puede escribirse en notacin matricial,


2
c;t+1 = V ar(Rc;t+1 ) = ! 0 t+1 !

siendo ! el vector de pesos relativos de la cartera: ! = (! 1 ; ! 2 ; :::; ! n ); y


t+1 la matriz simtrica nxn de varianzas y covarianzas de las rentabilidades
de los n activos que componen la cartera.
Si denotamos por x = (x1 ; x2P
; :::; xn ) las cantidades invertidas en cada activo
n
y por W la cuanta total, W = i=1 xi , de modo que ! i = xi =W; tenemos, en
4
trminos monetarios:
4 Puesto 1 0 1 1
que: 2
c;t+1 = !0 t+1 ! = W
x t+1 W
x = W2
x0 t+1 x

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

El riesgo de una cartera (su volatilidad) puede reducirse introduciendo en


ella N activos con correlacin reducida, o bien ampliando el nmero de activos
de la cartera. Para hacernos una idea, si formamos una cartera equiponderada
con activos, todos con igual volatilidad ; y cada dos de ellos con la misma
correlacin, , tenemos una volatilidad:
s
1 1
c = + 1
N N
que disminuye rapidamente al aumentar el nmero de activos.

4 Otras medidas de volatilidad


4.1 Volatilidad implcita versus volatilidad histrica
La volatilidad implcita es la estimacin de volatilidad que se obtiene al imponer
el precio observado en el mercado en una expresin terica de valoracin que
hace depender el precio de dicho activo de una sola componente no observada,
su volatilidad (adems de depender de otras componentes observables). En
general, nos interesa calcular volatilidades implcitas, porque para este tipo de
derivados disponemos de modelos de valoracin del tipo descrito.
Al efectuar este ejercicio, se est suponiendo que el modelo terico de valo-
racin del activo es correcto, y que el mercado forma expectativas de volatilidad
utilizando ecientemente la informacin de que dispone. Ello hace que el precio
de mercado resuma de manera adecuada toda la informacin disponible acerca
del activo.
Estamos interesados en obtener volatilidades implcitas por dos razones:

Una vez determinada la volatilidad cotizada en el mercado para un deter-


minado subyacente, podremos poder evaluar si una determinada opcin
est subvalorada, correctamente valorada o sobrevalorada por el mercado,
lo que podra sugerir diversas estrategias de inversin, y
Generalmente, nos interesa utilizar la volatilidad implcita en un sentido
temporal, pues si podemos obtener buenas previsiones de la volatilidad
implcita futura de un determinado activo, dispondremos de previsiones

52
de precios futuros de las opciones sobre dicho subyacente. En esta lnea,
pueden establecerse diversos ejercicios:

a) para tener un indicador de la percepcin del mercado acerca de la volatil-


idad de un activo y poder analizar el modo en que dicha percepcin cambia en
el tiempo,
b) utilizar la serie temporal de la volatilidad implcita para especicar un
modelo univariante predictivo de la volatilidad implcita futura, para lo que
necesitaremos haber calculado la volatilidad implcita durante todos los das a
travs de un largo perodo de tiempo,
c) para ponerla en relacin con alguna de las medidas de volatilidad histrica:
estas son las medidas que se basan exclusivamente en precios de mercado histri-
cos del subyacente, sin utilizar modelo de valoracin alguno, como ocurre con
una desviacin tpica estimada a travs de ventanas muestrales, o la medida de
Gorman-Klass, por ej..
Puesto que las frmulas tericas de valoracin de un producto derivado son
funciones altamente no lineales de sus argumentos y, en particular, de la volatil-
idad, la resolucin de la ecuacin que iguala el precio terico (es decir, el que
se obtiene de la frmula) con el precio observado en el mercado para obtener
la volatilidad no puede llevarse a cabo analticamente, siendo preciso recurrir a
algoritmos numricos, del tipo de los que analizaremos en mdulos posteriores.
La volatilidad implcita no hace sino reejar la visin del mercado acerca
del grado de incertidumbre que entraa la evolucin temporal de la rentabilidad
que ofrece un activo. Cambios en la informacin disponible (resultados de una
empresa, intervenciones de poltica econmica, publicacin de algn dato clave
sorprendente) pueden incidir sobre tal percepcin.
Existe una importante distincin entre ambos tipos de volatilidad: por un
lado, tenemos la volatilidad histrica, que mira hacia el pasado, y se basa exclu-
sivamente en informacin histrica del precio o de la rentabilidad cuya volatil-
idad se pretende calcular. Por otra parte, la volatilidad implcita afecta a la
valoracin de un producto derivado y, en consecuencia, mira hacia el futuro,
tratando de estimar una caracterstica no observable, por cuanto que an no se
ha realizado, como es la volatilidad futura del subyacente.
Slo si pensramos que la volatilidad futura es igual a la pasada estaramos
estimando el mismo concepto, aunque por mtodo distintos, que nos propor-
cionarn valores numricos diferentes. Por otra parte, la volatilidad histrica,
calculada en forma de serie temporal a travs de ventanas mviles, como de-
scribimos anteriormente, tambin podra utilizarse para predecir la volatilidad
futura. Por tanto, ambos conceptos pueden ponerse en relacin. La mayor difer-
encia estriba en la forma de calcular las volatilidades. Por un lado, en la forma
de desviacin tpica; por otro, resolviendo en una formula como la de Black-
Scholes de modo que el precio terico resultante coincida con el observado en el
mercado.
Una hiptesis interesante estriba en si la volatilidad implcita responde a
variaciones en la volatilidad histrica. La intuicin es que si se produce una
variacin en la rentabilidad de un activo que modica su volatilidad histrica,

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)

Trabajando con datos para el bono nocional, en dicho trabajo se encuentran


coecientes de determinacin en torno a 0,77, y pendientes estimadas prximas
a 0,80.
Hay que tener en cuenta que la existencia de una relacin estadstica estable
entre volatilidad histrica e implcita no precisa que los niveles de volatilidad es-
timados por cada uno de los dos procedimientos coincidan. De hecho, esperamos
ms bien lo contrario; en todo caso, no importa que ambos niveles de volatil-
idad sean los mismos, sino que variaciones en el nivel de volatilidad histrica
anticipen cambios en el nivel de volatilidad implcita, que puedan utilizarse para
la gestin de carteras.

4.2 Utilizacin de informacin intrada en la medicin de


la volatilidad de un activo nanciero
Si observamos los precios negociados de un activo a intervalos regulares de
tiempo, podemos denir,

Rt+j=m = ln(St+j=m ) ln(St+(j 1)=m )

donde suponemos m observaciones diarias, para estimar la varianza diaria,


m
X
2 2
m;t+1 = Rt+j=m
j=1

que podra utilizarse, nuevamente, en la validacin de modelos de previsin


de volatilidad, en sustitucin del cuadrado de la rentabilidad diaria, o utilizarse
directamente en la prediccin de volatilidad. Ntese que estamos acumulando los
cuadrados de las rentabilidades observadas dentro de un mismo da, por lo que
no hay que promediar. Segn aumenta el nmero de observaciones intradia m,
la medida de varianza realizada anterior converge a la verdadera varianza diaria.
El uso de rentabilidades intradia se ve condicionado en el caso de activos
poco lquidos por la imposibilidad de observar el precio con mucha frecuencia.
Lo que obtenemos entonces no es el precio fundamental del activo, que no es
observable, sino una secuencia de precios bid y ask [ver simulacin en Figure 2.7
en Christoersen]. Los precios diarios intrada pueden contener mucha volatili-
dad esprea, que no existe en el precio fundamental del activo, por los rebotes
observados en las transacciones entre precios bid y ask. Como consecuencia,

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

por lo que en un modelo autoregresivo como el anterior,

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

4.2.1 Estacionalidad intra-da en volatilidad


Tratar de caracterizar pautas de estacionalidad, tanto en rentabilidad como
en volatilidad, puede producir informacin de enorme inters para un inversor.
Ha sido muy popular durante mucho tiempo buscar efectos estacionales en las
rentabilidades ofrecidas por los mercados de valores. As, existe el denominado
efecto Enero, mes en el que las Bolsas tienden a ofrecer una rentabilidad superior
a la de otros meses, debido a la recomposicin de carteras de muchos inversores,
que liquidaron parte de las mismas antes de nal de ao por razones scales.
Asimismo, se ha debatido durante mucho tiempo la existencia de efectos esta-
cionales entre semana o efectos das de la semana, armando algunos autores
que existe efecto lunes en algunos mercados.
Menos estudiada ha sido la posible existencia de pautas estacionales en
volatilidad. Evidentemente, la posible existencia de tales pautas sera asimismo
un fenmeno muy a tener en cuenta por todos los que gestionan riesgo de uno
u otro modo.
Parece, sin embargo, bastante probada la existencia de pautas estacionales
de volatilidad intrada, que se reejan en una mayor volatilidad en el perodo
siguiente a la apertura del mercado, un descenso en las horas centrales del da,
y un incremento posterior, segn se acerca la hora de cierre.
A este perl en forma de U de la volatilidad a lo largo del da de negociacin
suele venir unido un perl similar de los volmenes negociados. Por tanto,

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.

4.2.2 Medidas de Parkinson y Garman-Klass


Generalmente, entendemos por volatilidad de un activo nanciero el valor anu-
alizado de un indicador de variabilidad de su tasa de rendimiento. Tradicional-
mente, se ha tomado como como indicador de variabilidad la desviacin tpica
aunque, posteriormente, se han ido introduciendo otras medidas alternativas
de volatilidad que se consideran superiores en trminos de eciencia informa-
tiva, algunas de las cuales discutimos en esta seccin, dejando las restantes para
captulos sucesivos. Se entiende que la volatilidad es una medida del riesgo del
activo, aunque ya hemos adelantado algunas razones para tomar con precaucin
dicha inteR&P retacin.
Enlazando con los estadsticos hasta ahora considerados, extendamos el cl-
culo de la volatilidad histrica de una variable, que puede hacerse, disponiendo
de la informacin relativa a un da de negociacin, a travs de:
1) Con precios de cierre (u otro dato representativo del da)
2) Con precios de apertura y cierre
3) Con los precios mximo y mnimo
4) Con el mximo, mnimo, apertura y cierre
5) Con precios bid y ask (en otro sentido)
Si disponemos de precios cotizados continuamente, como ocurre cuando
hemos almacenado todas las transacciones realizadas a lo largo de un da de
mercado:
v
u
p u 1 X T
V olatilidad : V = 252t
2
(rt r)
T 1 t=1

donde r denota la rentabilidad media del da. La segunda raz calcula la


desviacin tpica de la rentabilidad a lo largo de dicho da de mercado, mientras

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

En el caso de que dispongamos de precios de cierre (o cualquier otro dato


nico por da) observados con regularidad inferior a la diaria:
v
r u
Nu XT
V olatilidad : V = t 1 (rt r)
2
T T 1 t=1

donde r denota la rentabilidad media durante los T das considerados en


el clculo. Si, por ejemplo, son datos de cierre observados el ltimo dia de
negociacin de cada mes, tendremos N = 252; T = 21.
Con el mximo y mnimo de la sesin [Parkinson (1980)], el rango del loga-
ritmo del precio se dene como la diferencia entre los logaritmos de los precios
mximo Ht y mnimo Lt diarios,

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

por lo que un estimador natural de la volatilidad, basado en el rango obser-


vado que respnde a la lgica del Mtodo Generalizado de Momentos es,
T
!
2 1 1X 2
= Dt
4 ln(2) T 1
es decir,
v h i
uP
u T ln (H =L )
2
p t t=1 t t
V olatilidad : V = 252
T 4 ln 2
Con apertura, cierre, mximo y mnimo [Garman-Klass]:

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

Nota: 2 ln(2)-1 = 0,386.

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.

De este modo, las medidas Parkinson y Garman-Klass de volatilidad de BBV


aumentan a 3,80% y 3,75%, respectivamente.
Algunas observaciones:
a) Ntese en todas estas deniciones la diferencia entre das hbiles y das
naturales.
b) El trading de activos es un proceso que, en muchos casos, tiene lugar
de modo continuo a lo largo del da. Sin embargo, se observa en momentos
discretos de tiempo.

5 Modelizacin y prediccin de la volatilidad


Generalmente, consideramos que trabajamos con series temporales de rentabili-
dades de activos nancieros observadas frecuentemente, pues es entonces cuando
resulta habitual observar volatilidades cambiantes en el tiempo. En el caso ms
sencillo, consideramos que la rentabilidad obedece al proceso estocstico,

Rt+1 = t+1 zt+1 ; con zt+1 i:; i:d:; N (0; 1)


Una caracterstica de los mercados nancieros es que suelen observarse intervalos
concretos de tiempo en los que sistemticamente se produce cada da una alta
volatilidad, seguidos de perodos de reducida volatilidad. Esto se maniesta
en que el cuadrado de las rentabilidades diarias tenga generalmente una alta
autocorrelacin.
En muchas ocasiones, la distribucin de probabilidad de las rentabilidades es
dependiente en el tiempo a travs de los segundo momentos, aunque las propias
rentabilidades no presenten autocorrelacin. Cunado esto sucede, podria apare-
cer autocorrelacin en las rentabilidades al cuadrado a travs de la dependencia
en la evolucin temporal de 2t : Por tanto, al corregir las rentabilidades del posi-
ble efecto persistente de la volatilidad, la autocorrelacin en las rentabilidades
al cuadrado debera desaparecer. El objetivo fundamental de la modelizacin
de la evolucin temporal de la volatilidad consiste precisamente en lograr que
las rentabilidades estandarizadas al cuadrado Rt2 = 2t muestren ausencia de cor-
relacin temporal.
Si, adems, las propias rentabilidades tienen autocorrelacin (lo que es poco
habitual en datos frecuentes), realizaremos este ejercicio de modelizacin con
el cuadrado de las innovaciones del modelo que explica la evolucin temporal
de Rt : Es decir, modelizaremos la evolucin temporal de las rentabiliades, por
ejemplo:

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:

"t+1 = t+1 zt+1 ; con zt+1 i:; i:d:; N (0; 1)


En denitiva, la funcin de autocorrelacin de las rentabilidades estandarizadas
al cuadrado o de sus innovaciones al cuadrado es un estadstico fundamental en
este anlisis de modelizacin de la varianza. Una condicin necesaria para pen-
sar que la modelizacin de la varianza ha sido adecuada es que no exista este
tipo de autocorrelacion.
Cuando se trabaja con varianzas cambiantes en el tiempo, una primera intu-
icin para su estimacin consiste en utilizar la expresin habitual de la varianza,
pero sobre submuestras que vamos moviendo a lo largo de toda la muestra. Por
ejemplo, calculamos la varianzaza entre los datos 1 y 250 y la tomamos como
varianza en el dia 250 de la muestra; luego, tomamos la varianza entre los dias
2 y 251 como varainza el dia 251, y asi sucesivamente.
Ntese que con datos de frecuencia relativamente alta, la rentabilidad media
de un activo es practicamente cero, por lo que el cuadrado de la rentabilidad es
una aproximacin a la varianza. En consecuencia, si queremos estimar el nivel
de volatilidad el prximo da de mercado, una sencilla posibilidad es utilizar la
volatilidad media observada en los ltimos m das de mercado,
m 1
2 1 X 2
t+1 = R
m i=0 t i

En esta expresin se ha incorporado ya el supuesto habitual de que, traba-


jando con rentabilidades en frecuencias altas, la rentabilidad media es prctica-
mente cero. Adems, su estimacin numrica podra introducir mayor distorsin
que la incorporacin directa de una valor medio nulo. Una ventaja de esta expre-
sin es que nos permite generar una estimacin del nivel de volatilidad al cierre
del mercado en el perodo t, sin necesidad de efectuar ningn clculo adicional.
Tiene varias desventajas:

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.

la serie de volatilidades reacciona al alza slo despus de que se haya


observado en el mercado una rentabilidad diaria elevada. En este sentido,
su naturaleza no es tanto la de anticipar el comportamiento futuro de la
volatilidad, como el de reejar el comportamiento reciente de la misma.

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.

5.1 El modelo de alisado exponencial (EWMA)


Al igual que cualquier otro momento de una distribucin, la varianza otorga
a todas las observaciones disponibles la misma ponderacin. Por tanto, las
desviaciones respecto del nivel de referencia tienen la misma importancia tanto
si se produjeron recientemente como si se produjeron hace ya algn tiempo.
Esto puede no ser totalmente deseable en el anlisis de mercados nancieros.
En ocasiones, es conveniente abandonar este supuesto, dando pie a esquemas
con ponderaciones del tipo,
m
X1
2 2
t+1 = i Rt i
i=0

donde Rs = ln(Ps =Ps 1 ); es la rentabilidad de un determinado activo -


Pm 1
nanciero, i > 0; i=0 i = 1; y 1 < i < j < m 1 ) i > j : Esta expresin
calcula la varianza como media ponderada de las rentabilidades al cuadrado.
No utiliza las desviaciones respecto de la rentabilidad media, porque se supone
que en datos de alta frecuencia, sta es despreciable.
Si los pesos no suman uno, hay que dividir en la expresin anterior por su
suma. En ocasiones se utilizan como pesos las potencias de una constante
comprendida entre 0 y 1, i = i ; lo que conduce a,
1
X
2 i
t+1 = (1 ) Rt2 i (1)
i=0

La constante que aparece


P1 fuera del sumatorio, 1 ; hace que las pondera-
ciones sumen 1, ya que i=0 i = 1 1 ; que conduce a la expresin recursiva:
2 2
t+1 = t + (1 )Rt2
Un esquema similar puede utilizarse para la covarianza entre las rentabili-
dades de dos activos:

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

por lo que la suma total de los pesos en el miembro derecho de la expresin


anterior es igual a 1, como debera suceder. Tras el truncamiento, el modelo
continua satisfaciendo la misma expresion recursiva:

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:

12;t+1 = 12;t + (1 ) R1t R2t


que suele denominarse como modelo de alisado exponencial. Tambien nos
referiremos a l como un esquema EWMA (exponentially weighted moving av-
erage).
El parmetro es la persistencia en volatilidad o en covarianza. Mide la
inercia en estos estadsticos: cuanto ms presistentes sean, mayor ser el tipo de
rentabilidad extrema que deba observarse para que la estimacin de la varianza
o de la covarianza se altere signicativamente. Por el contrario, 1 mide la ca-
pacidad de reaccin de estos momentos, varianza y covarianza, a rentabilidades
extremas, positivas o negativas.
Ejemplo: De acuerdo con este modelo, si el nivel de volatilidad estimado un
determinado da es del 1%, y la variacin porcentual en precio dicho da es del
2%, utilizando un parmetro = 0:90; estimaramos una volatilidad para el da
siguiente de 1,14%.
[EII.3.12]
El esquema EWMA nos puede permitir estimar determinados estadsticos
importantes en el anlisis de riesgos utilizando momentos muestrales calculados
mediante EWMA. As, tenemos betas:

Cov (Xt ; Yt )
t =
V ar (Xt )
y coecientes de correlacin:

Cov (r1t ; r2t )


t =p
V ar (r1t )V ar (r2t )
utilizando el mismo valor numrico de en el clculo de las covarianzas y
varianzas. Para convertir una varianza EWMA en volatilidad, se procede como
con la varianza habitual.
Eleccin del valor de
El modelo EWMA es el utilizado por RiskMetrics que calcula la volatilidad
del prximo dia, mediante un promedio ponderado del nivel de volatilidad que
calculamos previamente para hoy, y el cuadrado de la rentabilidad del mercado
hoy. RiskMetrics utiliza sistemticamente un valor numrico = 0:94; por
considerar que las estimaciones no dieren mucho entre diferentes activos.
El parmetro tambien puede estimarse por mxima verosimilitud, bajo un
determinado supuesto acerca de la distribucin de probabilidad de rentabili-
dades. Por ejemplo, si estamos dispuestos a suponer que siguen una distribucin
Normal y que son independientes, tendremos la funcin de verosimilitud:

63
T
1X 2 rt2
ln L( ; r) = ln t( )+ 2( )
2 t=1 t

donde hemos hecho explcito que la serie temporal de varianzas depender


del valor escogido para : Distintos valores de en el intervalo (0; 1) generarn
valores diferentes de la verosimilitud, y podremos encontrar el valor numrico
de que maximiza ln L( ; r).
Precisin en la estimacin de la desviacin tpica del mtodo EWMA
Tomando varianzas en (1) tenemos:

(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 + )

5.2 El modelo GARCH(1,1)


Un inconveniente del modelo previo es que no incluye una constante, por lo que
el modelo no proporciona un nivel de referencia para la volatilidad a largo plazo.
El modelo mejora si se incorpora un nivel de volatilidad de largo plazo, 2 , que
recibe una cierta ponderacin en la expresin de la varianza,
m
X1
2 2 2
t+1 = + i Rt i
i=0

donde ahora, la suma de los pesos i debera ser igual a 1 : Este es un


2
modelo ARCH(m). Si denotamos ! = , tenemos,

64
m
X1
2 2
t+1 =!+ i Rt i
i=0

El modelo GARCH(1,1) combina las dos ideas anteriores en la expresin,


2 2
t = + Rt2 1 + 2
t 1

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

Ejemplo: si hemos estimado el modelo,


2
t = 0; 000002 + 0; 13Rt2 1 + 0; 86 2
t 1

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

que equivale a una volatilidad diaria del 1,53%.


Mediante sustituciones reiteradas, el modelo puede escribirse en la forma,
2 2 2 3 2
t =!+! +! + Rt2 1 + Rt2 2 + Rt2 3 + t 3

que es similar al alisado exponencial, excepto en que asigna una ponderacin


tambin a la varianza de largo plazo. En el lmite, tenemos,
1
X
2 ! s 1
t = + Rt2 s
1 s=1

que hace depender la volatilidad 2t de una constante y de las rentabilidades


histricas al cuadrado, con ponderaciones decrecientes, segn nos alejamos hacia

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

por lo que, la volatilidad incondicional, o volatilidad de largo plazo es,


2 !
=
1
Ejemplo: El modelop anteriormente estimado implica un nivel de volatilidad
de largo plazo 2 , de 0; 0002 = 1; 41%. Esta expresin muestra que el nivel de
volatilidad a largo plazo no est bien denido en el modelo de RiskMetrics, que
impone + = 1: Ello afectar ms a las previsiones de volatilidad a largo plazo
que a corto plazo. Que esto sea o no importante depende de que creamos que
existe un nivel de volatilidad media relativamente estable, a la cual revierte el
mercado cada vez que se separa del mismo al alza o a la baja. Por el contrario,
el modelo GARCH puede escribirse,

2 2
t+1 = (1 ) + Rt2 + 2
t = 2
+ (Rt2 2
)+ ( 2
t
2
)

que expresa que la previsin de la varianza el prximo da se obtiene cor-


rigiendo el nivel de volatilidad de largo plazo, en funcin de que la rentabilidad
al cuadrado y el nivel de volatilidad en t hayan estado por encima o por debajo
del nivel de largo plazo.

5.3 Prediccin de volatilidad: EWMA y GARCH(1,1)


En el modelo de alisado exponencial utilizado por RiskMetrics + = 1; y la
prediccin a cualquier horizonte coincide con la varianza actual. En efecto:

2 2
t+1 = t +(1 )Rt2 ) Et 2
t+1 = Et 2
t +(1 )Et (Rt2 ) = 2
t +(1 ) 2
t = 2
t

ya que 2t es conocido en t;y si la rentabilidad media es cero,5 entonces:


Et (Rt2 ) = 2 :
Para el periodo siguiente:

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

Recordemos que la suma + se denomina persistencia en volatilidad. Si


la volatilidad actual es ms alta que el nivel de largo plazo 2 , la previsin ser
a la baja, y lo contrario ocurrir si el nivel actual es de reducida volatilidad.
Cuando + < 1; el ltimo trmino va perdiendo importancia, y la prediccin
converge a la varianza de largo plazo, al aumentar el horizonte de la prediccin.
La velocidad de convergencia est inversamente relacionada con la proximidad
de + a 1. Se dice que este modelo tiene reversin al nivel medio de volatilidad,
2
, a una tasa 1 :
De acuerdo con el modelo GARCH(1,1), tenemos para el periodo t + 1 :

2
t+1 = ! + Rt2 + 2
t ) Et 2
t+1 = ! + Et Rt2 + Et 2
t =!+( + ) 2
t

Para el periodo siguiente:

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

donde VL es la varianza de largo plazo, la prediccin a n periodos es:


2 k 1 2
Et t+k = VL + ( + ) ( t VL )
Algo ms delicada es la prediccin de la volatilidad de la rentabilidad acu-
mulada a lo largo de k das de mercado. Ntese la diferencia con el ejercicio
anterior, en el que se prevea la rentabilidad diaria k-perodos hacia adelante.
En trminos de rentabilidades continuas, sabemos que dicha rentabilidad acu-
mulada ser, por construccin, la suma de las rentabilidades continuas obtenidas
para cada uno de los das del perodo. Bajo el supuesto de que las rentabilidades
son temporalmente independientes, tendremos,

k
!2 k
X X
2
Et Rt+i = Et t+i
i=1 i=1

de manera que con RiskMetrics tenemos,

k
!2
X
2
Et Rt+i =k t+1
i=1

mientras que con el modelo GARCH tenemos,

k
!2 k
X X i 1
2 2 2
Et Rt+i =k + ( + ) t+1
i=1 i=1

que es distinta de la expresin anterior. Si partimos de un mismo nivel de


2
t+1 ;la prediccin del model GARCH ser superior a la de RiskMetrics si y slo
si el nivel de 2t+1 es inferior al nivel de largo plazo, 2 ; y lo contrario suceder
si 2t+1 > 2 :

5.4 Estimacin del modelo de volatilidad por mxima verosimil-


itud
Bajo el supuesto de Normalidad para las rentabilidades logartmicas, Rt = t zt ;
con zt i:; i:d:N (0; 1); tenemos la funcin de verosimilitud,
T
" #
Y 1 Rt2
L= p exp
t=1 2 2t 2 2t

68
y su logaritmo neperiano,
T
T 1X 2 Rt2
ln L = ln(2 ) ln t + 2
2 2 t=1 t

que se puede maximizar bien mediante algoritmos numricos, o bien medi-


ante procedimientos de bsqueda. Evidentemente, el vector de valores paramtri-
cos que maximiza lnL es el mismo que el que maximiza la funcin de verosimil-
itud, L:
El supuesto de Normalidad no es facilmente sostenible cuando se trabaja con
rentabilidades de activos nancieros. El mtodo de quasi-mxima verosimili-
tud consiste en maximizar el logaritmo de la funcin de verosimilitud bajo el
supuesto de Normalidad, pues el estimador resultante es consistente incluso
cuando la verdadera distribucin condidional de Rt no es Normal, siempre que
las ecuaciones de la media y la varianza condicionales de Rt estn bien es-
pecicadas. Unicamente hay que prestar atencin al clculo de la matriz de
covarianzas de los estimadores resultantes.
En todo caso, lo primero que hemos de hacer es substitutir en la expresin
anterior la volatilidad 2t por un determinado modelo dependiente de un vector
de parmetros : En las prximas secciones veremos cmo se lleva a cabo este
proceso. Como en cualquier otro problema de estimacin, hemos de tener en
cuenta que estamos maximizando la verosimilitud bajo el supuesto de estabilidad
paramtrica, lo que puede condicionar el nmero de observaciones utilizado en
dicho proceso de estimacin.

Primer caso: rentabilidades incorrelacionadas con media cero Supong-


amos que las rentabilidades obtenidas en la unidad temporal de observacin
carecen de autocorrelacin, lo que puede contrastarse a partir de un examen
de sus funciones de autocorrelacin simple y parcial, as como llevando a cabo
contrastes formales del tipo Ljung-Box o Box-Pierce.
Para estimar los parmetros del modelo en una hoja de clculo, se estima
inicialmente 2t0 por alguno de los dos procedimientos que mencionamos antes,
y comienza la recursin a partir de dicho instante temporal, despus de haber -
jado valores iniciales para los parmetros ; ; !. Una vez evaluada la funcin de
verosimilitud para los valores parmetricos inicialmente escogidos (condiciones
iniciales), se trata de buscar en el espacio paramtrico con el objeto de obtener
los valores que maximizan la funcin de verosimilitud,

T
T 1X 2 Rt2
ln L(!; ; ) = ln(2 ) ln t (!; ; )+ 2 (!; ; )
2 2 t=1 t

Finalmente, la varianza de largo plazo, 2 , se estima a partir de las expresiones


anteriores y las estimaciones obtenidas para ; ; !: 2 = !=(1 ):
La alternativa denominada variance targeting consiste en jar un nivel de
volatilidad de largo plazo 2 , por ejemplo igual a la varianza muestral, y uti-
lizando la expresin analtica de la varianza a largo plazo para jar el valor de

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

Segundo caso: rentabilidades posiblemente correlacionadas, con


media no nula Como alternativa, consideremos la posibilidad de que las
rentabilidades obedezcan al modelo

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

y la estimacin del modelo se lleva a cabo con respecto a los parmetros


; ; !; 0 ; 1 :
En este caso habra que tener en cuenta que el procedimiento nos dara la
evolucin temporal de la volatilidad de la innovacin "t ; el componente no pre-
decible de la rentabilidad, que es la volatilidad de Rt condicional en su pasado;
pero no su volatilidad incondicional. En todo caso, la volatilidad incondicional
(un nmero) es la media de la volatilidad condicional (una variable). Bajo el
supuesto de estructura AR(1) para Rt ; la relacin entre las volatilidades in-
condicionales de la Rentabilidad y su innovacin es:

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)

siendo la curtosis de la innovacin del proceso GARCH, zt ;que sera igual


a 3 si suponemos Normalidad condicional: zt i:; i:d:; N (0; 1). La segunda
igualdad utiliza la representacin Rt = t zt ; que suponemos vlida. Tenemos
2
entonces: Et Rt+1 = Et ( 2t+1 zt+1
2
) = 2t+1 Et zt+1
2
= 2t+1 : La tercera desigualdad
utiliza el hecho de que en los modelos de volatilidad que estamos considerando,
RiskMetrics y GARCH, 2t+1 es funcin 2 2 2
h de t y Rt iy por tanto, t+1 es conocida
2 2 4 2
en t: La ltima igualdad utiliza: Et zt+1 1 = Et zt+1 2zt+1 +1 =
2
2Et zt+1 +1= 2+1= 1:
El valor numrico de la expresin anterior puede ser elevado, por lo que el
2
cuadrado de la rentabilidad de un perodo Rt+1 es, generalmente, una proxy
muy contaminada de la varianza condicional 2t+1 : Por ello, puede ser preferible
utilizar medidas intrada en la estimacin de la volatilidad.

5.6 Estructura temporal de volatilidad


Consideremos una opcin que vence en t + N: Podemos utilizar la expresin
anterior para predecir el nivel medio de volatilidad del activo subyacente durante
dicho perodo, mediante,
v
u N 1
u1 X
V olatilidad a horizonte N per{odos = t E 2t+i
N i=0

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]

5.7 Otros modelos GARCH


Modelo GARCH(p,q):

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

Modelo GARCH de componentes, que permite variacin temporal en el


nivel de varianza de largo plazo, t+1 :

2 2 2
t+1 = t+1 + (Rt t) + ( t t)
2 2
t+1 = ! + (Rt t +
) t

Este modelo es un modelo GARCH(2,2) restringido.

Efecto apalancamiento (leverage): El argumento bsico es que una rentabil-


idad negativa de una acin implica una caida en el valor de mercado de
la empresa, lo que aumenta su apalancamiento nanciero, aumentando su
nivel de riesgo (a igual nivel de deuda). Podemos modicar el modelo
GARCH(1,1) para recoger este efecto de varias maneras:

2
t+1 = ! + Rt2 + It Rt2 + 2
t

donde It es una variable cticia que toma el valor 1 cuando la rentabilidad


es negativa, siendo igual a cero en caso contrario. Denida de este modo, una
rentabilidad R tiene una contribucin al nivel de volatilidad el perodo siguiente
de Rt2 ; si dicha rentabilidad fue positiva, y de (1 + ) Rt2 si fue negativa Este
modelo se conoce como GJR-GARCH.
Bajo el supuesto mantenido de que la rentabilidad sigue un proceso: Rt =
t t ; con zt
z i:; i:d:N (0; 1); otra posibilidad es el modelo NGARCH,
2 2 2 2
t+1 = ! + (Rt t) + t =!+ t (zt )2 + 2
t

de modo que, si > 0; noticias positivas tienen menos impacto sobre la


varianza que noticias negativas. La persistencia de la varianza en este modelo
es 1 + 2 + , mientras que el nivel de varianza de largo plazo es: 2 =
!
1 (1+ 2 )
:
Una ltima posibilidad es el modelo GARCH exponencial, o EGARCH:
h p i
ln 2t+1 = ! + ( Rt + j Rt j 2= + ln 2t

que presenta efecto apalancamiento si < 0: Por otra parte, la especi-


cacin logartmica garantiza que la varianza
p resultante ser positiva en todos
los perodos. En la expresin anterior, 2= aparece
p por ser la esperanza
matemtica del valor absoluto de la rentabilidad: 2= = E(j Rt j):

Inclusin de variables explicativas, como el efecto n de semana, medi-


ante una variable cticia que tome el valor 1 los lunes, as como tras das

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

La ecuacin de la varianza en el modelo EGARCH(1; 1) es:

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

que en un caso sencillo, sera:

h2t = ! + "2t 1 + I ("t 1 0) "2t 1 + 2


1 ht 1

6 Evaluando el resultado de la gestin de carteras


6.1 Criterios de seleccin de carteras
Un inversor quiere obtener una buena rentabilidad sin asumir un elevado nivel de
riesgo. El fundamento bsico de la teora nanciera es la relacin inversa entre
ambas caractersticas, rentabilidad y riesgo, de tal modo que las carteras que in-
corporan un mayor nivel de riesgo, o ms agresivas, tienden a generar, en media,
una mayor rentabilidad, mientras que las carteras ms conservadoras tienden
a proporcionar una rentabilidad menor. Por eso es que tanto unas carteras
como otras pueden resultar atractivas para distintos inversores. Junto con esta
relacin inversa entre rentabilidad y riesgo, que siempre pude contrastarse em-
pricamente, la teora nanciera ms bsica considera que el inversor toma sus
decisiones de cartera maximizando su funcin de utilidad, que depende de dos
momentos de la distribucin de rentabilidades: media y varianza. El nivel de
utilidad del inversor depender positivamente de la rentabilidad e inversamente
de su volatilidad. El inversor supuestamente maximiza tal funcin de utilidad
sujeta a las restricciones de recursos de que disponga, obteniendo como solucin,
su cartera ptima. Dicha cartera vendr denida en trminos de las proporciones
de la inversin que debe asignar a cada uno de los activos que considera en dicho
problema.
Es claro que distintos inversores, que dieran en su funcin de utilidad,
tanto por la importancia que asignan a la rentabilidad de una cartera como a
su volatilidad, tendrn una cartera ptima diferente. Por supuesto que si el

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.

6.1.1 Maximizacin del Equivalente Cierto


El Equivalente Cierto (EC) de una lotera o juego (podramos decir tambin de
una inversin), es la cantidad de dinero que, otorgada con seguridad, dejara
indiferente al jugador entre percibirla o tomar parte en la lotera. Ante un
resultado incierto representado por una variable aleatoria P; el EC es la cantidad
x que satisface: U (x) = E(U (P )); entonces denotamos: x = EC(P ); por lo que:
U [EC(P )] = E (U (P )) .
Si efectuamos un desarrollo en serie de Taylor de U (P ) alrededor de la
rentabilidad media P = E(P ); tenemos:
1
U (P ) U( P) + U 0( P )(P P) + U 00 ( P )(P P)
2
2
y tomando esperanza matemtica:
1
E [U (P )] U( P) + U 00 ( 2
P) P
2
donde 2P = E (P 2
P ) :Esta expresin indica que para un inversor
averso al riesgo, U 00 < 0; se tendr E [U (P )] < U ( P ); por lo que: EC(P ) < P :

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

por lo que sus coeciente de aversin absoluta y relativa al riesgo son:

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:

Exercise 6 Supongamos que el inversor del ejemplo anterior puede invertir en


un activo que ofrece rentabilidad esperada de 10% y volatilidad de 20%, y en
un segundo activo con rentabilidad esperada de 15% y volatilidad de 30%. La
correlacion entre ambos activos es de -0,50. La maximizacin (2) conduce a
invertir 565.789 euros en el primer activo y 434.211 euros en el segundo activo.

Consideremos una expansin de Taylor de orden superior para la funcin


de utilidad del inversor, que suponemos dependiente de la rentabilidad de la
cartera, y tomamos esperanzas:

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:

U (EC) = exp( EC) = E [U (P )]


1 2 1 3 1
exp( ) 1+ E (P )2 E (P )3 + 4
E (P )4 =
2 6 24
1 2 3 4
= exp( ) 1+ ( ) ( ) + ( )
2 6 24
h i
3 3
donde ; denotan los coecientes de asimetria y curtosis: = E (R ) ; =
h i
4 4
E (R ) : Si tomamos logaritmos y utilizamos la aproximacin: ln(1 +
1 2
x) = x 2x ; tenemos:

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

cuya solucin es: w


~i = P
n
i
; siendo i la suma de todos los elementos de
j
j=1
1
la columna j de la matriz V : La cartera resultante es la cartera de mnima
! 1
P
n
varianza, y dicha varianza es: j :
j=1
Si se resuelve directamente el problema de minimizar la varianza de la
cartera, en el caso de 2 activos, se obtiene:
2
2 1 2
w = 2 2 (4)
1 + 2 2 1 2

con el signicado habitual de los parmetros, siendo w el porcentaje inver-


tido en el primer activo. Esta expresin es un caso particular de la anterior.
Cuando ambos activos tienen igual varianza, la minima varianza se logra invir-
tiendo en ambos activos a partes iguales, no importa cul sea la corrrelacin
entre ambos. El denominador es siempre positivo, ya que: 21 + 22 2 1 2 =
2 2 2
( 1 2 ) + (1 ) 2 ; pero el numerador es positivo solo si < 2 = 1 : Solo
entonces es w > 0: Como adems, requerimos que w < 1; para esto debe
cumplirse que < 1 = 2 : Por tanto, 0 < w < 1 si y slo si: < min 21 ; 21 .
Si permitimos posiciones cortas, entonces no es preciso que < 2 = 1 :
Ejercicio: (Ex.I.6.5) Tenemos 10.000 euros para invertir en dos activos. La
rentabilidad del primero tiene volatilidad 20%, y la del segundo tiene volatilidad
30%. La correlacin entre ambas rentabilidades es -0,25. Cual es la cartera de
minima varianza y cual seria su volatilidad? Resuelva el ejercicio minimizando
directamente la varianza de la cartera, asi como aplicando la regla (4), y com-
pruebe que obtiene los mismos resultados. cual habria sido la cartera de minima
7 Una
P
n
solucin trivial al problema si no imponemos la restriccin wi = 1, sera jar todas
i=1
las ponderaciones iguales a cero, lo que generara una varianza nula, alcanzando su menor valor
posible. Desde el punto de vista de la teora de inversin, esta solucin es claramente poco
interesante.

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

6.1.3 Problema de Markowitz

El conocido como Problema de Markowitz es similar, pero se plantea de modo


distinto: minimizacin de la varianza de la cartera, para una determinada
rentabilidad. Este problema tiene una solucin analtica, y segn vamos var-
iando los niveles de rentabilidad, las soluciones que se van obteniendo para
el problema de minimizacin de la varianza generan la frontera eciente de
carteras. Cada una de dichas carteras es la cartera de menor varianza para una
determinada rentabilidad esperada.
El Problema de Markowitz es:

minw0 V w
w
P
n
sujeto a : w0E(r) = R; wi = 1; wi 0
i=1

En la formulacin de ambos problemas hemos ignorado la posible prohibi-


cin de adoptar posiciones cortas, es decir, con wi < 0; para algn activo i:
Cuando tal restriccin existe, hay que aadir las correspondientes restricciones
a los problemas de optimizacin anteriores, lo que diculta su solucin e impide
generalmente que exista una solucin analtica.
La solucin al problema de Markowitz es:

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.

Exercise 8 Consideremos tres activos X, Y, Z, cuyas rentabilidades tienen


volatilidad 5%, 20% y 40%, respectivamente. Las correlaciones entre rentabil-
idades son 0,5 para X e Y, -0,7 para X y Z y -0,4 para Y y Z. Encuentre la
cartera de minima varianza. R: w1 = 66,07%, w2=10,41%, w3=23,52%. Si
sus rentabilidades esperadas son 5%, 6% y 0%, respectivamente, encuentre una
cartera que proporciona una rentabilidad esperada del 6% con la menor varianza
posible. R: w1=37,32%, w2=68,90%, w3=-6,22%.

Una expresin alternativa para la solucin al problema de Markowitz es:

(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

siendo i la suma de los elementos de la columna i-sima de V 1 ; i la


renntabilidad esperada utilizando como ponderaciones la columna i-sima de
V 1 ; y V~ es la varianza de la cartera de minima varianza sin restricciones:
! 1
P
n
V~ = j :
j=1

6.1.4 Modelo CAPM


El modelo CAPM es un modelo de equilibrio que postula que en media, todos
los activos satisfacen la relacin:

E(rit ) rF t = i (E(rM t ) rF t ) + "it


siendo rM t la rentabilidad del mercado en el perodo t; y i = Cov(rit ; rM t )=V ar(rM t )
la beta del activo i: El mercado al que se reere rM t debe ser un mercado comn
a todos los activos, lo que es bastante dicil de caracterizar.
De acuerdo con este modelo, todos los activos deben estar sobre una linea
recta en el plano que representa la rentabilidad esperada en exceso E(rit ) rF t
en funcin de su beta i : La pendiente de dicha recta es: E(rM t ) rF t ; y la
recta se conoce como security market line.
Un contraste del modelo se basa en estimar el sistema:

rit rF t = i + i (rM t rF t ) + "it

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.

6.2 Criterios de evaluacin de carteras


Es claro de todo lo anterior que todo inversor querr comparar la rentabilidad
que obtiene con respecto al riesgo que asume, que supondremos inicialmente,
por simplicar, que est adecuadamente medida por la volatilidad de dicha
cartera. Si el inversor tiene varias carteras en distintos mercados, esperar tener
rentabilidad ms elevada en aqul mercado que le reporta un mayor riesgo. Pero
querr saber si la rentabilidad en exceso que obtiene en el mercado de mayor
riesgo, respecto de la que podra obtener en el mercado de menor riesgo, le
compensa sucientemente. En esta seccin analizamos distintos criterios para
responder a esta pregunta. El ms habitual es el ratio de Sharpe,

E(R) Rf
Sharpe S=

que relaciona la rentabilidad media, en exceso de la que proporciona el ac-


tivo sin riesgo, con la volatilidad de la cartera. Entre dos carteras con distinta
rentabilidades esperadas y varianzas, prefeririamos aquellas con mayor ratio de
Sharpe. Una vez ms, tanto la rentabilidad como la varianza deberian aparecer

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.

Exercise 9 La rentabilidad diaria de cierto activo tiene una media de 0,05% y


una desviacin tpica de 0,75%. Calcule el ratio de Sharpe suponiendo 250 dias
por ao, bajo el supuesto de que las rentabilidades diarias sean independientes.
Vuelva a calcular el ratio de Sharpe suponiendo que la autocorrelacin entre
rentabilidades diarias es 0,20. R: 1,0541; 0,8612.

El ratio de Sharpe puede incumplir el principio de dominancia estocstica.


Este principio postula que si un activo A tiene una probabilidad no inferior a
otro activo B de ofrecer una rentabilidad mayor que para cualquier ; entonces
el activo A debera preferirse al B.

Exercise 10 La distribucin de rentabilidades de dos activos A y B es la sigu-


iente: A ofrece rentabilidades 20%, 10%, -20% con probabilidades 0,1; 0,8; 0,1,
mientras que B ofrece rentabilidades 40%, 10%, -20% con las mismas proba-
bilidades. Mostrar que el ratio de Sharpe incumple el principio de dominancia
estocstica.

El ratio de Treynor tiene en cuenta el inters que presenta incorporar en la


cartera activos con alfa positivo, es decir con coecientes > 0 en el modelo
CAPM:

E(Rit ) Rf t = i + i (E(RM t ) Rf t ) + uit


pues son activos que ofrecen una rentabilidad mayor que la que cabra esperar
teniendo en cuenta su sensibilidad a las uctuaciones del mercado y la volatilidad
de ste. Sin embargo, sobreponderar tales activos introduce riesgo especico, y
conviene controlar los resultados obtenidos. El ratio de Treynor se dene:

T reynor TR =

La cantidad ptima de un activo con positivo que debe incorporarse a la


cartera viene denida por el ratio de Informacin (appraisal ratio):

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

El indice Kappa es el cociente entre la rentabilidad esperada en exceso del


umbral y una funcin (el momento parcial inferior de orden ) de la rentabili-
dad esperada cuando sta es inferior al umbral. El denominador del indice no
depende de las rentabilidades por encima del umbral, es como si el inversor no
se preocupase de stas. El umbral puede ser la rentabilidad del activo sin riesgo,
aunque en ocasiones tambin se propone utilizar una rentabilidad muy elevada,
ya que ignoramos lo que sucede por encima de ella.
Cuando el umbral es la rentabilidad del activo sin riesgo, se trabaja con
rentabilidades en exceso de dicha rentabilidad. Cuando el umbral es la rentabil-
idad del fondo de referencia, se trabaja con rentabilidades activas. En todos
los casos, se trabaja con numerador y denominador en trminos anualizados,
para presentar los resultados asimismo en trminos anualizados. Un inversor
preocupado por la asimetra y la curtosis, con alta aversin al riesgo, deberia
utilizar indices Kappa con = 3; 4, mientras que un inversor menos averso
al riesgo puede utilizar rdenes inferiores de este ndice. A diferencia del ra-
tio de Sharpe, en esta familia de ndices intervienen todos los momentos de la
distribucin de rentabilidades.
Cuando se calculan estos momentos a partir de series temporales de rentabili-
dades, intervienen nicamente las rentabilidades por debajo del umbral escogido
h; pero no debe olvidarse "contar los ceros", es decir dividir la media de las
rentabilidades inferiores a h por la proporcin que stas representan en el total
muestral. Se trata de una esperanza incondicional, no de una esperanza condi-
cionada por el suceso R < h:
El indice Kappa de primer orden es igual a la rentabilidad en exceso del
umbral h; dividida por el momento parcial de primer orden:

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

que es el cociente entre la rentabilidad esperada por encima del umbral h y


la rentabilidad esperada por debajo de dicho umbral. Es asimismo el cociente
del rea por debajo de la curva F (R) a la derecha y a la izquierda del umbral
h:Un valor elevado del ndice Omega puede interpretarse como que el activo pro-
porciona ms ganancias que prdidas en relacin con un umbral de rentabilidad
h: A diferencia del ratio de Sharpe, que considera unicamente los dos primeros
momentos de la distribucion de rentabilidades, el ratio Omega considera toda
la distribucin de probabilidad.
Puede probarse que:
K1 (h) = (h) 1
El indice Kappa de segundo orden, utilizando como umbral h la rentabil-
idad del activo sin riesgo Rf , se conoce como ratio de Sortino. Tambien se
conoce como el Upside-Potential ratio, si se calcula respecto a lo que se con-
sidere la mnima rentabilidad aceptable (supongamos que se toma como tal la
rentabilidad del activo sin riesgo Rf ):

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).

7 Modelos de correlacin condicional


7.1 Estimacin de covarianzas condicionales
Supongamos que tenemos N activos, con los cuales podemos congurar una
cartera, para lo que necesitaremos estimar su matriz de covarianzas describi-
endo su evolucin a lo largo del tiempo. O, alternativamente, supongamos que
queremos caracterizar las matrices de covarianzas y de correlaciones de N fac-
tores de riesgo. La representacin ms sencilla de una covarianza cambiante en
el tiempo podra obtenerse a partir de una ventana mvil de m datos, utilizando
una expresin similar a la que propusimos para la estimacin de la varianza:
m 1
1 X
ij;t+1 = Ri;t s Rj;t s
m s=0

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),

ij;t+1 = (1 ) Ri;t Rj;t + ij;t (5)


que tiene la limitacin que ya vimos en el caso de estimacin de la varianza, en
el sentido de que no existe un nivel de referencia que pudiera interpretarse como
la covarianza a largo plazo. Por tanto, al igual que en aqul caso, este modelo
implica que no existe reversin a la media en las covarianzas. Si la covarianza
es alta y positiva (por ejemplo) un dia, el modelo predice que continuar siendo
elevada y positiva. En todo caso, este es el modelo utilizado por RiskMetrics,
con = 0; 94:
Una vez que disponemos de expresiones correspondientes a una determinada
metodologa, como en este caso las utilizadas por RiskMetrics, la estimacin de
una serie temporal de correlaciones puede efectuarse mediante:
uv;t
uv;t =
u;t v;t

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%

Si la correlacin actual es uv;t =0,60, la covarianza estimada entre ambas


rentabilidades sera:

uv;t = = (0; 60)(0; 01)(0; 02) = 0; 00012


uv;t u;t v;t

uv;t+1 = (0:95) uv;t + (0; 05)ut vt = (0:95)(0:00012) + (0:05)(0:005)(0:025) = 0; 00012025

El nuevo coeciente de correlacin sera:

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,

ij;t+1 = ! ij + Ri;t Rj;t + ij;t

segn el cual la covarianza entre los activos i; j revertir a su nivel de largo


plazo,
! ij
ij =
1
Las expresiones anteriores pueden utilizarse asimismo para estimar covarian-
zas y correlaciones entre los residuos ut ; vt de dos modelos estimados, mediante:

covt = covt 1 + (1 ) ut 1 vt 1 (alisado exponencial);


covt = ! + covt 1 + ut 1 vt 1 (GARCH(1,1))

para estimar posteriormenta la correlacin mediante: uv;t = u;tuv;tv;t :


Imponer los mismos parmetros de persistencia, y en la estimacin de
las varianzas y covarianzas de los distintos activos considerados garantiza que
obtengamos una matriz de covarianzas denida positiva, lo que entendemos
como matriz de covarianzas internamente consistente.8 Lo mismo sucede si en
el esquema de alisado exponencial que vimos inicialmente, utilizamos el mismo
valor del parmetro para todos los activos.
Sin embargo, la homogeneidad de valores numricos de los parmetros de
persistencia puede ser una restriccin poco razonable, por lo que consideramos
a continuacin modelos que no la imponen.
Tambin est sujeto a algunas limitaciones el clculo de la correlacin condi-
cional como cociente entre la covarianza condicional y la raiz cuadrada del pro-
ducto de varianzas condicionales, utilizando en el numerador y denominador de
dicho cociente las expresiones de RiskMetrics o un esquema GARCH(1,1). De
hecho, es generalmente preferible trabajar directamente con las correlaciones,
que son mas facilmente interpretables, y obtener las covarianzas como conse-
cuencia del comportamiento de correlaciones, por un lado, y de varianzas, por
otro. Por ejemplo, las covarianzas puden variar en el tiempo incluso si las cor-
relaciones son constantes, simplemente porque las varianzas sean cambiantes en
el tiempo (como veremos en el modelo correlacin condicional constante, CCC):
La relacin entre covarianzas y correlaciones puede escribirse:

ij;t+1 = i;t+1 j;t+1 ij;t+1

o, en notacin matricial,

t+1 = Dt+1 t+1 Dt+1


8 Hay consistencia interna cuando ! 0
t+1 ! 0 para toda cartera denida por le vector
de ponderaciones !:

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

las rentabilidades estandarizadas zi;t+1 tienen desviacin tpica condicional


igual a 1.9 Por tanto, la covarianza condicional entre rentabilidades estandarizadas
coincide con la correlacin condicional de las rentabilidades originales:

Ri;t+1 Rj;t+1 Et (Ri;t+1 Rj;t+1 ) ij;t+1


Et (zi;t+1 zj;t+1 ) = Et = = = ij;t+1
i;t+1 j;t+1 i;t+1 j;t+1 i;t+1 j;t+1

donde hemos utilizado el hecho de que en modelos GARCH, las desviaciones


tpicas i;t+1 son conocidas en t:
Por tanto, modelizar la correlacion condicional de las rentabilidades origi-
nales equivale a modelizar la correlacin condicional de las rentabilidades es-
tandarizadas. Vamos a considerar 3 modelos: el primero que estima una cor-
relacin condicional constante, y dos modelos adicionales para aproximar el
modo en que la correlacin entre dos activos evoluciona en el tiempo:

7.2 Modelo de correlacin condicional constante (CCC)


Este modelo consiste en calcular el coeciente de correlacion lineal estndar
(coeciente de correlacin de Pearson) para cada par de rentabilidades es-
tandarizadas. Para ello comenzamos estimando un modelo de volatilidad condi-
cional de cada rentabilidad (de ahi la denominacin "condicional" del modelo
de correlacin), y estandarizamos cada una de ellas dividiendo el dato de cada
da por la desviacin tpica estimada (no la varianza) de ese da.
La correlacion condicional constante es el coeciente de correlacion lineal
entre cada par de rentabilidades estandarizadas. De este modo obtendremos un
unico valor numerico para la correlacin entre cada par de activos, vlido para
9 Decimos que es una desviacin tipica condicional porque en el clculo de las rentabilidades

estandarizadas hemos utilizado ya una desviacin tipica condicional.

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:

t+1 = Dt+1 Dt+1


siendo los elementos de la diagonal en este producto las mismas varianzas
condicionales estimadas a partir de modelos univariantes y que han sido uti-
lizadas en la estandarizacin de las rentabilidades. Ntese que, de acuerdo con
este modelo, las covarianzas condicionales variarn en el tiempo, a pesar de que
las correlaciones condicionales no lo hacen.
[Chapter3Results.xls in Christoersen, pestaas Question 6, Question 7 y
Question 8].

7.3 Modelo de suavizado exponencial (Exponential smoother,


EWMA, Integrated DCC )
Suponemos ahora que la evolucin dinmica de la correlacin est guiada por
las variables auxiliares qij;t+1 ; que juegan el papel de covarianzas condicionales,
y que se actualizan a partir de valores iniciales mediante:

qij;t+1 = (1 ) zi;t zj;t + qij;t 8i; j


El algoritmo recursivo anterior puede inicializarse tomando como valor inicial
qij;1 el promedio de los productos zi;t zj;t a lo largo de toda la muestra. En
alguna otra situacin podemos no querer imponer como condicin inicial la
media de toda la muestra, y preferimos utilizar el promedio de un nmero inicial
de observaciones, 50 por ejemplo, y actualizar qij;t a partir de la observacin
siguiente, desechando los primeros 50 datos.
La condicin inicial para las varianzas condicionales qii;1 debe ser su esper-
anza matemtica, que es 1, pues se trata ahora de la varianza condicional de
una rentabilidad estandarizada. Alternativamente, tambin podemos utilizar
una submuestra inicial para obtener una condicin de partida, del modo que
acabamos de describir.
Si tenemos un conjunto de k activos, en notacin matricial tendremos,

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.

7.4 Correlaciones dinmicas GARCH (DCC GARCH )


Para permitir reversin a la media en las correlaciones condicionales, podemos
utilizar una especicacin del tipo GARCH(1,1):

qij;t+1 = ij + zi;t zj;t ij + qij;t ij

y nuevamente utilizamos la normalizacin,


qij;t+1
ij;t+1 =p p
qii;t+1 qjj;t+1
para obtener la estimacin nal de los coecientes de correlacin condicional.
Las condiciones iniciales para las variables qij;t+1 pueden escogerse como en el
modelo anterior.
En este modelo estamos imponiendo que los parmetros de persistencia de
las correlaciones, y sean los mismos para cualquier par de activos. Lgi-
camente, eso no signica que sean iguales los coecientes de correlacin. Los
parmetros de persistencia de la volatilidad, por el contrario, no necesitan ser
los mismos para todos los activos considerados. De hecho, tales volatilidades
condicionales procedern de modelos previamente estimados, posiblemente un
modelo univariante para cada rentabilidad.
Aunque el parmetro ij ; que es especco a cada par de activos, puede
tratarse como un parmetro ms a estimar, junto con y ; puede tener sentido
imponer en el modelo la reversin a un nivel de correlacin de largo plazo,
E(zi;t zj;t ); que podemos denotar por ij ;

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

En notacin matricial, si estamos calculando las correlaciones condicionales


entre varios activos, este modelo es:

Qt+1 = E(zt zt0 )(1 )+ (zt zt0 ) + Qt


En ambos casos, la matriz Qt+1 es denida positiva por construccin, por
lo que tambin lo sern las matrices de covarianzas t+1 y de correlaciones
t+1 : Nuevamente, la matriz de covarianzas se construye como en los modelos
anteriores.
Ejercicio: Chapter3 Results.xls, en las pestaas Question 7, Question 8,
estima correlaciones EWMA DCC y GARCH DCC entre S&P500 y el tipo de
cambio $US/yen:

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.

7.5 Estimacin por cuasi-mxima verosimilitud


Apelando al procedimiento de cuasi-mxima verosimilitud, tiene sentido traba-
jar bajo el supuesto de Normalidad. El logaritmo de la funcin de verosimilitud
es entonces,
T
" #
1X 2
2
z1;t 2
+ z2;t 2 12;t z1;t z2;t
ln L = ln(1 12;t ) + 2
2 t=1 1 12;t

en la que la correlacin condicional 12;t se obtiene a partir del modelo par-


ticular de correlacin que se utilice, que ser distinta en el modelo de alisado
exponencial (EWMA-DCC) y en el modelo GARCH-DCC. Como ya dijimos
antes, el algoritmo numrico puede inicializarse con q11;0 = q22;0 = 1; q12;0 =
PT
T 1 t=1 z1;t z2;t : Ntese que estamos utilizando en todo momento las rentabili-
dades estandarizadas, para lo que necesitaremos utilizar varianzas condicionales
procedentes de modelos que hayamos estimado previamente. Se trata, por tanto,
de una estimacin secuencial, que resulta bastante sencilla, aunque a riesgo de
perder eciencia estadstica. Pero la estimacin simultnea de los parmetros
de las varianzas y las correlaciones se puede hacer imposible si disponemos de
un nmero incluso reducido de activos.
En el caso del modelo EWMA-DCC de correlacion estimaremos en la se-
gunda etapa tan solo el parametro ; mientras que en el modelo GARCH-DCC
estimaremos los parmetros y :
En el caso de un vector de n activos, la funcin a maximizar sera,
1X 1
ln L = ln j t j +zt0 t zt
2 t
siendo t la matriz de correlaciones condicionales. La funcin ln L que pre-
sentamos antes para dos variables es claramente un caso particular de esta ltima
cuando tratamos unicamente con dos activos.

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:

rs;t = a0 + a11 rs;t 1 + a12 rf;t 1 + "s;t


rf;t = a1 + a21 rs;t 1 + a22 rf;t 1 + "f;t
("s;t ; "f;t )= t 1 N (02 ; t )

que es un modelo VAR1 ; y estimar las varianzas y las covarianzas de las


innovaciones mediante un modelo GARCH. En el caso de especicar un modelo
DCC-GARCH seguiriamos el procedimiento que antes expusimos, aplicado a
los residuos de la estimacion del modelo VAR de rentabilidades, en lugar de
aplicarlo a las propias rentabilidades. De este modo, el procedimiento sera:

1. Estimacion del modelo VAR de rentabilidades, conservando los residuos


("s;t ; "f;t ): Prreviamente habria que identicar el orden correcto del VAR,
ya sea mediante los estadisticos habituales: AIC, BIC, o escogiendo el
menor orden que elimine la evidencia de autocorrelacin residual,
2. contrastacin, si se desea, de causalidad entre contado y futuro,
3. estimacin de modelos GARCH univariates, simetricos o asimtricos para
cada una de las series de residuos,
4. estandarizacin de cada serie de residuos dividiendo por la desviacin
tpica condicional estimada en su modelo GARCH univariante,
5. aplicacin de la metodologa DCC-GARCH a las series tipicadas de resid-
uos.

Como se aprecia, contina siendo un procedimiento en dos etapas, estimando


los parametros del modelo de relacin por separado de los parmetros del modelo
de varianzas-covarianzas DCC-GARCH.

7.6.1 Modelo de correccin de error con estructura DCC GARCH


Volvamos a considerar un problema de cobertura entre un activo nanciero y un
futuro, con precios St ; Ft y rentabilidades rs;t ; rf;;t : Suponiendo la cointegracion
entre los precios de ambos activos, el modelo de correccin de error tendria una
estructura:

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

"s;t D11 D12 "2s;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

Una vez que se ha estimado este modelo, se generan las rentabilidades es-
tandarizadas:

zs;t = rs;t = s;t


zf;t = rf;t = f;t

y las variables auxiliares qss;t ; qf f;t ; qsf;t :

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

comenzando a partir de condiciones iniciales:

qss;1 = 1;
qf f;1 = 1;
T
X
1
qsf;1 = T zs;t zf;t
t=1

y estimando el modelo por Mxima Verosimilitud.

96
La correlacin condicional se estima:
qsf;t
sf;t =p
qss;t qf f;t
y la covarianza condicional:

sf;t = sf;t s;t f;t

Por ejemplo, si suponemos, n = 2; p = 1; q = 1, tendramos:

rs;t (1)11 (1)12 rs;t 1 (2)11 (2)12 rs;t 2


= + +
rf;t (1)21 (1)22 rf;t 1 (2)21 (2)22 rf;t 2

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

zs;t = rs;t = s;t


zf;t = rf;t = f;t

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

y si suponemos Normalidad de la distribucin condicional de rentabilidades,

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

Esta funcion de verosimilitud deberia maximizarse respecto de los valores


numricos de los parmetros:

(1)11 ; (1)12 ; (1)21 ; (1)22 ; (2)11 ; (2)12 ; (2)21 ;


(2)22 ; s ; f ; A11 ; A12 ; A21 ; A22 ; B12 ; B12 ; B21 ; B22 ; D11 ;
D12 ; D21 ; D22 ; 1 ; 2 ;

lo que ilustra claramente la dicultad del problema numrico de estimacin.


El procedimiento en dos etapas simplica la dicultad, puesto que los valores
numericos estimados para los parmetros del modelo de correccin del error y
los del modelo GARCH bivariate se toman como dados cuando se estiman los
parmetros 1 ; 2 de la especicacin DCC. De hecho, aun a riesgo de perder al-
guna eciencia estadstica, el procedimiento de estimacin suele instrumentarse
en tres etapas: 1) estimacin del modelo de correccin del error y generacin
de sus residuos, 2) estimacin del modelo GARCH para dichos residuos y gen-
eracin de las rentabilidades estandarizadas, 3) estimacion de los parmetros
1 2 maximizando la funcin de verosimilitud que aparece arriba respecto de
estos dos parmetros.

7.6.2 Cobertura de carteras: una aplicacin del modelo DCC-GARCH


Un ejemplo habitual de aplicacin de este tipo de modelos es el clculo de
ratios de cobertura. Es bien conocido que, en un problema de dos periodos, la
cobertura que minimiza la varianza de la posicin cubierta es:
sf;t
bt = 2
f;t

dnde sf;t denota la covarianza entre la cartera de contado (s) y el futuro (f )


que se va a utilizar en la cobertura, y 2f;t denota la varianza de la rentabilidad
de dicho contrato de futuro. Por razones de estacionariedad, en ambos casos
estaramos utilizando la rentabilidad de dichos activos, no sus precios.
Consideremos el problema de minimizar la varianza de la cartera cubierta.
Si tenemos una posicin de b contratos de contado y cubrimos ponindonos
cortos en h contratos de futuros, la rentabilidad de la posicin cubierta ser:
brst hrf t : (En general, puede considerarse b = 1): El problema ser:

98
min V ar(brst hrf t )
h

Como:

V ar(brst hrf t ) = b2 V ar(rst ) + h2 V ar(rf t ) 2bhCov(rst ; rf t )

derivando dos veces respecto a h :

2hV ar(rf t ) 2bCov(rst ; rf t )


2V ar(rf t )

donde vemos que la segunda derivada es positiva. Igualando la primera


derivada a cero y resolviendo, tenemos la expresion para el ratio de cobertura
de mnima varianza:

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:

min V art (bt rs;t+1 ht rf;t+1 )


h

llegaremos a:

ht Covt (rs;t+1 ; rf;t+1 )


=
bt V ar(rf;t+1 )
En un modelo tipo GARCH, recordemos que:
2 2
f;t+1 =!+ f;t + "2f;t
por lo que, una vez estimado el modelo con datos hasta T , 2f;t+1 es conocido
en T (en realidad no es conocido porque no hemos utilizado los verdaderos
valores de los parametros, sino sus estimaciones).
Si los momentos se estiman con toda la muestra decimos que se trata de
estimaciones ex-post, ya que para estimar la varianza de un dia t; t < T; uti-
lizaramos informacin que no estaba disponible en dicho dia, sino que fue cono-
cida en un momento futuro. La diferencia reside en que si estimamos mediante
MCO con toda la muestra obtenemos una unica estimacin numerica de los
momentos sf;t ; 2f;t ; as como del ratio de cobertura bt ; mientras que si esti-
mamos mediante un modelo GARCH con toda la muestra, obtenemos varianzas
y covarianzas condicionales diferentes para cada dia de la muestra. En ambas

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:

min V ar(bt rst ht rf t )


h
sujeto a:

drs;t = s;t dt + c;t dWc;t


drf;t = f;t dt + c;t dWc;t + s;t dWs;t

donde las rentabilidades de la cartera de contado y del contrato de futuro


que se va a utilizr enla cobertura, comparten un browniano, dWc;t : Pero en
la determinacin de la rentabilidad del futuro aparece un segundo browniano,
dWs;t : Una manera de interpretar este segundo browniano es como riesgo de
base. Su importancia se medir por el cociente s = f : En este modelo, si deno-
tamos por cs;t la correlacin entre ambos brownianos, la correlacin entre las
rentabilidades de contado y futuro es:
2
c;t + cs;t c;t s;t
sf;t =q
2 2 + 2 +2
c;t c;t s;t cs;t c;t s;t

el ratio de cobertura de mnima varianza puede expresarse:


2
ht c;t + cs;t c;t s;t 1+ cs;t t
= 2 2 = 2
bt c;t + s;t +2 cs;t c;t s;t 1+ t +2 cs;t t

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.

Proposition 11 Si t ! 0; entonces el ratio de cobertura de minima vari-


anza converge a 1 y la varianza minima de la posicin cubierta converge a cero.
Ambos limites se cumplen con independencia de la correlacin entre las inno-
vaciones comn y especca.

Proposition 12 Si t ! 1; entonces el ratio de cobertura de minima varianza


converge a 0 con independencia de la correlacin entre las innovaciones comn
y especca.

Proposition 13 Bajo correlacin positiva o nula entre ambas innovaciones, el


ratio de cobertura de minima varianza es positivo, menor que 1, y decreciente
con t :

Esta ltima proposicin muestra que el ratio de cobertura es menor cuanto


mayor sea el riesgo de base.

Proposition 14 Si t < 1 ( t > 1); el ratio de cobertura de minima vari-


anza es monotonicamente creciente (ecreciente) en la correlacin entre ambas
innovaciones.

Proposition 15 Si las innovaciones estn correlacionadas positiva y perfecta-


mente, el ratio de cobertura ptimo es: ht =bt = 1=(1 + t ) y conseguimos una
cobertura perfecta. Si la corrrelacin es perfecta, pero negativa, entonces el ratio
ptimo es ht =bt = 1=(1 t ) y alcanzamoss de nuevo una cobertura completa.

Proposition 16 El ratio de cobertura de minima varianza es negativo si y solo


si t > 1 y (1+ 2t )=2 t < cs;t < 1= t :

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 = P A0 P A B0P B G0 N G + A0 zt zt0 A + G0 0


t tG + B 0 Qt B

where t = 1"t <0 :"t ; P = E(zt zt0 ); N = E( t 0t );que se estiman mediante


sus anlogos muestrales, teniendo en cuenta que en la estimacin de N hay
que promediar sobre toda la muestra, no unicamente sobre los perodos en que
"t < 0:
En la expresin anterior A; B; G son matrices kxk; siendo k el nmero de
activos. Si sustituimos estas matrices por escalares, tenemos el modelo A-DCC
(Asymmetric 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

Anda mungkin juga menyukai