INTRODUCCIN
Soluciones de
Tecnologa
Coaching y
Consultora
Modelamiento
de Riesgo
Optimizacin
de Portafolios
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
ADMINISTRACIN DE PORTAFOLIOS
CONTEXTO
CONTEXTO
OBJETIVO DE LA PRESENTACIN
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
PORTAFOLIO
160
140
G Electric
Mac
MSFT
Morgan Stanley
Coca Cola
S&P
120
100
80
60
40
20
100
200
300
400
500
600
700
800
900
CORRELACIN PRECIOS
G Electric
Mac
MSFT
S&P
38
36
34
32
30
100
50
60
55
50
45
Correlacin
variable?
80
60
50
45
40
150
140
130
120
110
3032343638 50
100 45 50 55 60
60
80
40 45 50 110
120
130
140
150
G Electric
Mac
MSFT
S&P
-0.04
-0.0200.02
0.04
-0.05 0 0.05
-0.04
-0.0200.02
0.04
-0.05 0 0.05
-0.08
-0.06
-0.04
-0.0200.02
0.04-0.02 0 0.02
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
MEAN-VARIANCE OPTIMIZATION
Riesgos histricos
Correlaciones histricas
Retornos esperados
Riesgos esperados
Correlaciones esperadas
-4
Portafolios de la
frontera eficiente
-4
x 10
-0.5
-0.5
-1
-1
-1.5
x 10
Sep 2014
Sep 2014
Jul
El 2020
spread Jul 09-Jul 20
aumentar en 10 bp
Jul 2020
-2
-2
Jul 2009
-2.5
-3
1
-2.5
Ago 2008
2
-3
31
Jul 2009
Feb 2010
El butterfly Jul09-Sep14-Jul20
aumentar en 5 bp
Feb 2010
Ago 2008
42
53
64
75
86
97
-3
x 10
9
-3
x 10
135
130
125
PRECIOS
120
115
110
105
100
95
50
100
150
200
250
300
TIEMPO
350
400
450
500
0.06
0.05
LA VOLATILIDAD NO
ES CONSTANTE
CAMBIOS LOGARTMICOS
0.04
0.03
0.02
0.01
0
-0.01
-0.02
-0.03
-0.04
50
100
150
200
250
300
TIEMPO
350
400
450
500
0.35
Emprico
Normal
0.3
0.25
NO SE CUMPLE EL
SUPUESTO DE
NORMALIDAD
0.2
0.15
0.1
0.05
0
-0.04
-0.03
-0.02
-0.01
0.01
0.02
0.03
0.04
0.05
0.06
Para evitar los problemas enunciados del enfoque de Markowitz es muy comn
que el inversionista incorpore al modelo muchas restricciones
PARE
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
Los resultados incorporarn tanto los retornos esperados como sus views, que
afectarn el portafolio dependiendo del nivel de confianza que tenga de ellos.
ESQUEMA DE B-L
P=
1
0
0
Mac
MSFT
M St
0
-1
0
0
0
0
0
-0.5 0
CC
S&P
0 0
1 0
1 -0.5
0.0150
Q = 0.0200
0.0100
1.4E-6
0
0
= 0
2.4E-6
0
0
0
1.4E-6
DE MARKOWITZ A B&L
-4
x 10
Sep 2014
-0.5
-1
-1.5
Abr 2008
Jul 2020
-2
Jul 2009
-2.5
-3
1
8
Feb 2010
Sep 2014
Ago 2008
2
-4
x 10
-3
x 10
Jul 2020
Benchmark
Views
Nivel de confianza
0
Abr 2008
Feb 2010
Jul 2009
-2
Ago 2008
-4
0.5
1.5
2.5
3.5
-3
x 10
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
CONTRATOS DE FUTUROS
DEFINICIN
20
Media 1%
15
PORTAFOLIO 1:
Activo + 0.5 Futuro
PORTAFOLIO 2:
Activo + 0.9 Futuro
10
-60
-25
10
45
80
Values in 10^-3
5%
90%
-21.7014
5%
42.4515
45
250
Mean=1.141849E-02
Mean=1.140298E-02
40
200
35
Media 1%
30
Media 1%
150
25
20
100
15
10
50
-60
-25
10
45
80
-60
-25
Values in 10^-3
5%
90%
-5.1553
10
45
Values in 10^-3
5%
26.9211
*Se supone que el precio del futuro es igual al precio esperado del activo
5%
90%
8.1526
14.4737
5%
80
CONTRATOS DE OPCIONES
CONTRATOS DE OPCIONES
20
Media 1%
15
PORTAFOLIO 1:
Activo + 0.5 Opcin
PORTAFOLIO 2:
Activo + 0.9 Opcin
10
-60
-25
10
45
80
Values in 10^-3
5%
90%
-21.7014
5%
42.4515
25
Mean=5.435224E-03
Mean=6.02973E-04
45
40
20
35
15
Media 0.5%
30
Media -0.5%
25
20
10
15
5
10
5
0
-60
-25
10
45
80
-60
-25
10
Values in 10^-3
5%
90%
-19.4555
45
80
Values in 10^-3
5%
34.5262
5%
90%
-17.8233
5%
28.3777
MEDIDAS COHERENTES
Subaditividad:
Homogeneidad positiva: si d > 0,
Monotonicidad: si
VaR no es en general
una medida coherente
(Aunque s lo es para
prdidas elpticas, en
particular, normales)
VAR
CVaR es coherente
(convexa)
CVAR
1-
rt C t ,
0.03
0.02
0.05
0.01
0.04
0
0.03
-0.01
0.02
0.01
-0.02
-0.03
-0.01
-0.04
-0.08
-0.06
-0.04
-0.02
0.02
0.04
0.06
0.08
-0.02
-0.03
Componentes principales
-0.04
-0.08
-0.06
-0.04
-0.02
0.02
0.04
0.06
IR AL MODELO
Pero
Cmo incorporar
los VIEWS en este
contexto?
P
I) DATOS
SIMULADOS
II) DATOS EN
EL ESPACIO
DE LOS VIEWS
3800
3600
3400
0.9
3200
0.8
0.7
3000
0.6
2800
0.5
2600
0.4
2400
-25
-20
-15
-10
-5
0.3
0.2
0.1
0
-0.04
IV) SIMULACIONES
INCORPORANDO
LOS VIEWS
4200
4000
3800
3600
3400
3200
3000
2800
2600
-25
-20
-15
-10
-5
P-1
-0.03
-0.02
-0.01
III) DATOS
TRANSFORMADOS
ESPACIO DE LOS
VIEWS
0.01
0.02
0.03
0.04
El enfoque de
Meucci disminuye la
volatilidad de los
retornos, lo cual
disminuye
artificialmente el
riesgo del portafolio
0.5
0.4
0.3
0.2
0.1
0
-0.04
-0.03
-0.02
-0.01
0.01
0.02
0.03
0.04
Buscamos optimizar
portafolios logrando
una medicin
apropiada del riesgo
del mismo
0.3
0.2
0.1
0
-0.04
-0.03
-0.02
-0.01
0.01
0.02
0.03
0.04
SIMULACIONES HISTRICAS
SIMULACIONES POSTERIORES
3800
4200
3600
4000
3800
3400
3600
3200
3400
3000
3200
2800
3000
2600
2800
2400
-25
-20
-15
-10
-5
2600
-25
-20
-15
-10
-5
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
CVaR
CVaR,9=CVaR,7
CVaR,10
CVaR,11
VIEWS DINMICOS
0.12
Opcion 5
0.1
0.08
VIEW:
Los retornos sern
mayores al comienzo
del mes
Opcion 4
La optimizacin
esttica asume que
los retornos son
constantes
0.06
Opcion 1
0.04
Opcion 2
0.02
0
-0.02
VIEW:
Los retornos sern
mayores al final del
mes
Opcion 3
0
10
15
20
25
0.1
0.08
0.06
0.04
0.02
Simulaciones
histricas
44
10
12
14
16
18
Simulaciones
posteriores
20
48
43
46
42
41
44
40
42
39
38
40
37
38
36
35
-20
-15
-10
-5
36
-20
-15
-10
-5
Simulaciones
histricas
-0.05
10
66
15
20
25
30
35
40
Simulaciones
posteriores
45
70
64
62
65
60
58
60
56
54
55
52
50
50
48
46
-50
-40
-30
-20
-10
10
45
-45
-40
-35
-30
-25
-20
-15
-10
-5
IR AL MODELO
VPN?
CVaR,9=CVaR,7
CVaR,10
PROMEDIO PONDERADO?
CVaR,11
MXIMO?
Este tipo de medidas son muy aplicables a empresas del sector real
600
500
Evolucin
Ganancias
Esperadas
400
300
Evolucin VaR
200
100
0.0081813
Evolucin CVaR
0.004171
40
20
Ganancias en pesos
0
-20
10
15
20
Tiempo
Histogramas
Ganancias en
el Tiempo
600
500
400
300
200
5
10
0.004171
100
15
0
20
0.0081813
-30
-20
Evolucin CVaR
-10
Evolucin VaR
10
20
30
Ganancias Esperadas
40
Tiempo
Retornos
20
10
Ganancias
0.0081813
0.004171
Evolucin
Ganancias
Esperadas
Evolucin VaR
-10
-20
Evolucin CVaR
-30
2
10
12
Tiempo
14
16
18
20
AGENDA
11
INTRODUCCIN
INTRODUCCIN
22
ADMINISTRACIN
ADMINISTRACINDE
DEPORTAFOLIOS
PORTAFOLIOS
33
II
MEDIA
MEDIA--VARIANZA
VARIANZA
IIII
INCORPORANDO
INCORPORANDOVIEWS
VIEWSPERSONALES
PERSONALES
III
III
CONDITIONAL
CONDITIONALVAR
VAR
III
III
OPTIMIZACIN
OPTIMIZACINDINMICA
DINMICAKFS
KFS
RESULTADOS
RESULTADOSYYCONCLUSIONES
CONCLUSIONES
P=
1
0
0
Mac
MSFT
M St
0
-1
0
0
0
0
0
-0.5 0
CC
S&P
0 0
1 0
1 -0.5
COMPARACIN
CONCLUSIONES
REFERENCIAS
Meucci, A. (2006). Beyond Black-Litterman in Practice: a Five-Step Recipe to Input Views on non-Normal
Markets. Lehman Brothers, Inc., New York
Rockafellar, R.T., Uryasev, S. (2002) Conditional Value-at-Risk for General Loss Distributions, Journal of
Banking and Finance, 26/7, 1443-1471
Rockafellar, R.T., Uryasev, S. (2000) Optimization of Conditional Value-At-Risk, The Journal of Risk, Vol.
2, No. 3, 21-41
Riedel F. (2004). Dynamic Coherent Risk Measures. Processes and Applications, 112, 185--200.
RiskmetricsTM - Technical Document, 4th ed., Morgan Guaranty Trust Co. (1996).
Zhu, S.S., Fukushima, M. (2005) Worst-Case Conditional Value-at-Risk with Application to Robust
Portfolio Management, Technical Report 2005-6, Department of Applied Mathematics and Physics,
Graduate School of Informatics, Kyoto University, http://www.amp.i.kyoto-u.ac.jp/tecrep/.
REFERENCIAS
http://www.lchclearnet.com
Hull J.C. (2003). Options, Futures & other Derivatives, Prentice Hall.
McNeil A. J., Frey, R., Embrechts P. (2004). Quantitative Risk Management: Concepts, Techniques and
Tools, Princeton University Press.
Jarrow R. (1998). Volatility, New Estimation Techniques for Pricing Derivatives, Risk Books.
Florenzano M., Le Van C. (2001). Finite Dimensional Convexity and Optimization, Springer-Verlag.
Berlin and Heidelberg GmbH & Co. K.
Andersson, F., Mausser, H., Rosen, D. y S. Uryasev. (2001) Credit Risk Optimization with Conditional
Value-At-Risk Criterion, Mathematical Programming, Series B 89, 273-291
Artzner, P., Delbaen, F., Eber J-M. y Heath D. (1999). Coherent measures of risk, Mathematical
Finance, Vol. 9, No 3, 203--228.
Artzner, P., Delbaen, F., Eber J-M., Heath D. y Ku Hyejin (2003). Multiperiod Risk and Coherent
Multiperiod Risk Measurement, working paper, ETH Zurich.
Artzner, P., Delbaen, F., Eber J-M., Heath D. y Ku Hyejin (2004). Coherent Multiperiod Risk Adjusted
Values and Bellman's Principle, Manuscript, Institut de Recherche Mathmatique Avance, Strasbourg.
REFERENCIAS
Balbs A., Garrido J., Mayoral s. (2002) Coherent risk measures in a dynamic framework, Working Paper,
Madrid Carlos III University.
Cheridito, P., Delbaen, F., Kupper, M. (2004) Dynamic monetary risk measures for bounded discrete-time
processes. Working Paper. ETH-Zrich
Delbaen, F (2000). Coherent Risk Measures on General Probability Spaces, Advances in Finance and
Stochastics. Essays in Honour of Dieter Sondermann, in: K. Sandmann and P. J. Schnbucher (eds.),
Springer-Verlag (2002), 1-37.
Delbaen, F. (2002). Coherent risk measures, Monograph, Scuola Normale Superiore, Pisa.
Detlefsen K., Scandolo G. (2005) Conditional and dynamic convex risk measures, Humbold University.
Hardy, M., Wirch, J. L. (1999). A Synthesis of Risk Measures for Capital Adequacy, Insurance:
Mathematics and Economics, 25, 337--347.
Hardy, M., Wirch, J. L. (2004). The iterated CTE: A dynamic risk measure, North American Actuarial
Journal, 62--75.
Huang, D., Zhu, S-S., Fabozzi, F. J., Fukushima, M. (2006). Robust CVaR Aproach to Portfolio Selection
with Uncertain Exit Time, Technical Report 2006-1, Department of Applied Mathematics and Physics,
Graduate School of Informatics, Kyoto University, http://www.amp.i.kyoto-u.ac.jp/tecrep/.
Contacto:
nicolasc@knightfs.com
Tel: 57 (1) 255 3452
Cel: 313 852 1880