Valor en riesgo: modelos econométricos contra metodologías tradicionales
Palabras clave:
Valor en riesgo, modelos econométricos, condicionalidad en la varianzaResumen
En este artículo se evalúa el comportamiento de diferentes métodos (paramétricos y de simulación) para estimar el valor en riesgo de portafolios compuestos por instrumentos de renta variable. También se incorpora el uso de diferentes modelos econométricos que incorporan condicionalidad en la varianza, y se comparan contra los métodos tradicionales de estimación del valor en riesgo. La estimación se realizó para dos periodos: uno con crisis financiera y volatilidad grande, y otro con estabilidad económica y volatilidad menor. En general se encontró que el valor en riesgo estimado es mayor en los periodos de crisis económica que en los periodos de estabilidad y que, según la clasificación del Banco Internacional de Pagos, todas las metodologías de estimación usadas se encuentran en la zona de aceptación de 99% de confianza. Los resultados muestran que cada modelo obtiene diferentes medidas de valor en riesgo, no obstante la metodología de simulación histórica consistentemente fue la que dio mayores estimados, con lo cual se encuentra que los métodos que incorporan condicionalidad en la varianza (exceptuando al EGARCH) permitirían al administrador de riesgos obtener estimados menores a las técnicas tradicionales.
Descargas
Citas
Alonso C. y Arcos A. (2005). “4 Hechos Estilizados de las series de rendimientos: Una ilustración para Colombia”, mimeo.
Bams D., Lehnert T. y Wolff C. (2005). “An evaluation framework for alternative VaR-models”, Journal of International Money and Finance, núm. 24, pp. 944-958.
Basle Committee on Banking Supervision (2003). The New Basle Capital Accord, Bank For International Settlements, julio.
__________ (1996). “Supervisory Framework for the use of backtesting in conjunction with the internal models approach to market risk capital requirements”, Bank for International Settlements, enero.
Bollerslev, T. (1986). “Generalized Autoregressive Conditional Heteroscedasticity”, Journal of Econometrics, 31, pp. 307-327.
Boyle, P. P. (1977). “Options: A Monte Carlo Approach”, Journal of Financial Economics, 4, pp. 323-338.
Campbell J., Lo A. y MacKinlay A. (1997). The Econometrics of Financial Markets, EUA: Princeton.
Crouhy M, Galai D. y Mark R. (2001). Risk Management, Nueva York: McGraw Hill.
De Lara, A. (2001). Medición y Control de Riesgos Financieros, México: Limusa.
Ding Z., Granger W. y Engle R. (1993). “A long memory property of stock market returns and a new model”, Journal of Empirical Finance, 1, pp. 83-106.
Elton E. y Gruber M. (1977). “Risk Reduction and Portfolio Size: An Analytical Solution”, The Journal of Business, 50, 4, 415.
Engle, R. (2001). “GARCH 101: The Use of ARCH/GARCH Models in Applied Econometrics”, Journal of Economic Perspectives, 15 (4), pp. 157-168.
Jorion, P. (1999). Valor en Riesgo, México: Limusa.
Kim, D. y Kon, S. (1994) “Alternative models for the condicional heteroscedasticity of stock returns”, Journal of Business, 67, pp. 563-598.
Kupiec, P. (1995). “Techniques for Verifying the Accuracy of Risk Measurement Models”, Journal of Derivatives, vol. 2, pp. 73-84.
Mina, J. y Xiao J. (2001). “Return to Riskmetrics: The Evolution of a Standard”, Riskmetrics.
Longerstaey, J. y Spencer M. (1996). Riskmetrics- Technical Document, New York: JP Morgan/Reuters.
Ramírez E. (2005). “Valor en Riesgo no lineal”, tesis doctoral.
Statman M. (1987). The Journal of Financial and Quantitative Analysis, vol. 22, núm. 3, pp. 353-363.
Thierry A. (2005). “Do Power GARCH Models Really Improve Value-At-Risk Forescasts?”, Journal of Economics and Finance, vol. 29, núm. 3.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
