Estimacin del riesgo burstil peruano, por Mauricio Zevallos

Expone: Jos Luis Flor Toro

Resumen
El trabajo es una comparacin entre dos mtodos para estimar el riesgo burstil, Riskmetrics y CAViaR. Si bien los dos mtodos de estimacin para los Valores en Riesgo, VaR( ), se comportan de manera similar, hay notables diferencias, en especial, cuando el grado de confianza ( ) deseado es 99% y no 95%. En esa situacin, y ya de manera general, el mtodo de estimacin CAViaR se desempea mejor, en muchos aspectos.

ndice
0. 1. 2. 3. 4. Introduccin Hechos Estilizados Metodologa: Riskmetrics y CAViaR Criterios de Evaluacin Aplicacin Emprica: estimando el VaR para el IGBVL 5. Conclusiones

0. Introduccin
La estimacin del riesgo burstil es de gran inters en la coyuntura nacional. La medida ms popular es el Value at Risk (VaR): es el lmite menor, dado un nivel de confianza , de los retornos a un activo. Usando la serie de prdidas, el VaR es el lmite superior de la distribucin de prdidas, para un determinado.

1. Hechos Estilizados (1)

La serie observada es la de los retornos diarios compuestos, en porcentajes y con signo negativo. Es decir, se toma la serie de prdidas. El span es [03/01/00; 29/12/06]. El histograma de las observaciones no corresponde a una figura Normal, debido a la asimetra en colas. Las caractersticas mencionadas a continuacin son consistentes con la evidencia emprica hallada para otros pases. Son evidencia de distribuciones condicionales al pasado, que cambian en el tiempo, en particular, en su volatilidad. Correspondera, entonces, una representacin GARCH o Markov-switching

1. Hechos Estilizados (2)

1. Se observan clusters de volatilidad. 2. En la serie de prdidas, hay poca autocorrelacin. La que hay se elimina, de manera evaluada, mediante la representacin AR(1). 3. Hay mucha autocorrelacin en los cuadrados de los residuos. 4. Las colas de la distribucin son pesadas, esto es, contienen un alto nmero de observaciones. 5. No hay simetra entre la cola de las ganancias y la de prdidas.

2. Metodologa (1)
Se busca estimar Una herramienta poderosa son los modelos de heteroscedasticidad condicional. En particular, se modelar de acuerdo a un AR(1)GARCH(1,1). En el modelo, la varianza no es constante y tambin es modelada como un AR(1), al que se le aumenta un trmino de actualizacin.

2. Metodologa (2)

Modelacin general de la serie de prdidas como un AR(1)-GARCH(1,1). En este caso, el parmetro que determina la magnitud de la volatilidad es , en [0;1], pues multiplica a . Adems, a su vez sigue un proceso AR(1), incorporando informacin de la sorpresa del perodo inmediatamente anterior.

2. Metodologa (3) Riskmetrics

En este mtodo, se estima primero la media incondicional y, luego, los residuos. Despus, se estima el EE iterando en (7) o usando los residuos como errores en (8). Finalmente, se reemplaza en (6) para obtener el VaR, con un determinado.

2. Metodologa (4) CAViaR

En este mtodo, se modela la evolucin del -cuantil correspondiente a la distribucin condicional de dado el pasado. Se estiman, luego, los parmetros minimizando la suma negativa de los productos de la probabilidad de excepcin por el valor de excepcin. Es decir, se minimiza el esperado de excepcin (prdida excepcional).

3. Criterios de Evaluacin(1)
Cobertura Incondicional: la distribucin observada (binomial) de las excepciones coincide con la distribucin esperada, generada por el mtodo usado. Independencia temporal: las probabilidades de cambio de rgimen (excepcin-no excepcin) son independientes del rgimen inmediatamente anterior. Menor prdida cuantlica: La prdida cuantlica es el cuadrado de la diferencia entre la prdida observada y el lmite superior estimado. Indica si se incurre en prdida real o de oportunidad. El estimador preferido es aquel que minimiza este indicador.

4. Aplicacin Emprica (1)

Dado que se hall reversin a la media en los datos, el mtodo Riskmetrics no tiene un =0. Se toman tres subconjuntos de observaciones: 2000-2004, 2000-2005 y 2000-2006. Riskmetrics ofrece resultados satisfactorios para VaR(95%) pero subestima VaR(99%) (se rechaza la cobertura incondicional y la independencia temporal, en el segundo caso). Con CAViaR, no se rechaza ninguna de las dos, ni en 95% ni en 99% de confianza, excepto en 2000-2006, en el que se rechaza slo independencia. En general, el mtodo CAViaR se desempea mejor que el Riskmetrics

4. Aplicacin Emprica (2)

Tambin se evala la capacidad, notndose que ningn mtodo pudo explicar el factor Humala . Para perodos de baja volatilidad, ambos mtodos arrojan predicciones cercanas. Para perodos de alta volatilidad, la diferencia es importante. CAViaR es ms adaptativo , en tanto incorpora informacin reciente ms rpidamente. Esto hace que sus predicciones sean ms precisas en dichos perodos.

5. Conclusiones
(a) Para estimar el VaR, es necesario usar modelos con distribuciones que varen en el tiempo. (b) Para VaR(95%), ambos mtodos se comportan bien. (c) Para VaR(99%), CAViaR ofrece mejores resultados que Riskmetrics . (d) En perodos de baja volatilidad, ambos mtodos arrojan predicciones similares. De otro modo, CAViaR es ms preciso. Esto es acentuado por el nivel de confianza elegido. (e) CAViaR es ms adaptativo que Riskmetrics .

GRACIAS