Strategic Asset Allocation in Fixed Income Markets A MATLAB Based Series

Asignacin estratgica de los activos en los mercados Fixed-Income
Matlab basado en una gua del usuario

Ken Nyholm
"Un libro muy til para cualquier persona interesada en la aplicacin

real de MATLAB basado com- putational tcnicas a problemas de renta
fija. Tericamente slidos y prcticamente til:
una rara combinacin. Me decid a comprar MATLAB tras la lectura.'' el
doctor Riccardo Rebonato, Director Global de Riesgo de Mercado y Quant
Analytics, RBS.
"Este libro es un maravilloso y prcticas de 'cmo' Gua para el mercado
de bonos empirics implementado en Matlab, con particular fuerza en la
dinmica de la curva de rendimiento de los modelos. Ser de inters para
estudiantes y profesionales por igual." Francis X. Diebold, Joseph M.
Cohen, Profesor de Economa, Finanzas y Estadsticas, y Co-Directora del
Centro de Instituciones Financieras de Wharton, Universidad de
Pennsylvania.
"Este libro ofrece una oportunidad nica para los lectores astutos
matemticamente con poca exposicin previa a financiar a 'golpean el
suelo girando'en renta fija el modelado. Pero proporciona una amplia
introduccin exhaustiva a la hacienda de renta fija, a partir de
elementos bsicos, como son el precio-rendimiento conversiones a temas
ms complejos, como la estructura a plazo de modelado y asignacin
estratgica de los activos. No se asume conocimiento financiero previo;
se hace un esfuerzo para desarrollar todos los modelos presentados desde
los primeros principios, y se proporcionaron referencias para quienes
deseen sondear un determinado tema en mayor profundidad. Al mismo tiempo,
el libro tambin sirve como una introduccin a MATLAB, que se utiliza en
todo el libro para proporcionar ejemplos de cdigo de trabajo para todos
los modelos que se discute en el texto. Estos fragmentos de cdigo, que
puede ser descargado de internet, puede ayudar a los lectores a reactivar
sus propios esfuerzos en la escritura de cdigo de Matlab para
aplicaciones financieras. Este libro puede ser til en diferentes formas
a diferentes personas. Ofrece una excelente primera exposicin para
financiar a cientficos e ingenieros interesados en unirse al campo. Para
profesionales experimentados, el libro y el acompaamiento de los
fragmentos de cdigo pueden reducir significativamente el tiempo
necesario para iniciar la aplicacin de los modelos en Matlab, una
poderosa herramienta de programacin." Lev Dynkin, Director Gerente de
Cartera estrategias cuantitativas, Lehman Brothers.
"StrategicAssetAllocation en los mercados de renta fija es una cuidadosa
reflexin introduccin a la asignacin de los activos de renta fija con
un enfoque aplicado en aplicacin de MATLAB. Un gran recurso para quien
quiere empezar a resolver problemas de asignacin de activos realistas."
Michael W. Brandt, profesor de finanzas, la Escuela de Negocios Fuqua de
la Duke University.
Asignacin estratgica de los activos en los mercados Fixed-Income
para otros ttulos en el Wiley Finance series consulte

Www.wiley.com/finance
Fixed-Income asignacin estratgica de los activos en los mercados

basados en MATLAB UNA Gua del usuario
Ken Nyholm
Copyright 2008 John Wiley & Sons Ltd, el Atrio, Puerta Sur,
Chichester, West Sussex PO19 8SQ, Inglaterra
Telfono (+44) 1243 779777
Correo electrnico (para pedidos y servicio de atencin al cliente): Cs-
books@wiley.co.uk visite nuestra pgina sobre www.wiley.com
Todos Los Derechos Reservados. Ninguna parte de esta publicacin puede
ser reproducida, almacenada en un sistema de recuperacin o transmitida
de ninguna forma o por cualquier medio, electrnico, mecnico, fotocopia,
grabacin, escaneado o de lo contrario, excepto bajo los trminos del
copyright, diseos y patentes Ley 1988 o bajo los trminos de una
licencia expedida por la Copyright Licensing Agency Ltd., 90 Tottenham
Court Road, Londres W1T 4LP, Reino Unido, sin el permiso por escrito del
editor. Pide a la editorial debe ser dirigida al Departamento de
permisos, John Wiley & Sons Ltd, el Atrio, Puerta Sur, Chichester,
West Sussex PO19 8SQ, Inglaterra, o por correo electrnico a
Permreq@wiley.co.uk, o por fax al (+44) 1243 770620.
Las denominaciones utilizadas por las empresas para distinguir sus
productos suelen ser reclamados como marcas. Todas las marcas y nombres
de productos usados en este libro son los nombres comerciales, marcas de
servicio, marcas comerciales o marcas comerciales registradas de sus
respectivos propietarios. El editor no est asociado con ningn proveedor
o producto mencionado en este libro.
Esta publicacin est diseada para proporcionar informacin precisa y
fidedigna con respecto a la materia cubierta. Se vende en el
entendimiento de que el editor no se dedica a prestar servicios
profesionales. Si asesoramiento profesional o de otros expertos, es
necesaria la ayuda de los servicios de un profesional competente deben
ser buscados.
Otras oficinas Editorial Wiley,
John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, EE.UU
Jossey-Bass, 989 Market Street, San Francisco, CA 94103-1741, EE.UU.
Wiley-VCH Verlag GmbH Boschstr. 12, D-69469 Weinheim, Alemania
Australia John Wiley & Sons Ltd, 42 McDougall Street, Milton,
Queensland 4064, Australia
John Wiley & Sons (Asia) Pte Ltd, 2 Clementi Loop #02-01, Jin Xing
Distripark, Singapur 129809
John Wiley & Sons Ltd, Canad 6045 Freemont Blvd. El Mississauga,
Ontario L5R 4J3, Canad
Wiley tambin publica sus libros en una variedad de formatos
electrnicos. Algunos contenidos que aparece en la impresin puede no
estar disponible en libros electrnicos.
La biblioteca de Congreso que Cataloga en los datos de la publicacin
Nyholm, Ken.
asignacin estratgica de los activos en los mercados de renta fija: una
basada en MATLAB / gua del usuario Ken Nyholm.
p. cm.
Incluye referencias bibliogrficas e ndice.
ISBN 978-0-470-75362-0 (tela : alk. papel) 1. La asignacin de activos-
modelos matemticos.
2. Los activos y pasivos de la gestin de modelos matemticos. I. EL
TTULO.
HG4529.5.N94 2008
332.63 2044-DC22 2008022823
de catalogacin de la Biblioteca Britnica en la publicacin de
un catlogo de datos de registro de este libro est disponible en la
Biblioteca Britnica
ISBN 978-0-470-75362-0
Componer en tiempos de pt 10/12Integra Software Services Pvt. Ltd,
Pondicherry, India impreso y encuadernado en Gran Bretaa por TJ
International Ltd, Padstow, Cornualles, en el Reino Unido
a Laura, Clara y Emilia
contenidos
Lista de figuras xi Prefacio y Renuncia xiii Agradecimientos xvii
1 Introduccin 1 1.1 asignacin estratgica de los activos 1 1.2 Esquema
del libro 5 2 Elementos esenciales de MATLAB 7 2.1 Introduccin 7 2.2
Introduccin 8 2.3 Introduccin 12 lgebra matricial 2.4 Organizacin de
datos 16 2.5 La creacin de funciones 18 2.6 23 de regresin lineal 2.7
Algunos ejemplos de estimacin 27 2.8 Una breve introduccin a las
simulaciones preliminares Fixed-Income 32 3 39 39 3.1 Introduccin 3.2
las tasas spot y rendimientos 39 3.3 tasas de avance 47 3.4 Funciones de
Precios de Bonos 48 4 Riesgo y Retorno mide 51 4.1 Introduccin 51 4.2.
Medidas del riesgo 51 4.3 devoluciones de renta fija 65
x
5 Duracin contenido modelos de estructura 69 5.1 Introduccin 69 5.2 no
necesariamente libre de arbitraje modelos 69 5.3 El arbitraje libre de 74
modelos de asignacin de activos 6 87 87 6.1 Introduccin 6.2 La
diversificacin de carteras eficientes 87 6.3 95 6.4 La cartera de
varianza mnima 98 6.5 Limitaciones de peso de activos 100 6.6 El Capital
Asset Pricing Model 106 7 Herramientas Estadsticas 109 109 7.1
Introduccin 7.2 autorregresiva Vector 109 7.3 modelos de cambio de
rgimen 112 7.4 Curva de rendimiento modelos en forma de espacio de
estado 123 7.5 muestreo por importancia 129 8 Crear interfaces grficas
de usuario 135 135 8.1 Introduccin 8.2 El entorno de desarrollo "GUIDE"
135 8.3 Creacin de una GUI sencilla 138 9 frmulas y expresiones tiles
149 9.1 Introduccin 149 9.2 Operaciones matriciales 149 9.3
Descomposiciones 153 9.4 normas bsicas de 154 distribuciones 9.6
Funciones 9.5 156 157 9.7 series de Taylor aproximacin 159 9.8 las tasas
de inters, los rendimientos y estadsticas de cartera 159 Bibliografa
161 ndice 163 en la
lista de figuras
2.1 Ejemplo del comando 'Imprimir' 9 2.2 Ejemplo del comando "hold" 10
2.3 Ejemplo del comando 'subplot' 12 2.4 Original y datos simulados 35
2.5 simulado distribuciones de parmetro 35 3.1 ejemplos de la curva de
rendimientos en las fechas indicadas 41 3.2 Ejemplo de curva de
rendimiento las formas y lugares 42 3.3 Comparacin de una curva cero y
una curva de rendimiento 46 4.1 La varianza y covarianza 52 4.2 El riesgo
mide 54 4.3 emprica y distribucin normal 55 4.4 El precio del bono
sensibilidad a niveles de rendimiento 60 aproximaciones a 4.5 El MD y
convexidad 65 5.1 Nelson-Siegel curva de rendimiento factores 70 5.2
Nelson-Siegel factor sensibilidades (= 0.08) 71 5.3 Vasicek ejemplo
curva 79 5.4 hacia arriba y curvas de rendimiento Vasicek inversa 81 5.5
los rendimientos observados y estimados a partir de un modelo de
arbitraje 84 6.1 Ejemplo de carteras eficaces e ineficaces 88 6.2 La
posible inversin frontier 94 6.3 Ejemplo del efecto de diversificacin
97 6.4 Ejemplo de un desenfrenado y limitada frontera eficiente 106 6.5
La lnea del mercado de capitales 107 7.1 Ejemplo de rgimen 113 datos de
conmutacin 7.2 Datos y probabilidad estimada para el estado 1 122 7.3
Estado probabilidades y el factor de inclinacin 128 7.4 Las estimaciones
del dficit previsto 132 8.1 El MATLAB "guiar" la pantalla Iniciar 136
8.2 El rea de desarrollo de GUI 137 8.3 La 'propiedad Inspector' 138 8.4
Cambiando el nombre y propiedades de etiqueta de un botn de 'Push' 139
8.5 Nelson-Siegel GUI 140
xii Lista de figuras

8.6 ilustra el uso de la primera parte del ejemplo de GUI-Siegel Nelson
144 8.7 rea de entrada para la parte inferior de la GUI de Nelson y
Siegel ejemplo 144 8.8 La ampliacin del rea de entrada 146 9.1 un
ejemplo de una funcin y su inversa 159
Prefacio y renuncia de
los trabajos contenidos en este libro fue inicialmente concebido como
lectura de fondo para estudiantes en el Departamento de Finanzas de la
Universidad de Francfort para un curso sobre "StrategicAssetAllocation
renta fija en la prctica", que empec a ensear hace algunos aos.
Una bsqueda bibliogrfica apropiada para un libro de texto que combina
el anlisis de renta fija, la teora de la cartera y en profundidad, las
aplicaciones basadas en computadoras concluyeron sin xito.
Por lo tanto, me puse a escribir apuntes, destinada a explicar e
ilustrar, mediante el uso de ejemplos, algunos de los temas a partir de
la interseccin entre la gestin de la cartera de renta fija y
econometra aplicada. Como herramienta informtica Decid confiar
1 en MATLAB.
Eventualmente, los apuntes termin formando este libro. Su propsito
principal es ayudar a los lectores que estn interesados en la aplicacin
de modelos economtricos y financieros en MATLAB. Mientras que los
Ejemplos comentados por ningn medios dicen ser 'la mejor manera' para
programar y aplicar esas tcnicas y modelos, se espera que el texto
todava puede servir como una introduccin til pertinente para
estudiantes y profesionales por igual. En particular, muchos
profesionales y estudiantes (parece) no puede encontrar el tiempo (aunque
probablemente por motivos diferentes) para hacer la necesaria labor de
pie para empezar a implementar modelos de MATLAB; con aquellos en mente,
el objetivo de este libro es bajar la "barrera de entrada" para el xito
de la aplicacin de modelos financieros.
Una renuncia es justificada en este punto. Dado mis antecedentes
relacionados con el trabajo en strategic la asignacin de activos para
los instrumentos de deuda, el libro tiene un sesgo significativo hacia
los mercados de renta fija. Esto significa que el libro no cubre la
equidad y opciones- material relacionado en absoluto. Adems, el libro no
reclama o pretende dar un tratamiento unificado de mtodos de asignacin
estratgica de activos, ni de cmo construir un activo alloca marco-
cin. Ms bien, presenta una coleccin de diferentes ideas y tcnicas, y
muestra cmo estos pueden implementarse utilizando Matlab.
1 Ms informacin acerca de MATLAB y cmo utilizarlo puede ser encontrada
en la Internet, vase, por ejemplo, y Www.econphd.net/notes.
www.mathworks.com MATLAB es una marca registrada de The MathWorks Inc.
xiv Prefacio y Renuncia

creo que una comprensin cabal de los conceptos financieros, sus puntos
fuertes, dbiles- nesses y aplicabilidad prctica mejor es facilitado por
el uso de ejemplos concretos.
Esta idea es el fundamento de la filosofa pedaggica del libro: todos
los conceptos centrales y las teoras son, por ejemplo, las
implementaciones de MATLAB, que van acompaadas por descripciones
detalladas de los necesarios pasos de programacin. De esta forma, el
libro puede ser igualmente utilizado como introduccin a las finanzas y
MATLAB.
Los requisitos principales para la lectura del libro son: un gran inters
en explorar la aleta- ancial modelos en la prctica y una formacin
equivalente a una licenciatura en un campo tcnico moderadamente. Todos
los conceptos y tcnicas se introducen desde el nivel bsico, por lo que
este ltimo requisito es fcilmente compensado por el antiguo.
Matemticamente adepto individuos probablemente encontrar el texto y
ejemplos relativamente fcil, mientras que las personas con habilidades
matemticas algo oxidada (probablemente) encontrar el texto refrescante.
Cabe sealar que la notacin utilizada en el libro es el captulo
especfico. Esto significa que un smbolo puede utilizarse para
diferentes objetos en dos captulos diferentes.
Por ejemplo, r se utiliza para denotar la tasa de corto en el Captulo 5,
y para denotar el vector de retornos en el Captulo 6. Cuando un modelo
se introduce en un captulo determinado, siempre es acompaado con una
explicacin de la notacin utilizada. Esto debe limitar las posibilidades
de confusin de anotacin. Yo personalmente considero la notacin
utilizada en algunos libros muy difciles de leer y, por tanto, ha
adoptado el criterio de utilizar tan pocos nombres de variables como sea
posible, y he intentado hacer la notacin ms intuitivo posible. La
ventaja de esta opcin es que cada captulo es fcil de leer; la
desventaja es que, obviamente, la notacin cambia de un captulo al
siguiente. Adems, puedo usar el asterisco * en el texto, con el objetivo
de salvar el cdigo de MATLAB y las frmulas que se presentan en el texto
(de modo que la multiplicacin es idntico en el texto y en el cdigo de
MATLAB).
Al tener un enfoque diferente y cobertura en comparacin con la actual
exposicin, cabe sealar que la mencionada bsqueda bibliogrfica hizo
descubrir algunos libros muy interesantes en la coyuntura entre finanzas
y programacin de MATLAB: vase por ejemplo McLeish (2005) para una
descripcin detallada de los mtodos de simulacin eficiente aplica
principalmente a la zona de precios de derivados y las tcnicas de
reduccin de varianza; Meucci (2005) presenta un estudio en profundidad
de los riesgos y la asignacin de activos basndose en elementos de la
teora de la estadstica multivariada; abajo (2005) contiene una buena
introduccin a la medicin de los riesgos financieros; y Brandimarte
(2002) se centra en la optimizacin de mtodos tiles en aplicaciones
financieras.
El libro est acompaado por un recurso en lnea: www.kennyholm.com donde
MATLAB programas mencionados en el texto puede ser descargado. El sitio
tambin contiene otros materiales que pueden ser de su inters.
Tambin cabe mencionar que las tcnicas, metodologas y opiniones
expresadas en este libro son slo la ma, y no son necesariamente apoyada
por mi empleador, el Banco Central Europeo.
Muchos libros incluyen citas y referencias histricas. Esta prctica es
probablemente pretende establecer un determinado material del libro en un
contexto ms amplio, o para servir como medio de
prefacio y Renuncia xv
poner el material en perspectiva. Siempre he encontrado esta prctica un
poco cursi. De cualquier modo, resulta que no puedo resistir la tentacin
de introducir una cita, as que aqu va:
Por qu caemos, Seor? A fin de que podamos aprender mejor elegir
nosotros mismos.
Alfred Pennyworth a Batman (Batman Begins, Warner Bros., 2005)
Agradecimientos
Debo dar las gracias a mis colegas de la Divisin de Gestin de Riesgos
del Banco Central Europeo: Ulrich Bindseil, Matti Koivu, Evangelos
Tabakis, Fernando Monar, Julia Weber, y los estudiantes de la Universidad
de Francfort, para proporcionar comentarios sobre borradores ante-
riores. Especialmente, quiero agradecer a mis colegas Hans van der Hoorn
y Rositsa Vidova-Koleva sus detallados comentarios, sugerencias e
iniciativas para mejorar el texto y el contenido del libro. Por razones
obvias, tambin quiero agradecer a mi madre y padre.
Ken Nyholm Frankfurt am Main Septiembre 2008
1 Introduccin
1.1 ASIGNACIN ESTRATGICA DE LOS ACTIVOS
A pesar de su ttulo, este libro universal no presenta una gua paso a
paso para strategic asset allocation! Desde un marco de asignacin
estratgica de activos est adaptado a la institucin que es su usuario,
por definicin, es imposible un esquema general y uni- enfoque fying
cubre este nicho particular de la teora financiera, al menos si se
aspira a hacer esto en cualquier nivel razonable de detalle. Ms bien, el
objetivo y el propsito de lo que sigue son para esbozar modelos
economtricos financieros y tcnicas que pueden ser tiles en la
aplicacin de los mtodos de asignacin de activos estratgicos
idiosincrsicas en la prctica.
Los ejemplos incluidos son compatibles con el cdigo de MATLAB anotada,
como un medio de ayuda
1 en el lector el esfuerzo para implementar sus propias especificaciones
del modelo.
Antes de comenzar realmente a (en el siguiente captulo), tratemos de
delimitar el concepto de 'estratgica' la asignacin de activos al mirar
lo que los trminos 'estratgica' y 'asset allocation" significa.
Segn AskOxford.com, una "estrategia" es:
sustantivo (PL) 1. Las estrategias de un plan diseado para lograr un
determinado objetivo a largo plazo. 2 El arte de planificar y dirigir la
actividad militar en una guerra o una batalla. A menudo contrasta con la
tctica.
wikipedia.org seala que "la asignacin de activos'
es un trmino utilizado para referirse a la forma en que un inversor
distribuye sus inversiones entre diversos vehculos de inversin (por
ejemplo, acciones y bonos).
Por lo tanto, en esencia, una asignacin de activos 'estratgica'
representa un conjunto de pesos de cartera mostrando cmo un determinado
inversionista desea difundir su riqueza entre diferentes clases de
activos genricos, tales como bonos, acciones y dinero en efectivo, en un
horizonte de largo plazo. Se puede decir que el 'estratgica' la
asignacin de activos es una estable (o pasivo) anclaje para la cantidad
total de riesgo de una organizacin est dispuesta a llevar a bordo y, al
mismo tiempo, se muestra la cantidad de la indemnizacin (regresar) la
organizacin espera recibir durante
1 Otras publicaciones que apuntan a derivar los enfoques pertinentes para
los inversores a largo plazo son, entre otros, Merton (1992)[PARTE II],
Bernadell, cardn, Coche, Diebold, y Manganelli (2004)[chs. 1 y 3],
Campbell y Viceira (2002), Gonzlez y Binseil Tabakis (2008, de prxima
aparicin)[ch. 2] y el FMI (2004).
2 Introduccin
asumiendo esta cantidad en particular de riesgo. El marco de asignacin
estratgica de activos es el proceso por el cual la asignacin
estratgica de los activos se encuentra.
Una decisin de asignacin estratgica de activos pueden ser contrastados
por una tctica alloc activos- cin, decisin, similar a la definicin
semntica de la palabra 'estratgica' antes mencionadas desde
AskOxford.com. La asignacin estratgica de activos de riesgo activo
decisiones representan posiciones tomadas "en contra" de la asignacin
estratgica con el objetivo de generar rendimiento-, es decir, una mayor
rentabilidad que la obtenida por la asignacin estratgica, asumiendo
como poco riesgo adicional posible.
Desde la asignacin estratgica de los activos refleja una visin del
mercado a largo plazo, y desde esta cartera se revisa a una frecuencia
relativamente baja, es posible que posicin activa tomando puede
generar un rendimiento mejor que el de la asignacin estratgica.
Una posible fuente de rendimiento se deriva de la utilizacin ptima de
la informacin- cin, que fluye hacia el mercado entre revisiones de la
asignacin estratgica; otra fuente proviene de la diferencia entre los
horizontes de inversin de las carteras estratgicas y tcticas: el
cambio de actitud del mercado entre revisiones de la asignacin
estratgica pueden ser aprovechadas por toma de posiciones tcticas.
Finalmente, los gerentes de cartera calificada posiblemente son capaces
de generar fuera el rendimiento a travs de la eleccin del instrumento,
es decir, elegir los instrumentos que estn incorrectamente cotizados, en
un momento dado vis--vis los instrumentos incluidos en la asignacin
estratgica. Adems, portfolio gestores cualificados pueden ser capaces
de generar rendimiento correctamente por los movimientos del mercado de
distribucin no anticipadas por la asignacin estratgica de los activos.
En el libro no nos ocuparemos de la asignacin estratgica de activos per
se; sin embargo, todava es necesario ser consciente de su existencia.
Una serie de parmetros del marco estratgico debe ser especificado antes
de finan- cial econometrical y herramientas pueden ser desplegados en los
datos, con el objetivo de singularizar a una ptima asignacin de cartera
ayudando al inversor en su eleccin de la correcta asignacin de activos
estratgicos de la composicin. Tales parmetros especifican las
dimensiones centrales del marco de asignacin estratgica de activos, lo
cual puede resultar difcil, o incluso imposible, para incorporar
directamente como limitaciones de inversin. Por lo tanto, estos
parmetros sern a menudo tratadas como decisin variables exgenas,
elegido por los directivos de la institucin en cuestin. Entre los
parmetros de decisin exgenos son: la longitud del horizonte de
inversin; la frecuencia de revisin; la composicin del universo de
inversin; la especificacin de la funcin objetivo de inversin; y el
margen de riesgo/presupuesto dadas a la tctica de las capas de
inversin. Un resumen de la relacin entre strategic y tcticas de
asignacin de activos, as como el marco fundamental de los parmetros de
diseo se proporcionan en la Tabla 1.1.
El horizonte de inversin especifica el perodo durante el cual las
expectativas de rendimientos y riesgos estn formadas y, por
consiguiente, el perodo durante el cual la optimizacin de cartera es
ptima ex ante. Una cuantificacin precisa de la longitud del horizonte
de inversin es, pues, un requisito previo necesario para la generacin
de explcito de retorno y riesgo las medidas pertinentes para el universo
de inversin elegida. Por ejemplo, el horizonte de inversin para la
asignacin estratgica de los activos podra ser definido como uno, cinco
o diez aos. El lapso de tiempo elegido realmente naturalmente debe
seguir desde la institucin de la definicin de "larga
asignacin estratgica de los activos 3

Tabla 1.1 Dimensiones del proceso de asignacin de activos
asignacin tctica estratgica
a largo plazo de inversiones a corto y mediano plazo horizonte revisin
menor frecuencia mayor inversin y la adecuacin entre los objetivos ms
amplios o el mismo que el universo de recursos de la organizacin capa
estratgica
objetivo construir una cartera con un ptimo rendimiento de generar ex
ante perfil riesgo/retorno
plazo": podra ser que la organizacin quiere una asignacin estratgica
que es constante a travs de los ciclos econmicos, o que desea adaptar
la asignacin estratgica de los activos frente a las fluctuaciones de
los ciclos econmicos. La eleccin depende tambin de las supuestas
actividades o el nivel tctico, y el margen de maniobra se da a travs de
los presupuestos de riesgo especificados.
Por revisin se entiende la frecuencia de intervalos de tiempo regulares
entre las fechas cuando se investig si la actual asignacin estratgica
de los activos todava est de acuerdo con las preferencias de
rentabilidad-riesgo global de la organizacin, y si an es ptima ex
ante. Por tanto, la frecuencia de revisin debe estar relacionada con el
flujo de informacin relevante para los activos que componen el universo
de inversin subvencionable. Si, por un lado, el universo de inversin
constituye activos para los que se genera mucha informacin nueva sobre
una base continua, por ejemplo, opciones financieras, acciones y bonos
corporativos de grado bajo, entonces uno debe elegir una revisin
relativamente alta frecuencia. Si, por otro lado, el universo de
inversin es relativamente conservadora y se compone slo de alto grado
de bonos del gobierno, luego de una revisin relativamente baja
frecuencia, quizs de una frecuencia anual, debera bastar. Para evitar
posibles confusin, en esta etapa, cabe mencionar que hay una
diferencia entre la frecuencia de revisin y el trmino "frecuencia de
equilibrio". El ltimo se refiere a las operaciones que algunas
instituciones prctica en lo que se refiere a la aplicacin de un par-
ticular portafolio estratgico. En este contexto cabe mencionar tambin
que la asignacin estratgica de los activos es ms a menudo realizada a
nivel de clases de instrumentos genricos, es decir, no en el nivel de
problemas reales o instrumentos que el comercio en los mercados
financieros. En su lugar, ndices tericos exhibiendo las caractersticas
de riesgo y rendimiento se utilizan como ndices de equidad denominados
extranjeros, dominada por extranjeros emer- ging equidad en el mercado
interno, la equidad, el gobierno domstico bonos con un vencimiento
constante de 0 a 1 aos, los bonos del gobierno nacional con un
vencimiento constante de 1 a 2 aos, y as sucesivamente. Mientras el
proceso de asignacin estratgica de activos identifica una ptima
exposicin a estas clases de activos genricos, la posterior aplicacin
de la strategic cartera se realiza mediante la adicin de instrumentos
negociables en una cartera que,
4 Introduccin
cuando se haya completado, coincide con el perfil de riesgo-retorno
(terica) de la asignacin estratgica de los activos.
Volviendo a la cuestin de la "frecuencia" de equilibrio, considere un
ingreso fijo portfolio como un ejemplo: supongamos que la duracin
modificada ptimo para la asignacin estratgica de los activos de la
organizacin se ha encontrado 3. Cuando esta cartera es apli- ted,
digamos el 1 de enero en el ao X, se garantiza que los instrumentos
seleccionados de forma que la cartera de activos tiene una duracin
modificada de 3. Supongamos adems que el rgano- progresiva en cuestin
tiene una frecuencia de revisin anual. Como resultado, si la cartera se
queda sin cambios entre las revisiones anuales, las caractersticas de
riesgo de la asignacin estratgica cambiarn con el tiempo a medida que
los vnculos incluidos en el enfoque de cartera de su redencin del da,
y la cartera de caractersticas centrales, por lo tanto, perder ms y ms
lejos de sus objetivos especficos. Si no se hace nada entre el 1 de
enero en el ao x y 1 de enero en el ao X+1, y dependiendo del nivel de
rendimiento de los cultivos en el ao X+1, la cartera tendr
aproximadamente una duracin modificada de 2, a
2 hora del reajuste anual en el ao X+1. Para evitar el acortamiento de
madurez, y para asegurar que las caractersticas de los instrumentos
seleccionados cumplen con los requisitos de la organizacin en cuestin,
son a menudo rebalancings cartera regular establecido a una frecuencia
mayor que la frecuencia de revisin elegida. Renta fija una asignacin
estratgica de los activos puede, por ejemplo, tienen una frecuencia
mensual de reequilibrio, donde se garantiza que las caractersticas de
riesgo de la actual composicin de la cartera estn en consonancia con el
objetivo de caractersticas encontradas en la ms reciente revisin de la
asignacin de activos estratgicos.
Tradicionalmente, el universo de inversin pertinentes para la asignacin
estratgica de los activos ha sido acciones, bonos y dinero en efectivo,
posiblemente con una separacin de la categora de bonos hacia la madurez
baldes, tales como 0-1, 1-2,..., 29-30 aos de vencimiento segmentos. De
cualquier modo, esto ya no es generalmente el caso. Incluso las
organizaciones que antes se consideraba como aversin a los riesgos en
sus decisiones de inversin estratgica ahora parecen tomar exposiciones
a bordo para clases de instrumentos que pueden considerarse relativamente
riesgosos.
En su sentido ms amplio, el universo de inversin comprenden las
acciones, los bonos del Tesoro y bonos corporativos (nacionales y
extranjeros, as como de alto y bajo grado de crdito), los productos
bsicos, la exposicin a mercados emergentes (esta categora podra ser
tambin naturalmente sumed sub- en la categora de activos extranjeros),
hedge funds, Inversiones ticas, y efectivo.
En lo que respecta a las consideraciones de poltica general de mercado,
de crdito, de liquidez y headline exposiciones al riesgo de que la
organizacin est dispuesta a asumir en sus operaciones de inversin
determinar la composicin del universo de inversin elegibles para
inversiones estratgicas y tcticas. En el resto de este libro nos
concentraremos exclusivamente en un universo de inversin de renta fija.
2 Este cambio en la duracin modificada se deriva de la madurez del
acortamiento de los instrumentos de renta fija, de la que hablaremos ms
sobre en captulos posteriores.
Esquema del Libro 5

El objetivo de la organizacin la funcin (funcin UTILITY) es un
mecanismo organizador de preferencia, que apoya la identificacin de la
ptima asignacin estratgica de activos, sujeto al universo de inversin
especificado y posiblemente una inversin adicional limitaciones.
Idealmente, la funcin objetivo debe especificarse en trminos de una
frmula matemtica que expresa el valor que la organizacin concede a la
rentabilidad esperada, y cun grave se quiere penalizar a la asuncin de
riesgos. Tambin puede incorporar restricciones adicionales en forma de
exposicin mximo permitido a determinados factores de riesgo y
participacin mnima limitaciones a determinados grupos de instrumentos
genricos y/o alentado- edad un cierto grado de diversificacin entre los
vehculos de inversin subvencionable. Para hacer esto un poco ms
concreto, un ejemplo de una funcin objetivo podra ser:
bonos del gobierno. El objetivo funcin puede ser formulada en trminos
de los flujos de caja necesarios para el servicio de los pasivos, ya que
es relevante para el activo y pasivo de la gestin, por ejemplo en la
forma de minimizar la diferencia entre responsabilidad-driven flujos de
efectivo y los flujos de caja generados por la asignacin estratgica de
los activos (es decir, los activos), nuevamente en un determinado nivel
de confianza. Por ltimo, y en el mismo sentido, la funcin objetivo
tambin puede ser expresada con relacin a una tasa de mercado
observables, por ejemplo, en el formulario de generacin de retorno en
exceso de la tasa de inters de corto plazo, en un determinado nivel de
certeza. En cualquier caso, rara vez es el caso en la prctica que una
organizacin se expondrn sus preferencias en la forma de un tradicional
funcin de utilidad, por ejemplo, en forma de una potencia de la funcin
de utilidad con un determinado parmetro de aversin al riesgo. % De
intervalo de confianza sobre el horizonte de inversin, y que existe una
asignacin mnima del 30 % para maximizar el esperado retorno de la
cartera en moneda local, mientras se asegura de que no hay prdidas en un
90
1.2 ESBOZO DE
Este libro es sobre el aprendizaje de MATLAB, finanzas y econometra. Su
material est enmarcado en el contexto de la asignacin estratgica de
los activos de inversin de renta fija, universo. Esto significa que
las herramientas, las tcnicas y los ejemplos se refieren a inversiones
en bonos e implcitamente son relevantes para los inversores a largo
plazo. Todos presentaron teoras estn respaldadas por las
implementaciones de MATLAB y clculos matemticos nuevos, en la medida en
que sean necesarias, y tiene el objetivo de ser pedaggica y
autoexplicativos en lugar de mathe- matically rigurosa. Me he esforzado
para escribir el libro, as que es ideal para el auto-estudio, incluyendo
muchos ejemplos de programacin anotado, y presentando el material en un
formato de fcil lectura subrayando la utilidad financiera y economet-
rical mtodos, en lugar de sus fundamentos tericos. En este sentido, el
libro es muy intendedly naturaleza aplicada.
Cuando se utiliza el libro para el auto-estudio, que puede ser ledo
desde el inicio hasta el final, comenzando con el Captulo 1 y
finalizando con el Captulo 7. El captulo 8 est incluido para mostrar
la utilidad de MATLAB en trminos de hacer las funcionalidades de los
programas de usuario fcilmente disponible para los compaeros y/o
colegas a travs de la construccin de interfaces grficas de usuario
(GUI). El captulo 9 incluye una referencia a las frmulas y como tal no
se destina
6 introduccin
para la lectura, sino que debe servir como punto de referencia, cuando
sea necesario. Aparte de esto, se puede decir que el libro se divide en
dos partes. La primera parte establece una (suelto) encontrados- acin de
asignacin estratgica de los activos (captulo 1), el uso de MATLAB
(captulo 2) en inversiones de renta fija (captulo 3) y en la medicin
del riesgo (captulo 4). La segunda parte contiene material ms complejo:
Captulo 5 trata la estructura a plazo mod- els por medio de ejemplos de
arbitraje libres y no necesariamente libre de arbitraje modelos; el
captulo 6 explica los modelos de asignacin de activos utilizando la
frontera eficiente como un concepto central; y en el captulo 7 presenta
diversas tcnicas economtricas tales como vectores autoregresivos y
modelos de cambio de rgimen.
2 elementos esenciales de MATLAB

2.1 Introduccin
Este captulo ilustra algunas de las principales funciones de MATLAB
utilizando ejemplos fciles de comprender ejemplos tomados de las reas
de lgebra matricial y econometra, por lo tanto, esta seccin puede ser
utilizado tambin como una breve recapitulacin de estos campos. En
primer lugar, una revisin de la programacin y funciones de matriz del
paquete de programacin; a continuacin se muestra cmo puede utilizarse
el MATLAB para resolver el problema de la regresin lineal; y finalmente,
el captulo concluye con ejemplos que muestran cmo los estudios de
simulacin pueden ser emprendidas. A lo largo del libro se utilizar
MATLAB en la solucin de los problemas financieros de carcter emprico.
Por lo tanto, en los captulos posteriores, habr amplia oportunidad para
revisar y profundizar en los temas presentados en este captulo.
Objetivos de aprendizaje
familiarizarse con MATLAB:
- Funcin de ayuda - la representacin grfica de funciones - asignar
valores a vectores y matrices en dos y tres dimensiones - almacenar datos
en variables estructuradas - operadores matemticos - bucles y
acondicionado.
Revisin de los conceptos centrales de las reas de lgebra matricial y
tcnicas cuantitativas:
- lgebra matricial:
operaciones vectoriales y matriciales transponer de vectores y
matrices de matrices cuadradas inversin de la matriz.
- Tcnicas Cuantitativas:
probabilidad de estimacin de regresin lineal tcnicas de
simulacin.

2.2 Introduccin de
MATLAB se supone que ya est instalado y completamente funcional. El
comando prompt '>>' es una forma en que usted como usuario pueda
trabajar con MATLAB. Comencemos por dibujar un grfico de nmeros
aleatorios mediante lnea de comandos de entrada. Tenga en cuenta que a
lo largo de todo el texto, para propsitos de anotacin, Matlab ejemplos
figuran en un cuadro como se muestra a continuacin. El comando prompt
'>>' se omite en estos ejemplos, pero los nmeros de lnea se
agregan para facilitar la anotacin. Estos nmeros de lnea naturalmente
debe ser ingresado al probar los ejemplos!
.........................................................................
...
Asigna 10 N(0,1) valores aleatorios a % [1] r = randn(10,1);
aade el texto del eje y eje x % agrega texto [4] ylabel('valor') %
parcelas r con negro marcado 'o' [3] xlabel('nmero de observacin") %
vector r [2] parcela(r'ko') %
.........................................................................
...
En el ejemplo anterior, la lnea [1] genera un vector columna r que
contiene 10 nmeros aleatorios ditribuidos. Con este fin el, el generador
de nmeros aleatorios incorporado, randn es utilizado. Esta funcin
requiere dos entradas que determinan la dimensin de la matriz de
salida/vector. La primera entrada determina el nmero de filas y el
segundo determina el nmero de columnas. Nmeros aleatorios, no
necesariamente tienen que ser distribuidos normalmente:
Por ejemplo, Matlab tambin puede generar de manera uniformemente
distribuida nmeros aleatorios; esto se realiza mediante la funcin rand.
[2] Lnea parcelas r y lneas [3] y [4] aadir los rtulos del eje de la
parcela. Dos caracteres especiales utilizados en el ejemplo anterior:
'%' indica a MATLAB que lo que venga despus no debe procesarse.
carcter puede ser usado en MATLAB para escribir texto de ayuda para los
usuarios y su colega MATLAB programadores. Adems, una coleccin de
lneas precedidas por '%' en el comienzo de una funcin de MATLAB
constituye el texto de la ayuda de esa funcin y se imprime en la
pantalla si un 'help my_function_name' se invoca el comando. Por lo
tanto, el %
';' indica el MATLAB para no hacer una impresin de pantalla de la
respuesta producida por el
1 de clculos realizados por la lnea celebrados por ';'.
La ejecucin de las lneas anteriores de cdigo genera una imagen similar
a la Figura 2.1.
1 Intente ejecutar el comando:
.........................................................................
....................................
[1] >> r =
.........................................................................
.................................... randn(5,1)
, es decir, omitiendo el ';'.
Introduccin 9
1,5
1
0,5
0
Valor -0,5
-
1,5
-1 -21 2 3 4 5 6 7 8 910 Nmero de observacin
Figura 2.1 Ejemplo del comando 'Imprimir'
al ejecutar las lneas del ejemplo anterior, usted podra obtener algo
que no es exactamente igual que el grfico mostrado. Esto es porque
queremos llamar nmeros aleatorios y cada sorteo ser diferente, debido a
la aleatoriedad.
Ms informacin sobre el generador de nmeros aleatorios en MATLAB pueden
obtenerse a travs de la funcin de ayuda incorporada. Simplemente
escriba:
.........................................................................
...
[1] help randn
.........................................................................
...
y MATLAB trae el siguiente mensaje (slo una parte del mensaje de ayuda
real se reproduce a continuacin):
.........................................................................
...
Normalmente distribuidos RANDN nmeros aleatorios.
R = RANDN(N) devuelve una N-por-N que contiene la matriz de pseudo-
valores aleatorios procedentes de una distribucin normal con una media
de cero y una desviacin estndar. RANDN(M,N) o RANDN([M,N]) devuelve un
M-por-n matriz. RANDN(M,N,P, ...) o RANDN([M,N,P,...]) devuelve un M-por-
N-por-P-por- ...matriz.
Sin argumentos RANDN devuelve un valor escalar. RANDN(tamao(A) devuelve
una matriz del mismo tamao como A.
.........................................................................
...
es una caracterstica general de MATLAB: para cada funcin de MATLAB se
puede ver el acompaamiento de texto de ayuda mediante el comando 'help'.
A este respecto cabe mencionar tambin que existe una funcin de ayuda
con funcin de bsqueda. Este puede ser activado mediante el siguiente
comando:
.........................................................................
...
[1] helpdesk
.........................................................................
...
Volviendo a lo anterior conspirando ejemplo, podran surgir situaciones
donde es deseable mostrar varios grficos en una ventana, grficas
distintas en diferentes ventanas de parcela al mismo tiempo, o grficas
distintas en diferentes ventanas de parcelas pero reunidas en una
pantalla. Con este fin los comandos 'En espera', 'figura' y 'subplot' son
tiles; los ejemplos a continuacin demuestran esto.
.........................................................................
...
Elimina todas las variables en el entorno de trabajo % [1] borrar todo el
vector columna de los valores introducidos [5] parcela(r1) [6] de [7]
hold parcela(r2) % genera variables aleatorias uniformes [4] r2 =
[5;4;3;0;-1;-1;-10]; % borra la vista en el rea de [3] r1 = rand(7,1); %
[2]
.........................................................................
... clc
Estas lneas de cdigo generar el grfico en la Figura 2.2.
Figura 2.2: Ejemplo de la 'Retener'
11 Introduccin de comandos
Eliminar la parcela, como es habitual en Windows, haciendo clic en la
esquina derecha de la ventana de trazado (es decir, cerrar la ventana de
trazado). A continuacin, prosiga con el siguiente:
.........................................................................
...
[1] parcela(r1)
[2] La Figura [3] parcela(r2)
.........................................................................
...
Estas lneas de cdigo trazan los vectores en r1 y R2 en dos ventanas
separadas (no mostrado aqu). Si el comando "figura", omitido es decir
dos (o ms) declaraciones de trazado se repiten uno tras otro, Matlab
imprimir todos los grficos en la misma ventana y slo la ltima grafica
permanece visible.
El ltimo grafico del ejemplo a continuacin muestra cmo cuatro grficos
pueden aparecer juntos en una ventana utilizando el comando 'subplot'.
cerrar figuras abiertas (para ello tambin puede utilizar el comando close
all)) y continuar con el siguiente ejemplo.
.........................................................................
...
[1] Clear all
muestra las variables en el rea de [5] subparcela(2,2,1), plot(r1) [6]
subparcela(2,2,2), plot(r2) [7] subparcela(2,2,3), plot(r3) [8]
subparcela(2,2,4), plot(r4) % [2] [3] clc r1=rand(10,1); r2=rand(10,1);
r3=randn(10,1); r4=randn(10,1); [4] whos
.........................................................................
...
3 Estas lneas generan una figura similar a la mostrada en la Figura 2.3.
Existen bsicamente tres maneras en las que el usuario puede comunicarse
con MATLAB, dos de los cuales han sido ilustrados arriba:
a travs de la lnea de comandos. Es decir, escribiendo un comando en
el indicador de comandos de MATLAB '>>'.
A travs de una funcin escrita en un archivo y se llama desde la lnea
de comandos. Esta tcnica se ilustra a continuacin.
A travs de un archivo de script. Un archivo de script es una serie de
comandos recopilados en un archivo independiente que se puede ejecutar
desde la lnea de comandos de MATLAB. La practicidad de un archivo de
script es que invoca a muchos comandos de MATLAB uno despus del otro y
se pueden incluir llamadas a funciones. De esta manera, un script sirve
como un medio til para agrupar y seguir la pista de los comandos
enviados a MATLAB.
2 Ms informacin sobre vectores y matrices siguiente en la seccin 2.3.
3 La "whos' en la lnea de comandos [4] en el anterior, naturalmente, no
es necesario generar el ejemplo parcelas.

Figura 2.3 Ejemplo de 'Comando' ubplot
2.3 lgebra matricial de introduccin en
En esta seccin se examinan algunas operaciones matriciales bsicas as
como la forma en que se dan las aplicaciones en MATLAB. La presentacin
se basa en Lipschutz y Lipson (2001) y el apndice 4 en Hamilton (1994).
Para distinguir ms fcilmente los vectores y matrices, las letras
maysculas representan matrices y minsculas representan vectores. Por lo
tanto, C sera una matriz mientras c sera un vector. El superndice T es
utilizado para la transposicin de una matriz o de un vector T
Ejemplo, CT y cT sera la transposicin de la mencionada matriz y vector.
El operador de transposicin se reorganiza las filas y columnas de
vectores y matrices: lo que anteriormente era una columna se convierte en
una fila a partir de la transposicin es invocado. Los subndices entre
corchetes en relacin con matrices y vectores se utilizan para informar
la dimensin, en forma del nmero de filas y de columnas, del objetivo en
cuestin.
Por ejemplo: c1,k
C = C(n,k) =
c1,1 . .. ... , cn,1 cn,k
en el caso de una matriz, donde n indica el nmero de filas andk el
nmero de columnas.
De ah un vector columna tendr k = 1 y un vector fila tendr n= 1.
Efectivamente,
TC es:
lgebra matricial introductoria 13

cn,1
T C = C(k,n) =
c1,1 . .. ... .
c1,k cn,k
una matriz especial se denota la 'identidad' matrix y est definida por:
0 0
I = . .
1 0 0 1 .. . . .. .. ...
0 0 1
igualmente el smbolo "1" se utiliza para denotar un vector, por lo que
1=[1, 1 T , 1] .
Los operadores matemticos son utilizados en su disfraz habitual; sin
embargo, en el espritu de MATLAB, un '.' en frente de un operador indica
un elemento por elemento. El ejemplo siguiente ilustra la diferencia
entre elemento por elemento y multiplicacin multiplicacin convencional.
.........................................................................
...
7 8 9]; ;6 4 5 ;3 [1] Q = [1 2
elemento por elemento % multiplicacin multiplicacin de matriz regular
[4] z2 = P(:,1).*q % [2] q = [1;1;1;] [3] z1 = p*q
.........................................................................
...
El resultado almacenado en z1 es igual a:
1 2 3 1 1 2)+(1)+(31 6 z1= 4 5 6 1 = 1)+(5)+(16 1 =
15, 7 8 9 1
(1 (4* (71)+(81)+(9)
1) ) 24
, es decir, siguiendo la regla de multiplicacin de matrices generales:
Q1,1 Q1,2 Q1,3 q1,1
z= Q2,1 Q2,2 Q2,3 q2,1 Q3,1 Q3,2 Q q3,1 q2,1 q1,1
+ 1,2 + 1,3 q1,1 q3,1 = + 2,2 + 2,3q2,1 q3,1 , q2,1
q1,1 + +
observando que cada fila de Q
Q1,1
Q2,1
Q3,1
se multiplica por el vector
3,3 Q Q
Q Q Q3,2 Q3,3q3,1
q. La dimensin del resultado es determinado por las dimensiones de los
insumos; en nuestro ejemplo:
q q(3,3)(3,1) = z(3,1),
y de manera ms general:
p(m,n)W(n,k) = z(m,k).
ah, Matrix y las dimensiones vectoriales mostrar directamente si una
operacin es posible, y cul es la dimensin del resultado va a ser.
Veamos el clculo de z2 en el ejemplo. Aqu el elemento por elemento se
utiliza la multiplicacin, de modo que cada elemento en Q se multiplica
por la entrada correspondiente en q. Desde la dimensin de q es (3,1) no
podemos realizar el elemento por elemento
tiplication mul- 4 para todos los elementos de Q, porque tiene la
dimensin (3,3). Por lo tanto, slo es posible realizar el clculo
deseado para una particin de Q o aumentando la dimensin de q. En el
ejemplo anterior, la primera opcin es elegido (lo que uno elige hacer
es, naturalmente, dictada por la finalidad del clculo - la discusin
aqu refleja que los clculos se refieren a un intil ejemplo),
realizando los clculos para la particin de Q que constituyen su primera
columna. Una particin de Q que constituyen su primera columna es
generado por escrito Q(:,1), donde ':' se refiere a todos los elementos
de la fila, y 1 para el nmero de columna. En otras palabras, se realiza
el siguiente clculo: 1 1 1 1 1 z2= Q(:,1). q= 4 . 1=
4= 1 4 .
7 1 7 1 7
naturalmente, tambin es posible sumar y restar matrices mientras sus
dimensiones lo permiten. Por lo tanto, es un requisito para la adicin
y sustraccin de matriz que las matrices implicadas tienen un idntico
nmero de filas y columnas, es decir, si tenemos dos matrices A(m,n) y
b(k,l) es necesario que m= k y n= l. El siguiente ejemplo ilustra esto:
.........................................................................
...
4 5 6]; ;3 [1] = [1 2
3]; [3] A+B ??? Error usando ==> ms ;2 [2] B = [ 2
las dimensiones de la matriz deben estar de acuerdo.
Considerando:
.........................................................................
...
.........................................................................
...
4 5 6]; ;3 [1] = [1 2
3 3 3]; [3] A+B ans = 3 4 5 ;2 [2] B = [2 2
4 Tenga en cuenta, sin embargo, que otros paquetes de software, por
ejemplo, Gauss, le permiten realizar este tipo de elemento por elemento
multiplicacin incluso si las dimensiones no coinciden. Esto es as
porque el paquete de software est pre-programado para asumir que desea
realizar el clculo de todos los elementos y, por lo tanto, se ampla
automticamente la dimensin de q para que coincida con el de P. En
nuestro ejemplo, esto podra lograrse mediante la construccin de
q como una matriz donde q se repite tres veces. Esto puede lograrse en
MATLAB, por ejemplo, utilizando el comando 'repmat'.
El lgebra matricial introductoria 15

7 8 9 [4] A-B ans = -1 0 1 1 2 3
.........................................................................
...
Adicin y sustraccin de Matrix funciona en el nivel de cada uno de los
elementos de las matrices similar al elemento por elemento operador de
multiplicacin '.'vistos anteriormente. Hay una serie de otras normas de
la matriz que puede venir en prctico. Estos son:
T (T) = AB B AB = BA si ( TA )= A,
entonces se dice que a ser simtricos, es decir, una imagen simtrica en
torno a la diagonal.
Estas reglas estn ilustrados con ejemplos. Uno de los temas mencionados
anteriormente es que la viabilidad de las operaciones con matrices
pueden, en cierta medida, ser evaluadas sobre la base de las dimensiones
de las matrices y vectores. La primera vieta es un punto en el caso: por
ejemplo, si una es de dimensin (m,n) (p. ej. A(m,n) y B es de dimensin
(n,k) (p. ej. B(n,k), entonces el producto de AB= C ser de dimensin
(M,K). Ahora,
T T considerar la transposicin (AB) = C que tendr dimensin (k,m). Una
forma de
T crean un resultado que esta dimensin es realizar el clculo B tiene
exactamente la dimensin (K,
K) T (m,n)A(n,m), el cual, como debera haberlo hecho. Esta intuicin
puede ser ayudado adems por ejemplo clculos en MATLAB.
.........................................................................
...
4 5 6;7 8 9]; ;3 [1] = [1, 2,
4, 4], [3] C = A*B) C = 20 20 47 47 74 74 [4] C' ans = 20 47 74 20 47 74
[5] B'*A' ans = 20 47 74 20 47 74 ;3 3 ;2 [2] B = [ 2
.........................................................................
...
Nota que en MATLAB el signo utilizado para transponer una variable es un
primer , as en nuestro texto
T B notacin becomesB' en MATLAB.

Un argumento similar a la anterior muestra la exactitud de la segunda
vieta, a saber, que AB = BA. Para los no-matrices cuadradas, esta
proposicin puede ser confirmada simplemente observando las dimensiones
de los dos lados de la igualdad sin firmar.
Para matrices cuadradas nos lo muestran por ejemplo:
.........................................................................
...
7 8 9]; ;6 4 5 ;3 [1] = [1, 2,
4, 4, 4], [3] C = A*B C = 20 20 20 47 47 47 74 74 74 [4] D = B*D = 24 30
36 36 45 54 48 60 72 ;3 3 3 ;2 [2] B = [ 2 2
.........................................................................
...
En MATLAB es posible trabajar con particiones de matrices. En el ejemplo
anterior de una particin de Q fue tomada, es decir, la primera columna.
Otras particiones estn hechas de maneras similares. Tambin es posible
hacer referencia a elementos de matrices individuales o agrupaciones de
elementos mediante la especificacin de los nmeros de fila y de columna
que le interesen.
Los siguientes ejemplos ilustran este,
.........................................................................
...
7 8 9]; ;6 4 5 ;3 [1] Q = [1 2
selecciona los elementos de 1 y 2 en la columna 3 % selecciona la 3
fila y segunda columna elemento [4] r3 = Q(1:2,3); % selecciona la
segunda fila de la matriz Q [3] r2 = P(3,2); % [2] r1 = P(2,:);
.........................................................................
...
Los resultados de este ejemplo, dada la matriz Q, son:
r1= 4 5 6
r2= 8
r3= 3 . 6
2.4 Organizar datos
a veces es til para almacenar los resultados generados por el MATLAB en
una forma compacta, ya sea a la hora de organizar la entrada y salida a y
desde cuando se ejecutan las funciones,
organizacin de datos 17
5 Los estudios de simulacin, o simplemente como una manera cmoda de
organizar los datos. Como insinuado en los objetivos de aprendizaje en la
introduccin a este captulo, existen varias maneras de hacerlo. Aqu se
ilustran dos maneras: (i) en una variable estructurada y (ii) en una
matriz tridimensional.
Acerca de (i), una variable estructurada es una construccin
extremadamente potente similar a una estructura de rbol, donde el tronco
del rbol es el nombre de la variable estructurada y las ramas y las
hojas del rbol son sub-nombres de variables y valores. Imaginemos que
queremos organizar los datos utilizados en el ejemplo de arriba en una
variable de estructura denotada por suma_data. A continuacin, los
nombres de variables y valores que se pueden agregar a esta estructura de
la siguiente manera:
.........................................................................
...
7 8 9]; ;6 4 5 ;3 [1] Q = [1 2
[6] Suma_data.r1 = R1; [7] Suma_data.r2 = R2; [8] Suma_data.r3 = R3; ;P
[2] r1 = P(2,:); [3] r2 = P(3,2); [4] r3 = Q(1:2,3); [5] Suma_data.Q =
.........................................................................
...
Ahora es posible investigar el contenido de la variable estructurada de
datos_suma escribiendo:
.........................................................................
...
[1] Suma_data
.........................................................................
...
Invocando el comando anterior muestra las variables contenidas en la
estructura denominada Suma_data.
Como complemento a almacenar datos en una variable estructurada es
posible utilizar una matriz tridimensional. Esto puede ser
particularmente til, por ejemplo, en estudios de simulacin. El ejemplo
siguiente ilustra el uso de matrices tridimensionales y estructuras
indexadas como contenedores de salida. La eleccin del mtodo depende de
las preferencias individuales, aunque el uso de variables estructuradas
indexado es ms flexible porque la dimensin de la matriz de datos que se
almacena no necesariamente tienen que ser idnticos de iteracin a
iteracin.
5 Esto ser demostrado ms adelante.

.........................................................................
...
[1] borrar todos;
[2] (j = 1:10) [3] rdim = floor(rand()*10)+1; [4] EX_DAT1 =
randn(rdim,5); [5] EX_DAT2 = randn(5,5); [6].una struct{j} = ex_DAT1; [7]
Mat3D(:,:,j) = ex_DAT2; [8] fin
.........................................................................
...
Por supuesto, el ejemplo anterior es de poco uso prctico, pero sirve
para ilustrar las diferentes opciones que se pueden utilizar para
almacenar la informacin generada durante la realizacin de los estudios
de simulacin, por ejemplo. Es una cuestin de preferencia individual que
Mtodo para elegir si la dimensin de las matrices de salida es idntico
de iteracin a iteracin. Si la dimensin vara de iteracin a iteracin,
la opcin ms sencilla es utilizar la variable estructurada.
En el ejemplo anterior, la variable estructurada 'struct' tiene
simplemente una variable conectado a l, llamado 'A'. En principio, por
lo tanto, podramos haber utilizado 'struct'por s mismo, sino para fines
illustrat- ive un nivel adicional se agrega a la estructura. 10
iteraciones se realiz segn lo determinado por la lnea [2], por lo
tanto, la variable de contador j va de 1 a 10. Lnea [3] define la
dimensin de las filas de la matriz de salida como un nmero aleatorio
entre 1 y 10. La funcin floor(z) redondea los elementos de z hacia abajo
al nmero entero ms cercano; la imagen reflejada del suelo(z) es ceil(z)
que entero-rounds los elementos de z hacia arriba: en efecto, floor(1.5)=
1.0 y CEIL(1,5)= 2. Recordar que la funcin rand() genera nmeros
aleatorios distribuidos uniformemente entre 0 y 1, mientras que randn()
genera nmeros aleatorios normalmente distribuidos. [4] Lnea asigna la
matriz de nmeros aleatorios, de una fila aleatoria dimensin, a la
variable ex_DAT1. Lnea [5] gen- erates ms produccin; sin embargo, aqu
la dimensin est fijado a 5 por 5. Lneas [6] y [7] almacenar la
informacin de salida como una estructura y una matriz tridimensional,
respectivamente. Ahora es posible ver el contenido de la salida de las
matrices. Por ejemplo, invocar los comandos 'struct.A{4}' y 'A3D(:, : 4)"
se imprimir el contenido de la cuarta iteracin. En particular, las tres
dimensiones de "contenedor" est organizado de la siguiente manera:
Mat(nRows, nCols, nDepth), donde Mateo(nRows, nCols) corresponde a una
normal (matriz bidimensional) habiendo nRows nCols filas y columnas. La
tercera entrada nDepth se refiere al nmero de las matrices
bidimensionales que se almacenan uno junto al otro.
2.5 Creacin de funciones
todos los clculos realizados anteriormente se hizo en "lnea de
comandos'mode. Esto significa que las expresiones fueron creados y
enviados uno por uno a MATLAB y ejecutadas en el orden en que fueron
enviados. Utilizando MATLAB en esta forma es como tener una muy potente
calculadora de bolsillo. Similar a las funciones que puede grabarse y
almacenarse en la
creacin de funciones ms
avanzadas de 19 calculadoras de bolsillo, Matlab tambin permite que los
programas se cre; en MATLAB terminologa tales programas son
calledfunctions. Las funciones son por ejemplo til cuando una
determinada tarea tiene que ser realizada varias veces. En lugar de
escribir las instrucciones a MATLAB como lneas individuales, tal como
hara en modo de lnea de comandos, las instrucciones pueden ser
recogidos en una funcin.
Antes de escribir una funcin es necesario echar un vistazo a algunos de
los bloques de creacin que puede utilizarse para crear funciones. Estos
se usan para realizar bifurcaciones condicionales, es decir, para hacer
algo especfico si se cumplen ciertos criterios, y en bucle, es decir,
repetir un conjunto de funciones de un determinado nmero de veces.
2.5.1 el bucle y ramificacin
ramificacin es necesaria cuando un determinado conjunto de instrucciones
se realiza slo si se cumplen ciertos criterios. Funciones y
programas/scripts puede ser ramificado por el uso del "si" y el "caso"
declaraciones: "caso" es til en el caso de que un determinado nmero
conocido de las ramas posibles existen, mientras que "si'es una
estructura ramificada ms universal. Las formas genricas de estas
declaraciones pueden ser vistos en MATLAB escribiendo:
.........................................................................
...
[1] Help si
.........................................................................
...
.........................................................................
... y:
[1] ayuda caso
.........................................................................
...
Para mayor comodidad, se repiten a continuacin, junto con la relacin de
operadores: el
operador explicacin
<, <= Menor que, menor que o Igual a >, >= Mayor que, mayor o
igual que == igual a (que no debe confundirse con el signo '=', que
asigna un valor)
= No es igual a
No
El 'if' tiene la siguiente estructura:
si expresin declaraciones declaraciones expresin elseif else final

y la declaracin de "case" tiene esta estructura:
expresin switch expresin case_declaraciones caso {expression_B,
expresin_c} declaraciones de lo contrario las declaraciones finales
bucle puede ser hecho en MATLAB por el uso de 'para' y 'tiempo'
declaraciones. La primera de estas afirmaciones se utiliza a menudo
cuando un conjunto de instrucciones se ejecuta un nmero conocido de los
tiempos, y el 'tiempo' instruccin se utiliza para bucle mientras que un
determinado conjunto de criterios se cumplen. La estructura genrica de
estas declaraciones es que se indican a continuacin:
'Para' la estructura 'tiempo'
para la estructura (variable = 1:paso_size:N), mientras que (variable
evaluada contra la expresin) Declaraciones declaraciones finales
en el 'para' la 'estructura variable = 1:paso_size:N" denota el recuento
parte del bucle, y se debe leer: para la variable igual a uno a n en los
pasos del paso_size. Como hemos visto anteriormente, el valor
predeterminado para 'Step_size' es uno, y el 'Step_size" puede omitirse
si el usuario quiere aplicar un valor idntico a uno.
2.5.2 Un ejemplo de una funcin simple
una funcin normalmente se compone de tres partes: la cabecera, que
especifica el nombre de la funcin, los argumentos de entrada y salida, y
la palabra clave 'function', que indica que los siguientes MATLAB es una
funcin; una explicacin de cmo utilizar la funcin y qu hace la
funcin; y finalmente, las instrucciones que definen conjuntamente la
funcin. A continuacin se muestra un ejemplo de una funcin simple que
genera una parcela de nmeros aleatorios, donde el usuario especifica las
dimensiones de los datos que deben incluirse en la parcela.
En el smbolo de sistema de MATLAB Tipo:
.........................................................................
...
[1] Editar
.........................................................................
...
Esto abre la ventana del editor de MATLAB que puede utilizarse para
generar funciones y almacenarlas. Cree un directorio en el disco duro
donde desea almacenar sus programas la
creacin de funciones 21
y funciones y recuerde incluir esta carpeta en el path de MATLAB. Una
forma de hacerlo es escribir:
.........................................................................
...
[1] pathtool
.........................................................................
...
en la lnea de comandos. Esto le permite buscar y agregar la ruta
deseada(s) usando una herramienta basada en mens. La(s) ruta(s)
naturalmente tambin puede ser aadido directamente desde la lnea de
comandos.
Ahora estamos listos para hacer una funcin. En la ventana de edicin
Escriba el siguiente y gurdelo en el directorio en el que se han hecho y
se agrega a la ruta de bsqueda de MATLAB.Guarde siempre la funcin en un
archivo que tiene el mismo nombre que la funcin: en nuestro caso, que es
de
6 "EX_plot.m'.
.........................................................................
...
[1] funcin [] = EX_plot(,xx,YY ZZ)
[11] Si (nargin==3) [12] La Figura [13] surf(xx,yy,zz) [14] (nargin
elseif==2) [15] La Figura [16] parcela(yy,zz) [17] [18] Otro disp('por
favor proporcionar datos para conspirar") [19] fin % xx - datos del eje x
(nSeries-por-1, o dejarse vaca para grficos 2D) [10] % yy - eje y datos
(nObs-por-1) [9] % zz - datos que se van a trazar (nObs-por-nSeries) % de
entrada [8] [7] [6] % % sobre la base de los datos proporcionados por el
usuario [5] Funcin % que traza grficos en 2 y 3 dimensiones [4] % [3] %
[2]
.........................................................................
...
Una breve descripcin de la funcin EX_plot es proporcionada. Lnea [1]
contiene el nombre de la funcin y los argumentos de entrada, yy zz, xx;
stos se dan en 'revertir' para facilitar la creacin de grficos de 2D y
grficos 3D. La funcin no devuelve ningn valor para el usuario; esto es
visto por la salida vaca [] argumento despus de la palabra clave
function.
Lneas [2]-[10] contiene la cabecera de la funcin, que describe cmo se
puede utilizar la funcin, cules son los insumos y el producto. Cada
lnea en el encabezado
6 Como se ha indicado anteriormente, los nmeros entre parntesis a la
izquierda en el texto de la funcin no se debera escribir. Estos
representan los nmeros de lnea y se muestran a la izquierda de la
ventana del editor de MATLAB.

es precedido por el carcter '%'. Esto indica, como se menciona en la
seccin 2.2, que constituyen estas lneas de texto de ayuda al usuario
que se imprimir si una "ayuda de EX_plot" se invoca el comando en la
lnea de comando de MATLAB. Lneas [11]-[19] constituyen la parte
principal de la funcin. Lnea [11] comprueba si exactamente tres
argumentos de entrada son suministradas por el usuario. El comando
'nargin MATLAB' es una funcin incorporada que cuenta el nmero de
argumentos de entrada. En nuestro ejemplo, el usuario puede especificar
tres o dos entradas, dependiendo de si hay una 3D o 2D grfico se supone
para ser prin- ted. Si tres argumentos son suministrados, y si son
suministrados en el orden correcto, entonces una parcela en 3D se har
siguiendo la lnea [13] usando el built-in- cin func MATLAB para trazar
la superficie: el surf. Aqu, "el orden correcto" se refiere a la
ordenacin de la entrada para que las dimensiones coincidan con el texto
de la ayuda de la funcin. [12] la lnea abre una ventana figura vaca.
Esto slo garantiza que la funcin no sobrescribe una parcela existente
si dicha parcela est abierto en el momento en que se ha ejecutado la
funcin. [14] la lnea comprueba si dos argumentos de entrada son
proporcionados y lneas [15]-[16]- posteriormente struct grficos 2D. Si
hay menos de dos entradas estn dadas, la lnea [18] imprime un mensaje
de error al usuario.
Las funciones tambin pueden ser definidos como "en lnea", es decir,
funciones dentro de una secuencia de comandos que hace mucho ms que
definir la funcin de inters. Esto puede ahorrar espacio y, cuando
corresponda, facilita la generacin de cdigo escrito de forma ms
compacta. Un ejemplo de una funcin en lnea se da a continuacin:
.........................................................................
...
[1] fx = @(k,a,b,x) k+a*x+b*x.2;
[2] x = (-10:0.1:10)"; [3] h = fx(2,0.3,0.5,x); [4] plot(x,h);
.........................................................................
...
Lnea [1] define una lnea en funcin de tres parmetros k, a, b, x y el
conjunto de datos. La funcin se llama fx y @ es la palabra clave que
hace MATLAB entienden que el usuario desea especificar una funcin en
lnea. Una vez que la funcin est definida, ya sea a travs de la
ventana de lnea de comandos o mediante un script, que puede ser llamado
con diferentes argumentos.
Nota esa lnea [1] utiliza el elemento por elemento, es decir, el poder
compaginar la funcin ' '
es precedida por un "full stop' para firmar el formulario '. '. Lnea
[2] define la variable x y la lnea [3] llama la funcin fx con algunos
ejemplos de argumentos y almacena el resultado en el vector h. [4] Lnea
parcelas h contra x.
2.5.3 Invocacin de funciones en MATLAB

bsicamente hay tres maneras en que una funcin definida por el usuario
puede ser usado en MATLAB. Primero, puede ser llamado desde la lnea de
comandos para generar el resultado deseado. Esto se realiza de la
siguiente manera:
>> salidas]=[nombre_funcion(entradas).
La regresin lineal 23
En este caso, la variable estructurada o la salida a los argumentos
contenidos en [productos] va a existir en el espacio de trabajo de
MATLAB. Un ejemplo de ello es la ejecucin del cdigo anterior para la
generacin de 2D/3D parcelas. Esta funcin puede ser llamada desde la
lnea de comandos invocando:
>> []=EX_plot(,xx,YY ZZ)
o por:
>>EX_plot(,xx,YY ZZ).
Esto ltimo es posible porque la funcin slo genera una cifra de parcela
y no devuelve ninguna salida argumentos. En segundo lugar, una funcin
definida por el usuario puede ser llamada desde otra funcin definida por
el usuario, programa o archivo de script. Llamar a una funcin en este
modo es similar a invocar desde el modo de lnea de comandos; la
diferencia es que en el primer caso, los argumentos de la funcin de
salida pueden ser utilizados directamente dentro de la funcin, programa
o script desde el que se llama. En tercer lugar, una funcin definida por
el usuario puede ser llamado desde un construido en funcin de MATLAB.
Por ejemplo, si un usuario ha escrito una funcin que calcula el valor de
un modelo condicional a un conjunto determinado de parmetros, y tiene un
inters en la estimacin de los valores de los parmetros que maximizar o
minimizar esta funcin, entonces la funcin puede llamarse desde una
funcin MATLAB construido- en funcin de rutina para la minimizacin de
problemas: fmincon restringida; sin restricciones los problemas pueden
resolverse utilizando la funcin: fminunc. En los captulos siguientes
veremos numerosos ejemplos de ello. Aqu slo un aperitivo es dado por
mostrar las dos asas de la funcin '' que reconoce de MATLAB. Supone que
la funcin de inters se llama mi_ diversin, definida como una funcin
en lnea o como una funcin externa; esta funcin puede ser pasado a
fmincon en cualquiera de estas formas:
[...]= fmincon( mi_ diversin ,...)
o:
[...]= fmincon(@my_ diversin,...).
Regresin lineal 2.6
Esta seccin muestra cmo los conceptos presentados anteriormente puede
ser usado en la prctica. Se presentan dos ejemplos: el primero se
refiere a la solucin de los mnimos cuadrados ordinarios (MCO) regresin
calculada por el lgebra matricial y el segundo muestra cmo los mismos
resultados pueden obtenerse a travs de una funcin que minimiza la suma
del cuadrado de los residuos.
2.6.1 La instalacin bsica de
una relacin lineal entre las variables, una variabley en funcin de
otras variables xi, puede formularse como:
Y= b0+B1+B1x2 x2++

o cuando se recaudan en forma matricial:
s(n,1) = X(n,k)b(k,1)+(n,1), (2.1)
donde X = [1 x1 x2 ...] recopila los datos originales y 1 es un vector
que representa la constante en la regresin. es un trmino de error, es
decir, la parte de y que no pueden ser explicados por la derecha
variables. Para la regresin lineal para producir
7 estimaciones fiables, es, entre otras cosas, que:
El valor esperado del trmino de error es 0, de lo contrario, el
trmino interceptar ser parcial; las condiciones de error son
extradas de la misma distribucin y tienen varianzas similares y no se
correlacionan con el uno al otro, de lo contrario, la variacin de las
estimaciones de los parmetros () ser parcial, es decir, la varianza de
producir fiables inferencia sobre los parmetros estimados; las
variables independientes reunidos en X no estn linealmente relacionadas,
es decir, no puede existir relacin lineal exacta existente entre ellos,
de lo contrario, el problema de la multicolinealidad prevalece y afecta a
los errores estndar de .
Tenga en cuenta que es utilizado para representar la estimacin de la
verdadera b, es decir, E []= b. La solucin de la ecuacin (2.1) por la
operacin procede de la siguiente manera:
= y-Xb.
El objetivo es minimizar la suma del cuadrado de los residuos, es decir,
para minimizar la e e, donde e es la contrapartida emprica de :
T Te e= -X) (y-X)
T T T = (s s - X (y-X)
T T T T T T = y y-y X - X y+ X X.
(k,1) es un escalar y un escalar es igual a su transposicin, tenemos
que T desde y(1,n)X(n,k) T T T T y X = X y, por tanto:
T T T T T Te e= S S-X 2 y+ X X.
Para encontrar los mnimos nos diferenciamos con respecto to, establezca
el resultado igual a cero, y resolver para : T e e T T = 0 y 2X+2x
= 0, X
, lo cual implica que:
T T X X = X Y.
7 fiable en este contexto significa azul, es decir, Best Linear Unbiased
estimaciones.
La regresin lineal 25
cuando se supone que las columnas de X, es decir, cuando X tiene el
rango, el inverso de X no muestran relaciones lineales exacto,
T X existe y puede encontrarse como:
t -1 T = X X X y.
T una forma taquigrfica para obtener esta relacin es por pre
multiplicando (2.1) por X y sustituyendo las estimaciones de y b:
T T T X y= x X +X e.
Desde T E X e = 0, obtenemos:
T T X y= x
y X: t -1 T = X X X y.
Ahora est claro cmo los valores for puede ser calculada. Sin embargo,
tambin es interesante ver cmo estas estimaciones son exactas, cuando se
utilizan datos reales. Con este fin, la matriz de varianzas-covarianzas
de tiene que ser derivada. Desde Y= Xb+e, podemos escribir:
T T T -1, -1 T = X X X X X X Y= (Xb+e) t -1 -1 T T T = X X X
Xb+ X X X e
t -1 T = b+ X X X e, de
modo que
t -1 T -E []= X X X e
Y cuadratura este resultado genera la matriz de varianza-covarianza de
los parmetros estimados:
T var []= E ( -E [])( -E []) -1 T T T T -1 = E X X X X X X EE
T 1 T 2 -T -1 = X X X X X
2 IX t -1 = X X .
2 El trmino de error varianza es desconocida en la mayora de las
aplicaciones prcticas y, en consecuencia, es necesario
aproximar/estimado. Esto generalmente se realiza de la siguiente manera:
2 t -1 Te e t -1 var []= s X X = X X , n-k
donde e= Y -X, es decir, utilizando los residuos obtenidos a partir de
los datos de la varianza del trmino de error aproximado. n es el nmero
total de observaciones y k el nmero de parmetros estimados.

2.6.2 Mxima verosimilitud
en la vida real la estimacin enfrenta desafos que uno normalmente son
ms complejas que la regresin de Mnimos Cuadrados Ordinarios (MCO) se
ilustra arriba. Para manejar estas situaciones la probabilidad de
principio puede ser utilizado. La idea general es que los residuos del
modelo se supone para ser generado por una distribucin conocida, por
ejemplo, una distribucin normal, y por la solucin de la funcin de
densidad elegida para los parmetros poblacionales de forma iterativa,
utilizando una funcin de optimizador, el parmetro deseado las
estimaciones del modelo y la distribucin puede ser encontrado. Para
ilustrar, a continuacin se esboza cmo la regresin de Mnimos Cuadrados
Ordinarios (MCO) puede resolverse usando la mxima probabilidad (ML)
tcnica de estimacin. En:
Y = X +u,
los residuos se supone son normalmente y de forma idntica,
independientemente distribuido (Niid), que garantiza la comparabilidad
con los obtenidos anteriormente solucin analtica a la regresin de
Mnimos Cuadrados Ordinarios (MCO): 2 u 0,N i ,
y para ello necesitamos la densidad normal:
2 2 -n/2 1
n 2 l s , = 2s exp - yj -xj . 2S2 j=1
Funciones que involveexp son no lineales y por lo tanto son difciles de
optimizar. Es mucho ms fcil optimizar log(L) en lugar de L, y esto es
legtimo porque los parmetros que optimizan la L tambin optimizar
log(L). Por estas razones la probabilidad la optimizacin abarca
8 la funcin log-verosimilitud:
n
n 2 1 2 logL = ln 2
2s - j . 2S2 yj -x
j=1
para poner en prctica el principio de que uno necesita una funcin que
calcula las desviaciones y el siguiente valor de la funcin de
probabilidad de registro y algunos programas de software que pueden
minimizar la funcin en forma iterativa condicionada por el conjunto de
parmetros describ- 2 ing el problema planteado, es decir, s , . Este
tipo de "optimizacin" tambin es til si el parmetro se aplican
restricciones, p.ej. si la teora financiera establece una cierta re-
lacin entre las variables incluidas en la regresin. A menudo es
relevante para probar esas restricciones de parmetro empricamente. Una
solucin analtica para la regresin de Mnimos Cuadrados Ordinarios
(MCO) se convertir rpidamente en bastante complicado, si es posible, en
la cara de tales limitaciones, mientras que el enfoque emprico descrito
arriba puede acomodar fcilmente restricciones en parmetros individuales
y grupos de parmetros.
8 MATLAB utiliza la funcin log(x) para denotar el logaritmo natural de
x.
Algunos ejemplos de estimacin 27

2.7 Algunos ejemplos de estimacin
en esta seccin utilizaremos la estimacin de dos principios sealados
anteriormente. Los datos est contenida en el libro de Excel denominado
'Data'. Vamos a utilizar una de las series de tipos de inters que
figuran en la hoja "tipos". Cargue los datos en el espacio de trabajo de
MATLAB invocando:
.........................................................................
...
[1] R = xlsread('[ruta] \Data','Rates');
.........................................................................
...
[Ruta] se refiere a la ruta del directorio donde se encuentran los datos,
por ejemplo, C:\micarpeta. Para construir las variables para ser
utilizadas en la regresin, la matriz R necesita ser modificado. La
primera fila de R contiene los plazos en los cuales los precios son
observados.
En el ejemplo actual nos centramos nicamente en los tres meses, es
decir, en la primera columna de R 9 , e hiptesis la siguiente relacin:
Rt = m+rt-1+brt-2+crt-3+ut.
Como puede observarse en la ecuacin de regresin, la derecha variables
son todas versiones rezagada de la izquierda variable. Tal regresin
tambin se llama autorregresiva, definido por el nmero de rezagos que
estn incluidas. En nuestro caso tres rezagos estn incluidos y la
regresin es lo que se denomina un autorregresiva de orden 3, en breve
AR(3). Naturalmente este concepto generaliza a n los rezagos y, por ende,
a un AR(n), y a k variables, en cuyo caso la regresin se denomina vector
autorregresiva, en
10 breves VAR.
Para construir la izquierda y a la derecha las variables desde r los
siguientes pueden ser invocadas:
.........................................................................
...
asigna la tasa variable de 3m a r [1] % R = R(2:final,1);
;] Ajuste r [6] X = [(longitud(Y),1) rLag rLag rLag123 % crea el 1.lag
[5] Y = r(4:final,:); % crea el 2.lag [4] rLag1 = r(3:final-1,:); % crea
el 3.lag [3] rLag2 = r(2:final-2,:); % [2] rLag3 = r(1:final-3,:);
.........................................................................
...
Vale la pena recordar que los datos se ordenan de modo que la ltima
observacin es la ms reciente en el tiempo de calendario y la primera
observacin es la observacin ms antigua en el tiempo de calendario.
Dado esto, lo anterior genera la necesidad de variables rezagadas. Si los
datos de
9 Cabe destacar que la regresin muestra sirve slo como ejemplo. No se
aleg que la especificacin es ptima en cualquier sentido o incluso que
cumple los requisitos estadsticos que adhieren a regresiones lineales en
general. No se realizan estas pruebas para corroborar la especificacin
elegida.
10 La abreviatura var no debe confundirse con el valor en riesgo (VaR).

fueron en orden inverso entonces el retraso de variables tendra que ser
revertido.
El vector de incluidas en lnea [6] representa la constante en la
regresin.
Armado con las variables, la nica tarea es aplicar frmulas derivadas de
la operacin anterior. Esto se hace a continuacin:
.........................................................................
...
calc las estimaciones de beta % [1] B_hat1 = pinv(x*x)*x*y;
clculo de errores estndar [5] [ B_hat1 B_hat2 s B_hat2./s ] ans =
0.086784 0.086784 0.035517 0.039386 2.4434 1.3938 1.3938 -9.5725 35.388 -
0.612 -0.612 0.063933 0.039305 5.1528 0.20254 0.20254 % calc residuales
[4] s = sqrt( diag ((u*u)/(longitud(S)-4)pinv(x*x) )); % calc las
estimaciones de beta [3] u = Y-X*B_hat2; % [2] B_hat2 = X\Y;
.........................................................................
...
11 Esto muestra que las estimaciones de los parmetros de hat_B1 y B_hat2
son idnticas. La
tercera columna de Ans se muestra la desviacin estndar de las
estimaciones de los parmetros y la ltima columna t-stat. Este ltimo
muestra que todos los parmetros son significativamente distintas de cero
a un nivel razonable de confianza.
2 Una mtrica aplicada a menudo para analizar la bondad de ajuste de una
regresin se llama R , y se define como el cociente de la suma de los
cuadrados de los valores de ajuste de la suma de
12 plazas de los valores observados. Es decir:
T T 2 X R X = . TY Y
ahora vamos a rehacer los clculos de regresin utilizando el principio
de mxima probabilidad estimacin. Para este fin se supone que los
residuales de la regresin se distribuyen normalmente, de modo que la
funcin de densidad de la distribucin normal puede ser utilizado, tal
como se ilustra arriba. MATLAB utiliza un enfoque iterativo para resolver
estos problemas a travs de las funciones implementadas y fmincon
fminunc. La primera maneja problemas limitados, es decir, donde los
parmetros se limitan a mentir dentro de ciertos lmites o donde una
cierta relacin entre las variables debe ser cumplido. ste se ocupa de
problemas de optimizacin sin ningn tipo de limitaciones. Un esquema de
presentacin de los pasos que deben llevarse a cabo con la mxima
probabilidad es:
1. Generar una estimacin de los parmetros estimados.
2. Calcular los valores pronosticados basndose en el supuesto de valores
de parmetro, es decir, insertar el parmetro suposiciones en la ecuacin
y aplicar los datos.
11 MATLAB ha construido en funcin '\' llamado 'izquierda', que dividen
la matriz tambin puede ser utilizada para resolver la regresin de
Mnimos Cuadrados Ordinarios (MCO).
12 Esto es lo que se denomina el uncentered R2.

3. Calcular los errores de prediccin restando los valores de 2 a partir
de la observada del lado izquierdo variable.
4. Inserte los errores en la funcin log-verosimilitud, lo que produce el
valor de la funcin de log-verosimilitud.
Despus de la aproximacin inicial en el paso 1, los pasos 1-4 son
repetidos por el mdulo de optimizacin en MATLAB, donde el paso 1 es
generado por el MATLAB en un camino que conduce a la optimizacin de la
funcin log-verosimilitud valor. Todo lo que tiene que hacer el usuario
es escribir una funcin que devuelve los errores en el paso 3 y
suministrar la conjetura inicial mencionado en el paso 1. Este proceso se
muestra a continuacin mediante el uso de una secuencia de comandos de
MATLAB. Un archivo de script es simplemente una lista de comandos de
MATLAB consecutivos similares a las de los ejemplos anteriores. En los
ejemplos, las instrucciones de MATLAB fueron invocados en la lnea de
comandos, es decir, una instruccin a la vez. En un script, una serie de
comandos puede ser recopilada y ejecutadas automticamente por MATLAB.
Para comenzar a escribir el guin que inicialice primero el editor de
MATLAB:
.........................................................................
...
[1] Editar
.........................................................................
...
Esto abre una ventana del editor de MATLAB. Guarde el archivo de comandos
vaca en una carpeta en la unidad elegida y asegrese de incluir la ruta
en el path de MATLAB
13 estructura. El siguiente script muestra la probabilidad de principio
aplicado a la regresin lineal.
.........................................................................
...
--- La generacin de variables --- % [1]
--- Log-probabilidad funcin --- [11] lnL = @(b_0)
T/2*log(2*pi*B_0(5,1))+ ... % --- Inicial y variables
auxiliares/parmetros --- [8] T = longitud(y); [9] B_0 = [.10; 1,40;
0,70; 0,20; 0,50]; [10] % [7] ;] Ajuste r [6] X = [(longitud(Y),1) rLag
rLag rLag123 % asigna la tasa variable de 3m a r [4] rLag3 = r(1:final-
3,:); rLag2 = r(2:final-2,:); rLag1 = r(3:final-1,:); [5] Y =
r(4:final,:); % [2] R =
xlsread('C:\proyectos\UN_un_libro\Data\Data','Rates'); [3] r =
r(2:final,1);
--- configuracin de la optimizacin entradas --- [14] opciones_
=('LevenbergMarquardt optimset', 'a', 'grandes', % [13] ;) [12]
1/(2*B_0(5,1))*sum( (Y-X*B_0(1:4).2
[15] 'off', 'Display', 'off'); [16] [lb = -100;-100;-100;-100;0.001];
[17] ub = [100; 100; 100; 100; 100];
13 Esto se hace haciendo clic en 'Archivo' y 'ruta' en los mens de la
ventana de comandos de MATLAB. Agregar la ruta elegida por buscar y
guardar la ruta despus.
[18] B_hat = fmincon( lnL, B_0, [] [] [] [], lb, ub [], opciones_)
.........................................................................
...
Este es un poco ms complicada en comparacin con la forma cerrada la
operacin de clculo; sin embargo, el Beneficio de hacerlo es que la
probabilidad de principio es generalmente aplicable a otras situaciones
donde no existen soluciones explcitas, como tambin se ha sealado
anteriormente. Lneas [1]-[6] simplemente regenerar los datos de las
variables incluidas en la regresin. Lnea [8] calcula el nmero de
series cronolgicas de observaciones en los datos, y la lnea [9]
especifica los valores iniciales para los parmetros estimados. Tenga en
cuenta que el orden de los parmetros es como anteriormente. Una quinta
variable es incluido, el cual representa la varianza de los residuos. Al
hacer la optimizacin mxima verosimilitud casi siempre se da el caso de
que el trmino de error se calcula la varianza junto con los otros
parmetros. Lneas
14 [11]-[12] calcular el valor de la funcin de probabilidad. Tenga en
cuenta que menos se calcula el logaritmo de verosimilitud. Esto se hace
porque fmincon est diseado para encontrar los parmetros que minimizan
el valor de la funcin. Si el optimizador incorporado fueron diseados
para encontrar parmetros que maximizan el valor de la funcin, no
podramos multiplicar la funcin objetivo por menos uno. Tenga en cuenta
tambin que la lnea [11] utiliza las denominadas multifuncin '@' para
definir la probabilidad de funcin dentro del script. Alternativamente
una funcin externa podran ser escritos para calcular la probabilidad de
funcionar como se indica en Seccin 2.5.2. Lneas [14]-[15] especificar
qu principio optimizador usar y lneas [16]-[17] especifica los lmites
inferior y superior para los parmetros estimados. El nico parmetro que
debe enlazarse en nuestro ejemplo es la varianza. El lmite inferior de
este parmetro es igual a 0,001 porque una variacin no puede ser
negativo, mientras que el lmite superior no es vinculante. Por ltimo,
lnea [18] contiene la llamada a MATLAB incorporada en funcin del
optimizador, que resuelve el modelo de regresin y coloca los valores de
parmetro ptimo en la variable B_hat. Observe que la lnea [18] no
termina con un punto y coma. Esto significa que el resultado se imprime
en la pantalla. Ejecuta el script anterior por escrito '[nombre del
script]' y pulsar Intro en la lnea de comando de MATLAB da el siguiente
resultado:
.........................................................................
...
[1] EX_likeli_1
terminado: Optimizacin de la magnitud de la derivada direccional en la
direccin de bsqueda menos de 2*opciones.TolFun y restriccin mxima
violacin es menor de opciones.TolCon.
No active las desigualdades.
B_hat = 0.086791 -0.61198
.........................................................................
... 1.3938 0.20252 0.17376
14 Esta forma de escribir funciones inline slo funciona desde MATLAB
versin 7 en adelante. Alternativamente, una funcin inline
tiene que ser definido por el "inline()" comando.

Lnea [1] contiene el comando que ejecuta el script. Aqu, hemos llamado
el script "EX_likeli_1'. Evidentemente, los parmetros estimados son
idnticos a los obtenidos por la operacin de forma cerrada expresiones
derivadas de arriba. Los errores estndar de las estimaciones de los
parmetros puede calcularse de forma similar por:
.........................................................................
...
[1] s = sqrt(diag(B_hat(5,1)inv(x*x)))
s = 0.035403 0.039259 0.063727 0.039179
.........................................................................
...
Si el tamao de la muestra es suficientemente grande, puede demostrarse
que las estimaciones de mxima verosimilitud se distribuyen como:
-1 -1 n,n en .
Esto significa que los errores estndar de las estimaciones de los
parmetros puede calcularse a partir de la inversa de la matriz, que
tambin se llama la matriz de informacin. Aqu T indica el nmero de
observaciones y denota los verdaderos valores de los parmetros.
Resulta que MATLAB puede producir una salida que ayuda en este sentido.
De hecho, pueden ser llamados con fmincon argumentos de salida
adicionales, algunos de los cuales pueden utilizarse para calcular la
matriz de informacin. Esto se realiza de la siguiente manera:
.........................................................................
...
[1] [B_hat1,Fval,Exitflag,salida,lambda,Grad,Hess] = fmincon( lnL,
B_0, [] [] [] [], lb, ub [], opciones_);
.........................................................................
...
donde la salida correspondiente es Hess, siendo la matriz de Hesse, es
decir, la matriz de segundas derivadas de la funcin objetivo evaluados
en el ptimo con respecto a los parmetros estimados. Hess puede usarse
como proxy de la matriz de informacin cuando se trata de un problema de
minimizacin desde una estimacin de la matriz de informacin pueden ser
15 construido por:
-1 = n Hess.
Cuando se utiliza en en los errores estndar de son dadas por:
.........................................................................
...
[1] s_hess = sqrt(diag(inv(Hess)))
s_hess = 0.037156 0.038585
15 menos la arpillera debe utilizarse para problemas de maximizacin.

0.06508 0.0098444
.........................................................................
... 0.040874
Pequeas discrepancias entre s y s_Hess son observadas. Estos derivan de
approxim- cin, los errores de distribucin de Hess para la informacin y
la matriz de la naturaleza aproximada de la como se indic
anteriormente.
2.8 Una breve introduccin a las simulaciones de
muchos problemas en las finanzas no tienen soluciones explcitas. En
estos casos, una solucin basada en simulacin de estrategia a menudo
resulta ser util. Por ejemplo, la mayora de los activos y pasivos de
simulacin de modelos se basan en soluciones basadas en simulaciones;
tambin se utilizan en el clculo de riesgo avanzadas medidas de mercado
y el riesgo crediticio; precios de complejas opciones depende en gran
medida de simulaciones; e incluso la optimizacin de cartera pueden
beneficiarse de soluciones basadas en la simulacin. Modelos de
simulacin tambin puede ser utilizado como una herramienta de pruebas.
Slo una simulacin muy simple ejemplo se mostrar en esta seccin.El
principio subyacente de este ejemplo sigue siendo el mismo que tambin
participen ms en las aplicaciones.
Recuerde que las estimaciones de los parmetros de la regresin de
Mnimos Cuadrados Ordinarios (MCO) arriba:
estimacin de parmetros de desviacin estndar
k 0.087 0.037 a 1.394 0.039 b -0,612 0,065 0,041 0,203 c
2 0.174 0.010
tambin asumen que las estimaciones de los parmetros no estn
correlacionadas, es decir, ortogonales entre s, y que se distribuye
normalmente. Esto significa que podemos simular la ecuacin de regresin:
Rt = k+rt- Rt 1+B-2+c rt-3+ ut
utilizando los parmetros estimados y sus errores estndar. As trazados
muestra simulada para rt puede generarse teniendo en cuenta la
incertidumbre de parmetros, as como la incertidumbre que surge de las
innovaciones en el proceso representado por el trmino de error. A menudo
en aplicaciones de simulacin, slo un nuevo trmino de innovacin es
generada, ya sea sobre la base de una supuesta distribucin o regeneradas
a partir de los errores observados (una tcnica que hace esto se conoce
como bootstrapping). En ambos casos, el parmetro incertidumbre es
ignorado. Sin embargo, no existe ninguna razn particular para el
parmetro incertidumbre debe ser ignorado; de hecho, todo depende del
problema que se pretende resolver.
Una breve introduccin a las simulaciones 33

El ejemplo actual es bastante general, ya que permite tanto la
incertidumbre de parmetros, as como incertidumbre derivada del trmino
innovacin. A fin de generar la simulacin, los siguientes pasos deben
ser completados:
1. Dibujar las innovaciones provenientes de la distribucin adecuada.
2. Generar parameter-value dibuja, tambin procedentes de distribuciones.
3. Insertar los parmetros generados en la ecuacin que se va a simular.
4. Innovaciones de alimentacin a travs de la ecuacin.
A continuacin mostramos cmo se puede hacer esto en MATLAB a travs de
un script llamado "EX_sim'.
.........................................................................
...
Carga de datos ------ % [1]
bucle en observaciones [23] Y(k,1) = b_hat(1,1) + b_hat(2,1)1,1- Y(k) +
... % ;) Bucle en simulaciones [14] b_hat = inf.(longitud(b),1); [15]
Mientras que ( suma(b_hat(2:4,1)) >=1) [16] b_hat = b +s.randn(5,1);
[17] Fin [18] Y = ceros(nObs,1); [19] Y(1:3,1) = init_(1:3,1); [20] u =
sqrt(0 +b_hat(5,1)).*randn(nObs,1); [21] u(4,1) = init_(4,1); [22] Por (
k=4:nObs % clculos ------ [13] para ( j=1:nSims ) % [7] init_ = [ 0,64;
0,76; 0,97; -0.097]; [8] nObs = 622; [9] nSims = 500; [10] Res =
ceros(nObs,nSims); [11] = bSim ceros(5,nSims); [12] ;] [6] [s = 0,037;
0,039; 0,065; 0,041; 0,010 ; Entradas] ------ [5] b = [0.087; 1.394; -
0.612; 0.203; 0.174 % [2] R =
xlsread('C:\proyectos\UN_un_libro\Data\Data','Rates'); [3] r_org =
R(:,1); [4]
[24] b_hat(3,1)2,1- Y(k) + ...
--- Terreno simulado y orginal series --- [38] figura % generar
estadsticas ------ [31] bSim_m = PROMEDIO(bSim')"; [32] bSim_s =
std(bSim')"; [33] disp('original y simula parmetros...") [34]([b bSim
disp_m]) [35] disp('original y simula los errores estndar...") [36]([s
bSim disp_s] [37] [28] % bSim(:,j) = b_hat; [29] Fin [30] y [25]
;b_hat(4,1)3,1- Y(k) + u(k,1); [26] Fin [27] Res(:,j) =

--- trazar la distribucin de parmetros simulada --- [43] figura [44]
x_1 = ( bSim_m(1,1)-4bSim_s(1,1):bSim_s(1,1)/100:bSim_m(1,1)+ % [39]
parcela(Res) [40] mantener en [41] parcela(r_org'k-','LineWidth',2) [42]
[46] x_2 = ( bSim_m(2,1)-4bSim_s(2,1):bSim_s(2,1)/100:bSim_m(2,1)+
;) 4bSim_s(1,1) )"; [45] pdf_1 = normpdf(x_1, bSim_m(1,1), bSim_s(1,1)
---subparcela 1 [49] [temp1 bin] = hist(bSim(1,:)',15); [50] hist_obs =
temp1'./nObs./(bin-bin(1,2)(1,1); [51] subparcela(1,2,1), bar(bin',
hist_obs), % [48] ;) 4bSim_s(2,1) )"; [47] pdf_2 = normpdf(x_2,
bSim_m(2,1), bSim_s(2,1)
--- de la subparcela 2 [55] [temp1 bin] = hist(bSim(2,:)',15); [56]
hist_obs = temp1'./nObs./(bin-bin(1,2)(1,1); [57]
subparcela(1,2,2),bar(bin',hist_obs) % ttulo('Distribucin de la
constante'); [52] mantener en [53] plot(x_1,pdf_1); [54]
ttulo('Distribucin de 1st. Parmetro AR'); [58] mantener en [59]
plot(x_2,pdf_2);
.........................................................................
...
El script genera dos tipos de resultados. Primero se imprime el original
de valores de parmetro, y la media de los valores de parmetro simulado
(Figura 2.4); luego se traza los datos originales, las trayectorias de
datos simulados y distribuciones para los dos primeros paramet simulado-
ers (es decir, la constante y el primer parmetro autoregresivos) (Figura
2.5). Esta ltima parcela tambin contiene una funcin de densidad de
probabilidad normal (pdf) montados en los promedios y las desviaciones
estndar de estos parmetros.
.........................................................................
...
[1] EX_sim
original y simula los parmetros...
0.087 1.394 -0.637 0.081602 1.3845 0.1749 0.19231 -0.65972 0.203 0.174
original y simula los errores estndar...
0.03789 0,037 0,039 0,065 0,041 0.037679 0.037638 0.056403 0,009
0.0088546
.........................................................................
...

100
80
60
40 Valor 20
0
-200 100 200 300 400 500 600 700 # observacin
figura 2.4Original datos simulados y
distribucin para la distribucin constante de 1st. Parmetro AR 12 12
10 10
8 8
6 6
4 4
2 2
0 0 0 0.1 0.1 0.2 0.3 1.3 1.4 1.5 1.6
figura 2.5Simulated distribuciones de parmetro

El programa Matlab cae en tres partes. La primera parte de las lneas
[1]-[11] Carga los datos y toma la entrada del usuario los valores para
el nmero de simulaciones que se realiz y por el nmero de observaciones
de series de tiempo que se genera en cada simulacin.
La segunda parte de lneas [12]-[29] realiza los clculos. Hay un bucle
'for' exterior que cubre las lneas mencionadas anteriormente que
envuelve todos los clculos necesarios para generar una trayectoria de la
izquierda variable. Dentro de este bucle hay otro bucle 'for' que
comienza en la lnea [22] y termina en la lnea [26], que se ejecuta a
travs de la serie de observaciones que se genera. Dentro de este bucle
'for' que el AR(3) observaciones se generan. Por ltimo, la tercera parte
del programa, que abarca el resto de las lneas, genera estadsticas de
resumen y los resultados de los informes para el usuario en formato
tabular y
grfica 16 formatos.
2.8.1 La Generacin de nmeros aleatorios correlacionados
un componente central de casi cualquier experimento de proyecciones sobre
la base de un modelo subyacente es que la correlacin de nmeros
aleatorios. Por ejemplo, imagine que desea simular devuelve un conjunto
de activos en comn. Naturalmente, las trayectorias de estos activos
sern relacionadas: su particular co-movimientos ser definido por la
matriz de covarianza o la matriz de correlacin de estos activos. Una
manera conveniente para generar nmeros aleatorios correlacionadas es
mediante el uso de la descomposicin de Cholesky de la matriz de
covarianza. Esta descomposicin permite el clculo de la matriz
triangular superior U desde una matriz definida positiva C: una matriz de
covarianza ser siempre
17 ser positivas definidas. La descomposicin de Cholesky tiene la forma
(ver e.g. Glasserman (2004, pgs. 72-73):
T C = U U. (2.2)
La matriz triangular superior U es til para generar nmeros aleatorios
correlacionadas de la siguiente manera:
R(r,c) = n(r,c)U(c,c). (2.3) en
primer lugar, no correlacionadas se pueden generar nmeros aleatorios de
la dimensin deseada, por ejemplo N N (0, 1). A continuacin, esos
nmeros aleatorios son 'Ejecutar' a travs de la Cholesky decom- posicin
para generar la matriz de correlacin R nmeros aleatorios de la
dimensin deseada, aqu (r,c).
Un ejemplo ilustra esta descomposicin:
.........................................................................
...
[1] disp('la matriz de covarianza")
[2] [C = 7.9440 7.8265 8.3193 6.8492; [3] 7.8265 7.7473 8.2614 6.8304;
[4] 8.3193 8.2614 8.8664 7.4661; [5] 6.8492 6.8304 7.4661 7.1715 ]
16 se invita al lector a investigar el cdigo de simulacin ms
detalladamente en el captulo final de ejercicios.
17 La matriz C T [n,n] es positivo decida si w Cw > 0, donde n,w[1] =
0[n,1].

[12] disp('la matriz de covarianza de las variables aleatorias simulada")
[13] disp(Cov(R)) ;U*n [6] disp('triangular superior de descomposicin de
Cholesky') [7] U = chol(C) [8] disp('Calcular transponer(U)*U') [9]
disp(U'*U) [10] n = randn(500000,4); [11] R =
.........................................................................
...
Lneas [2]-[5] definir la matriz de covarianza para utilizarse en la
simulacin; lnea [1] es slo una impresin de pantalla, comando que da
una partida a la que se imprime a continuacin. Observe que la lnea [5]
no terminan con ';'. Esto significa que la matriz C tambin se imprimen
en la pantalla.
Lneas [6]-[7], el clculo y la visualizacin de la matriz triangular
superior que es generado por la descomposicin de Cholesky. Lneas [8]-
[9] confirma los resultados de la descomposicin mediante la regeneracin
de la matriz de covarianza siguiente (2.2). Lnea [10] genera 500 000
dibuja aleatoria normal estndar y las organiza en la matriz de orden n
(nObs, nVars). Lnea [11] se aplica a (2.3) para generar R, la matriz de
nmeros aleatorios correlacionada con la estructura de covarianza dada
por C. Lneas [12]-[13] calcular la matriz de covarianza R para confirmar
que los clculos fueron bien, e imprime el resultado en la pantalla. Se
genera la siguiente salida:
.........................................................................
...
[1] La matriz de covarianza
C = [2] [3] 7.9440 7.8265 8.3193 6.8492 7.8265 7.7473 [4] [5] 6.8304
8.2614 8.3193 8.2614 8.8664 7.4661 6.8492 6.8304 [6] [7] 7.1715 7.4661
triangular superior de descomposicin de Cholesky [8] [9] U = 2.8185
2.77680 2.95170 2.43010 [10] 0 0.19121 0.34073 0.43149 [11] 0 0 0.19487
0.75075 [12] 0 0 0 0.71861 [13] Clculo de transponer(U)*U [14] 7.9440
7.8265 8.3193 6.8492 7.8265 7.7473 [15] [16] 6.8304 8.2614 8.3193 8.2614
8.8664 7.4661 6.8492 6.8304 [17] [18] 7.1715 7.4661 la matriz de
covarianza de las variables aleatorias simulado [19] 7.9243 7.8076 8.2998
6.8362 7.8076 7.7291 [20] [21] 6.8181 8.2427 8.2998 8.2427 8.8474 6.8362
7.4542 [22] 6.8181 7.4542 7.1677
.........................................................................
...
38 elementos esenciales de MATLAB,

puede verse que la matriz de covarianza calculada a partir de los datos
simulados es mar- ginally diferentes a partir de la matriz de covarianza,
es decir, comparando las lneas de salida [3]-[6] con lneas [19]-[22].
El patrn de la simulacin de la matriz de covarianza es, sin embargo,
idntica a la original de matriz de covarianza, y esto es lo importante.
Las diferencias menores se originan a partir de la aleatoriedad inherente
en el n. Si saca menos aleatorio de 500 000 estn incluidos en n, las
diferencias se tienden a crecer; y si hay ms de 500 000 son incluidas,
se tender a ser menor. Cabe destacar que no hay nada mgico en el nmero
500 000; es aqu elegido para pur ilustrativa- plantea. En la prctica, a
menudo se elige para simular un nmero que est cerca del nmero de
observaciones contenidas en los datos originales utilizados para estimar
la muestra C en primer lugar.
La descomposicin de Cholesky junto con un modelo de series de tiempo son
los bloques de construccin fundamentales necesarios para generar
previsiones/predicciones.
3 Fixed-Income preliminares
3.1 INTRODUCCIN En
este captulo se ofrece una introduccin muy general a los mercados de
renta fija. Presenta los bloques de construccin bsicos que vamos a
llamar ms adelante en el texto, como los rendimientos y las tasas spot,
y muestra cmo calcular los precios de los bonos.
Comprender los bloques de construccin bsicos de los mercados de renta
fija.
Ser capaz de trabajar con rendimientos y de contado.
Saber cmo determinar el precio de los bonos.
3.2 LAS TASAS SPOT y produce
un primer principio en finanzas es que el tiempo tiene un valor
monetario. No es, en s misma, sino en el sentido de que si uno tiene la
posibilidad de consumir hoy mejor que maana, o en cualquier otro momento
en el futuro, cualquier persona (tambin llamado un agente econmico)
tendra una preferencia por consumir ahora y no ms tarde. En
consecuencia, los agentes de la economa han de ser recompensados para
posponer el consumo. Si, adems, los agentes asumir riesgos cuando
posponer el consumo, es decir, no se sabe a ciencia cierta cunto consumo
futuro que reciben una compensacin adicional, en forma de una prima de
riesgo, se aplica. La razn por la que algunos agentes aceptan posponer
el consumo, por ejemplo, depositar dinero en un banco o a travs de la
compra de instrumentos financieros es que otros agentes de la economa
estn dispuestos a pagar la tasa de compensacin (la tasa de inters)
para obtener fondos lquidos (es decir, dinero). La economa se dice que
est en equilibrio, y una tasa de inters comn surge, cuando este ltimo
grupo de agentes (pensar de bancos y empresas que emiten bonos y acciones
para financiar sus proyectos de inversin) ofrece una tasa de inters en
que su demanda de liquidez agregada se ha cumplido. Cuanto mayor sea la
tasa de inters que ofrece, ms agentes estn dispuestos a posponer el
consumo, y viceversa. Cuanto mayor sea la tasa de inters requerida,
menor es la demanda de liquidez de las empresas, y viceversa. Cuando la
demanda de liquidez y la oferta de liquidez se renen, el equilibrio es
encontrado, y un tipo de inters nico borra la oferta y la demanda de
liquidez. Un argumento similar se presenta a menudo en el campo de la
macroeconoma, donde slo un inters
a una determinada tasa de madurez, a menudo muy corto de la curva de
rendimientos, es analizada.
En finanzas, sin embargo, miramos a los tipos de inters a diferentes
plazos y, por lo tanto, resulta pertinente para describir cmo las
tarifas de todos los vencimientos emerge. Varias hiptesis son planteadas
en este mbito y que estn vagamente descritos a continuacin:
La segmentacin del mercado de hiptesis establece que los distintos
agentes tienen diferentes preferencias para prstamos o prstamos en
diferentes segmentos de la curva de rendimientos. Por ejemplo, las
operaciones de inversin del banco central puede estar ms centrado en el
segmento a corto plazo de la curva de rendimientos, los bancos de
inversin en el mediano plazo y fondos de pensiones en el largo plazo los
segmentos. La oferta y la demanda dentro de cada segmento determina la
velocidad a la que se observa en ese segmento en particular. Si un
segmento es "sub-representados" en trminos de la oferta o la demanda,
los precios en esta rea se ajustar as como para atraer a los agentes
de otros segmentos. As pues, supone implcitamente que los agentes, a
pesar de tener una preferencia por un determinado segmento, pueden ser
atradas a invertir en otro segmento si la indemnizacin por segmento de
conmutacin es lo suficientemente alto.
La expectativa de hiptesis establece que hoy por hoy las tasas de
inters (de contado) son deter- ined sobre la base de lo que en el futuro
se espera que las tasas de corto, ms una prima de riesgo; en otras
palabras, hoy en da la curva de rendimientos se determina como el
promedio del futuro realisa- nes de la tasa de corto. De esta manera, el
segmento de dos aos de hoy, la curva de rendimientos es el promedio de
la tasa de corto de hoy y la velocidad de avance de un ao (ms una prima
de riesgo).
Este argumento tambin funciona a la inversa; por lo tanto, si hoy la
curva de rendimientos se inclinan hacia arriba- ing, indica que en el
futuro se espera que la tasa de corto aumento (olvidando por un momento
que los ajustes se han hecho para los tamaos de las primas de riesgo).
La preferencia de liquidez hiptesis establece que los agentes en
promedio prefieren invertir en activos a corto plazo, esto limita su
exposicin al riesgo de tasa de inters. "Liquidez" es un trmino
utilizado por la cercana de las tenencias de activos deben ser lquida,
en el sentido de dinero en efectivo, si los bienes son mantenidos hasta
el vencimiento. Ms fecha bonos pueden ser naturalmente ms "lquido" de
menor fecha bonos, en el sentido de la palabra "lquido", que normalmente
se utiliza en las finanzas, es decir, la velocidad con la que un activo
puede venderse en el mercado sin tener un impacto sobre los precios de
mercado vigentes. En el antiguo sentido de la palabra, esta hiptesis
supone que los agentes pueden ser convencidos de que invertir en los
ttulos ms largos si son compensados a travs de una prima de riesgo, lo
que implica que las tasas ya son superiores a las tasas de corto.
La "tasa de inters" viene en diferentes formas. Por ejemplo, la tasa de
inters real es la indemnizacin que compensa el aplazamiento del consumo
para el futuro, sin tomar en cuenta que los bienes tienden a aumentar en
el precio cuando pasa el tiempo (es decir, la tasa de inflacin). La tasa
de inters nominal comprende la tasa real y la tasa de inflacin. Las
tasas de inters no suelen ser idnticos para diferentes horizontes de
tiempo (tambin llamado de vencimientos). A menudo, la curva de tipos de
inters (tambin conocida como la curva de rendimientos) est inclinada
hacia arriba, lo que refleja que los agentes requieren de una mayor tasa
de compensacin el largo en el futuro el consumo se pospone; sin embargo,
despus de un cierto punto en el tiempo, los agentes parecen dejar de
preocuparse por la dimensin de tiempo del aplazamiento, el consumo y la
curva de rendimientos, por lo tanto, converge a un cierto nivel. Es casi
como decir, los agentes
y los rendimientos de las tasas spot 41

'bien realmente no importa si tengo que posponer mi consumo por 10 o 30
aos - este es el mismo para m, as que no necesito un montn de
compensacin adicional despus de
1 ao 10'.La razn de esto es que los agentes reaccionan con el valor
descontado del consumo futuro, y la contribucin marginal es muy pequeo
para el consumo
2 paquetes que caen en el futuro lejano.
Las figuras 3.1 y 3.2 muestran el tiempo/dimensin de madurez de las
tasas de inters/curvas de rendimiento. La figura 3.1 muestra la curva de
rendimientos del gobierno estadounidense en tres diferentes fechas,
histrico e ilustra algunas de las formas genricas que tome las curvas
de rendimiento: fuertemente inclinado hacia arriba (mayo de 2004);
inverso (marzo de 1980); y normalmente inclinado hacia arriba (febrero de
1997). La figura 3.2 muestra cmo los EE.UU. la curva de rendimiento ha
evolucionado a travs del tiempo desde 1953.
16 de
marzo de 1980 14
12
10 de
febrero de 1997 8
Rendimiento (%) 6
4 de mayo de 2004 2
00 50 100 150 200 250 300 350 la madurez (meses)
Figura 3.1Yield ejemplos de curva en las fechas indicadas
conjuntos de bienes de consumo no son directamente observados en los
mercados financieros. Sin embargo, los precios de los bonos son, por
ejemplo, y estos precios por ende reflejan el equilibrio tasa de inters
establecida por el vnculo a compradores y vendedores. En efecto, los
precios de los bonos pueden ser utilizados para calcular las tasas de
inters. Ms activamente negociados bonos tendrn ms precisamente deter-
precios ined (porque ms agentes evaluarlas antes comerciando con ellas)
y, por lo tanto
1 aqu, 10 obviamente es slo un ejemplo y el nmero real de aos vara
con el tiempo y con el nivel de las tasas de inters.
2 clculos de valor presente neto puede confirmar este punto por el hecho
de que el descuento funcin es convexa y inclinada negativamente.
42
20
15
10 eliminatorias Fixed-Income
Rendimiento (%)
5
0
meses de vencimiento (100)
50 200 100 0 500 400 300 700 600
# (tiempo de observacin)
Figura 3.2Example de curva de rendimiento las formas y lugares
reflejan mejor la tasa de inters implcita de menos bonos
comercializados. Por lo tanto, es importante utilizar bonos/lquido
altamente comercializados en el clculo de la curva de tasas de inters
de mercado.
Un bono tasa fija es como un prstamo: la fianza promesas del vendedor al
comprador a pagar cupones fijos a lo largo del tiempo, hasta el
vencimiento del bono, y cuando lo hace el vendedor pagar el monto del
capital prestado. Los bonos pueden ser emitidos en diferentes tamaos
(prstamo
3 cantidades nocionales).Para el propsito de este texto asumimos que
todos los bonos se emiten con un importe nocional de 100 (inserte su
moneda preferida, por ejemplo, euros) y pagos anuales. Antes de su
vencimiento el precio de un bono se determina por su flujo de caja y los
factores de descuento:
C C C+100 T Pt = 1 + ++ , (3.1) C D (1+r2)2 (1+r n = (1+r1) n)
donde C recoge los flujos de caja (es decir, los cupones) y d los
factores de descuento, es decir, D-
-j mantiene los trminos (1+rj) Para j ={1,2,..., n}. El valor actual de
cada intermedio
3 Otros tipos de bonos tambin existen, como bonos de tasa flotante,
donde los pagos de cupn prometido ajustar al nivel actual de las tasas a
lo largo del tiempo; paso de bonos donde el cupn es corregido si la
calificacin crediticia de los bonos cambia a travs del tiempo; bonos de
lotera, donde el tiempo de madurez depende de la lotera (normalmente es
el estado el que ofrece estos bonos) y el valor de amortizacin puede ser
superior al valor nominal de los bonos, bonos de cupn cero que no tienen
cupones intermedios sobre el vencimiento del bono; bonos perpetuos que no
tienen fecha de vencimiento; y bonos convertibles que pueden permitir una
amortizacin anticipada por el tenedor del bono, o Si emitido por una
compaa incluyen un derecho incrustadas para convertir los bonos en
acciones. Estos tipos de bonos no son tratadas en el texto, slo bonos de
tasa fija.
Las tasas spot y rendimientos 43

pago de cupn y el pago final en los puntos temporales {1,2,...,n} se
calcula como el producto de los pagos y el factor de descuento. El factor
de descuento es la inversa de uno ms la tasa de inters a la potencia de
la poca. Para ilustrar cmo la relacin (3.1) puede ser utilizado para
determinar la tasa de inters implcita en el precio de los bonos,
considere el siguiente ejemplo. Supongamos que cinco bonos negociados
activamente y uno menos bonos negociados activamente formar nuestro
particular universo de inversin, que se muestra en esta tabla:
precio de bono cupn (anual) de la madurez (aos) de
un 5,0% 100.00 1 B 99,50 5,5% 2 C 93.75 89.45 3 D 4,0% 3,5% 4,5% 91.00 4
E 5 F? 3.0% 3
a la luz de (3.1) Esta informacin puede obtenerse de la siguiente
manera:
-1 P(n,1) = C(n,n)d(n,1) d(n,1) = C(n,n)P(n,1). (3.2)
C aqu es una matriz que contiene los flujos de caja de todas las
obligaciones contenidas en el universo de inversin. Recordando que D es
el vector de factores de descuento, las tasas de inters se definen como:
1/j rj = -Dj -1, j ={1,2, ..., n}.
En MATLAB se puede implementar de la siguiente manera:
.........................................................................
...
[1] j = (1:1:5)";
[8] D = inv(CF)*P; [9] R = D.(-1./j)-1 ;] [2] [P = 100,00; 99,50; 93.75;
89.45; 91]; [3] CF = [105.0 0.0 0.0 0.0 0.0; [4] 5.5 105.5 0.0 0.0 0.0;
[5] 4.0 4.0 104.0 0.0 0.0; [6] 3.5 3.5 3.5 103.5 0.0; [7] 4.5 4.5 4.5 4.5
104,5
.........................................................................
...
Nota esa lnea [9] utiliza el elemento por elemento clculos utilizando
el '. ' Y '/' de
los operadores. La ejecucin de este script da el siguiente resultado:
R= [0.050000, 0.057933, 0.063888, 0.066228, 0.067242 T] .
R es el vector de tasas spot y contiene las tasas anuales para 1, 2, 3, 4
y 5 aos de inversiones, es decir, la tasa de compensacin que los
agentes exigen para invertir en estos horizontes.
Ahora es posible encontrar un precio justo para bond F mediante la
informacin sobre flujos de efectivo y del F las tasas spot en R. Esto se
realiza de la siguiente manera:
.........................................................................
...
[1] [3 PF = 3 103]*(1+R(1:3).(-j(1:3,1)
Pf =
91.074
.........................................................................
...
La otra curva de rendimiento mencionado concepto, "el rendimiento al
vencimiento", es una complic- ciada promedio de las tasas spot contenidas
en R. el rendimiento al vencimiento es la misma que la tasa interna de
retorno de la corriente de flujos de efectivo, tal vez reconoci desde el
rea de corporate finance. El rendimiento al vencimiento, por lo tanto,
slo pueden calcularse una vez que el precio de los bonos son conocidos.
Se calcula de la siguiente manera:
C C C+100 Pt = +y)1 + (1+ (1 y)2 +++y (1)n . (3,3)
una expresin como (3.3) no pueden resolverse directamente porque la
variable de inters (y) entra en la expresin como un polinomio de orden
n. Afortunadamente, Matlab puede encontrar una
solucin utilizando tcnicas numricas 4.
.........................................................................
...
[1] funcin [out] = precio2yield(a)
[2]% Captulo: Riesgo y Rentabilidad [3] [4] %% uso:
[5]% [out] = precio2yield(a) [6] [7]%% (estructura):
[8]% .P - es el precio de la tesorera 1-por-1 [9]% .CF - cashflow [-
precio, CPN CPN(1),(2),...,PCN(r)+principal] r-por-1 [10]% .t -
Sincronizacin de flujos de efectivo en aos [0;1;2;...;r] r-por-1 [11]%,
por ejemplo, 6 meses debera ser escrita como 0.5 [12]% out (estructura):
[13]% .Y - vector de rendimientos
4 La Caja de Herramientas Financieras en MATLAB contiene una funcin
incorporada calledirr que puede manejar estos clculos. No obstante, en
el caso de la caja de herramientas financieras no est disponible, el
ejemplo en el texto demuestra cmo la tasa interna de retorno
(rendimiento) puede tambin ser calculada. El incorporada en funcin de
MATLAB se basa en encontrar las causas raz de funcin, mientras que el
ejemplo en el texto se basa en la funcin fmincon.
Las tasas spot y rendimientos de 45

[19], P =.P; [20] CF = en.CF(:); [21] t = en.t(:); [22] nObs =
longitud(CF); [23]% --- la definicin de la funcin --- [24] Fx = @(d)(-
P+CF'(d.(nObs,1).(t)2; [25]% --- la bsqueda de las mejores [26]
opciones_=optimset('LevenbergMarquardt','A','LargeScale','off', ;y
[14%] [15]% Fecha: Octubre de 2006 [16]% Reportar bugs:
Email@kennyholm.com [17]% [18] advertencia todos; claro
'Display','OFF'); [27] [D] = fmincon(Fx, 1 [] [] [] [], 0, 2, [],
opciones_); [28].Y = 1/D-1;
.........................................................................
...
y el nmero de observaciones es almacenado en la variable nObs. Lnea
[24] contiene la funcin para ser minimizado; se define como el cuadrado
de los residuos desde (3,3): ;t el cashflow suministrado por el usuario
se asigna a la variable CF; el tiempo pasos son asignados a la variable
;P esta funcin, denominada precio2yield, calcula los rendimientos de los
bonos individuales tal como estn definidos por sus flujos de caja. Lnea
[1] define el nombre de la funcin y los argumentos de entrada y salida.
Cabe sealar que las variables estructuradas se utilizan para los insumos
y la produccin. Para la salida de esto podra ser considerado como ms
de matar, puesto que slo se genera una salida. Sin embargo, a veces es
ms fcil seguir con un enfoque ms general que para acomodar las
necesidades individuales; al fin y al cabo, esto es, naturalmente, una
cuestin de gusto personal. Lneas [2]-[17] contienen ayuda al usuario
informacin que describe el formato de las variables de entrada, as como
informacin sobre cmo ejecutar la funcin. Lneas [18]-[22] cuidar de
algunos ajustes generales y definiciones de parmetros: advertencias
estn desactivados para asegurarse de que el usuario no recibe los
mensajes destinados para el desarrollador de la funcin; la variable a
ser calculado y est desactivada para garantizar que los viejos valores
no se llevaron a cabo en el clculo de la corriente suministrada por el
usuario; el precio del bono se asigna a la variable
1 2 n 2 min F(D)= D ++(C+100)D .
D
-CPt +D +C
Nota que una multifuncin se utiliza para definir la funcin objetivo en
lnea [24]. Este identificador es entonces el "llamado" en lnea [28],
que se basa en el built-in fmincon optimizador para realizar la
minimizacin. D es devuelta como el valor ptimo para el factor de
descuento, es decir, D= 1/(1+r). Por consiguiente, la lnea [28] calcula
el rendimiento y desde el factor de descuento y pasa su valor a la
funcin de la estructura de salida.
Para ilustrar el concepto de rendimiento al vencimiento, el siguiente
script calcula el rendimiento del universo Bond el ejemplo dado
anteriormente.
.........................................................................
...
[1] j = (1:1:5)";
[8] para ( j=1:5 ) [9].P = P(j,1); [10].CF = CF(j,1:j); [11].t =
(1:1:j)"; [12] [out] = precio2yield(en); [13] el rendimiento(j,1)=out.Y;
[14] [15] el rendimiento final' ;] [2] [P = 100,00; 99,50; 93.75; 89.45;
91]; [3] CF = [105.0 0.0 0.0 0.0 0.0; [4] 5.5 105.5 0.0 0.0 0.0; [5] 4.0
4.0 104.0 0.0 0.0; [6] 3.5 3.5 3.5 103.5 0.0; [7] 4.5 4.5 4.5 4.5 104,5
.........................................................................
...
Lneas [1]-[7] asignar la entrada a variables locales. El bucle 'for' en
lneas [8]-[14] realiza los clculos para cada uno de los bonos de
Tesorera y almacena el rendimiento en el vector llamado rendimiento.
[15] la lnea imprime los rendimientos para los aos 1 a 5.
Es interesante comparar el perodo tasas (tambin llamados tipos cupn
cero) calculado siguiente (3.1) a los rendimientos calculados segn
(3,3). La figura 3.3 muestra la comparacin.
6.8
Tasa de cupn cero 6,6
6,4
6,2
6
5,8 Tasa de Rendimiento (%) 5,6
5,4
5,2
1,5 51 2 2,5 3 3,5 4 4,5 5
ao
figura 3.3 Comparacin de un cero de la curva de rendimientos y una curva
de
tipos de inters a plazo 47

puede verse que la curva de rendimiento se sita por debajo de la curva
cupn cero, todos los aos, pero la primera. Esto no es una coincidencia.
Se desprende de las definiciones de los rendimientos en (3,3) y la curva
cero cupn en (3,1) que los dos clculos son idnticos para la tasa
aplicable al primer perodo de tiempo. Despus del primer perodo de
tiempo, el rendimiento puede verse como un promedio ponderado de las
tasas spot, donde los pagos de cupones son las pesas. Por lo tanto, si la
estructura de un perodo de tasas es creciente en la madurez, de modo que
r0 < r1 < r2 ..., la curva de rendimientos ser por debajo de la
curva cupn cero; por el contrario, si la estructura de precios se
inclinan hacia abajo- ing, es decir, > r0 R1 R2 > ..., la curva
cero cupn ser por debajo de la curva de rendimientos.
Si la estructura es plana, la curva cero cupn y la curva de rendimientos
sern idnticos.
3.3 Las tasas de avance de
un concepto que est ntimamente relacionado con las tasas spot es que
las tasas de avance. Este concepto abarca la transaccin donde se pide
dinero prestado o Cuaresma entre dos fechas futuras, en las condiciones
que se convengan en el da de hoy. Al asumir que las acciones de los
participantes en el mercado financiero conducir eficientemente determina
los precios de los bonos, es evidente que las tasas spot y forward tasas
son inseparables, de modo que las tasas de avance se puede inferir a
partir exclusivamente de contado y viceversa.
Considere, por ejemplo, las tasas spot determinado anteriormente para el
ao 0 y el ao 1 y el ao 0 y el ao 2, es decir, r1 y r2, y los tipos de
inters a partir del ao 1 ao 2, llamado F1,2. Hay dos estrategias
disponibles para el inversor que quiere invertir en un horizonte de dos
aos: (i) invertir en bonos a dos aos, ganando (1+r2 2) , o (ii) a
invertir en los bonos a un ao a un ao y en el contrato de futuro a
partir del ao 1 ao 2. Si los mercados financieros son eficaces estas
dos estrategias traer el inversionista idnticas compensaciones
monetarias porque ambos (i) y (ii) pueden ser negociadas en el tiempo 0.
Efectivamente, la siguiente relacin debe contener entre spot y forward
tasas:
2 (1+r2) = (1+r1)*(1+f1,2),
lo que significa que la tasa de avance puede determinarse mediante la
reorganizacin de trminos:
(1+ 2) = R2 f1,2 -1. 1+r1
Esta frmula puede ser generalizada de tasas anuales como:
1/(m-n) (1+rm m) fn,m = -1 m > n. (3.4) (1+rn n)
utilizando las tasas spot se ilustra en la figura 3.3 y 3.4, el
correspondiente perodo las tasas de avance puede ser determinada. Esto
se hace en el siguiente ejemplo, donde R contiene las tasas spot y F
contiene los tipos de inters a plazo:
.........................................................................
...
[1] k = (1:1:5)";
[8] %... Calcular las tasas spot [9] D = inv(CF)*P; [10] R = D.(-1/k)-1;
[11] %... Calcular hacia delante [12] F =
((1+R(2:final,1).k(2:final,1)/(1+R(1:final-1,1).k(1:final-1,1))-1; [13]
F = [R(1,1);F];] [2] [P = 100,00; 99,50; 93.75; 89.45; 91]; [3] CF =
[105.0 0.0 0.0 0.0 0.0; [4] 5.5 105.5 0.0 0.0 0.0; [5] 4.0 4.0 104.0 0.0
0.0; [6] 3.5 3.5 3.5 103.5 0.0; [7] 4.5 4.5 4.5 4.5 104,5
.........................................................................
...
3.4 Funciones de precios de bonos
una vez que el rendimiento de los bonos pagan un cupn es conocido, es
posible escribir la
funcin de precios de bonos en un corto camino de mano, en lugar de
utilizar la frmula sumador en (3,5):
n C 100 Pt = J + n . (3.5)
j=1 (1+y) (1+y)
para obtener esta funcin de precios de la mano cortos es una herramienta
necesaria que permite (3.5) a
5 m j reescrito. Dicha herramienta se obtiene de la siguiente manera.
Deje que g= j=k q j m+1 y multiplique ambos lados de esta expresin
por q. Esto da qg= j=k+1 q . A continuacin, calcular g-q m j m+1 j
k m+1 g= j=k q - j=k+1 q , que es el mismo como (1-p)g= q -q , donde el
LHS sigue directamente despus de tomar g fuera de los corchetes, y el
RHS sigue porque todos los
k trminos superposicin en las dos sumas que se sustraen, aparte de los
trminos que impliquen q
m+1 y q . Ahora, dividiendo ambos lados por (1-p) da:
m k m+1 -j q q q = .
j=k 1 q
5 Vase tambin Tuckman (2002, p.42).
Ajuste q= 1/(1+y), esta expresin se puede utilizar para reescribir (3.5)

como
funciones de precios: Bond 49
n 1 Pt = C* j ++y)
+y) 1/(1-
100
N (1+y)
n+1+y) = C*
j=1 (1 1/(1-
1 1 + y - (1+y
1/(1+
1
100 + n y) (1+y)
)n+1 = C* 1+y 1 - 1 de 1+Y+y
1 1 1 + y - (1+y)n+1 = C* y 1+y 1 1 1 = C - y (1 )
100 + n (1+y) 100 + n (1+y) 100
n + n (
C y 1
+ y = 1 n +
1+y) y 100 (1+y)
una ventaja de (3.6) en (3.5) y (3.1) para el caso que nos ocupa, es que
presenta una
n . (3.6) (1+y)
expresin de forma cerrada para el precio, en el sentido de que no
depende de una suma. Cuando se implement en MATLAB, o cualquier otro
lenguaje de programacin, los clculos de una expresin simple ser ms
fcil y rpido, en comparacin con la estructura de bucle que es
necesario manejar el clculo de una suma.
4 Medidas de retorno y riesgo

4.1 INTRODUCCIN En
este captulo se presentan los principios para el clculo de riesgo las
estadsticas de resumen de ttulos de renta fija. Estos son elementos
esenciales que pueden ayudar a extraer informacin relevante para tomar
decisiones de inversin prospectivas, as como informes de riesgo
orientada hacia atrs.
Comprender los conceptos bsicos de riesgo relevante para los
instrumentos de renta fija.
Ser capaz de calcular devuelve para instrumentos de renta fija.
Comprender los factores que impulsan los cambios de la curva de
rendimientos.
4.2 Medidas de Riesgo
Un elemento clave en la gestin financiera y las operaciones de inversin
es una mano correcta- ling de riesgos. En particular, para facilitar la
toma de decisin ptima, es necesario estimar el riesgo individual de
activos y carteras en forma integral. Anlisis de inversiones tradicio-
nales, por ejemplo, el Capital Asset Pricing Model, pone el nfasis en la
varianza y la desviacin estndar como medida de riesgo. La varianza es
definido como:
2 1
J 2 = E (y-y 2) = yj -s , J -1 j=1
donde y es la cantidad observada, por ejemplo, una serie de tiempo de los
retornos, y y indica su promedio. La desviacin estndar se define como
la raz cuadrada de la varianza:
= E y-y (2) .
Adems de la varianza y la covarianza es una medida importante, que se
define como:
1
J x,y = E [(x-x)(y-y)]= (XJ -x) yj -y = 2 J - x y x,y j=1

donde es el coeficiente de correlacin. La varianza y covarianza son
llamados colectivamente el segundo momento de la distribucin dispersa y
comunicar cmo la serie de observaciones son alrededor del valor medio, y
cmo la serie de datos se mueven juntos a travs del tiempo. Para
ilustrar este concepto, se asume que se facilita la siguiente informacin
acerca de x e y: x N ( ), y
que significa que x e y son normalmente distribuidos conjuntamente con
media y la matriz de covarianza . La matriz de covarianza tiene las
variaciones en la diagonal y la covarianza como los elementos fuera de la
diagonal. Supongamos tambin que:
= 1,00= 0 y 1.2 . 0 1.2 4.00
Esto implica que la correlacin entre x e y es x,y =x,y/xy = 0,6.
Esta informacin est representada grficamente en la Figura 4.1. El
panel superior muestra las dos distribuciones marginales; la distribucin
de y tiene mayor varianza de la distribucin de x. El panel inferior
muestra un grfico del par sabio observaciones para x e y. Es evidente
que existe una correlacin positiva/la covarianza entre las variables: la
forma elptica de
0,4
0,3
0,2 Variacin de baja densidad alta varianza 0.1
0-8 -6, -4, -2, 0, 2, 4, 6 y 8 el valor de x e y
10
5
0 Y -5
-10-4-3-2-10 1 2 3 4 X
figura 4.1 la varianza y covarianza
53 Medidas de Riesgo
del rea grafica muestra que cuando x es alto y tiende a ser alta, y
cuando x es baja y tiende a ser baja. Si no hay una relacin lineal entre
x e y, a continuacin, la parcela pasaran a ser circular. La varianza y
la desviacin estndar y la covarianza son amplias medidas de riesgo si
las variables subyacentes se distribuyen normalmente; e incluso cuando
las variables analizadas no son normales, que es el caso de la mayora de
variables financieras, la covarianza suele ser una medida informativa,
aunque no captura todos los aspectos de riesgo relevantes.
4.2.1 Value-at-risk y dficit previsto
1 El riesgo mide el valor en riesgo (VaR) y el dficit previsto (ES) a
menudo se complementan, y a veces se sustituye, la desviacin estndar
como medida de riesgo.
Considerando una distribucin de retorno para x, el VaR figura es el ms
grande posible (a menudo negativo), retorno a un determinado nivel de
confianza y a lo largo de un determinado perodo de tiempo, que una
experiencia; el es el dficit esperado ms all del nivel de VaR. Las
siguientes definiciones son aplicables para el retorno la distribucin de
x:
1 VaR (x)= max{l :Pr[x l] 1-}= -fx (1-) (4.1)
ES = E [x|x VaR (x)]. (4,2
%) de confianza es llamado el nivel de confianza, por ejemplo = 0,99
se refiere a un
nivel de 99 -1. Fx se refiere a la inversa de la rentabilidad acumulada
distribucin de x. La intencin de (4.1) es expresar VaR como la cola
izquierda de la distribucin de retorno (que probablemente ser un nmero
negativo), de modo que no hay ms que (1-) masa de probabilidad en la
cola ms all de l. Esto es equivalente a la inversa de la funcin de
distribucin acumulativa de la devuelve al (1-) nivel de confianza. La
ecuacin (4.2) define el es como el retorno promedio ms all del nivel
de VaR. La figura 4.2 ilustra estas medidas del riesgo sobre la base de
una funcin de densidad de probabilidad de devoluciones/cartera de
valores.
A veces, el VaR se define en la distribucin de las prdidas, L. En este
caso figura 4.2 se invierte, de forma que la cola es de inters el uno a
la derecha de la figura. En este caso, el VaR puede ser definida como:
VaR (L)={l min :Pr[l l] 1-}
En el ejemplo a continuacin, estos conceptos de riesgo se calculan
mediante el ndice Dow Jones de acciones contenidas en el archivo de
Excel: Data.xls.
.........................................................................
...
[1] por ciento --- carga y ordenar datos ---
[2] Dat = xlsread('C:\proyectos\UN_un_libro\Data\Data','la equidad'); [3]
stepp = 0,5; [4] [nObs junk] = tamao(Dat);
1 el valor en riesgo (VaR) no debe confundirse con VAR, que es un
acrnimo para el modelo economtrico: Vector autorregresiva.
54 medidas de retorno y riesgo

[5]% --- resumen calc stats --- [6] Ret_s = sort(Dat(:,4)); [7] avg =
PROMEDIO(Ret_s); sig = std(Ret_s); [8] nObs_99 = floor(.01nObs); nObs_95
= floor(.05nObs); [9] VaR_99_ret = s(nObs_99,1); ES_99 =
PROMEDIO(Ret_s(1:nObs_99-1,1)]; [10] VaR_95_ret = s(nObs_95,1); ES_95 =
PROMEDIO(Ret_s(1:nObs_95-1,1); [11] VaR_95_N = promedio-
norminv(0.95,0,1)*sig; [12] VaR_99_N = promedio-norminv(0.99,0,1)*sig;
[13]% --- generar pdf normal --- [14] x = (VaR_99:stepp:max(Ret_s)"; [15]
ret_norm = pdf('norm",x,avg,sig); [16]% --- generan bar parcela observado
de las devoluciones --- [17] [bar1 bin] = hist(Ret_s,25); [18] bar1_adj =
bar1'./nObs./(bin-bin(1,2)(1,1); [19] La Figura [20] bar(bin',
bar1_adj,'w') [21] mantener en [22] plot(x,ret_norma,'k-','linewidth',2)
[23]% --- Generar tabla de salida --- [24] disp('...Resultados...") [25]
disp(sprintf('VaR(99) = %6.2f basado en Normal Dist: %6.2f '
[VaR VaR_99_99_n]) [26] disp(sprintf('VaR(95) = %6.2f basado en Dist:
%6.2f normal ',
[VaR VaR_95_95_n]) [27] disp(sprintf('ES(99) = %6.2f ES(95) = %6.2f ' [99
es_ES_95])
.........................................................................
...
0,14
0,12 el valor esperado de
0,1 con una desviacin estndar de
0,08
0,06
0,04
0,02 VaR es
0 -20 -15 -10 -5 0 5 Vuelta / Valor
Figura 4.2 medidas del riesgo
Riesgo mide 55
Este script genera la siguiente salida en VaR y es as como la figura
4.3.
La figura muestra la distribucin de retorno emprico provisto recubierto
con una distribucin normal.
0,12
0,1
0,08
0,06
0,04
0,02
0-30 -25 -20 -15 -10 -5 0 5 10 15 La
Figura 4.3 emprica y distribucin normal
.........................................................................
...
[1]...Los resultados...
[2]VaR(99)= -11,00 basado en Normal Dist: -9.25 [3]VaR(95)= -6.44 basado
en Normal Dist: -6.37 [4]ES(99) = -16.58 ES(95) = -9.47
.........................................................................
...
niveles de confianza. La palabra se usa la funcin para redondear el
nmero de observacin en un valor entero, desde el nmero de observacin
por definicin es un nmero entero. Con planta en lugar de ceil produce
una estimacin ms conservadora del nmero VaR. Para el caso que nos
ocupa, % y el 99 % de los puntos de cola de la distribucin de retorno.
El retorno real observaciones en estos nmeros son la observacin
emprica en VaRs el 95 % y el 5 % en el script para el ejemplo anterior,
las lneas [2]-[4] cargar los datos, definir un parmetro de longitud de
paso y encontrar el nmero de observaciones de los datos cargados. Lneas
[6]-[12], realice los clculos central del archivo de comandos. [6] Lnea
ordena el retorno serie desde el valor menor a mayor valor; lnea [7]
calcula la media y la norma devi- acin de las devoluciones; lnea [8]
busca el nmero de observacin que corresponde al 1

VaR observacin dando nmeros 31 y 32, respectivamente. % VaR corresponde
a observacin nmeros 0.01floor(624)= 0,016orceil(624)= 7. Clculos
similares pueden realizarse para el 95 % son 624 observaciones de
retorno, lo que implica que el
nivel 99. Lneas [11] y [12] calcular el VaR basado en una distribucin
normal mediante la siguiente frmula: % VaR. La segunda parte de la lnea
[9] calcula el ES, es decir, el promedio de las observaciones que estn
por encima del nivel de VaR. Lnea [10] realiza operaciones similares
para el 95 % de la Lnea [9] realiza un 'look' el vector ordenado de
devoluciones llamado Ret_s para el 99
-1 VaR = E [r]+ (1-) *
1 - donde es el inverso de la distribucin normal. El trmino la
desviacin estndar de la serie de retorno durante el perodo de tiempo
que el VaR nmero
T, t (4.3) en (4.3) para las cuentas
se calcula para. En la distribucin normal la variacin de escalas de
tiempo, de manera que las escalas de desviacin estndar por la raz
cuadrada del tiempo. Por ejemplo, si la desviacin estndar se calcula
como el valor por ao y un mes de VaR es requerido, entonces t = 1/12. En
el clculo realizado en el archivo de script, el VaR se calcula para la
observacin de la frecuencia de las observaciones de retorno, por lo que
no es necesario un ajuste de la hora.
Dficit previsto en forma cerrada
una expresin de forma cerrada para el ES puede ser derivado al asumir
que la devuelve
2 se distribuyen normalmente. A partir de la definicin del ES:
1-C
1-C 1 1 1 ESc (x) Qx (s) ds (s) DS (4.4) 1-C 0 1-C 0
-Fx
peores resultados de la variable bajo investigacin. Naturalmente, la
definicin en (4,4) es idntica a (4.2). Suponiendo que x N (0,1), la
expresin de forma cerrada para el es dado por: donde q es el % funcin
cuantil y F es la funcin de distribucin acumulativa. La variable c es
el intervalo de confianza, por ejemplo, c= 99% implica que el es
calculado para 1
2 VaR(1-c) ESc (x)= exp - . (4.5) (1-c
-1 ) 2 2
3 para derivar (4.5) Los siguientes bloques son necesarios:
-1 -1 [1] F (s)=2erf (2-1), s (4,6)
w
-1 -1 2 [2] fer (s) ds= exp - -1 0
erf (w) . (4.7)
2 Vase, por ejemplo, Meucci (2005, p.293).
3 Ver el captulo 9 para una descripcin de la funcin error (ERF).
Medidas del riesgo 57

sustituyendo (4.6) en (4.4) y, a continuacin, usando (4.7) da:
1-c -1 ESc =
2 fer (2s-1) ds 1-c 0
-1 2 = exp - fer (2*(1-C)-1) (1-c)

- 2 2
* 2 * -
- 1 2 = exp - (1-fer2 c) , (4.8) (1-c)
1 2 1, donde la segunda lnea se deduce de la regla de integracin
g(como+b)ds=
4 en combinacin con (4,7).
aG(como+b) La tercera lnea (4,8) simplifica la expresin. Porque
-1 de la simetra de F (s) y (s), ERF s{0,...,1}, y utilizando (4.6)
podemos escribir:
2 -1 -1 2 2 erf (1-2c) = F (1-c)
-1 2 2 -1 2
F (1-c) VaR(1-c), el FER (1-2c) = = , 2 2
lo cual equivale (4,8) y (4,5).
Para validar la expresin derivada, la secuencia de comandos de MATLAB a
continuacin compara la aplicacin de (4.5) a valores es calculado sobre
la base de simulaciones.
.........................................................................
...
;] [1] [ IC = 0,90; 0,95; 0,975; 0,99; 0.999; 0,9999
[2] x = randn(1e6,1); [3] nCI = longitud(ci); [4] ES_sim = ceros(nCI,1);
[5] ES_calc = ceros(nCI,1); [6] para ( j=1:nCI ) [7] c = CI(j,1); [8]
ES_sim(j,1) = SUM((x<=norminv(1-C).*x)/Sum(X<=norminv(1-c); [9]
ES_calc(j,1) = -1/((1-c)*(2*pi)0,5)*exp(-(norminv(c)2)/2); [10] Fin [11]
disp('Ssimulada y calcularon los nmeros") [12] disp('CI sim es_ES_calc")
[13] disp([IC ES_ES_sim
.........................................................................
... calc])
Lnea [1] define los niveles de confianza en que los clculos deben
realizarse. En lnea [2] Volver realizaciones son generados, como 1
millones de dlares se basa en el estndar normal
4 el carcter G denota la funcin primitiva de g tal que G
(x)= g(x).
58 medidas de riesgo y retorno de la
distribucin. Estos dibuja se almacena en una variable llamada x, que
constituye la base para el clculo de la estimacin de la simulacin es.
Lnea [3] encuentra el nmero de niveles de confianza para los que se
realizan los clculos. Esta lnea no es estrictamente necesaria, ya que
debemos ser capaces de recordar cuntos niveles de confianza hemos
entrado en lnea [1]. Sin embargo, solicita la longitud (es decir, el
nmero de entradas) de la variable CI el script hace ms flexible y fcil
de adaptar, si queremos volver a ejecutar el experimento para un nmero
mayor o menor de los niveles de confianza. En este caso slo es necesario
realizar cambios en la secuencia de comandos en lnea [1]. De lo
contrario, tendramos que cambiar lneas [1] y [3]-[6].
j abarca los enteros del 1 al NIC, como se ha visto en lnea [6]. En el
ejemplo anterior, el nCI = 6. [8] Lnea genera la estimacin basada en la
simulacin de la ES. Esto es hecho por encontrar primero las
realizaciones de x que estn por debajo del umbral especificado por el
VaR del respectivo intervalo de confianza. Nota que en MATLAB la relacin
de los operadores puede ser utilizado en los vectores para generar
variables indicadoras; en efecto, la expresin (z<= Z) genera un
vector de unos y ceros, de la misma longitud que la z y z, donde un valor
de uno representa la 'Prueba', en nuestro caso "menor o igual que", es
verdadera y un valor de cero representa un falso resultado de prueba. A
continuacin, se puede ver que la lnea [8] calcula un indicador variable
para todos los resultados de x que entran en la cola izquierda de la
distribucin, donde la cola izquierda est definido por el VaR(1-C). El
producto del indicador y variable, es decir, x((x<=norminv(1-C).*x),
es un vector de cero y xi, donde xi representa un determinado elemento de
ith x cayendo en la cola izquierda. La suma de este vector se aproxima a
la integral de la cola y el denominador de la lnea [8] contiene el
nmero de observaciones en la cola. De esta manera la lnea [8], se
calcula el promedio de las ocurrencias de x que entran en la cola
izquierda, es decir, se calcula basado en la simulacin es. [9] Lnea de
implementos (4.5). Lneas [11]-[13] Los resultados de impresin.
Ejecutando el script genera la siguiente salida: ;j lneas [4]-[5] claro
los vectores que almacene las cifras estimadas, que son generados por el
bucle en lneas [6]-[10]. Lnea [7] asigna un nivel de confianza dado a
la scalar c, tomada desde el vector de todos los niveles de confianza,
IC, sobre la base de la variable de bucle
.........................................................................
...
Simulado y calcularon los nmeros
CI sim es_ES_calc -1.755 -1.755 0.9000 0.9500 0.9750 -2.065 -2.065 -2.340
-2.339 -2.669 -2.665 0.9900 0.9990 0.9999 -3.947 -3.366 -3.367 -3.959
.........................................................................
...
Evidentemente, el simulado y calcularon los nmeros estn cerca unos de
otros. Cualquier discrep.- ancy entre los nmeros surge de aproximacin
errores en el clculo de la derivada de la simulacin es basada en el
clculo.
4.2.2 Duracin y duracin modificada
una de las principales medidas del riesgo en el universo de inversin de
renta fija es la duracin modificada. Esta medida tiene por lo menos dos
interpretaciones:
5 1. Un promedio ponderado del valor actual de los futuros pagos y flujos
de caja.
2. El precio del bono de la sensibilidad a un cambio en la curva de la
tasa de inters subyacente.
Es la segunda de estas interpretaciones es ms frecuentemente aplicados
en el anlisis de la renta fija y la que nos centraremos en esta seccin.
Para ilustrar el concepto de la duracin modificada es instructivo
examinar la relacin entre el precio de un bono y su rendimiento. Para
ello debemos ejecutar el siguiente script que calcula el precio de cuatro
bonos para diferentes niveles de rendimiento. Los resultados se
representan en la Figura 4.4.
.........................................................................
...
;] [1] Bond1 = [ 3 3 3 3 103
[8] Por ( j=1:300 ) [9] y = j/1000; [10] D1 =
(1/(1+y).pt1).*queridos(5,1); [11] D2 = (1/(1+y).pt2).*queridos(10,1);
[12] P1(j,1) = Bond1*D1; [13] P2(j,1) = Bond2*D2; [14] P3(j,1) =
Bond3*D1; [15] P4(j,1) = Bond4*D2; [16] Fin [17] xx = [0.1:0.1:30]"; [18]
figura [19] parcela(xx,P1,'k'); [20] mantener; plot(xx,P2,'k:") [21]
mantener; plot(xx,P3,'k') [22] mantener; plot(xx,P4,'k:'), xlabel('%'),
ylabel('precio') ;0 0 ;P4 = P3 = ;0 P2 = ;0 [5] pt1 = [1:5]"; [6] pt2 =
[1:10]"; [7] P1 = ;] [4] Bond4 = [ 15 15 15 15 15 15 15 15 15 115 ;] [3]
Bond3 = [ 15 15 15 15 115 ;] [2] Bond2 = [ 3 3 3 3 3 3 3 3 3 103
.........................................................................
...
Los cuatro bonos pagan cupones anuales. Segundo, bond1 y bond3 son bonos
a cinco aos mientras 007 2 y bond4 son bonos a diez aos. Lneas [8]-
[16] contiene el bucle que se deriva de los precios de los bonos
diferentes niveles de rendimiento. La variable contador j va de 1 a 300
en pasos de 1. .% Y Bond3 y bond4 tienen cupones del 15 % en el script,
lneas [1]-[7] ofrecen varias definiciones. En primer lugar, lneas [1]-
[4], establecen los flujos de efectivo de los cuatro bonos: Bond1, bond2,
bond3 y bond4. Bond1 y bond2 tienen cupones de 3
Cuando el rendimiento y se calcula en lnea [9] es igual a j dividido por
1000. Este
5 Esta es realmente la interpretacin de 'duracin'; la duracin
modificada es la duracin dividida por uno ms el rendimiento.
60 medidas de Riesgo y Retorno

lneas [10]-[11], calcular los factores de descuento anual utilizando las
variables auxiliares definidos en lneas [5]-[6]. Los precios para las
cuatro diferentes bonos son calculados en lneas [12]-[15] siguiente
(3.1). El resto de la secuencia de comandos traza los resultados como se
muestra en la Figura 4.4. .% Al 30 % significa que los precios son
calculados para los rendimientos en el intervalo de 0,1 a
250
200
150
Precio 100
50
% 00 5 10 15 20 25 30 ndice
Figura 4.4 El precio del bono sensibilidad a niveles de rendimiento
es de acuerdo a la teora. Adems, se observa que la pendiente de la
relacin precio-rendimiento es ms empinada a largo (es decir, bonos a
diez aos) que es el ms corto de bonos a cinco aos, aunque se puede
observar que la diferencia en las laderas desaparece a medida que el
rendimiento aumenta. Adems, se puede observar que la relacin precio-
rendimiento es inverso, de modo que el precio aumenta cuando el
rendimiento disminuye y viceversa. Por lo tanto, la relacin precio-
rendimiento tiene una pendiente negativa. Por ltimo, tenga en cuenta que
esta relacin es convexa y la convexidad es mayor para los bonos ms
largos que para los cortos de bonos. .% Bonos de Cupn lograr asimismo el
valor de 100 cuando el rendimiento es del 15 % y el 15% de los bonos de
cupn alcanzar un valor de 100 cuando el rendimiento es 3 % cada lnea en
la figura 4.4 muestra el precio del bono, en funcin del rendimiento. Las
lneas punteadas en la figura corresponden a los bonos largos (es decir,
los bonos a diez aos), mientras que las lneas completas corresponden a
los bonos de corto, es decir, los bonos a cinco aos. Cabe sealar que el
3, que se
basa en la inspeccin de la Figura 4.4 como iteracin anterior, parece
razonable confiar en una lineal y un trmino cuadrtico para aproximar el
cambio de precio que se desprende de
las mediciones de riesgo 61

6 Un pequeo cambio en el rendimiento. Esta aproximacin se puede lograr
a travs de una expansin de la serie de Taylor de orden 2 en torno al
precio del bono P en la tasa de inters r:
2 dP 1 D P 2 P(r+ r) = P(r)+ * r+ 2 dr dr2 * r +
P 1 O 2 dP 1 1 D P 2 r+ r , (4.9) P P P 2 dr dr2,
donde la segunda lnea sigue restando P(r) en ambos lados de la equa-
cin, dividiendo por P(r) para lograr una expresin para las variaciones
de los precios relativos, y suponiendo que el resto O es pequeo. Ahora
podemos definir duracin:
1 dP D- (4.10) P dr
y convexidad como:
2 1 d P Conv P dr2 . (4.11)
sobre la base de (4.9) una aproximacin de la relacin precio de bono
cambiar entonces puede ser escrito como:
P 1 2 =-D R+ Conv r . P 2
duracin modificada (MD) se define como la sensibilidad al precio medida
basada en los cambios en el rendimiento, de ah derivan dP/dy, en lugar
de dP/DR, sobre la base de (3.5) o
7 (3.6). De este modo, en consecuencia:
1 1
n C 100 md= j +n j n (4.12) P 1+y j=1 (1+y) (1+y) 1 C 1 C = n
* 1- p y2 * n + 100- n+1 (4.13) (1+y) y (1+y)
donde la primera expresin se desprende de (3,5) y la segunda de (3.6).
Un aprox- imation frmula para la MD de un bono puede derivarse de (4.13)
al asumir
6 Estrictamente hablando, la causalidad se invierte aqu. Anteriormente
en el texto se menciona que el rendimiento puede calcularse nicamente
cuando el precio del bono es conocido. Lo que tenemos que hacer ahora es
aproximar los cambios de precios que se derivan de los cambios de
rendimiento.
Esto es legtimo si tratamos la curva de rendimiento como una medida
general del mercado y, a continuacin, obtener precios de bonos distintos
de aquellos que fueron utilizados para derivar la curva de rendimientos.
En la prctica, es a menudo la razn sobre la base de los rendimientos y
el uso de la curva de rendimientos de los movimientos para encontrar el
precio de los bonos.
7 diferenciar la expresin (3.5) con respecto a y da (4.12), y la
diferenciacin (3.6) con respecto a y da (4,13).
62 medidas de retorno y riesgo

que los bonos bajo investigacin es un bono par8, es decir, suponiendo
que C = 100 y que P = 9 100:
1 100y 1 MD 1-
n 100 y n 100 y2 (1+y) 1 1 = 1- n . (4.14)
- 100- n+1 y (1+y)
y (1+y)
Similar a la anterior la derivacin de la MD para un bono por la primera
derivada de la expresin de precios con respecto al rendimiento, la
expresin de la convexidad (modificado) (MConv) puede encontrarse por
medio de la diferenciacin de la expresin para dP/dy con respecto al
ao:
1 1 n MConv= * P (1+y)2 j=1
100
C J J+1) j (4.15) (1+y)
+n(n+1) (1+
ny
1
1 (
) = * 2 P (1+y) 2C 1 - n-2 3 +
N+1)n c
n 100- (1+y) y n 2C
(1+y) y
un par de bonos de aproximacin a la expresin de la convexidad se
obtiene suponiendo que
+ . (4.16) (1+y)y2 y3
C = 100y y que P = 100, similar a la derivacin de (4.14). Cuando se
inserta en (4.16) estos supuestos dan la siguiente frmula aproximada:
2 MConv 1- y2 (1
1 ns
n - n+1 . (4.17)
8 +y tenga en cuenta que 1 1 1 -n 1 a n = 1-(1+y) =
) (1+y)
1/(1+y) -n
s (1+y) y
1-(1+y -n) = (1+y (1)/(1+y)
1-(1+y) y/(1+y)
-n -1 de 1-(1+y) -1 (1+y) =
-n 1-(1+y) = -1 (1+y
1+y -1 (1+y)
1 + y -(1+y)
-1 de
1-(1+y)
Esta expresin tiene la forma a veces encontradas en los libros de texto.
Por ejemplo, Campbell, Lo y MacKinlay (1997,
) .
p.408) presentan una aproximacin a la duracin de bonos, cuya duracin
se expresa como la duracin de Macaulay. Recordando que DMacaulay =(1+y)
MD deja claro que dividir la expresin derivada por Campbell et al. una
transformacin de Macaulay de duracin para la duracin modificada y por
lo tanto es idntico (4.14).
.Por(1+y) constituye
9 Nota que (4.14) no constituyen una aproximacin para los bonos a la
par. En el caso de los bonos a la par, (4.14) tiene exactamente,
porque para un bono par y= r.

Lo anterior derivan expresiones para la MD y la convexidad de un bono
conducen a la siguiente aproximacin de fianza para los cambios de
precios sobre la base de los cambios en el rendimiento:
P 1 2 =-MD MConv y+ y . (4.18) P 2
La frmula presentada anteriormente para calcular el precio del bono
(3,6), la MD (4.13) y la convexidad (4.16) se implementan en el MATLAB la
funcin que se muestra a continuacin:
.........................................................................
...
[1] funcin [out] = bond(a)
[2] [3] %% Captulo: Riesgo y Rentabilidad [4] [5] %% Esta funcin
calcula el precio, la duracin modificada [6]% y convexidad de un bono de
cupn habiendo pagos anuales [7] [8] %% uso:
[9]% [out] = bond(a) [10] [11]%% (estructura):
[12]% .Y - El rendimiento del bono de 1-por-1 por ejemplo 0,053 = 5,3%
[13]% .C - cupn de los bonos de 1-por-1, por ejemplo, 5 (=5% bond) [14]%
.N - aos de madurez 1-por-1 por ejemplo 2,5 (=2 aos y 6 meses) [15]%
out (estructura):
[26] conv = (1/p)1(/1(+y)2( (n+1)*n/(1+y)n100(-c/ao)... ;) [16]% .P
- Precio del bono [17]% .MD - la duracin modificada de la fianza [18]%
.Conv - Curvatura de la fianza [19%] [20]% Fecha: Noviembre de 2006 [21]%
Reportar bugs: Email@kennyholm.com [22]% [23] y = en.Y; c = a.C; n = a.N;
[24] p = c/ao1(/1-1 (+y)n ) + 100/(1+y)n; [25] Md = 1/p( c/y2(1-
1/(1+y)n) - N/(1+y)(n+1)100(-c/ao)
[27] - 2*c/(1+y)(n-2)1(/y3 + N/(1+y)y2)) ) + 2*c/y3); [28].P=p;
out.md=md; out.conv=conv
.........................................................................
...
El texto de ayuda en el prembulo de la funcin (lneas [2]-[22])
describe los datos de entrada necesarios para ejecutar la funcin y
especifica las salidas que produce la funcin. Lnea [1] contiene el
nombre de la funcin 'bond'junto con la estructura de entrada llamada y
la estructura de salida llamado. En lnea [23] Los valores de entrada son
redirigidos a variables locales.
Esto se hace nicamente para su conveniencia. [24] la lnea implementa la
ecuacin (3.6), de la lnea [25] implementa la ecuacin (4.13) y, por
ltimo, las lneas [26]-[27] aplicar la ecuacin (4.16).
Lnea [28] concluye la funcin asignando los resultados de la estructura
de salida.
64 medidas de retorno y riesgo de

bonos con la anterior funcin es posible analizar cmo el buen
rendimiento de las frmulas aproximadas para el MD y convexidad (4.14) y
(4.17), respectivamente.
Tal anlisis se genera en el archivo de secuencia de comandos de MATLAB a
continuacin.
.........................................................................
...
El mximo nmero de perodos de tiempo para investigar % [1] max_ = 100;
asignar salidas [21] md_aprox(j,1) = 1/y1(/1-1(+y)j); [22]
conv_aprox(j,1) = 2*s/Y31(/1-1(+y)j-yj/(1+y)(j+1); [23] Fin [24]% ...
trazar los resultados [25] figura [26] subparcela(2,1,1), plot(md,'k-'),
xlabel('Bond madurez'),... % Asignar salidas [20] conv(j,1) = out.Conv; %
asignar salidas [19] md(j,1) = out.MD; % llamando a la funcin de bonos
[18] p(j,1) = out.P; % nmero inicial de aos [6]% ... generar
contenedores para los resultados [7] Md = ceros(max_,1); [8] md_aprox =
ceros(max_,1); [9] conv = ceros(max_,1); [10] conv_aprox = ceros(max_,1);
[11] conv_aprox_1 = ceros(max_,1); [12] p = ceros(max_,1); [13] y = X.Y;
[14] c = X.C; [15] Por ( j=1:max_ ) [16] X.N=j; [17] [out] = bond(X); %
;0 cupn [5] X.N = % de rendimiento [4] X.C = 5,5; % [2]% ... la
asignacin de los parmetros de entrada en la estructura [3] X.Y = 0,06;
ylabel(duracin "modificado") [27] mantener en [28] parcela(md_aprox,'k--
") [29] subparcela(2,1,2), plot(conv,'k-'), xlabel('Bond'), madurez...
ylabel('Convexidad") [30] mantener en [31] parcela(conv_aprox,'k--')
.........................................................................
...
El cdigo anterior es bien anotados por lo que no hay necesidad de pasar
por aqu en detalle.
Los resultados generados por la secuencia de comandos se muestran en la
Figura 4.5. Las lneas completas en la figura muestran las frmulas
exactas y las lneas punteadas las frmulas aproximadas. Puede observarse
que las frmulas aproximadas realice relativamente bien para los
parmetros seleccionados.
Fixed-Income devuelve 65
20 15
10
5 La
duracin modificada 00 10 20 30 40 50 60 70 80 90100 Bond madurez
convexidad 600 400 200

00 10 20 30 40 50 60 70 80 90 100 Bond madurez
aproximaciones a la Figura 4.5 md y convexidad
4.3 devoluciones de renta fija
los precios de los activos financieros fluctan en el tiempo, pero en
promedio tienden a aumentar en valor nominal as como en trminos reales.
Hay dos razones principales para ello. En primer lugar, la mayora de la
gente prefiere consumir hoy mejor que maana, o en cualquier otro momento
en el futuro. Por lo tanto, se debe obtener una compensacin por los
inversionistas para posponer su consumo a una
fecha futura 10. En segundo lugar, para casi todos los activos del futuro
pay-off es desconocida; este es el caso, por ejemplo, de acciones y de
bonos vendidos antes de su vencimiento. Como consecuencia, los precios de
estos activos fluctan a medida que pasa el tiempo, como una funcin
desconocida de factores de mercado subyacente, el futuro pago a los
inversionistas es incierta y arriesgada. La mayora de los inversionistas
(y personas) tienen una aversin a la incertidumbre y, por lo tanto,
exigen una compensacin positiva para asumir tal incertidumbre y riesgo.
Por estas razones, en la teora financiera y la gestin de la inversin,
el retorno de un activo es sinnimo con el rendimiento esperado de los
activos. Asimismo, y dado que el riesgo de un activo es inobservable y
necesitamos para estimar, tambin hablamos del riesgo esperado.
10 Esta indemnizacin se paga por la entidad en el mercado financiero.
Por ejemplo, si una empresa necesita capital para financiar sus
inversiones en maquinaria, puede recaudar dinero mediante la emisin de
bonos en los mercados de capital. Estos bonos ofrecen una tasa de inters
que es pagado por la empresa para que valga la pena para los inversores a
posponer su consumo.
66 medidas de Riesgo y Retorno

t permiten indicar el tiempo y e la expectativa de operador; entonces el
rendimiento bruto o total de un activo puede ser definido por:
tot futuro importe recibido E(Pt) E RT = = (4.19) Cantidad pagada Pt-1
y el rendimiento relativo puede ser definida como: el
futuro de la cantidad recibida Cantidad pagada E(rt)= (4.20) e importe
pagado (Pt)-PT-E( 1 pt) = = . Pt-Pt 1-1
es evidente que:
E(Pt) Pt-1 tot E(rt)= - = E RT -1 pt-PT 1-1
y que:
E(Pt)= [1+E (RT)]Pt-1.
Una capitalizacin continua de la versin anterior de clculo de retorno
tambin existe.
Segn esto, el regreso se calcula mediante:
E [PT] E(rt)= log . Pt-1
para facilitar la notacin, en el siguiente la expectativa de operador E
es suprimida. Ello supone, a menos que se indique lo contrario, que el
futuro pay-off, el riesgo y la rentabilidad son desconocidos y slo
expectativas para estas entidades pueden ser formados. En realidad, gran
parte del "arte" de la gestin de las inversiones procede de idear
tcnicas y modelos para estimar de manera eficiente y con la mayor
precisin posible el futuro desconocido devuelve para la inversin
subvencionable de un universo en el que opera.
El retorno de la celebracin de una equidad puede desglosarse en los
siguientes componentes:
equidad r = cambio de precio + dividendos,
donde ambas partes son difciles de estimar. El primer trmino depende
normalmente de la evolucin general de los mercados de acciones, el
estado de la economa, el estado del sector industrial al que pertenece
la empresa, as como factores especficos de mercado prevalecen- ing en
el momento de la venta. El segundo trmino es tambin difcil de proxy:
aunque las empresas en general difundir su intencin poltica de
dividendo, est lejos de ser cierto que tambin se adhieren a ella. Por
lo tanto, ambos trminos en el clculo de la rentabilidad de los fondos
propios son estocsticos y bastante difcil aproximadas.
El periodo de tenencia de bonos de retorno se compone de los elementos
siguientes:
bond r = cambio de precio + cupones + paso del tiempo. (4.21)
67 Fixed-Income devuelve
el primer elemento de la fianza en retorno (4.21) puede representarse
mediante (4.18), por lo tanto:
1 2 cambio de precio=-MD MConv y+ y . (4.22) 2
cupones, respecto al precio, recibi durante un determinado intervalo de
tiempo se definen por:
cupones C= * t, P (4.23)
donde el intervalo de tiempo t coincide con el intervalo de tiempo
durante el cual el cambio de rendimiento se
calcula en 11 (4.22) y se administra como una fraccin del perodo del
cupn. La ltima parte de (4.21) se refiere al paso del tiempo. Para
medir este componente, considere la posibilidad de un vnculo en el
tiempo t tener madurez n. En el momento t+1 este bono tendr un
vencimiento igual a n-1.
Por lo tanto, todo lo dems igual, la aproximacin al paso del tiempo
puede hacerse calculando la diferencia de precio entre el mismo bono en
el tiempo t+1 y t utilizando por ejemplo (3,6). Se pretende en este
clculo para derivar una expresin similar a P/t:
Pt+1-Pt 1 C 1 100 = 1- 1 + -1 Pt Pt y (1+y (1+ C 1
n-) 100
ny) -- n * 1 + n (1+y) (1+y) 1
y C C 100 100 = n - n-1 + n-1 - n Pt y*(1+y) y*(1+y) (1+y) (1+y) 1 C
C*(1+y) 100*(1+y) * 100 = n - n + n - n Pt y*(1+y) y*(1+y) (1+y) (1+y)
100y-C = n . (4.24) Pt (1+y)
12 Combinando (4.22), (4.23) y (4.24) proporciona una aproximacin al
retorno de Bond:
bond 1 2 C 100y-C R =-MD MConv y+ y + + n * t . (4,25) * 2 *(1 )
cambio en el precio
* t P cupn P +y paso del tiempo,
como se ha visto anteriormente, el factor que determina el precio de los
bonos y, por ende, la rentabilidad de los bonos, es la forma de la curva
de rendimientos y la ubicacin, vase, por ejemplo, la ecuacin (3.1) o
(3.6). Cuando el emisor de los bonos se supone para ser libres
predeterminados, es decir, siempre capaz de pagar
11 los precios de los bonos que ignore este cupn corrido pago son
mencionadas como "limpia", mientras que los precios cuando el cupn
corrido parte est incluido en los precios, se hace referencia a ellos
como "sucios de precios".
En efecto, el 100 en el numerador de la expresin (4.24) por el paso del
tiempo sirve para que el rendimiento y el cupn de tamao comparable. .%
Mientras que el cupn es denominados en una unidad monetaria, por
ejemplo, C = 5, si la tasa de cupn es de 5% a 12 , el rendimiento es
denominado como una fraccin, por ej. y= 0.05 si el rendimiento es de 5
Medidas de Riesgo y Retorno de 68

cupones, el cupn en la parte anterior se conoce con certeza. A menudo se
supone que los bonos del gobierno estn libres predeterminados. Para los
bonos corporativos, es decir, bonos emitidos por empresas en lugar de los
gobiernos, puede ser razonable suponer que el cupn y el terminal de
pagos son inciertas. Sin embargo, normalmente estos pagos sern
significativamente ms seguros que los pagos de dividendos de la
rentabilidad. En primer lugar, los pagos de cupones son prometido pagos,
a diferencia de los dividendos. Los dividendos se pagan si hay fondos
disponibles; Los cupones tienen que ser pagados en la misma forma que los
pagos de intereses sobre un prstamo del Banco; si los tenedores de bonos
no obtenga sus cupones a tiempo podrn declarar la empresa en quiebra. En
segundo lugar, en el caso de quiebra, los tenedores de bonos suelen
recibir parte de su dinero: la venta de los activos de la empresa se
utilizarn para el pago de una fraccin de los tenedores de bonos",
afirma, mientras que los accionistas no reciben nada (la quiebra estara
justificado si los accionistas eran conseguir nada). El tercer trmino en
el vnculo Volver la descomposicin es el pasaje de tiempo. Este trmino
se refiere a la propiedad que el precio del bono converja a su valor
terminal (pull-a-par efecto) cuando el plazo de vencimiento se acorta.
Este trmino es en efecto no estocstico.
La ecuacin (4.25) constituye una aproximacin a la devolucin de un pago
de cupn libres predeterminados bond. La expresin exacta teniendo en
cuenta los factores mencionados por (4.21) se puede escribir como: j) n
bond Pt +Cj - r
(n- Pt+j t,t+j = . (4.26) Pn t
aqu n se refiere al nmero de los perodos restantes hasta el
vencimiento del bono. La no- estocstico pull-a-par efecto se explica por
la madurez del acortamiento de la fianza en el tiempo t+J: El bono se
adquiere en el tiempo t cuando tiene madurez n, atestiguado por despus j
perodos de retorno el perodo de retencin se calcula a partir del
tiempo t en el tiempo t+J
TNP .
, Y el vnculo se ha acercado a la maduracin debido al paso de j
perodos; por lo tanto, el precio de t+j se refiere a un vnculo que
tiene un plazo de vencimiento de los perodos de n-j, atestiguado por n-j
Pt+j .
Modelos de estructura 5 Duracin

5.1 Introduccin
Este captulo presenta diferentes formas para modelar las curvas de
rendimientos en la madurez, as como en las dimensiones de la serie de
tiempo. Presenta modelos factoriales y distingue entre el arbitraje y no
son necesariamente los modelos libres de arbitraje. Vamos a ver cmo la
diversin- fundamental de ecuaciones diferenciales parciales (PDE) nos
van a ayudar en la construccin de la curva de rendimiento libre de
arbitraje, y cmo los modelos de series de tiempo multivariado
contribuir a construir modelos dinmicos de las versiones no
necesariamente libre de arbitraje curva paramtrica modelos.
Comprender la diferencia entre el arbitraje libre de modelos y otros
tipos de modelos de curva de rendimiento.
Ser capaz de utilizar modelos de curva de rendimiento en la prctica.
Aprender a interpretar los factores de la curva de rendimientos.
5.2 NO NECESARIAMENTE MODELOS LIBRES DE ARBITRAJE
Esta seccin presenta una curva de rendimiento estrategia de modelado que
se basa en la econometra y observaciones empricas. Bsicamente toma la
curva de rendimiento observaciones y/o los precios de los bonos como dada
y establece el modelo de estas cantidades, as como posibles, sin
formarse una opinin sobre si las observaciones son el resultado de un
modelo econmico de equilibrio, o qu mecanismos son fundamentales
subyacentes que generan rendimientos observados y los precios. Tal
enfoque de modelado est en contraste con la utilizada en los llamados
"no-arbitraje modelos', donde, en general, una forma particular de
evolucin dinmica es asumido por la curva de rendimiento factores bajo
un riesgo-neutral, medida y una forma funcional para el precio de mercado
del riesgo est indicado explcitamente. Como tal, esta clase de modelos
impone cierta forma estructural sobre los agentes econmicos que el
comercio y as generar observaciones del precio y el rendimiento. La no-
arbitraje marco de modelado se presenta en la seccin 5.3.
En las secciones que figuran a continuacin presentamos dos modelos que
no son necesariamente libre de arbitraje. Estos son los de Nelson y
Siegel Svenson-Soderlind modelos. Una dinmica
70 trmino modelos de estructura de

representacin de los Nelson-Siegel modelo es presentado por Diebold y Li
(2006), y es este enfoque nos confan y extender.
5.2.1
paramtrico de Nelson y Siegel una especificacin de tres factores para
la curva de rendimientos en un momento dado fue sugerida por Nelson y
Siegel (1987). Los tres factores me planteo representan el nivel de
rendimiento al vencimiento infinita, la pendiente (la diferencia entre el
rendimiento observado en el largo y el extremo corto de la curva de
rendimientos) y la curvatura, es decir, cunto la curva de "curvas" en el
espectro de madurez media. Mediante tres factores y un parmetro de
tiempo de decadencia, el modelo resulta explicar bien la curva de
rendimiento la ubicacin y la forma en funcin de la madurez. Otra forma
de decirlo es para decir que el modelo puede capturar la mayor parte de
la variabilidad del rendimiento cambia a lo largo del tiempo, y como tal
se asemeja a un factor estadstico de descomposicin de la curva de
rendimientos (vase por ejemplo la Litterman y
1 Scheinkman (1991)). La diferencia de un anlisis factorial es el hecho
de que Nelson y Siegel (1987) los factores previamente definidos y
asignados a priori una interpretacin dada a cada uno de
los tres factores (2 estas siendo nivel, pendiente y curvatura). La
figura 5.1 ofrece una
curva de rendimiento visual 6 Nivel
5
4
3
Curvatura Rendimiento (%) 2
Pendiente
1
00 20 40 60 80 100 120
madurez (meses)
Figura 5.1 Nelson-Siegel curva de rendimiento factores
1 un factor estadstico modelo (que es similar a un anlisis de
componentes principales) considera factores subyacentes en un dataset
(matriz de covarianza) de tal manera que los factores no estn
correlacionadas y maximizar su poder explicativo. Para obtener ms
informacin vase Johnson y Wichern (1992)[chs 8 y 9].
2 Nota de Nelson y Siegel (1987) formulada originalmente el modelo en
trminos de tipos de inters. Integrando la tasa de avance expresiones el
rendimiento del formulario Nelson-Siegel modelo aparece, tal como se
presenta en este captulo.
No necesariamente modelos Arbitrage-Free 71

1
factor de inclinacin 0,8
factor Nivel de sensibilidad La sensibilidad de
0,6 0,4
0,2 efecto de
curvatura sensibilidad factor
00 20 40 60 80 100 120
madurez
Figura 5.2 Nelson-Siegel factor sensibilidades (= 0,08)
interpretacin de la curva de rendimientos de estos factores y la Figura
5.2 da la interpretacin de la curva de sensibilidad del factor: estos
dos elementos corresponden a t y H, respectivamente, en la ecuacin
(5.1). La matriz de sensibilidad es, en gran medida, definir el modelo de
Nelson y Siegel, y esto est ms desarrollado en la ecuacin (5.2) Tras
la intuitiva parametrizacin sugerido por Diebold y Li (2006) La forma
funcional de la Nelson-Siegel modelo es:
yt ()= H t +et, (5.1)
donde yt () es el vector de rendimientos observados en el tiempo t para
T los plazos recogidos en el vector , y el trmino de error e N (0,R).
La matriz de sensibilidades de factor est explcitamente dada por:
1- 1
exp(-1) 1-exp(- 1) -exp(-1)
1- 1
1
exp(-2) 1- 1
exp(-2) -exp(-2) H = 22 . (5.2)
... ... ...
1- 1
exp(-T) 1-exp(-T)
T T T -exp(-
) de
la curva de rendimiento son factores recogidos en t = levelt, pendiente
variable,
T, curvaturet . La , determina la velocidad de deterioro de tiempo
para la pendiente y la curvatura de
72 modelos de estructura temporal de la

sensibilidad, es decir, el particular las pautas seguidas por las
sensibilidades, como se muestra en la Figura 5.2. En teora, debera
haber un momento en subndice , de modo que resultara t y ser, por
tanto, pueden variar con el tiempo. Sin embargo, en la prctica, slo
marginalmente mejora el ajuste de la curva de Nelson y Siegel para
incluir dicha dependencia del tiempo. El ajuste mejorado marginalmente
ponderado por el aumento significativo en el nmero de parmetros
estimados (el nmero de parmetros estimados aumentara por n - 1, donde
n es el nmero de fechas en la muestra) hace que en general no merece la
pena para agregar una hora subndice a .
Tambin podemos considerar la sea constante, en lugar de un parmetro
de estimacin. A continuacin, (5.1) se reduce a una regresin lineal que
pueden ser resueltos para diferentes valores de , sobre la base de que
la ptimo puede ser escogido, como uno que minimiza los errores
cuadrados entre lo observado y modelos derivados de los rendimientos. El
siguiente cdigo de MATLAB implementa una solucin tal estrategia.
.........................................................................
...
[1] Y = [2.17 2.47 2.85 3.39 4.01 4.31 ...
[2] 4,48 4,58 4,65 4,70 4,74 4,77 4,79]"; [3] tau = [1 3 6 12 24 36 48 60
72 84 96 108 120]"; [4] nTau = longitud(tau); [5] para ( k=1:50 ) [6] L =
k/200+0.01; [7] H = [(nTau,1) ...
[8] (1-exp(-L.Tau)./(L.tau) ...
[15] [16] final optim = Buscar(Res(:,1)==min(Res(:,1)]; [17]
disp('ptimos parmetros de Nelson-Siegel") [18] disp(' Nivel curvatura
pendiente Lambda") [19] disp(Res(optim,2:final) [20] disp(stderr') ;] [9]
(1-exp(-L.Tau)./(L.tau)-exp(-L.tau)]; [10] Beta = H\Y; [11] u = Y-
HBeta; [12] stderr = sqrt( diag ((u*u)/(longitud(S)-4)pinv(H*H )); [13]
Suma_u2 = Sum(u.2); [14] Res(k,:) = [ Suma_u2 Beta' L
.........................................................................
...
Los siguientes resultados se produce cuando el cdigo se ejecuta por
encima de MATLAB:
.........................................................................
...
Parmetros de Nelson-Siegel ptima & errores estndar
---------------------------------------- nivel 4.9988 -2.9969 Lambda
curvatura pendiente 0,1 0.49941 0.20141
.........................................................................
... 0.023184 0.065405
No necesariamente Arbitrage-Free modelos 73

Ashort descripcin del cdigo est justificada. Lneas [1]-[3] define la
curva de rendimiento bajo investigacin, y en la que los vencimientos de
los rendimientos son observadas. Lnea [4] calcula el nmero de
observaciones en rendimiento y: esto es necesario para construir la
matriz H, es decir, a fin de obtener su dimensin fila derecha. Las
principales se realizan clculos en el bucle cubierto por lneas [5]-
[15]. k representa la variable de contador en lnea [6] se traduce en el
valor de , por which{0.015, 0.02, ..., 0,26}. Naturalmente algn tipo
de conocimiento previo es necesario para determinar el rango apropiado
para . Alternativamente, la gama puede determinarse por el ensayo y el
error. En lneas [7]-[9] la matriz H est definida. En trminos de una
regresin lineal H representa la 'x', es decir, variables las variables
del lado derecho de la ecuacin de regresin. La LHS de la ecuacin de
regresin es el vector de rendimientos y y los parmetros con los que se
estima se recogen en . [10] La lnea realiza la regresin lineal, lnea
[11] calcula las desviaciones, y la lnea [12] calcula los errores
estndar de .
Como insinuado anteriormente, el parmetro se estima en un
procedimiento de dos pasos, donde el primer paso calcula la ecuacin de
regresin para una serie de posibles valores de , luego en una segunda
etapa la que proporciona el mejor ajuste elegido. Como un proxy para
determinar el mejor ajuste en este ejemplo se utiliza la suma del
cuadrado de los residuos (similar al criterio OLS): la lnea [13] calcula
la suma del cuadrado de los residuos. [14] la lnea almacena los
resultados generados por el bucle y la lnea [15] finaliza el bucle. [16]
La Lnea busca el nmero de fila de la matriz de resultados donde la suma
de cuadrados de error de criterio de seleccin se minimiza. Lneas [17]-
[20] mostrar los resultados.
5.2.2 Soderlind Svensson y
una extensin de cuatro factores de la Nelson-Siegel modelo fue sugerida
por Sderlind y Svensson (1997). En la prctica, esta ampliacin consta
de un segundo factor de curvatura, giv- ing el modelo de grados de
libertad adicionales para adaptarse mejor a los rendimientos
observados.Aformulation Svensson-Soderlind del modelo es:
yt ()= Gt +vt, (5.3)
Donde:
G= 1- 11 1- 1 1
exp(- ) 1-exp(-11) -exp(-
exp(-2 )
11) -exp(-21)
1- 2 1- 2 1
11
exp(-1 ) 1- 11
exp(-12) -exp(- )
12)
21
exp(-2 -exp(-22) 12 12 22 . (5.4)
... ... ... ...
1- 1T 1- T 1
exp(- ) 1-exp(-1T) exp(- )
1 -exp(-2T) 1T - 1T T)
exp(-2
2T
aqu, recoge la curva de rendimiento factores, {level, pendiente,

curvatura1, curvatura2}, y asume el factor G comprende los cargamentos.
Es fcil adaptar el MATLAB

cdigo presentado en la Seccin 5.2.1 para montar la Svensson-Soderlind
modelo. Esto se hace a continuacin.
.........................................................................
...
[1] Y = [2.17 2.47 2.85 3.39 4.01 4.31 ...
[6] para ( j=1:50) [7] L2 = j/200+0.01; [8] para ( k=1:50 ) [9] L1 =
k/200+0.01; [10] = [G(nObs,1) ... ;1 [2] 4,48 4,58 4,65 4,70 4,74 4,77
4,79]"; [3] tau = [1 3 6 12 24 36 48 60 72 84 96 108 120]"; [4] nObs =
longitud(y); [5] z =
[11] (1-exp(-L1.tau)/(L1.tau) ...
[12] (1-exp(-L1.tau)/(L1.tau)-exp(-L1.tau) ...
[19] z=z+1; [20] Fin [21] Fin ;] [13] (1-exp(-L2tau)/(L2.tau)-exp(-
L2tau)]; [14] alfa = G\Y; [15] u = Y-G*alfa; [16] stderr = sqrt( diag
((u*u)/(longitud(S)-4)pinv(G*g) )); [17] Suma_u2 = Sum(u.2); [18]
Res(z) = [: Suma_u2 alfa' L1 L2
.........................................................................
...
En comparacin con el Nelson-Siegel cdigo, un bucle adicional se agrega
para atender la curvatura adicional de tiempo decay parmetro a estimar,
vase Lnea [6]. Nat- urally, tambin el factor de sensibilidad, matriz
G, se adapta en lnea [13] segn la ecuacin (5.4).
5.3 Arbitraje modelos libres
empecemos con un descargo de responsabilidad! Est ms all del alcance
del presente libro para dar un tratamiento en profundidad de arbitraje de
precios libres y el correspondiente modelo de curva de rendimiento de la
construccin. Hay muchos libros excelentes que ya cubren esta rea, tales
como, entre otros, Rebonato (1998), Brigo y Mercurio (2001), Bjrk
(2004), Cairns (2004) y James y Webber (2000). El enfoque adoptado en la
actual exposicin es lugar muy aplicados. Comenzamos asumiendo la
existencia de dos "axiomas" que nos ayudan a construir el arbitraje libre
de modelado de tasa de inters: Tenemos plena fe en estos axiomas y no
cuestionarlas, incluso si no entendemos totalmente de dnde provienen y
su significado ms profundo. En base a este fundamento, entonces podemos
proceder a derivar la curva de rendimiento de modelado para algunas
expresiones de la clsica curva de rendimiento sin arbitraje modelos y
aplicarlos en MATLAB.
75 Modelos Arbitrage-Free
axioma 1 P: El precio de un bono, en el tiempo t, con vencimiento ,
puede escribirse como:
Pt(t)= exp[A(t)+B()Xt] (5.5)
donde A y B son funciones de la madurez y Xt recoge los factores que
explican los precios de los bonos y los rendimientos. Comparando (5.5)
con, por ejemplo, (5,1), se ve que B sirve el papel de H, es decir, B es
un factor de sensibilidad, y una matriz es un vector de constantes. Como
veremos ms adelante, resulta que las expresiones, ya sea de forma
cerrada soluciones o frmulas iterativas, pueden encontrarse para A y B.
En esta seccin se asume que slo hay una curva de rendimiento el factor
X y que es igual a la tasa de corto, es decir, la tasa de inters de =
0. Por lo tanto, establecemos Xt = rt.Una implicacin del axioma 1 es que
el rendimiento al vencimiento puede escribirse como:
1 yt ()=- *[A(t)+B()Xt], (5.6)
si los rendimientos se definen como:
-log[Pt ()] yt ()= . Axioma 2: Se supone que el proceso seguido por
la corta tasa bajo la medida de obtencin de datos puede ser escrito
como:
dr = m(r) dt+s(R)dz,
donde d representa el primer operador diferencia en tiempo continuo en
tiempo discreto; esto sera igual a . Por lo tanto, estamos expresando
cmo el proceso de cambios en r evoluciona durante un intervalo de tiempo
corto, dt. La variable m(r) es la media del proceso, que es permitido
dependen del nivel de la tasa de corto en el tiempo t y s(R) es la
inestabilidad del proceso, que, al igual que la media, puede depender del
nivel de tipo corto. La variable z representa el movimiento browniano, es
decir, el generador de ruido aleatorio alrededor de la media la ruta
seguida por el dr, donde z= e t y e N (0,1).
En la ausencia de arbitraje puede demostrarse que el PDE, fundamental que
la
3 precio del bono debe obedecer, puede escribirse como:
2 1 P 2 P P S + {m- s}+ -RP = 0, (5.7) 2 r2 r t
donde el precio del bono en la fecha de caducidad se supone para el pago
del principal, por lo tanto, P(T)= 1 y denota el precio de mercado del
riesgo. Con el fin de uso (5.7) que necesitamos para poder calcular la
primera y segunda derivadas parciales de p con respecto a la tasa de
corto r y la primera derivada parcial de P con respecto al tiempo t.
MATLAB puede utilizarse para validar los derivados encontramos al hacer
los clculos a mano. Para ello, la herramienta de clculo simblico puede
ser utilizado.
3 El clculo de los precios fundamentales PDE puede hacerse utilizando el
lema de Ito y argumentos especulativos entre dos bonos con vencimientos
diferentes, consulte Bjrk (2004)[Seccin 21.1].
76 modelos de estructura trmino

.........................................................................
...
;T [1] syms R P A B
[2] p = exp(A+B*r); [3] disp('primera derivada de P con respecto a r')
[4] diff(p,r) [5] disp('segunda derivada de P con respecto a la r") [6]
diff(diff(p,r)
.........................................................................
...
Aqu lnea [1] define las variables pertinentes para ser utilizados en
los clculos simblicos.
Lnea [2] define la funcin de precios y la parte restante del cdigo
calcula la primera y segunda derivadas de la ecuacin, con respecto a la
tasa de corto r.
El clculo de la primera derivada del precio con respecto al tiempo no es
mostrado en el anterior cdigo de MATLAB. Reconociendo thatt y estn
inversamente relacionados, es decir, a medida que el tiempo avanza la
madurez del instrumento se reduce, y aplicando la regla de la cadena para
la diferenciacin (vase la seccin 9.4.3), nos permitir calcular el
tiempo diferencial de P.
Los derivados calculados se muestran a continuacin:
P = B(t) P r
2 P B( r2 = 2)
P P dA() dB(t) =- + r P. t d d
Estos derivados se sustituyen en (5.7) para dar:
1 2 2 dA() dB() B() Ps +B()P*{m- s}- + r P-r P = 0 2 d d

donde es visto que P entra en todos los trminos. Dividir por P y
reorganizacin da la ecuacin siguiente:
1 2 2 dA() dB() B() s +B(){m- s}-- r-r = 0, (5,8) 2 d d
que junto con la condicin del lmite mencionado anteriormente, es decir,
P(T)= 1, forman la base de la derivacin de una forma cerrada a un
clsico modelo de tasa de corto que se presentan a continuacin. Para
ello, volvemos a utilizar el paquete de clculo simblico de MATLAB, en
particular la funcin dsolve. Es intuitivamente observ que (5.8) puede
ser dividido en
4 dos Odas, uno que dA()/d y otro que contenga dB()/d.
4 Lund (1998) ofrece una excelente presentacin en profundidad de la
curva de rendimientos en tiempo continuo modelos y muestra en detalle
cmo resolver la estructura temporal ecuacin utilizando el enfoque de
PDE. Tambin presenta la solucin de algunos modelos clsicos, en
particular los de Vasicek (1977), Merton (1973) y Cox, Ingersoll y Ross
(1985).
77
5.3.1 Vasicek Arbitrage-Free modelos
en esta seccin, tratamos de aplicar la tcnica de solucin ilustrada
anteriormente para el modelo de tasa de corto Vasicek (vase Vasicek
(1977) y Rebonato (1998, pp.239-242) con el fin de derivar la curva de
rendimiento correspondiente expresin. El breve proceso de tasa se
supone:
Dr = ( -r)dt+ dz, (5,9),
que es una versin de tiempo continuo de un modelo autorregresivo con un
lag, tambin llamado el proceso de Ornstein Uhlenbeck. Este proceso es
decir volviendo alrededor del nivel , y el promedio de velocidad de
reversin es dada por . Con el fin de uso (5.8) tenemos que encontrar el
adecuado y m s en (5,9). Estas variables son:
m= ( -r), s= ,
que inserta en (5,8) dan:
1 2 2 dA() dB() B() +B(){ ( -r)- }-- r-r = 0. (5.10) 2 d
d
podemos resolver esta ecuacin utilizando Matlab simblicos del Cuadro de
herramientas.
.........................................................................
...
[1] syms f B A s k m p r t DA DB
[2] f1 = 0.5*B2*s2+B(k)(m-r-p*s)-da-DB*r-r [3] recoger(f1,r) ans=(-B*k-
DB-1)*r+1/2*B2*s2+B(k*m-p*s)-DA
.........................................................................
...
Lnea [1] define las variables simblicas necesarias. Tenga en cuenta que
las variables (5.10) se tradujo al latn homlogos para facilitar la
notacin y que la dependencia de B en es suprimida. Lnea [2] define la
expresin (5.10) y la lnea [3] asla el factor subyacente, r. [4] Lnea
informa del resultado del clculo simblico. Ahora tenemos dos ecuaciones
diferenciales ordinarias (odas), tal como se menciona en relacin con
(5.8), y la ecuacin de rendimiento de forma cerrada para el modelo
Vasicek puede ser encontrada usando dsolve.
.........................................................................
...
[1] dsolve('-B*k-DB-1=0','B(0)=0")
[2] -1/k+exp(-k*t)/k [3] B = -1/k+exp(-k*t)/k [4] f2 = 1/2*B2*s2+B(k*m-
p*s)-DA [5] dsolve('1/21-(/k+exp(-k*t)/k)2*s2+...
[6] (-1/k+exp(-k*t)/k)(k*m-p*s)-DA=0,A(0)=0)=1/2
ans/k2*s2*t+1/k3*s2*exp(-k*t)-1/4/k3*s2*exp(-2*k*t) m*t+...
1/k*p*s*t-1/k*exp(-k*t)*m+1/k2*exp(-k*t)*p*s+...
1/43-(*s2+4*k2*m-4*k*p*s)/k3
.........................................................................
...

Lnea [1] define el himno de la primera parte del problema que implica el
trmino B(t), y la lnea [2] da la respuesta. En lnea [3] hemos
establecido la solucin igual a la lnea B. [4] sustituye la solucin
desde la primera a la segunda ODE ODE y lneas [5]-[6]
5 de resolverlo. Lneas [7]-[9] contiene la solucin algo desordenado
como encontrados por MATLAB.
Despus de algunas manipulaciones de esta expresin, la ecuacin de la
curva de rendimiento modelo Vasicek, por lo tanto, se puede resumir como
sigue:
1 y(t)t =- *[A(t)+B()rt], (5.11)
-e -1 B(t)= ,
A(t)= B() - +
2
- 2 2 2 2 e - + -B(t) + + . 4 2
El siguiente script de MATLAB implementa la solucin anterior y genera
una parcela del clculo de la curva de rendimientos.
.........................................................................
...
[1] El tau = (1:1:60)';
Calcular A, B y la curva de rendimiento [5] B = (exp(-k.tau)-1)./k; [6]
A = B.(((p*s)/k)-theta) - theta.tau + (p.*s.Tau)./k + ... % [2] nTau =
longitud(tau); [3] p=0,20; s=0,25; k=0,30; theta=5; r=6; [4]
[7] (s2/(4*k).( -(B.2) + ...
[9] y = -(1/Tau).(A+B*r); [10] figura; [11] parcela(tau,y) ;) [8]
(2*exp(-k.tau)-2)/(k2) + (2.Tau)./k
.........................................................................
...
Lnea [1] decide la madurez span para la curva calculada. Los plazos
mensuales se han elegido para tener una longitud del paso de un mes y un
plazo de vencimiento mximo de cinco aos (60 meses). Lnea [3]
especifica los parmetros de entrada. Lneas [5]-[8] aplicar las frmulas
anteriores derivados y, por ltimo, la lnea [9] calcula la curva de
rendimientos y lo almacena en la variable y. Las lneas restantes [10] y
[11] generar el trazado de la curva de rendimientos se muestra en la
Figura 5.3.
El modelo de Vasicek puede generar inclinado hacia arriba as como
inversamente inclinados de curvas de rendimiento. Para ver esto, podemos
derivar el modelo de rendimiento al vencimiento infinita y luego variar
5 escrito 'bastante(dsolve(...)" da una solucin que es un poco ms fcil
de leer.
4.55
4.45 4.35 4.3 4.5 4.4 4.2 4.25 4.15 4.10 10 20
Figura 5.3 Ejemplo Vasicek curva de rendimiento
la tasa inicial rt en la ecuacin (5.11) en torno a este nivel de
rendimiento de madurez infinita. Esto es
Arbitrage-Free modelos 79
30 40 50 60
hecho abajo:
1 lim y(t)t = - *[A(
+ lim
+
1 = lim - Un (
)+B()]
1 rt
+
buscando primero en el lmite con B(t), se puede observar que:
- ) + B()rt .
lim+
1 lim - B()rt = lim

- 1 e -1 -
+ + rt = 0, (5.12)
- donde se observa que lim+(e -1)/
= 1/. Como para el lmite de A
) se observa que:
1 lim - Un (
+ -
()
1 e = lim -
+
2 a -
1 - +
e + * - 4
2 - -1 2 2 2 e - + + 2
80 estructura temporal modelos

- 1 e -1 = - + -
lim
+
2 - 2
2 - e -1 2 e -2 + 4 * - * 4 2
2 2 - (5.13) 4
2 = 0+ - +0 0- 2 2
2 = - - 2 2 .
Combinando los resultados de (5.13) y (5.12) podemos derivar el nivel que
la curva tiende a la madurez cuando tiende a infinito como:
2 y(+)t = - - 2 2 . (5.14)
Este es el nivel en torno al cual se debe variar la tasa inicial en
nuestro esfuerzo para calcular la pendiente hacia arriba, as como las
curvas de rendimiento Vasicek inversa. Para ilustrar, el cdigo anterior
se extiende a generar una superficie de parcela de esas curvas de
rendimiento.
.........................................................................
...
[12] y_inf = theta - p*s/k - s2/(2*k2);
[17] z = z+1; [18] Fin [19] figura [20] surf(r_[1:1:60]',Y_) ;r [14] para
( r=y_inf-1:0,05:y_inf+1 ) [15] Y_(:,z) = -(1/Tau).(A+B*r); [16] R_(z,1)
= ;1 [13] z =
.........................................................................
...
[12] la lnea implementa la ecuacin (5.14), la lnea [13] inicializa una
variable contador para facilitar el almacenamiento de los resultados
generados en el bucle, y lneas [14] a [18] contiene el bucle repitiendo
el clculo de curvas de rendimiento Vasicek a diferentes tipos iniciales
(r).
puntos. Lneas [19] y [20] de trazar los resultados que se muestran en la
Figura 5.4. % Lnea [14] define los tipos iniciales al rango de 1%
puntos alrededor de la media a largo plazo de la curva de rendimientos,
como se deriva de arriba. El tamao de paso para las tasas de arranque
est configurado para ser 0.05
5.3.2 modelos multifactoriales: un ejemplo
Amajor ventaja de la curva de rendimientos sin arbitraje modelos es que,
por construccin, garantizar la coherencia entre las series cronolgicas
de la evolucin de la curva de rendimientos subyacentes
modelos Arbitrage-Free 81
5.5
5
4.5
Rendimiento (%) 4 6
5
3.5 4 60 50 40 30 20 10 la tasa inicial de 3 meses de vencimiento (0)
Figura 5.4 hacia arriba y curvas de rendimiento Vasicek inversa
factores como, por ejemplo, la tasa de corto, y la forma y ubicacin de
las curvas de rendimiento de hoy como son observados a lo largo del
tiempo. Vagamente hablando, esta coherencia encarna el arbitraje sin
restricciones. Coherencia entre la dinmica y el factor de forma y
ubicacin de las curvas de rendimientos no es necesariamente garantizada
por toda la curva de rendimiento de los modelos. En este contexto, es muy
instructivo que eche otro vistazo a, por ejemplo, la curva de rendimiento
de Nelson y Siegel modelo.
Al reexaminar este modelo, es claro que es completamente silencioso sobre
la relacin entre la forma de la curva de rendimientos y las series
cronolgicas de la evolucin de la curva de rendimientos de los factores
subyacentes. Si el modelo de Nelson y Siegel est establecido en un
modelo dinmico contexto, como por ejemplo sugerido por Diebold y Li
(2006), este punto es an ms evidente. Primero queremos repetir la curva
de rendimiento las ecuaciones (5.1) y (5.2) de la seccin anterior para
mayor comodidad:
yt ()= H t +et (5.15)
y: 1- 1- 1
exp(-1) exp(- 1) -exp(-1)
1- 1- 1
1
exp(-2)
1
exp(-2) -exp(-2) H = 22 , (5.16)
... ... ...
1- 1- 1 -T
exp( ) exp(-T)
T T -exp(-T)
82 Plazo modelos de estructura

y, a continuacin, en conformidad con Diebold y Li (2006), una cierta
evolucin de la serie de tiempo es la hiptesis de la curva de
rendimientos de tres factores:
t recogidos en = f-j,t Zt t k+F-1+VT. (5.17)
Esta ecuacin simplemente dice que el tiempo de evolucin de la serie
puede ser modelada como una funcin de rezagada y factores exgenos, Z.
La forma funcional real aqu no es importante; lo importante es que los
parmetros (5.17) no entran en Equa- ciones (5.15) y (5.16). Esto ilustra
la falta de coherencia en el modelo de Nelson y Siegel, y en todos los
dems no necesariamente libre de arbitraje de la curva de rendimientos,
modelos de series de tiempo entre la evolucin de la curva de
rendimientos de los factores subyacentes y la forma de la curva de
rendimientos.
Volviendo al modelo Vasicek, no vemos ningn problema de conexin
similar. De hecho, se observa que la no-arbitraje coherencia est
codificada en el modelo, ya que los parmetros que describen la evolucin
de la tasa de corto (5,9), es decir, , , y el precio de mercado del
riesgo , todos entrar en la curva de la ecuacin (5.11).
El modelo de Vasicek es un arbitraje libre de modelo de un solo factor, y
el nico factor modelada es la corta duracin de la tasa. El modelo de
Nelson y Siegel es un modelo de tres factores que no est necesariamente
libre de arbitraje. Naturalmente, un modelo de tres factores es ms
flexible que un modelo de un solo factor, y por lo tanto puede captar
mejor las caractersticas de las curvas de rendimiento de un modelo de un
solo factor.
Es demostrado por Duffie y Kan (1996), Dai y Singleton (2000) y un gran
cuerpo de textos, algunos de los cuales son citados anteriormente, cmo
se puede obtener la curva de rendimiento de mltiples factores modelos
que son libres de arbitraje. Una caracterstica comn de esta filosofa
es que modelar la curva de rendimientos se consideran factores no
observados, y por ende, uno necesita estimar, o se encuentran
directamente utilizando por ejemplo el enfoque de Chen y Scott (1993). A
pesar de esto, puede ser una ardua tarea para estimar esos no-arbitraje
modelos multifactoriales.
Una alternativa til es derivar un no-arbitraje versin de Nelson y
Siegel clase de modelos como hecho por Christensen, Diebold y Rudebusch
(2007). Otra manera de incorporar ningn arbitraje restricciones en la
curva de rendimientos y su evolucin dinmica a lo largo del tiempo,
asumiendo que la curva de factores son observables. A continuacin, es
posible aplicar un procedimiento de estimacin en dos etapas como se
ilustra por Ang, Piazzesi, y Wei (2006). Este procedimiento se aplica a
continuacin con Nelson-Siegel curva de rendimiento factores; la
exposicin se basa en gran medida en Coroneo, Nyholm y Vidova-Koleva
(2007).
En principio, nos especifique la ecuacin de la curva de rendimientos:
yt ()= a+bt + T, (5.18)
donde , como en (5.15), representa la curva de rendimiento de Nelson y
Siegel factores. Cabe sealar, sin embargo, que (5.18) contiene una
constante, un plazo adicional, a diferencia de (5.15), o, dicho de otra
manera, se supone implcitamente por la curva de rendimiento de Nelson y
Siegel modelo que a= 0. Sin embargo, en general se puede observar que a y
b (5.18) juegan el mismo papel
H en el Nelson-Siegel modelo. La evolucin dinmica de la curva de
rendimientos de los factores que se supone que se rigen por el siguiente
modelo autorregresiva de primer orden:
T =
t + t-1+ut, ut N 0, . (5.19)
Los parmetros de (5.18) se definen de la siguiente manera:
A a = (5.20) B b =- ,
6 donde A y B pueden ser encontrados a travs de frmulas recursivas:
T 1 T T+1 = A A +B (- 0)+ B B -A1 2 (5.21)
T+1 = B TB (
- 1)- TB1 ,
y donde A1 y B1 se determina a partir de lo que se denomina la tasa corta
ecuacin, ya que se vincula a la evolucin de la tasa de corto
vencimiento, r, a la curva de rendimiento de los factores de la siguiente
manera:
Rt = A1+B1t +vt. (5.22)
en el modelo libre de arbitraje la forma funcional de la instalacin el
precio de mercado del riesgo es formulada explcitamente como una funcin
lineal de la curva de rendimientos factores:
t = 0+1t. (5,23)
es la estructura recursiva y el hecho de que A1 y B1 depende de los
parmetros que gobiernan la evolucin dinmica de la curva de
rendimientos factores, as como el precio de mercado del riesgo de que
garantizar la coherencia interna del modelo y, por lo tanto, excluir el
arbitraje, como fue el caso de la modelo Vasicek.
En los programas de MATLAB a continuacin mostramos cmo esta multi-
factor no-arbitraje modelo puede ser estimado. Se trata de un proceso
complicado y hacemos la aplicacin en pequeos pasos. En resumen, el plan
de juego es la siguiente:
1. Extraer Nelson-Siegel curva de rendimiento factores.
2. Estimar ,
y de (5.19).
3. Estimacin a1 y B1 (5,22).
4. Calcular y a b usando (5.20), (5.21) y (5.23) para calcular el
precio de mercado de los parmetros de riesgo, 0 y 1.
5. Repetir el paso 4 para minimizar el cuadrado de los residuos obtenidos
de (5.18).
6 Entre otros, Ang y Piazzesi (2003)[apndice A] y Moncho (2006)[apndice
A] mostrar cmo estos formulacin recursiva- lae puede derivarse.
84 modelos de estructura a plazo
ya sabemos cmo solucionar el paso 1 de la seccin 5.2.1. La estimacin
involucrados en el paso 2, estrictamente hablando, en primer lugar,
presentarse en la seccin 7.2. Sin embargo, por ahora, es suficiente para
saber que los involucrados pueden solucionarse mediante modelo de
regresin de Mnimos Cuadrados Ordinarios (MCO). Por lo tanto, el paso 2
puede completarse aplicando las tcnicas aprendidas en la seccin 2.6.
Paso 3 tambin puede resolverse usando regresin de Mnimos Cuadrados
Ordinarios (MCO). En la siguiente vamos a suponer que los pasos 1, 2 y 3
se han realizado y los resultados pertinentes han sido almacenados en
matrices llamado: beta = Nelson-Siegel factores, m = , F=
, S= , a1= A1 y A2=B1.
Al examinar los programas llamados NA_est.m, NA_a_band NA_y_optim que
aloja- pany el libro, el lector puede ver cmo el descrito no-arbitraje
modelo de curva de rendimiento puede ser estimada. NA_est.m es el
programa principal, que completa los pasos 1-3. Tambin realiza el paso 5
utilizando la funcin fmincon MATLAB para estimar los parmetros del
modelo. En particular, la funcin NA_y_optim es mnimo, como se ha visto
por la llamada a fmincon
.........................................................................
... en:
[1]
[2] %% estima un multi-factor No-Arbitrage modelo de curva de rendimiento
[3]% programa NA_est.m [64] [ out_p, fval, exitfflag ] =
fmincon(@NA_y_optim, pstart,...
[] [] [] [], Lb, ub [], opciones_);
.........................................................................
...
Los rendimientos observados
20
10
00 100 200 300 400 500 600 700
calcula los rendimientos 20
10
00 100 200 300 400 500 600 700
1
0 errores de estimacin
-10 100 200 300 400 500 600 700 La
Figura 5.5 los rendimientos observados y estimados de no-arbitraje modelo
La funcin NA_y_optim contiene el clculo de (5.18). Para ello, llama a
la funcin NA_a_b, que calcula la recursividad indicada por (5.21). Por
ltimo, NA_y_optim devuelve el cuadrado de los residuos entre los
rendimientos observados y estimados, que es el objeto que es minimizado
por fmincon. Un ejemplo de la salida generada mediante el anteriormente
descrito no-arbitraje modelo se muestra en la Figura 5.5. Esta figura
muestra los rendimientos observados y estimados, y el error de
estimacin.
6 La asignacin de activos
6.1 INTRODUCCIN En
este captulo se presenta y se aplica algunas de las ideas centrales de
la teora financiera. Las herramientas y tcnicas presentadas ayudan al
proceso de toma de decisiones informadas y aumenta nuestra comprensin de
los mercados financieros. En particular, el captulo muestra cmo aplicar
los principios de optimizacin de cartera en MATLAB.
comprender qu es la diversificacin.
Podr derivar frontera eficiente de carteras.
Conocer los principales modelos de precios de activos.
Aplicar los principios de la cartera de valores de renta fija.
6.2 portafolios eficientes
1 Media-varianza de la teora de la cartera fue desarrollado por Harry
Markowitz en 1950.
l mostr cmo las carteras de inversin eficiente formaran una frontera
en el esperado retorno/desviacin estndar espacio sujeto a los
siguientes supuestos:
no hay fricciones como impuestos y costos de transaccin; vehculos
de inversin son infinitesimalmente divisible para que las fracciones de
estos pueden ser negociados; corto venta est permitida; slo los
inversionistas estn preocupados acerca de la rentabilidad esperada y
riesgo, este ltimo se define como la desviacin estndar o varianza de
los retornos esperados; la rentabilidad de los activos de la economa
son individualmente diferentes, y no puede ser expresada como
combinaciones lineales de otros bienes comercializados en la economa; de
lo contrario, la matriz de covarianza devuelve sera singular (en otras
palabras, la matriz de covarianza se supone invertible); N 2 Los
activos se comercializan en la economa.
1 El material presentado en esta seccin se basa en particular en Huang y
Litzenberger Luenberger (1988), (1998) y Campbell et al. (1997).
nos permiten definir r para ser el vector de retornos esperados, C para
ser la matriz de covarianza del rendimiento de los activos, y w para ser
el vector de la cartera de pesos, es decir, cunta riqueza que se
invierte en cada activo. Mucho del trabajo que conduce al xito de la
aplicacin de las decisiones de asignacin de activos estratgicos, as
como las decisiones tcticas, radica en la correcta estimacin de r y C,
por lo que w, la decisin variable, puede ser determinada. Sin embargo,
en cuanto a la derivacin de las matemticas por debajo de la frontera
eficiente, r y C se supone que se conoce con certeza. La estimacin
actual de r y C es una cuestin aparte.
Dado que los inversores se supone que se trate slo de retorno esperado y
riesgo, las carteras de inversin que parece atractiva puede ser
representada como una frontera en el esperado retorno/desviacin estndar
del espacio. Se muestra en la Figura 6.1 que para cada nivel de riesgo de
una cartera con el retorno ms alto es la ms atractiva; asimismo, para
cada nivel de rentabilidad esperada de la cartera con menor desviacin
estndar es el ms atractivo. La frontera eficiente es derivado de
cualquiera de estos enfoques, es decir, maximizando la rentabilidad
esperada para todos los niveles de riesgo, o minimizando el riesgo para
todos los niveles de retorno. Cada posible combinacin de cartera se
identifica por una cruz en la figura y la frontera eficiente por la audaz
lnea cncava.
20
15
10
[r]E 5 retorno constante

0 riesgo constante
-54 6 8 10 12 14 16 18 20 desviacin estndar
Figura 6.1 Ejemplo de carteras eficientes e ineficientes
el subndice j cuenta las observaciones/carteras que juntos forman la
frontera eficiente. Estos pesos se refieren a cmo un inversor de capital
est distribuido entre las oportunidades de inversin en la economa. Se
asume que cada inversor dedica una parte de su capital a fines de
inversin; por lo tanto, el ;C ahora la pregunta es cmo la cartera pesos
wj pueden obtenerse sobre la base de r y
portafolios eficientes 89
Esta idea tambin se refiere a veces como "La restriccin total de
inversin". .% Cartera suma contrapesos a la unidad. O, Puesto de otra
manera, la cartera pesos se expresa siempre en puntos porcentuales o como
fracciones - por lo tanto, suma a 100
es un reto para el inversor para elegir la cartera pesas sabiamente. En
primer lugar, esta opcin depende de la rentabilidad esperada, la
desviacin estndar y la covarianza que uno espera que se materialice en
el futuro. En segundo lugar, depende de las preferencias de riesgo del
inversionista/aversin. De hecho, gran parte de la teora financiera
afecta al clculo y a la eleccin de estos pesos. La "eleccin" que se
supone que debe hacerse en una forma ptima, donde "ptimo" se refiere a
la adhesin de las caractersticas de la cartera de riesgo-retorno a las
preferencias de los inversores.
Las dos entradas centrales para el proceso de inversin, la rentabilidad
esperada de la cartera y su desviacin estndar, se definen a
continuacin. La rentabilidad esperada de una cartera es un promedio
ponderado de los rendimientos de instrumentos, donde las ponderaciones
son definidos por la cartera de pesas. Por lo tanto:
N T RP = wn rn=w r. (6.1)
n=1
La cartera varianza no es un promedio ponderado de las variaciones de los
activos -si no lo estaba, sera ignorar los efectos de covarianza, es
decir, el movimiento de las articulaciones de los activos a lo largo del
tiempo.
2 La definicin estadstica de la varianza de dos variables es:
2 2 Var(aX1+bX2)= un Var(X1)+b Var(X2)+2unbCov(X1,x2),
donde las X son variables, por ejemplo, series de tiempo de las
devoluciones de dos bonos, y a, b son pro- stants. La varianza de una
cartera de varias variables puede ser escrita como una generalizacin de
las anteriores:
N N T Var rp = 2p = wnwm n,m = w Cw. (6.2)
n=1 m=1
Expresiones (6.1) y (6.2) se manifestaron con sumas y en forma matricial.
En lo que sigue, principalmente el formulario matriz ser utilizado.
Como se ilustra en la figura 6.1 la optimizacin problema enfrentado por
los inversores pueden estar igualmente bien formuladas en los dos
siguientes maneras, donde el subndice p significa 'portfolio':
T max rp = r wp
S.T.
Twp Cwp = 2p Twp 1= 1
2 Vase, por ejemplo, Greene (1993, p.65).
o:
2 1 T min p = Cwp wp (6.3) 2 S.T.
Twp r = rp Twp 1= 1
El primer problema de optimizacin afirma que el retorno de la cartera
debe maximizarse para un determinado nivel de riesgo, aunque tambin el
cumplimiento de la restriccin de la inversin total, es decir, que la
suma de los pesos de la cartera suma a la unidad; el 1 se refiere a un
vector de dimensin apropiado. Esto corresponde a la flecha vertical en
la Figura 6.1, y es fcil ver que la frontera eficiente puede ser trazada
repitiendo el ejercicio
2 optimizacin para distintos niveles de riesgo de la cartera p . El
segundo problema de optimizacin corresponde a la flecha horizontal en
la figura 6.1 y encuentra la cartera de riesgo mnimo para un determinado
nivel de destino de retorno, mientras que tambin cumple la restriccin
total de inversin. 1 La constante 2 se agrega por comodidad; al
maximizar o minimizar una funcin es naturalmente la misma para
optimizar f (x) y kf(x), k > 0. Es igualmente fcil de ver que un
conjunto discreto de puntos en la frontera eficiente puede calcularse
variando el nivel de retorno de destino. Sin embargo, a raz de
Markowitz, existe una manera ms elegante de caracterizar la frontera
eficiente en lugar de resolver los problemas mencionados para diferentes
niveles objetivo de 2p y rp.
Esta solucin se obtiene mediante el Enfoque de Lagrange de la siguiente
manera: (i) equat- miento de las restricciones a cero; (ii) la
sustitucin de cada restriccin en la funcin objetiva y multiplicando
cada restriccin de una positiva constante; (iii) el clculo de la
primera derivada de la funcin con respecto a las incgnitas y equiparar
la primera deriv- atives a cero; (iv) y luego resolver las ecuaciones
para los desconocidos. Este proceso se completa a continuacin:
1 T T T min L{w,,} = wp wpC+p rp-wp r +p 1-wp 2
1 , (6.4)
y la solucin se obtiene calculando la primera derivada de (6.4) con
respecto a
3 (w,,). L se compone de tres trminos y cada trmino puede calcularse
por separado:
L = C(n,n)w(n,1)-(1,1)r(n,1)-(1,1)1(n,1) = w 0(n,1) (6.5) L T =
r(1,1)-w(1,n)r(n,1) = 0(1,1) (6,6) L T = 1(1,1)-w(1,n)1(n,1) =
0(1,1). (6,7)
3 para facilidad de notacin que omitimos el subndice p, refirindose a
una cartera concreta, es decir, en las restantes derivaciones escribimos
w,, en lugar de wp,p,p.
Carteras eficientes 91
puede ser visto desde los subndices mostrando las dimensiones de las
variables incluidas que la lista anterior de primeras derivadas forman un
sistema de ecuaciones de n+2 con n+ 2 incgnitas, donde n es el nmero de
activos cubiertos por el universo de inversin subvencionable. La
ecuacin (6.5) puede ser resuelto por el activo, los pesos w de la
siguiente manera:
C = w r+ 1
-1 -1 w=C r+ C 1. (6.8)
C sern, en general tienen rango completo porque los activos incluidos en
el universo de inversin no sern sustitutos perfectos (de lo contrario
no seran diferentes activos para empezar) y por la misma razn no ser
posible formar combinaciones lineales de los bienes que son idnticos.
Cuando C tiene el rango es invertible y el clculo anterior es posible.
La ecuacin (6.8) muestra los pesos de cartera como una funcin de
c,r,,).
Los dos primeros son insumos directos para el proceso de inversin, y
aunque pueden ser muy difciles de estimar un razonable nivel de
precisin, con el propsito a mano pueden ser consideradas como
'observados' variables. No se sabe cules son los valores de y ,
desde estos parmetros, siga el camino de la optimizacin se resuelve el
problema. No tenemos ninguna manera de estimar sus valores o su
estimacin de otras
4 variables observadas. En lugar de sus valores tienen que ser derivadas.
Una idea en este sentido es formar dos ecuaciones con dos incgnitas.
Comenzando
con T (6.8) y premultiplying por r da:
T T T -1, -1 r w=r c r+ r C 1 t -1 t -1 rp = r c r + r C 1
rp =X + Y.
Teniendo T (6.8) nuevamente y premultiplying por 1 da:
-t 1 -T 1 T1 w=1 C r+ 1 C 1
-1 t -1 1= T1 C r + 1 C 1
t 1=Y + Z.
4 En la teora de la optimizacin econmica y se denominan precios
sombra para las restricciones impuestas.
para resumir, los dos ecuaciones con dos incgnitas puede ser escrito
como:
rp = X , Y Y Z 1
puesto que se observ que las entradas de la matriz 2 por 2 en el RHS son
todos escalares, as
TY = Y. nos permiten definir:
t -1 X = r c r
T 1 -T -1 Y = r 1 C= 1 C r
-1 Z = T1 C 1
2 D= X Z -Y .
Este sistema de ecuaciones puede resolverse mediante la regla de Cramer
que dice:
P Y det r z rp-Y = = , D det

1 Z
X, Y y Z
y
X: det rp
x -y rp = = . D det
Y 1
X, Y Y Z
basado en este ahora es posible expresar la cartera ponderaciones como
funciones de C y r solo. Una expresin para w puede encontrarse
insertando las expresiones de y en (6,8):
-1 -1 wp =p C r+C p1
Z -x -1 y -1 RP = rp-Y C r+ 1 C D D 1 -1, -1, -1, -1 = X C 1 y C
r+Z C rrp-Y C 1 rp D 1 -1, -1, -1, -1 = X C 1-Y C r + Z C R-Y
C 1 rp D = G+Hrp,
portafolios eficientes (6.9) 93

donde:
1 -1 -1 g= * X 1 C-Y C R D 1 -1 -1 h= * Z C R-Y C 1 .
En esencia D (6.9) muestra cmo todos nicos y distintos portafolios de
frontera puede ser generada simplemente variando el destino volver rp.
Esto no es una sorpresa, dado que la misma conclusin se deduce del
problema de optimizacin escrito en (6,3). Sin embargo, el beneficio de
(6.9) es que muestra la solucin directamente y no requieren tcnicas de
optimizacin numrica para encontrar una solucin, como es el caso de
(6,3).
Veamos esta utilizada en la prctica. La siguiente secuencia de comandos
de MATLAB implementa la expresin anterior y deriva la frontera
eficiente. Para asegurarse de que los clculos son correctos, comparamos
los derivados frontera eficiente utilizando (6.9) con una "fuerza bruta"
el clculo de la frontera eficiente. Este ltimo se repite a lo largo de
un gran conjunto de posibles com- binations de pesos de activos,
comprueba si la asignacin es factible (es decir, si la suma de los pesos
de la unidad) y, a continuacin, almacena la desviacin estndar y el
esperado regreso de todas las carteras. Debe quedar claro que el clculo
de fuerza bruta no constituye un esquema de clculo viables,
especialmente cuando el nmero de activos es alto.
.........................................................................
...
Parmetros de entrada ------ % [1]
[19] Para (j=r_min:incr:r_max) [20] w_j = G+H*j; [21] W_p(zz:) = w_j";
[22] R_p(zz,1) = w_j'*r; [23] S_P(zz,1) = sqrt(w_j'*C*W_j); [24] zz =
zz+1; [25] fin ;1 [2] [r = 3,25; 5,75; 7,5; 12,3;] [3] [C = 25,0 24,5
33,0 37,5; [4] 24,5 49,0 50,0 63,0; [5] 33.0 50.0 66.0 121.0; [6] 37,5
63,0 66,0 225,0]; [7] uno =(4,1); [8]% --- la expresin de las pesas ---
[9] X = r'inv(C)*r; [10] Y = r'inv(C)uno; [11] Z = uno'inv(C)uno;
[12] D = X*Z-Y2; [13] g = 1/D X(inv(C)*1)-Y(inv(C)*r); [14] h = 1/D
Z(inv(C)*r)-Y(inv(C)uno); [15] r_max = 20; [16] r_min = -5; [17] incr =
0,05; [18] zz =
94 Asset Allocation
[34] Si ( sum(w_bf)==1 ) [35] zz = Zz+1; [36] W_BF(zz:) = w_bf"; [37]
R_BF(zz,1) = w_bf'*r; [38] S_BF(zz,1) = sqrt(w_bf'*C*W_BF); [39] [40] el
final final final [41] [42] [43] el extremo final [44] figura [45]
parcela(S_P,R_p'k-','linewidth',2), ... ;] [29] para ( j=-1:0.1:1 ) [30]
para ( k=-1:0.1:1 ) [31] ( l=-1:0.1:1 ) [32] ( m=-1:0.1:1 ) [33] w_bf = [
j;k;l;m ;0 [26]% --- clculo de fuerza bruta --- [27] nObs = 10; [28] zz
=
[46] xlabel('Standard'), desviacin ylabel('esperado retorno'); [47]
mantener en [48] parcela(S_bf,R_BF,'kx','linewidth',0,25);
.........................................................................
...
20
15
10
5
retorno esperado
0
-54 6 8 10 12 14 16 20 22 18 24 desviacin estndar
Figura 6.2 La inversin posible
diversificacin de frontera 95
la clara desventaja de la fuerza bruta como los clculos presentados por
lneas [26]-[43] es que el nmero de bucles de 'for' se incrementa en uno
para cada activo adicional que se incluye en el universo de inversin
subvencionable. Adems, se calcula algunos informar- cin que no es
especialmente til, a saber, todos los puntos del interior de carteras,
es decir, las carteras que no se encuentran en la frontera eficiente. La
aplicacin de (6.9) elude ambos de estos inconvenientes slo por el
clculo de carteras de frontera y, como tal, slo requiere un bucle que
se ejecuta a travs de la devolucin de destino. Esto se ilustra en
lneas [19]-[25]. Lneas [9]-[14] define las variables de entrada
facilitando los clculos como se ilustra arriba y lneas [15]-[17] para
definir objetivos de retorno que la frontera eficiente debe ser calculado
y en el que el tamao de paso. Dentro de cada uno de los bucles en el
clculo de la mtrica de la cartera se realiza siguiendo las definiciones
en (6,1) y (6,2). La figura 6.2 ilustra los resultados generados por el
archivo de script. Las cruces en la figura representan los clculos de
fuerza bruta y la lnea en negrita los resultados obtenidos al aplicar
(6,9).
6.3 La diversificacin
el otro proviene de la covarianza de efectos, es decir, de los elementos
fuera de la diagonal de C, cuando n = m. La expresin (6.2) puede ser
reescrito para reflejar esto ms claramente: ;m Como puede verse en la
expresin de la varianza de la cartera en la ecuacin (6.2), hay dos
trminos en el clculo: uno proviene de la variacin de los activos de
inversin subvencionable, es decir, desde la diagonal de C, cuando n=
N N N 2 2 2 p = + (6.10)
n=1
w n
n n=1
wnwm n,m
m=1
m =n varianza covarianza efectos adversos

para ilustrar el efecto de diversificar su capital entre muchos activos,
supongamos que 1/n de la capital se invierte en cada uno de los N activos
en el universo de inversin subvencionable. Utilizando esta hiptesis en
(6.10) conduce a:
N N N 2 2p = (1/N) * 2n + (1/N)*(1/N)n,m n=1 n=1 m=1 m =
1
N N
N N N -1 n,m =
2n + N n=1 N=1 N *(n - 1) m=1 m =n
1 2 n -1 = + n,m, n n donde la factorizacin de (1/N) fuera de la
sumatoria de la segunda lnea deja la parte restante del primer plazo
igual a la media de la varianza. Tambin, la factorizacin
96 Asignacin
de Activos de (N - 1)/N fuera de la doble sumatoria en la segunda mitad
de la segunda lnea
5 deja el resto igual al promedio de covarianza. Dejar n enfoque infinito
da los siguientes lmites:
1 2 lim = 0
N N lim n -1 n,m = n,m.
N N
En otras palabras, cuando el capital del inversor est bien distribuida
entre los vehculos de inversin subvencionable, el riesgo que se deriva
de los activos individuales es diversificada fuera y lo que queda se
aproxima al promedio de covarianza. Se ve que la covarianza trminos, en
este caso el promedio de covarianza, no puede ser diversificados de
distancia. Esta parte del riesgo tambin se conoce como riesgo
sistemtico de la cartera.
En realidad es (naturalmente) no es posible distribuir el capital entre
un nmero infinito de activos, ni es necesario para el logro de ventajas
de diversificacin. En la mayora de los casos, el efecto de
diversificacin es considerable, incluso cuando slo 15 activos estn
incluidos en la cartera y el beneficio marginal de la inclusin de ms de
50 activos es
6 para todos los propsitos prcticos iguales a cero.
Para ilustrar la cuestin de la diversificacin de la secuencia de
comandos de MATLAB siguiente simula una matriz de covarianza y calcula la
varianza de carteras con un nmero cada vez mayor de activos incluidos.
.........................................................................
...
[1] nObs = 100;
[3] xx = (bgn+1:1:nObs)"; [4] temp = tril(rand(nObs,nObs); [5] temp =
temp+temp"; [6] std = rand(nObs,1)+1; [7] corr = temp-Diag
(Diag(temp))+diag((nObs,1); [8] = (COVstd std").*corr; [9] para (
j=1:nObs-bgn ) [10] C = Cov(1:J+bgn,1:J+BGN); [11] w = 1/j.(j+bgn,1);
[12] sig2(j,1) = w'*C*w; [13] Fin [14] sig2pct = sig2./sig2(1,1).*100;
[15] figura [16] parcela(xx,sig2pct),xlabel('Nmero de activos en
cartera'),... ;2 [2] bgn =
;)'% [17] ylabel('Riesgo
.........................................................................
...
5 Nota que hay N *(n - 1) fuera de la diagonal de la matriz de covarianza
trminos, a fin de dividir la suma de las covarianzas por
este factor da el promedio de covarianza.
6 Esta afirmacin slo es cierto cuando se trata de un universo de
inversin donde hay uno de los principales factores de riesgo, como es el
caso de las acciones y los bonos del gobierno. Esta declaracin es, por
ejemplo, no es cierto cuando se investiga un activo universo compuesto de
bonos corporativos.
La diversificacin 97
la salida del script se muestra en la Figura 6.3, lo cual confirma la
mencionada diversificacin aumentos cuando incluyendo activos adicionales
en la cartera. Vale la pena recordar, sin embargo, que la secuencia de
comandos de MATLAB utiliza una matriz de covarianza simulado que no
reflejan plenamente las matrices de covarianzas estimada a partir de
datos de la vida real. An as, el ejemplo demuestra el punto y muestra
cun importante es ser conscientes de los beneficios de la
diversificacin.
40 30 20 10 00 10 20 30 40 50 60 70 80 90 100 el nmero de los activos en
cartera % 100 90 80 70 60 50 Riesgo
Figura 6.3 Ejemplo del efecto de diversificacin
una descripcin de la secuencia de comandos de MATLAB se da aqu. Lneas
[1]-[3] definir el nmero de entradas en la matriz de covarianza, es
decir, el nmero de activos que estn contenidos en el universo de
inversin subvencionable. El valor de la variable 'bgn' en lnea [2]
indica que dos bienes deben incluirse en el primer clculo. El 'xx' en
lnea [3] es simplemente una variable de recuento utilizado al trazar el
resultado. Lneas [4]-[8] simular la matriz de covarianza. Lnea [4]
genera la matriz triangular inferior desde una matriz de variables
aleatorias distribuidas uniformemente entre cero y uno. Una matriz de
covarianza es simtrica y, por lo tanto, la parte triangular inferior de
la matriz se toma para que una matriz simtrica puede generarse en lnea
[5]. Lnea [6] genera un vector de desviaciones estndar, uno para cada
activo; un lmite inferior de unidad de la desviacin estndar es
escogido arbitrariamente. En lnea [7], se asegura que la diagonal de la
matriz de correlacin es igual a la unidad. Lnea [8] genera la matriz de
covarianza tras el clculo de Cov(X1,x2)=(x1) std std(x2)corr(x1,x2).
Esto se realiza a travs de uno de sus elementos la multiplicacin de
matrices de Correlacin y Covarianza. Lneas [9]-[13] calcular
98 Asset Allocation
la cartera la varianza de un universo de inversin que aumenta de tamao
por uno activo de una iteracin a la siguiente. El resto del cdigo traza
los resultados.
6.4 LA CARTERA DE VARIANZA MNIMA
recuerdan que la frontera eficiente comprende las carteras que tienen la
menor varianza para un nivel dado de retorno (vase la ecuacin (6.3).
Una pregunta pertinente es:
Cules son los pesos de la cartera de varianza mnima mundial? Esta
cartera es interesante porque nos dice, sobre la base de una determinada
inversin universo, cul es el nivel de riesgo y retorno es menos
riesgoso para la opcin de inversin, aparte del curso desde el
7 de activos exenta de riesgo, si existe tal activo. Utilizando la
definicin de la cartera global de la varianza, la cartera de riesgo
mnimo puede ser identificado:
2p = Twp Cwp
-1 -1 = Twp C*(C r+C 1 )
T T =wp r+ wp 1
=rp+ Z * X -Y RP = rp-Y rp+ D D 1 2 = Z -RP 2 y rp +X (6.11) D
donde la segunda lnea se desprende de (6.8), la quinta lnea materna en
el expresiones de y obtenidos anteriormente, y en la ltima lnea
aparece cuando la reorganizacin de los trminos. Claramente, (6.11) es
una ecuacin cuadrtica en rp con el siguiente punto de variacin mnimo:
2
4 Z x -4 S S 2mvp,rmvp = Z t1,2 = *(Z X -Y 2 , 1 y 4) Z
= , . (6.12) Z Z utilizando este resultado para calcular las coordenadas
(x,y) de la varianza mnima portfolio (MVP) en el ejemplo utilizado
para producir la figura 6.2 da mvp = 1/Z = 4,78; rmvp = 2,44.
7 En los modelos de precios de activos el concepto de activos exenta de
riesgo se utiliza como un punto de ancla y, a menudo, el retorno de un
bono del gobierno a corto plazo/cuenta bancaria es utilizada como un
proxy. Sin embargo, cabe destacar que los fuertes suposiciones sobre el
horizonte de inversin son implcitas por la eleccin de una alternativa
de inversin libre de riesgo. Por ejemplo, si el horizonte de inversin
es de un ao (o ms) y un mes de depsito tasa se utiliza como proxy de
la tasa libre de riesgo, entonces este instrumento no est realmente
libre de riesgo porque el depsito vence despus de un mes, y por lo
tanto debe ser renovada en un nuevo depsito que posiblemente una tasa de
inters diferente. Por lo tanto, riesgo-gratuidad debe considerarse en el
contexto del horizonte de inversin elegida.
La cartera de varianza mnima 99

para calcular las ponderaciones que definen el MVP, (6,9), y el resultado
de la devolucin de la cartera de varianza mnima est insertada:
Y wmvp = G+Hrmvp = G+H Z
1 -c 1 = 1T C-11
que puede ser verificado mediante el uso de la capacidad de clculo
simblico de MATLAB:
.........................................................................
...
;F [1] syms x y z r ic i
[2] f = 1/(x*z-y2(x)ici-yic*r)+1/(x*z-y2(z)ic*r-yici)(s/z); [3]
bastante(simplificar(f)) ans = i*ic/z
.........................................................................
...
Lnea [1] define las variables simblicas que son necesarios. Lnea [2]
define f como la expresin que debe ser simplificado y de lnea [3]
pregunta MATLAB para hacer los clculos.
-1 desde Z = T1 C 1, los pesos de la cartera de varianza mnima son
dadas por
-1 la fila sumas de la inversa de la matriz de covarianza (C 1) dividido
por la suma de fila y columna de la inversa de la matriz de covarianza.
Este ltimo es un escalar que asegura que la suma de los pesos calculados
a la unidad. Nos permiten confirmar este clculo utilizando los cuatro
activos
.........................................................................
... del ejemplo anterior:
Los valores de entrada ------ % [1]
--- hacer clculos --- [9] w_mvp = inv(C)./(uno'inv(C)*1) [10] sig_mvp
= sqrt(w_mvp'*C*W_mvp) [11] r_mvp = w_mvp'*r w_mvp = 1.0127 0.1938 -
0.12032 -0.086126 sig_mvp = 4.7816 r_mvp = 2.4437 % [3] C = [25,0 24,5
33,0 37,5; [4] 24,5 49,0 50,0 63,0; [5] 33.0 50.0 66.0 121.0; [6] 37,5
63,0 66,0 225,0]; [7] uno =(4,1); [8] ;] [2] [r = 3,25; 5,75; 7,5; 12,3
.........................................................................
...
100
lneas de asignacin de activos [1]-[7] Determinar los valores de
entrada. Lneas [9]-[11] aplicar las frmulas; los resultados aremvp=
4.78 andrmvp= 2,44, exactamente como se indica arriba. Los pesos para el
MVP se encuentran wmvp=(1.0127, 0.1938, 0.1203, 0.0861- T) , donde la
cartera de pesos negativos activos 3 y 4 indican que estos dos activos
deberan venderse a corto.
6.5 Restricciones de peso activo
todas las anteriores conclusiones y derivaciones que suponemos que no
existen restricciones sobre los pesos de activos y que es posible vender
los activos a corto plazo, es decir, tener pesos negativos en uno o ms
activos cubiertos por el universo de inversin subvencionable.
Aplicaciones prcticas de optimizacin de cartera suelen imponer
restricciones sobre determinados bienes, en la forma del general mximo
y/o mnimo mantiene restricciones en activos individuales y/o grupos de
activos. Por ejemplo, una restriccin impuesta comnmente es un "no-
corto-restriccin de ventas' para todos los activos. Una vez que tales
limitaciones estn permitidas es bastante difcil obtener expresiones de
forma cerrada de la frontera eficiente, si es posible en absoluto. En
efecto, la solucin al problema de la frontera eficiente tiene que
recurrir a tcnicas numricas.
De una forma general de la optimizacin de la cartera de problema se
indica a continuacin:
2 = Twp minp Cwp (6.13) S.T.
Twp r = rp Twp 1= 1 lb wp ub Gwp ubg.
He aqu la tercera y cuarta limitaciones adicionales permiten que los
lmites inferior y superior (lbandub, respectivamente) en los distintos
pesos de cartera, y para un lmite superior sobre grupos de activos. La
definicin de grupo est contenida en la matriz G, que tiene su nmero de
filas igual al nmero de definiciones de grupos activos y columnas igual
al nmero de activos.
MATLAB contiene un mdulo de optimizacin de la cartera denominada
frontconthat viene con la caja de herramientas financieras. Sin embargo,
para ilustrar cmo la optimizacin de cartera sujeta a restricciones
pueden aplicarse, y a ayudar a quienes no poseen la caja de herramientas
financieras, una alternativa al frontconis construido debajo. Esta
funcin se llama horteras- tierand utiliza las ecuaciones derivadas en la
seccin 6.2, aplicable cuando no se imponen restricciones al problema de
optimizacin, y una solucin numrica para la funcin objetivo cuando las
limitaciones impuestas. Para producir las soluciones numricas que facil-
itate los clculos en el ltimo caso, optimizador del MATLAB fminconis
utilizado junto con la siguiente estrategia: clculo de
peso de activos 101 restricciones

1. Buscar la mxima rentabilidad cartera por resolver:
T r (6.14) maxw
w
S.T.
Twp 1= 1 lb wp ub Gwp ubg.
2. Encontrar el mnimo riesgo cartera por resolver:
T minwC W (6,15)
w
S.T.
Twp 1= 1 lb wp ub Gwp ubg.
3. Encontrar un nmero deseado de portafolios eficientes entre el mnimo
y mximo de riesgo- retorno mnimo carteras como la solucin A (6.13)
variando la obligacin de devolucin
Twp r = rp en pasos definidos apropiadamente.
Esta estrategia se aplica en el siguiente script de MATLAB. Desde que el
programa es bastante largo su anotacin se divide en varias sub-partes.
Observe que no hay comprobaciones de error estn implementadas en el
cdigo. Por lo tanto no se ha probado si las dimensiones de los
argumentos de entrada coinciden y si todos los insumos necesarios. La
aplicacin de un procedimiento de comprobacin de errores se deja para el
lector.
.........................................................................
...
[1] funcin [out] = frontier(a)
[2] [3] %% Captulo: La asignacin de activos [4] [5] %% uso:
[6]% [out] = frontier(a) [7] [8]%% (estructura):
[9]% .C - matriz de covarianza r-por-r [10]% .R - vector de los retornos
esperados por R-1 [11]% .B - matriz de lmites inferior y superior de r-
by-2 [12]% .G - matriz de definiciones de grupo ngrupos-por-r [13]% .GB -
Matriz de grupo lmites ngrupos-por-1 [14]% .N - para ser calculado en la
frontera 1-por-1 [15] [16]%% (estructura):

[17]% .RR - matriz de riesgo y retorno obs en la frontera N-by-2 [18]% .W
- matriz de ponderaciones para los puntos de frontera N-por-r [19]% .mvp
- vector de dev estndar y regreso (en ese orden) para [20]% Min cartera
Var [21]% .mvpW - Pesos de mnimo global var cartera [22%] [23]% Fecha:
Octubre de 2006 [24]% Reportar bugs: Email@kennyholm.com [25]%
.........................................................................
...
La primera lnea utiliza la palabra clave 'function' de MATLAB para
decirle que lo que sigue debe tomarse como una sola entidad, y que el
primer argumento recopilados en corchetes, 'out', es el argumento de la
funcin de retorno, que es igual que el nombre de la funcin con los
argumentos de entrada, es decir, "frontera" en este caso es el nombre de
la funcin, y 'en' contiene los argumentos de entrada de la funcin.
Lneas [2]-[25] todos comienzan con '%', que significa que no son
procesados por MATLAB. Por lo tanto, estas lneas son slo comentarios
pensado para ayudar al usuario. De hecho, la primera parte de una funcin
ENCLOSED BY '%' es lo que MATLAB regresar cuando el usuario escribe el
nombre de la funcin de 'ayuda' en la lnea de comandos. En nuestro caso,
al escribir 'ayuda' de frontera imprimir lneas [2]-[25].
Es evidente que las variables estructuradas se utilizan como argumentos
de entrada y salida hacia y desde la funcin. Lneas [8]-[14] explica los
argumentos de entrada, mientras que las lneas [16]-[21] delinear los
argumentos de salida. Lneas [23]-[24] Informe de la fecha de la funcin
fue escrito y a quin se quejan cuando/si no funciona!
.........................................................................
...
[26] la advertencia a todos
--- Los clculos para el MVP global --- [32] w_mvp =
inv(C)./(uno'inv(C)uno); [33] sig_mvp = sqrt(w_mvp'*C*W_mvp); [34]
r_mvp = w_mvp'*r; % --- organizar entradas --- [28] C=a.C; r=a.r; B=a.b;
G=en.G; GB=EN.GB; PN=a.N; [29] nAssets = longitud(r); [30] =(nAssets,1);
[31] % [27]
.........................................................................
...
Lnea [26] se apaga las advertencias. Esto no es estrictamente necesario,
pero asegura que MATLAB no imprime mensajes que pueden confundir al
usuario de la funcin. Lneas [27]-[30] organizar la entrada de
variables; por as decirlo desembale la variable estructurada conteniendo
los correspondientes argumentos de entrada y genera una variable auxiliar
'uno' que cumple el papel del vector 1 utilizado en la seccin 6.2.
Lneas [31]-[34] aplicar las expresiones relevantes para la cartera de
varianza mnima cuando no hay restricciones impuestas.
Las limitaciones de peso de activos 103

.........................................................................
...
Optimizacin sin restricciones % [35]
[47] para ( j=r_min:incr:r_max ) [48] w_j = G+H*j; [49] W_p(zz:) = w_j";
[50] S_P(zz,1) = sqrt(w_j'*C*W_j); [51] R_p(zz,1) = w_j'*r; [52] zz =
zz+1; [53] fin ;1 [44] r_max = 2*max(r); [45] incr = (r_max-r_min)*1/(NP-
1); [46] zz = ;0 [36] Si ( isempty(B) & isempty(G) ) [37] X =
r'inv(C)*r; [38] Y = r'inv(C)uno; [39] Z = uno'inv(C)uno; [40] D =
X*Z-Y2; [41] g = 1/D X(inv(C)*1)-Y(inv(C)*r); [42] h = 1/D
Z(inv(C)*r)-Y(inv(C)uno); [43] r_min =
.........................................................................
...
Lneas [35]-[53] aplicar las matemticas de la frontera eficiente como
deriva en la seccin 6.2. Lnea [36] comprueba si las restricciones son
impuestas por preguntar si la matriz de lmites de activos y grupos de
activos B definiciones en G estn vacas. Si este es el caso, los
clculos en lneas [37]-[52] se aplican. De lo contrario, las lneas
abajo, siguiendo la estrategia de solucin se indica en los pasos 1 y 3
anteriores, se aplican.
.........................................................................
...
[54]
[55] Otro options_ =('LevenbergMarquardt optimset','A','LargeScale',...
[56] 'off','Display','OFF'); [57] [W_max]=fmincon(@(w)-w'*r, w_mvp,G,GB,
uno',1,B(:,1),B(:,2),...
[],Options_); [58] [W_min]=fmincon(@(w)w*C*W,w_mvp,G,GB,
uno,1,B(:,1),B(:,2),...
[63] Para (j=r_min:incr:r_max) [64] [w_j] =
fmincon(@(w)w*C*W,w_mvp,G,GB[1; r'],[1]; j... ;1 [],options_); [59] r_min
= W_min'*r; [60] r_max = W_max'*r; [61] incr = (r_max-r_min)*1/(NP-1);
[62] zz =
B(:,1),B(:,2),[],options_); [65] W_p(zz:) = w_j"; [66] S_P(zz,1) =
sqrt(w_j'*C*W_j); [67] R_p(zz,1) = w_j'*r; [68] zz = zz+1; [69] Fin [70]
fin
.........................................................................
...

la declaracin 'else' en lnea [54] sigue el 'if' de la lnea [36]. Por
lo tanto, si las restricciones son impuestas, y los clculos en lneas
[37]-[53] no se realizan, entonces los clculos de lneas [54]-[71] se
han realizado. Lneas [55]-[56]-
8 spe cify 'Opciones', es decir, cmo la funcin optimizacin
fminconshould ser llamado.
[57] la lnea resuelve (6.14) y en la lnea [58] resuelve (6,15). Cabe
sealar que el
T '-' en la parte delantera de la funcin objetivo en lnea [57], es
decir, ' -w r', que implica que la funcin se encuentra mximo.
fminconis diseado para minimizar las funciones, y "menos- minimizacin'
es igual a la maximizacin. [61] la lnea de parcelas la distancia entre
el mnimo y el mximo alcanzable regresa en el nmero deseado de puntos
discretos para que la frontera eficiente carteras deben calcularse como
se especifica mediante el parmetro de entrada 'in.N'. Lneas [63]-[70]
de realizar el clculo de estas carteras siguientes (6.13) para los
diferentes objetivos de retorno definida por la estructura de bucle 'for'
en lnea [63]. Y la lnea [71] concluye el 'if' iniciado en lnea [36].
Por ltimo, las lneas [72]-[75] recoger el resultado en la variable
estructurada 'out'. [72] la lnea genera una matriz de la desviacin
estndar y el esperado regreso de los horteras- tier carteras y line [73]
recoge los pesos de la cartera de la frontera de carteras.
Lneas [74]-[75] recoger la salida pertinente para la cartera de varianza
mnima global, es decir, la derivada sin tomar en cuenta las limitaciones
de la cartera, como se muestra en la seccin 6.4.
.........................................................................
...
[72].RR = [S_P R_p];
[73].W = W_p; [74].mvp = [sig_r_mvp mvp]; [75].mvpW = w_mvp;
.........................................................................
...
de la cartera deber ser asignado a activos {2,3,4}. La primera
restriccin es tenida en cuenta por el activo mediante la definicin de
los lmites de peso: % El ejemplo siguiente ilustra cmo puede utilizarse
la funcin de frontera. Supongamos que el universo de inversin
subvencionable comprende cuatro activos que tienen la misma rentabilidad
esperada y la covarianza como en el ejemplo de la pgina 93, y asumir ms
corto que est prohibida la venta de activos, es decir, todos los pesos
deben estar entre 0 y 1, y que al menos 25
B= .
0 1 0 1 0 1 0 1
8 Para obtener ms informacin sobre esto, investigar la funcin de ayuda
de 'optimset', por lo tanto, escriba "help optimset' en el indicador de
comandos de MATLAB.
Las limitaciones de peso de activos 105

de la capital es asignado a activos {2, 3, 4}, utilizamos el grupo de
activos, restriccin que se formula como (vase la ecuacin (6.13): %
para garantizar que al menos 25
Gwp ubg.
En el ejemplo actual nos probablemente preferira la restriccin para
leer:
Gwp ubg,
cual es la delimitacin original multiplicada por -1. Por lo tanto, en el
contexto de cmo la frontera funcin requiere limitaciones para ser
especificado, la restriccin que desea puede implementarse de la
siguiente manera:
G= 0 -1, -1, -1 y ubg=-0.25.
El ejemplo que se muestra a continuacin y compara las fronteras
derivadas con y sin las limitaciones mencionadas.
.........................................................................
...
[1] [r = 3,25; 5,75; 7,5; 12,3];
parcelas de ------ [17] figura [18]
parcela(out1.RR(:,1),salida1.RR(:,2),'k-','linewidth',1),
xlabel('riesgo'),... % [15] [A2] = frontier(en); [16] ;n.GB = GB; en.N =
;G.G = ;B.B = ;C en.C = ;r --- con limitaciones --- [14].R = % [12] [A1]
= frontier(en); [13] ;n.B = []; in.G = []; EN.GB = []; en.N = ;C en.C =
;r --- Sin restricciones --- [11].R = % [2] C = [25,0 24,5 33,0 37,5; [3]
24,5 49,0 50,0 63,0; [4] 33.0 50.0 66.0 121.0; [5] 37,5 63,0 66,0 225,0];
[6] B = [ceros(4,1)(4,1)]; [7] G = [0 -1 -1 -1]; [8] GB = [-0,25]; [9] N
= 30; [10]
[19] ylabel('E[R]") [20] mantener en [21]
parcela(out2.RR(:,1),out2.RR(:,2),'k:''linewidth',1),
xlabel('riesgo'),...
[22] ylabel('E[R]") [23] mantener en [24]
parcela(out1.mvp(1,1),out1.mvp(1,2),'ko','linewidth',1),
xlabel('riesgo'),...
[25] ylabel('E[R]')
.........................................................................
...
La figura 6.4 muestra la comparacin entre las limitaciones y fronteras
eficientes ilimitada.
La asignacin de activos 106

15
10 frontera ilimitada
frontera restringida [R]E
5
mvp
04 6 8 10 12 14 16 18 Riesgo
Figura 6.4 Ejemplo de un desenfrenado y limitada frontera eficiente
6.6 El Capital Asset Pricing Model
la piedra angular de la moderna teora financiera es la respuesta a cmo
los precios de equilibrio de los contratos financieros estn decididos en
la economa. El modelo de Precios de Activos de Capital (CAPM)
proporciona una respuesta. En trminos de un argumento verbal el CAPM
dice que si los agentes de la economa slo se preocupan por los dos
primeros momentos de devolver las distribuciones y tienen idnticas
expectativas en estos momentos, es decir, estn de acuerdo en las
caractersticas de riesgo y rendimiento de los activos que el comercio en
la economa, si tienen horizontes de inversin similares, si son adversos
al riesgo y prefieren ms volver al menos, si un activo sin riesgo
existe, y si pueden recibir y otorgar prstamos a la tasa libre de
riesgo, entonces todos los agentes celebrar una cartera de dos activos:
uno de los rendimientos de los activos el tipo de inters libre de
riesgo, el otro es el mercado de la cartera. Los agentes mantendrn
diferentes porciones de estos dos activos: ms agentes de aversin al
riesgo se espera mucho ms de los activos libres de riesgo y mucho menos
el mercado de la cartera de los agentes menos reacio al riesgo. La
cartera de mercado se define sobre la base de la capitalizacin del
mercado pesos de los activos individuales que el comercio en la economa.
La capitalizacin de mercado de peso para un determinado activo se define
como la relacin entre el valor total del activo y el valor total de
todos los activos, es decir k wj = Vj/ k=1 Vk, donde j se refiere a un
activo especfico, V de valor de un activo, y K para el nmero total de
activos que el comercio en la economa. El valor de un activo es igual a
la cantidad de 'piezas' del activo que el comercio en la economa, por
ejemplo, el nmero de acciones de una empresa determinada haya expedido o
el nmero de bonos de un determinado gobierno ha emitido,
la Capital Asset Pricing Model 107

multiplicado por su precio. Dado que el precio entra en el clculo del
valor, ya que los agentes y en equilibrio todos mantenga la cartera de
mercado, aunque en diferentes cantidades para satisfacer su aversin al
riesgo, los agentes deben haber alcanzado un acuerdo sobre los precios de
los activos subyacentes y, por tanto, el mercado est en equilibrio.
Una ilustracin grfica de esto se da en la Figura 6.5.
Lnea del mercado de capitales 18 16 14

12
10 [R] E 8 Frontier 6 cartera de mercado 4
2 mvp r(f) 00 2 4 6 8 10 12 14 16 18 20 Riesgo
Figura 6.5 La lnea del mercado de capitales
la cartera de mercado es el punto de tangencia entre una lnea recta que
se originan en la tasa libre de riesgo y el portafolio Frontier. Esta
lnea se denomina "la lnea" del mercado de capitales (LMC). Su pendiente
es igual al precio de mercado del riesgo, es decir, la compensacin que
los agentes necesitan para asumir riesgo. En particular, la LMC pueden
ser expresadas formalmente como:
rm -rf rj = rf + j +ej. M (6.16)
Esta es una relacin lineal donde M y rM son la desviacin estndar y la
rentabilidad esperada de la cartera de mercado, respectivamente, rf es la
tasa libre de riesgo,
desviacin de cartera andj j. El trmino ej captura la expectativa de
errores, es decir, ej la
ecuacin (6.16) no es el CAPM: no es una relacin de equilibrio, ya que
slo
es el estndar = E rj -rj.
expresa una relacin de portafolios eficientes, es decir, para las
carteras que caen sobre la LMC. Recordar que la Seccin 6.3 mostr que la
desviacin estndar o varianza de una cartera disminuye cuando ms
activos se agregan a l, y que el riesgo de la cartera tiende hacia una
cierta constante en el lmite definido por el promedio de la cartera de
trminos de covarianza. La presencia de un efecto sugiere que la
diversificacin de la cartera de
108
desviacin estndar de asignacin de activos no es una medida perfecta de
riesgo de la cartera. Adems, dado que todos los inversores en equilibrio
slo ocupan una cartera riesgosa, es tentador hypothesise que una mejor
medida de riesgo debe ser de algn modo relacionados con esta cartera de
mercado.
Estas ideas provienen del CAPM, el cual fue desarrollado
independientemente por W. Sharpe, Lintner y Mossin J. J.. Es intuitivo
pensar en el CAPM es un modelo de un solo factor, es decir, un modelo que
slo tiene un componente de riesgo subyacente.
En el CAPM este componente riesgoso es el mercado de la cartera. El resto
de carteras y activos individuales puede ser descrito por sus co-
movimiento con el mercado nico factor. En particular, esta co-movimiento
es definida por:
cov rj,rM ,M = = j j . (6.17) var(rM) 2M
utilizando esta definicin de riesgo el CAPM Relacin est escrito como:
rj = +rf j rm -rf +ej. (6,18),
como es el caso de la LMC en (6,16), la relacin en el CAPM (6.18) es una
relacin lineal entre la rentabilidad y el riesgo, tambin llamado el
mercado de seguridad de lnea (SML); sin embargo, en (6.18) el riesgo es
definido por j y no por j. La antigua () se refiere a menudo como el
riesgo sistemtico de activos individuales y carteras, ya que sta es la
parte del riesgo que no puede ser diversificados de distancia, mientras
que la segunda() se conoce el riesgo total de la cartera y la seguridad
individual. La variacin de (6,18) es:
2 2 = J + . 2j

M
riesgo total riesgo sistemtico
2ej
Riesgo no sistemtico de
los mercados financieros no se van a premiar a los agentes de riesgos del
cojinete no necesitan soportar. Dado que el riesgo no sistemtico puede
diversificarse fuera, los agentes no van a recibir ninguna compensacin
por tener una cartera que contiene esta fuente de riesgo. El MFPAC
relacin refleja este principio bsico.
7 Herramientas Estadsticas
7.1 INTRODUCCIN En
este captulo se presentan algunas de las herramientas y tcnicas que
pueden ayudar a proyectar el modelado y la devuelve. Como tales, estas
herramientas pueden ayudar en el proceso de estimacin de la rentabilidad
esperada para los valores de renta fija, acciones y divisas, y ayudar a
modelar y prever otras variables de inters. La presentacin es aplicada
en la naturaleza: esto significa que cuanto ms orientada matemticamente
los lectores probablemente se sentirn decepcionados y sentirse obligado
a quejarse de la falta de rigor. Sin embargo, cabe esperar que la
presentacin servir de ayuda a otros lectores que puedan estar
interesados en ver la aplicacin real de los mencionados instrumentos.
Master modelos bsicos de series de tiempo.
Comprender la utilidad de las tcnicas de cambio de rgimen y sus
aplic- nizaciones.
Obtener ms ideas sobre cmo las curvas de rendimiento puede ser
modelada en la madurez y dimensiones de series de tiempo.
7.2 autorregresiva de vectores de
la futura evolucin de la mayora de las series de tiempo financieras y
econmicas depende de su propia evolucin pasada y correlaciones cruzadas
con observaciones anteriores de otras variables.
El proceso vectorial para una serie de vectores puede ser descrito por:
modelos autorregresivos explotar tales estructuras de dependencia por
caracterizar la observacin en el tiempo t de un vector X en funcin de
las observaciones pasadas XT-1,XT-2,...,XT-j .
p Xt = c+ Xt-j Aj +et. (7.1)
j=1
Esto se llama un modelo VAR(p) donde p se refiere al nmero de rezagos
incluidos en el modelo, y Aj recopila los parmetros autorregresivos en
lag. j. En la formulacin anterior, XT es de dimensin (nObs-p) por
nVarsrefers nVars, donde el nmero de variables contenidas en X.
110 herramientas estadsticas,

la longitud ptima de lag puede ser determinado por el uso de las
estadsticas de resumen que se basa en una ponderacin especfica del
ajuste del modelo contra el nmero de parmetros que son necesarios para
obtener este ajuste. Por lo tanto, estas estadsticas dan un peso
positivo para el grado de ajuste obtenido e incluyen una pena para el
nmero de variables necesarias para obtener el ajuste. De esta manera
parsimoniosa, un modelo puede ser encontrado, es decir, uno que utiliza
la menor cantidad posible de variables para obtener la mejor relacin
montar. Modelos parsimoniosa, han demostrado ser particularmente tiles
para la previsin. Aunque un modelo especificado mediante muchos
parmetros a menudo proporciona un buen ejemplo montar, raramente es el
caso que tiene tambin el mejor fuera de las propiedades de las muestras,
es decir, produce los mejores pronsticos. Ms bien lo contrario es
cierto y, por lo tanto, es a menudo til para observar el principio de la
parsimonia.
Dos de esas estadsticas son de Akaike y Schwarz, el criterio de
informacin etiquetada
1 AIC y BIC, respectivamente. Estos puede ser calculada de la siguiente
manera:
k AIC= log 2 +2 , (7.2) nObs log(T)= log BIC 2 +k . (7.3) nObs
puede verse en (7,2) y (7,3) que el ajuste del modelo es evaluado por el
registro de la suma del cuadrado de los residuos muestra, 2 , y luego
en cada criterio se agrega una sancin especfica para el nmero de
parmetros usados para obtener este monte: k representa el nmero de
parmetros estimados y nObs es el nmero de observaciones de series de
tiempo.
Relacionado con (7.1) vale la pena sealar que cualquier modelo VAR(p)
puede ser escrita como un modelo VAR(1). Esto se llama tambin a escribir
el VAR(p) Modelo de formulario complementario. Supongamos que tenemos un
modelo VAR(3):
Xt = c+XT-1Xt-A1+A2+2 XT-3 A3+et.
Por definicin: = Xt Xt XT-1-2
y Xt : A1 A2 A3= I 0 0, 0 I 0
donde I es la matriz identidad de dimensin adecuada, el VAR(3) modelo
puede ser escrito como un modelo VAR(1):
Xt = c+ un Xt-et, 1+ (7.4)
Donde c=[c t , 0, 0] y et =[et T , 0, 0] .
1 Vase, por ejemplo, Mills (1999), pp.34-35.
Autorregresiva Vector 111

para la exhaustividad, cabe mencionar que la versin unifactorial de
VAR(p) modelo se llama un modelo autoregresivo (de orden p), que se
escribe como AR(p):
xt = c+A1XT-1+A2-XT2++apxt-p+et.
7.2.1 Fin de integracin
un concepto central en el anlisis de series de tiempo es una
clasificacin de variables en su orden de integracin. Bsicamente, esta
clasificacin se refiere a cmo muchas veces uno necesita calcular las
primeras diferencias para hacer las series de tiempo fijo. La
estacionalidad se refiere aqu a una imagen visual donde las
observaciones de series de tiempo parecen ser disperso aleatoriamente
2 alrededor de un valor medio constante. Naturalmente, es posible para
comprobar si una serie de tiempo es inmvil, por ejemplo a travs de
Dickey-Fuller estadstica de prueba. Uno tambin puede apoyarse en la
teora econmica a la hora de juzgar si una determinada serie de tiempo
es o no estacionaria.
Las rdenes de integracin se ve tpicamente en la economa y las
finanzas son de rdenes 0 y 1, escrito como I(0) y yo(1),
respectivamente. Rara vez se encuentra la serie de tiempo de orden 2 o
superior. I(0) se refiere a un proceso estacionario e I(1) para un
proceso de orden 1 que est integrado. Por lo tanto, si Yt es I(1),
entonces el proceso Yt = Yt -YT-1 ser I(0).
Un ejemplo de un estndar I(1) proceso es:
xt = k+aXT-1+et,
con un= 1. Este es el conocido modelo de random walk. La estacionalidad
en el caso univariado est definido por el valor de una. Cuando -
1<< 1, el proceso es I(0).
Para un proceso que involucra a ms de Lag que uno es un poco ms
complicado para determinar si un proceso es o no estacionaria. Los
requisitos estn listados aqu, para ms detalles, vase Hamilton (1994).
Para un modelo AR(p) es necesario que las races del siguiente polinomio
todos estn fuera del crculo unidad:
2 p 1-a1-A2 zz --apz = 0.
Igualmente, para el modelo theVAR(p) es necesario que las races del
siguiente polinomio todos estn fuera del crculo unidad:
2 p det I -A1-A2 zz --Apz = 0,

donde det indica el factor determinante. Dado que un proceso est parado,
su media se calcula por:
E [X]= p , I - c
j=1 Aj
2 el concepto de estacionalidad de tendencia se refiere a la situacin en
la que las series cronolgicas de observaciones parecen estar
distribuidos al azar alrededor de un downwardly constantemente o lnea de
tendencia al alza.
112 herramientas estadsticas

para la VAR(p), y por el modelo:
E [x]= 1- c p j=1 aj
para el modelo AR(p).
Puede demostrarse que el VAR(p) modelo puede ser estimado de forma
eficiente mediante el uso de regresiones de MCO consecutivos.
Alternativamente, uno puede elegir para maximizar el valor de la funcin
log-verosimilitud multivariado suponiendo que los errores se distribuyen
normalmente.
Esto equivale a calcular el logaritmo de verosimilitud aproximadas de la
funcin de distribucin normal multivariada, dado por:
nObs-P
-1 1
nObs -1 T = registro logL det: et et , 2 2 t=p+1
donde es la matriz de varianza-covarianza de los residuos. En trminos de
velocidad, de cualquier modo, dado que ya existen expresiones de forma
cerrada para la solucin de la regresin de Mnimos Cuadrados Ordinarios
(MCO), suele ser ms rpido para aplicar el principio de la operacin es
para optimizar la funcin log-verosimilitud.
7.3 Modelos de cambio de rgimen de
la intuicin detrs de los modelos de cambio de rgimen es quizs mejor
ilustrada por medio de un modelo lineal de regresin de la variable
ficticia del formulario:
xt = c1d1,t +c2d2,t +c3d3,t +et. (7.5)
Aqu x es el pensamiento de los datos que contienen dos o ms Estados.
Vamos a indicar el nmero de regmenes, por ejemplo, s= 3 significa que
los tres estados son modelados, y la c representa las constantes que
definen la media en cada uno de esos Estados. Las variables d representan
variables dummy definir cundo un determinado estado es eficaz. Se supone
adems que el trmino de error 2 se distribuyen normalmente, e N 0, .
Para ilustrar cmo los datos pueden mirar cuando el proceso de generacin
de datos subyacente contiene interruptores de rgimen, la figura 7.1
muestra 300 realizaciones de una simulacin de (7.5), donde el proceso de
d se eligi arbitrariamente.
Se puede observar cmo los datos est evolucionando en torno a un
promedio fijo durante algn tiempo, hasta que se produce un cambio
abrupto, despus de que los datos se desarrolla en torno a una nueva
media durante algn tiempo.
Estas mesetas fijo observado en los datos representan los regmenes. En
la Figura 7.1 observamos tres regmenes y estos sugieren que sus medios
son aproximadamente c1 = 8, c2 = 4 y c3 = 2. A continuacin vamos a
montar un cambio de rgimen modelo a los datos y buscar los parmetros
del proceso en un mayor nivel de precisin.
En un modelo de regresin lineal como (7,5) generalmente las variables
ficticias son fijos exgena. Sin embargo, en un modelo de cambio de
rgimen, como en la ecuacin (7.5), las variables ficticias, es decir, la
d, as como los parmetros del proceso, es decir, el c, se deducen de los
datos simultneamente. A fin de facilitar la estimacin del modelo, donde
los
modelos Regime-Switching 113

12 10 8 6 4 2 Valor 0 -2 -4 -60 50 100 150 200 250 300
# Observacin
Figura 7.1 Ejemplo de rgimen de conmutacin
d datos van a ser tratados como inobservable, una prediccin de
actualizacin se aplica el algoritmo para construir la probabilidad de
funcin.
Para configurar este algoritmo un nmero de entradas debe ser definido.
Estos estn empezando val- 2 ues para los parmetros estimados, que en
nuestro ejemplo son = c1,C2,C3, ,p , donde la probabilidad de
transicin p Matrix proporciona la probabilidad condicional de migrat-
ing dentro y entre los Estados. Por ejemplo, en un modelo de tres estados
p
3 sera: p11 p12 1-p33-p23
p= p21 p22 p23 , (7,6) 1-p11-P21 1-p22-p12 p33
donde la columna nmero corresponde al estado en que se encuentra activo
en el tiempo t y la fila del estado que posiblemente est activo en t+1;
por ejemplo, la tercera columna y la segunda fila de entrada (p23) indica
la probabilidad de que el estado 3 es seguido por el estado 2. En
general, las entradas de p, es decir, pj,k, indicar las probabilidades de
transicin de pasar de estado k, en el tiempo t, j, en el tiempo t+1. En
consecuencia, las entradas de la columna deben sumar la unidad, dado que
cada columna expresa la probabilidad de un estado siendo seguida por
ningn otro estado. La diagonal de p expresa la probabilidad de que el
proceso permanece en el mismo estado y puede ser tomado como una
indicacin de la persistencia de cada estado. Dentro de la actualizacin-
algoritmo de prediccin utilizado para estimar modelos de cambio de
rgimen se supone que las probabilidades de estado seguir una cadena de
Markov con p como la matriz de la transicin.
3 Una nota sobre la notacin: p representa una matriz y, por ende, debe
ser indicado por P. Sin embargo, en secciones posteriores de este
captulo P se utiliza para denotar una matriz de covarianza. Por lo
tanto, el uso de una minscula p para denotar la matriz de transicin de
aqu.
Estado probabilidades deben distinguirse de las probabilidades de
transicin. La matriz P contiene las probabilidades de transicin, es
decir, las probabilidades de migracin de un estado al siguiente, cuando
est en un estado determinado en el tiempo t, y es de dimensin s por s.
En contraste, el vector de probabilidades de estado indica la
probabilidad de que los datos de los puntos observados en el tiempo t es
generado por cualquiera de los regmenes. Estas probabilidades se recogen
en t|t , que es de dimensin s por 1. Por ejemplo, en el caso de tres
estados, podra ser que:
0.20 t |t = 0.70, 0.10
probabilidad que es generado por el estado 3. El ligeramente peculiar
subscript proviene de la prediccin de actualizacin algoritmo descrito a
continuacin. % De probabilidad de que es generado por el estado 2 y 10 %
de probabilidad de que los datos de los puntos observados en el tiempo t
es generado por el estado 1, 70 %, lo que significara que hay 20 de
la matriz que contiene los valores de densidad de cada observacin,
dentro de cada estado, se recopilan en D= f (xt |st = j; ) para todas
las observaciones t y miembros. j. Aqu f () la densidad normal, por lo
tanto, utilizando de nuevo el caso de tres estados como ejemplo:
1 -(xt1 -c 2) 2 exp1 2
2 1 1 -(xt2 -c 2) Dt = exp . (7,7) 22 2
2 2
1 -(xt3 -c 2) 2 exp3 2 2 3
como puede verse en (7.7), es posible que tanto la media y la varianza

del proceso de obtencin de datos varan a lo largo del tiempo. Para los
datos del ejemplo mostrado en la Figura 7.1, parece ser el caso que la
media vara entre regmenes. Sin embargo, en otras aplicaciones
interruptores rgimen igualmente puede ocurrir en el trmino de error
variacin del modelo. Varianza dependiente de un rgimen puede, por
ejemplo, cumplir con la idea de que los mercados financieros en los
periodos de estrs muestran un aumento de la rentabilidad, en comparacin
con la volatilidad de las circunstancias normales de mercado. Un modelo
apropiado que podra captar ese comportamiento sera un modelo de dos
estados donde la varianza del proceso de obtencin de datos vara segn
los estados.
Para estimar modelos de cambio de rgimen, Hamilton (vase Hamilton
(1994) [cap. 22]) ide un mtodo por el cual uno recorre en iteracin:
t|t-1 Dt t|t = s , (7.8A)
j=1t|t-1 Dt
t+1|t = pt|t , (7.8b)
para todos t = 1,2,...,T. El signo indica el elemento por elemento de
multiplicacin.
Modelos Regime-Switching 115

La intuicin de la expresin (7.8) para t|t consta de dos partes.
Primero, recuerde que t|t da al Estado las probabilidades en un punto
dado en el tiempo. Intuitivamente, el mejor punto de datos observados en
el tiempo t se adapta a cualquiera de las densidades, evaluada por la
insercin de los datos en el punto (7,7), la mayor esta probabilidad
debera ser. En segundo lugar, habida cuenta de que sabemos que el estado
las probabilidades en el tiempo t-1 y la matriz de transicin, podemos
generar una proyeccin para el estado las probabilidades en el tiempo t
utilizando slo la informacin disponible al momento t-1. El numerador de
(7.8) representa la combinacin de estas dos fuentes de informacin para
extraer inferencias sobre el estado que genera un punto de datos dado,
tomando el elemento por elemento Producto del ajuste en el tiempo t,
representada por la densidad observaciones reunidas en el DT, y la
previsin del estado de probabilidad para el tiempo t utilizando la
informacin disponible en el momento t-1. El numerador es, por tanto, de
dimensin s por 1. El denominador es la suma del vector numerador y puede
ser visto a servir al propsito de normalizar t|t de modo que cada
entrada de este vector cae en el intervalo (0,1), por lo que puede
interpretarse como la probabilidad.
As sucede que el denominador tambin es idntico al valor de la funcin
de probabilidad condicional, en . El proceso de estimacin es entonces
completado mediante la optimizacin:
T s logL()= log t|t-1 DT . (7,9)
t=1 j=1
en la prctica no siempre es fcil encontrar el nmero de rgimen
interruptores que estn contenidos en los datos. Naturalmente, uno
necesita para trazar los datos antes de modelado, y esto puede ser usado
como una primera indicacin para la eleccin en el nmero de Estados que
se incluirn.
Otra opcin es igualmente vlida para guiarse por la teora econmica.
Las pruebas estadsticas se han concebido para ayudar a determinar el
nmero de miembros presentes en los datos; sin embargo, est ms all del
alcance del actual texto para aventurarse en una descripcin de estos.
Un ejemplo de la estimacin de un modelo de cambio de rgimen univariado
con tres miembros es proporcionado a continuacin utilizando los datos
que se muestran en la Figura 7.1. El presente cdigo de ejemplo es
general en el sentido de que puede manejar la estimacin del rgimen
univariado- Cambiar modelos de hasta cuatro miembros. Se necesitan las
siguientes funciones:
1. La funcin principal que configura el problema y llama al mdulo de
optimizacin de MATLAB. Esta funcin se denomina rgimen 4.m.
2. La funcin de probabilidad se calcula por rgimen_likeli.m. Esta
funcin llama a otras dos funciones, rgimen_normaldensity y
rgimen_pmat:
(a) rgimen_normaldensity simplemente implementa la funcin de densidad
de la distribucin normal; (b) Rgimen_pmat configura la transicin
matriz mostrada en (7.6) de manera que coincida con el nmero deseado de
los Estados a ser estimada.
4 Naturalmente, modelos de cambio de rgimen puede ser ms elaborada que
lo que esta funcin puede manejar. Por ejemplo, trminos autorregresivos,
rgimen de conmutacin de varianzas y tiempo-dependiente, las
probabilidades de transicin podra ser incluido.
el cdigo siguiente representa la funcin principal del rgimen de
algoritmo denominado rgimen de conmutacin.m.
.........................................................................
...
[1] funcin [ ] = rgimen fuera_(dat,m,ml,mu,maxiter)
Valor inicial para el estndar DES [16] P_diag = 0,95; [17] [T,junk] =
tamao(dat); [18] P =(S,1).*P_diag; [19]%........ % Nmero de Estados
[15] sig = std (dat)/5; % garantizan que los datos es univariante [14] S
= longitud(m(:)); % [2]% estimacin univariante modelo Regime-
Switching(max 4)en regmenes de datos (dat) [3] [4] %% dat - datos para
ser utilizados en la estimacin [5]% m - a partir de los valores de la
media [6]% Nmero de miembros igual a nobs en m se calcula (max=4) [7]%
ml - lmites inferiores para estimar parmetros [8]% mu - lmites
superiores para estimar parmetros [9]% maxiter - Nmero mximo de
iteraciones [10%] [11]% ...la comprobacin y ajuste de datos [12]
advertencia todos; [13] dat dat =(:,1);
[20]% parmetro limitaciones en matrices de transicin [21]%........
[41] [42]% final ... a partir de valores y estructura para "Prob' [43]
S_param = [ m;sig; P]; [44] Si ( S==3 ) ;] 1 1 1 1 [40] Un_u = [ ;]
0 0 0 0 [39] Un_l = [ ;] [38] 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 ;0
[37] 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 ;0 [36] 0 0 0 0 0 0 1 0 0 0 1 0 0 0
1 0 ;0 [33] [34] end if ( S==4 ) [35] A = [ 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0
0 ;] 1 ;1 ;1 [32] Un_u = [ ;] 0 ;0 ;0 [31] Un_l = [ ;] [30] 0 0 0 0 0 0 1
0 0 1 ;0 [29] 0 0 0 0 0 1 0 0 1 ;0 [22] Si ( S==2 ) [23] = []; [24] Un_l
= []; [25] Un_u = [;] [26] [27] El final si ( S==3 ) [28] A = [ 0 0 0 0 1
0 0 1 0

[71]% ... llamado mdulo de optimizacin [72] opciones =
optimset('Display','iter','LargeScale','off', ... ;T [70] Prob.user.T =
;S 0,01; 0,01; 0,01; 0,01; 0,01; 0,01; 0,01; 0,01;] [49] [50] final
nparams = longitud(S_param); [51] lb = -inf.(nparams,1); [52] ub =
inf.(nparams,1); [53] lb(1:S,1) = ml; [54] ub(1:S,1) = mu; [55] Si (
S==2 ) [56] lb(nparams-S+1:nparams,1) = ceros(S,1); [57] ub(nparams-
S+1:nparams,1) =(S,1); [58] Fin [59] Si ( S==3 ) [60] lb(nparams-
(S*2)+1:nparams,1) = ceros(S*2,1); [61] ub(nparams-(S*2)+1:nparams,1)
=(S*2,1); [62] Fin [63] Si ( S==4 ) [64] lb(nparams-(S*3)+1:nparams,1) =
ceros(S*3,1); [65] ub(nparams-(S*3)+1:nparams,1) =(S*3,1); [66] Fin [67]%
... la estructura de "Prob.user" [68] Prob.user.dat = dat; [69]
Prob.user.S = ;P 0,02; 0,02; 0,02;] [46] [47] El final si ( S==4 ) [48]
S_param = [ m;sig; ;P [45] S_param = [ m;sig;
[73] "LevenbergMarquardt','A','HessUpdate', ...
[74] "teepdesc',''MaxFunEvals',''TolFun maxiter', 1E-8); [75]
[param,fval,exitflag,outpt,la,g,h]=fmincon('regime_likeli', ...
[76] S_param,A,A_u,[],[],lb,ub,[],opciones,prob); [77] [ lik Pr ] =
rgimen_likeli(param,prob); [78] Pr = Pr(2:longitud(PR),:); [79] se =
sqrt(diag(pinv(H)); [80] p_out = ceros(longitud(Pr),2); [81]
p_out(1:longitud(Param):) = [param se]; [82]_ = [Pr p_out];
.........................................................................
...
Lnea [1] especifica el nombre de la funcin por el "rgimen" y esboza
los argumentos de entrada necesarios para ejecutar la funcin. Estos son:
dat, conteniendo los datos; m, los valores iniciales para la media de
parmetros; ml, lmites inferiores para la estimacin de parmetros; mu,
lmites superiores para las estimaciones de los parmetros; y maxiter,
fijando un lmite superior para el nmero de iteraciones que MATLAB es
permitido usar. La variable maxiter pueden ser tiles en el anlisis
exploratorio, donde el nmero de miembros y a partir de

valores son difciles de establecer a priori. En tales casos, este
parmetro de entrada permite al usuario para limitar el tiempo de clculo
mediante el establecimiento de un lmite de iteraciones relativamente
bajo, por ejemplo maxiter = 100.
Lnea [12] se apaga advertencias, de modo que el usuario no es molestado
con mensajes destinados al programa de desarrollo. Lneas [13]-[18] fix
variables auxiliares necesarios y establecer valores de inicio para
algunos de los parmetros estimados. Por ejemplo, la lnea [18] establece
valores de inicio de la matriz de transicin (vase p (7,6)) asegurndose
de que tiene la dimensin correcta segn lo determinado por la variable
que contiene el nmero de miembros a ser estimada. s tiene asignado un
valor en lnea [14] sobre la base de la dimensin de la entrada parmetro
m. Lneas [19]-[41] imponen restricciones para que las columnas de p suma
a la unidad, como deberan. Estas limitaciones se aplican mediante el
clculo de una columna de entrada, en cada columna, residualmente. Esto
se implementa mediante la matriz con
5 lmites superior correspondiente, tal como se definen por un_u. Estas
limitaciones pueden incluirse cuando utilizando Matlab
incorporada:fmincon optimizador. Puede observarse que la dimensin de una
matriz junto con las dimensiones de los lmites superior e inferior se
comparan con el nmero estimado de los estados. Esta coincidencia se
realiza a travs de la serie de declaraciones "si". Especficamente, esta
restriccin es de la forma:
A(z,n)x(n,1) A_U(z,1),
donde x se refiere a los parmetros a ser estimados, y z representa el
nmero de restricciones. En efecto, selecciona los parmetros que
componen la restriccin y sumas (porque la matriz slo contiene entradas
igual a 0 o 1) y un_u ofrece sus lmites superiores. Lneas [42]-[49]
Especificar los valores iniciales para el paramet- ers del modelo,
recogidos por los vectores denominado 'S_param'. Los lmites superior e
inferior estndar para los parmetros estimados son decididos en lneas
[50]-[66] tambin mediante un "si" la estructura para acomodar el nmero
especificado por el usuario de los regmenes. Los datos se asigna a la
variable estructurada denotada por Prob.usuario en lneas [67]-[70].
Lneas [72]-[74] definir opciones para cmo las optimizaciones para ser
llevadas a cabo y las lneas [75]-[76] Llamada del MATLAB
optimizerfmincon incorporada para llevar a cabo la maximizacin de la
funcin de probabilidad de la modelo. La LHS de la funcin llamada en
lnea [75] SPE- cifies las variables de salida y el RHS, empezando con
fmincon('regime_likeli'indica qu funcin de MATLAB para optimizar; en
este caso es la funcin llamada_likeli rgimen. Lnea [77] hace una
llamada adicional al rgimen de funcin_likeliin para facilitar el
clculo de las probabilidades de estado, recogidos en la matriz Pr,
utilizando los valores optimizados para los parmetros. Alternativamente,
esta matriz de estado probabilities podran aadirse a la variable
estructurada Prob.usuario al final del rgimen_likeli funcin. Las lneas
finales del rgimen funcin preparar la salida y calcular los errores
estndar de las estimaciones de los parmetros.
5 se observa que a_l no se utilizan para nada. Esta restriccin no es
necesaria porque el parmetro Lmite Inferior definido por el parmetro
lb.

El rgimen function_likeli.m implementa las frmulas se muestra en el
texto anterior para calcular la probabilidad de la funcin de conmutacin
de un rgimen modelo. En particular, las ecuaciones (7.7), (7.8a), (7.8b)
y (7,9).
.........................................................................
...
[1] funcin [ lik Pr ] = rgimen_likeli(S_param,prob)
;) [38] fin; [39] Si ( Pr(c,i) <0 ;1 [37] Pr(c,i) = ;) [34]
Pr_Cast(c,i) = 0,001; end; [35] [36] Si ( Pr(c,i)> 1 ;) [28] Pr(:,i) =
(1/S).*(S,1); [29] lik(i) = 2,7; [30] [31] final pr_cast(:,i) =
P_*Pr(:,i); [32] Por ( c = 1:S ) [33] Si ( Cast_Pr(c,i) == 0 ;) se
producen problemas [27] Si ( nan_test > 0 % probabilidades [26]
nan_test = Sum(nan_TEST(:)); %valores iniciales se utiliza si % [24]
Pr(:,i) = ( Pr_cast(:,i-1).*N(:,i-1) )./lik(i); [25] nan_test =
isnan(PR); %errortrap sobre el rgimen ;) [20] Fin [21] N = N'; [22] Por
( i=2:T+1 ) [23] lik(i) =(1,S)_(Pr CAST(:,i-1).*N(:,i-1) ;) Vector de
probabilidad de valores [18] para ( J=1:S ) [19] N(:,j) =
Rgimen_normaldensity( significa_(j,1),sig_,dat % Matrix de densidades
[17] lik = ceros(T,1); % probabilidades [16] N = ceros(T,S); % Vector de
alisar % sobre Pr(i+1) en cada obs [15] suave = PR_cast; % Vector de
pronsticos % en cada obs [14] Cast_Pr = (1/S).*(S,T); % Vector de estado
probabilidades % ...parmetros [10] significa_ = S_param(1:S,1); [11]
sig_ = S_param(S+1,1); [12] = rgimen P__pmat(S, S_param); [13] Pr =
(1/S).*(S,T); % [2] [3] %% de probabilidad de la funcin de conmutacin
del rgimen modelo [4]% con interruptores en la media [5]% ...
desembalaje de datos [6] dat = Prob.user.dat; [7] S = Prob.user.S; [8] T
= Prob.user.T; [9]
1 2 0 St a d s t i c a l a o l s
End; [45] [46] [row_lik,ol] = tamao(lik); [47] lik = log(lik(2:row_lik-
1,1); [48] lik = -1sum(lik); [49] Pr = Pr'; ;1 [43] [44] fin; I = I + ;1
[ 4 ] 2 c = c + 4 ; [ 1 ] e n d ; [ 4 ] 0 P r ( c , i ) = 0
.........................................................................
...
Lneas [2]-[17] Preparar los datos de entrada e iniciar los vectores y
matrices necesario para calcular la probabilidad de funcin. Lneas
[18]-[20] hacer llamadas sucesivas a la funcin calcular la densidad
normal (esta funcin se muestra a continuacin: el
rgimen_normaldensity). El bucle, la variable j se cuenta el nmero de
regmenes seleccionadas por el usuario para ser estimados y el bucle
'for' en lneas [18]-[20] y, a continuacin, calcula la densidad normal
de ajuste para los datos dado a cada uno de los medios para que los
regmenes que se estim- ciada, es decir, implementa la ecuacin (7.7).
Lnea [22] introduce un bucle 'for' que termina en lnea [45]. Esta
estructura se repite a lo largo del nmero de observaciones contenidas en
la muestra de datos y ejecuta la Ecuacin (7.8A) en lnea [24] y la
Ecuacin (7.8b) en lnea [31]. La funcin de probabilidad se calcula en
lnea [23] y el registro de valores de probabilidad en lneas [47]-[48].
El resto del cdigo se refiere a la verificacin de errores que garantice
que el cdigo funciona incluso si tiene un mal arranque o valores
numricos en el caso de desperfectos.
Por ejemplo, lneas [25]-[30] implementar una vlvula de seguridad para
los casos donde el estado prob- habilidades no puede ser calculada. En
tales casos el estado probabilidades son iguales a uno dividido por el
nmero de miembros. Lneas [32]-[45] cuidar de sucesos anormales, donde
las probabilidades son calculadas para ser mayor que uno o menor que
cero.
Naturalmente, esto no sucede en aplicaciones normales del modelo; sin
embargo, es aconsejable aplicar tales comprobaciones de error para
asegurarse de que el cdigo es resistente a la entrada errnea de datos y
similares.
La funcin rgimen_normaldensity, como su propio nombre indica, calcula
los valores de densidad de la distribucin normal.
.........................................................................
...
[1] [Funcin] = rgimen lik_normaldensity(significa_,sigma_,dat)
[2] [3] %% de densidad normal con media y varianza1 sigma12 [4]% datos
figura en dat [5%] [6] La eps = dat - significa_; [7] lik =
inv(sqrt(2*pi*sigma_2))*exp(-(eps .*eps)./(2*sigma_2));
.........................................................................
...

El rgimen function_pmat implementa la ecuacin (7.6) para garantizar que
la dimensin de la matriz se corresponde con el nmero de miembros
especificadas por el usuario. Cabe sealar que el rgimen de funcin_pmat
es llamado por rgimen_likeli en lnea [12].
.........................................................................
...
[1] funcin [ p ] = rgimen_mat_pmat(S, S_param)
[45] Fin ; [44] 1-p11-p21-P31 1-p12-p22-P32 1-p13-p23-p33 p44 ] ; [43]
p31 p32 p33 p34 ; [42] p21 p22 p23 p24 ; [25] 1-p11-P21 1-p12-p22 p33];
[26] Fin [27] Si ( S==4 ) [28] start_ = nparams-(S*3)+1; [29] P11 =
S_param(inicio_,1); [30] P22 = S_param_+1,1(inicio); [31] P33 =
S_param_+2,1(inicio); [32] P44 = S_param_+3,1(inicio); [33] P21 =
S_param(start_+10,1); [40] P24 = S_param(start_+11,1); [41] P_mat = [ p11
p12 p13 1-p24-p34-p44 ; [24] p21 p22 p23 ; [14] Fin [15] Si ( S==3 ) [16]
start_ = nparams-(S*2)+1; [17] p11 = S_param(inicio_,1); [18] P22 =
S_param_+5,1(inicio); [23] P_mat = [ p11 p12 1-p23-p33 ; [6] nobs_p =
nparams-S+1:nparams; [7] [8] si ( S==2 ) [9] start_ = nparams-S+1; [10]
P11 = S_param(inicio_,1); [11] P22 = S_param_+1,1(inicio); [12] P_mat = [
1 p11-p22; [13] 1-p11 p22 ] ; [2] [3] %% matrices de transicin en
funcin del nmero de miembros [4]% [5] nparams = longitud ( S_param(:) )
.........................................................................
...

ahora podemos invocar el rgimen principal funci n de conmutaci n de
rgimen (.m ) para montar un modelo de tres estados para los datos de
ejemplo de la Figura 7.1. Esto se realiza en modo de lnea de comando de
MATLAB, donde es necesario que el vector de datos X vive en el espacio de
trabajo de MATLAB.
.........................................................................
...
[1] [ RS_out ] = Rgimen(X,[8;4;-2][-10;-10;-10],[10;10;10],1000)
.........................................................................
...
Los resultados se recogen en la estructura RS_out. Los parmetros
estimados se contenida en RS_out.EST y se muestran a continuacin. Los
medios de los regmenes y la varianza del trmino de error se estima en:
c1 = c2 = 8.3269 4.6129 2.9086-c3 = = 1.0214,
y la matriz de transicin se estima en:
0.9590 0.0275 0.0196 0.0165 0.9589 p= 0.0098, 0.0245 0.0136 0.9706
donde sin cursiva nmeros representan las estimaciones de los parmetros
y los nmeros en cursiva son calculados como los residuos, ya que la suma
de las columnas a la unidad. En la figura 7.2 se super- imponer el
rgimen estimado clasificaciones por estado 1, contenida en
RS_out.pr(:,1),
15
1 10 Datos
0,8 5
0,6
0 Valor de datos 0.4 probabilidad
-5 0.2
Pr(1)
-estado 100 50 100 150 200 250 0 300 # Observacin
Figura 7.2 Datos y probabilidad estimada para el estado 1 de la
curva de rendimientos en forma State-Space Modelos 123

sobre la trama de datos. Esto nos permite inspeccionar visualmente cmo
bien el rgimen- cambiando el modelo clasifica los datos en la hiptesis
de un rgimen. Parcelas puede ser naturalmente generados por los dos
Estados restantes para evaluar su relativa encaja. Dichas parcelas se
muestran que el modelo se adapta a los otros regmenes igualmente bien,
como lo indic tambin las estimaciones de los parmetros.
7.4 Curva de rendimiento modelos en forma de espacio de estado en
esta seccin se presenta la forma de espacio de estado como un medio para
estimar modelos de series de tiempo.
Para ayudar a la intuicin a lo largo sobre este tema en el marco se
introdujo mediante el modelo de Nelson y Siegel como ejemplo. Adems, se
presenta un marco general que permite el rgimen de interruptores en la
evolucin de los factores subyacentes; sin embargo, el marco
6 Naturalmente, esto tambin se aplica a las series temporales que no
muestran el comportamiento de cambio de rgimen.
Los ingredientes clave del modelo de espacio de estado son la observacin
de ecuacin, la ecuacin de estado y el algoritmo de filtracin. La
ecuacin de observacin es una descripcin del fenmeno que est siendo
investigado. En el caso de Nelson y Siegel modelo, la ecuacin de
observacin sera la ecuacin de la curva de rendimientos. La ecuacin de
estado es una descripcin de cmo los factores subyacentes que
evolucionan a travs del tiempo; estos factores son considerados para ser
desapercibida y ser estimado utilizando el filtro de Kalman, que
constituye el tercer y ltimo componente del marco.
Las siguientes ecuaciones representan el modelo de Nelson y Siegel
escrita en forma de espacio de estado. La primera ecuacin de
observacin:
yt ()= H +t t
y entonces la ecuacin de estado:
t = m+F t-1+VT,
que sin prdida de generalidad puede escribirse como un modelo VAR(1)
debido a (7,4). A continuacin una descripcin ms detallada de este
marco est dado.
7.4.1 El modelo de Nelson y Siegel en espacio de estado
para ilustrar el funcionamiento interno del Estado-espacio marco de
modelado, el filtro de Kalman y el rgimen de Hamilton-filtro de
conmutacin, la evolucin histrica de las curvas de rendimiento
observable en la seccin transversal, as como la dimensin de la serie
de tiempo es modelada con la ayuda de Nelson-Siegel modelo. Este modelo
es una descripcin paramtrica de las curvas de rendimiento que capturan
la mayor dimensin de la seccin transversal, es decir, los rendimientos
en funcin de la madurez. En la dimensin de las series de tiempo se
supone que la evolucin de la Nelson- Siegel factores siguen un rgimen-
switching VAR(1) de la especificacin. La ventaja de las
6 una excelente descripcin de los modelos de espacio de estado con y sin
interruptores de rgimen se da en Kim y Nelson (2000).
124 herramientas de estadstica

sugiere un enfoque que, a travs del componente de conmutacin de un
rgimen, identifica formas genricas de la curva de rendimientos que se
han materializado en el pasado. En el contexto de decisiones de
inversiones estratgicas, tales curvas genrico facilitan la generacin
de rendimiento futuras evoluciones, especialmente si la aparicin de
regmenes de la curva de rendimiento est vinculado a variables
macroeconmicas.
El modelo presentado aqu se establece en forma de espacio de estado y
puede ser visto como un rgimen- cambiando la extensin del enfoque
adoptado por Diebold y Li (2006) y, Diebold y Rudebusch Aruoba (2006). En
particular, podemos incluir la posibilidad de rgimen cambia en el estado
contable de ecuacin de rupturas estructurales recurrentes en la serie
temporal dimensin de la curva de rendimientos de los factores
subyacentes.
Agregar rgimen cambia
la representacin parsimoniosa de las curvas de rendimiento como sugerida
por Nelson y Siegel (1987) se presta a una interpretacin intuitiva.
Utiliza tres factores para describir la curva de rendimientos en un
momento determinado, siendo stos: el nivel, el rendimiento al
vencimiento infinita; la pendiente, que es la diferencia entre el largo y
el extremo corto de la curva; y la curvatura, que indica cunto de la
curva de "curvas" hacia arriba o hacia abajo, tal como se describe en
Seccin 5.2.1. Para facilitar la estimacin de los cambios estructurales
en la curva de rendimiento factores, la ecuacin de estado permite para
interruptores de rgimen en las medias de los parmetros. Las
motivaciones econmicas y prcticas para este se resume en los siguientes
puntos:
El rendimiento es una funcin del entorno econmico subyacente. Por lo
tanto, es razonable creer que las curvas de rendimiento tienen diferentes
formas depende de la pre- valente entorno econmico. En particular,
durante la expansin econmica de la curva de rendimiento generalmente es
muy empinada, mientras que durante los perodos inflacionarios tiende a
ser plana o invertida. Una justificacin para estas formas genricas
pueden encontrarse en el comportamiento del extremo corto de la curva
sugerido por la regla de Taylor (ver Taylor (1993)), y el hecho de que el
extremo largo de la curva est determinada por los participantes en el
mercado de las expectativas de inflacin de largo plazo, el crecimiento
econmico y una prima de riesgo.
Interruptores de rgimen ayuda a identificar formas de curva de
rendimiento genrico que son necesarios para hacer la curva de
rendimientos a largo plazo las proyecciones.
Un marco de modelado como se sugiere aqu podra ser pensado como una
forma abreviada de obtener un vnculo prctico entre escenarios
macroeconmicos y la forma de la curva de rendimientos y ubicacin sin la
carga de encontrar el conjunto ptimo de variables que condicionan la
estimacin de la curva de rendimientos, es decir, representa un modelo de
forma reducida.
La ecuacin de observacin
el vector de rendimientos y en el tiempo t para los diferentes plazos de
vencimiento ={1, T2,..., n} puede expresarse como una funcin de la
curva de rendimientos de la curva de rendimientos y factores de
sensibilidades factor:
yt ()= H +t t, (7.10) de la
curva de rendimientos en forma State-Space Modelos 125
donde H recopila los Nelson-Siegel factor
sensibilidades: - 1- - exp (1) 1-exp ( 1) 1 -exp(-1) 1- 1- 1
1- (exp2) 1- ( exp2)
-exp(-2) H = 2 2 , (7.11)
...
- 1- - exp
...
(n) 1-exp (n)
...
1 -exp(-n)
y n n recopila los factores, es decir, la curva de

rendimientos de los parmetros a ser estimados:
1 curva de nivel = t2 = pendiente de la curva de
rendimientos . (7.12) 3 t t la curvatura de la curva de rendimientos
se supone que la volatilidad residual es t N(0, R).
La ecuacin de estado
la ecuacin de estado describe cmo los factores no observados
evolucionan a lo largo del tiempo. Aqu se supone que VAR(1) con el
cambio de rgimen en el medio adecuado. Por lo tanto:
1 11 12 13 12 = + 21 22 23 2 +vt (7.13),
3 t 31 32 33 3 t-1,
donde V N(0, Q). Los superndices en la media de parmetros indican
rgimen affil-
Im1 JM2 Km3
iation. En nuestro ejemplo del modelo, sin embargo, slo la pendiente es
permitido exhibir el comportamiento de cambio de rgimen, es decir, I
={I, J =}{a, b, c}, K ={K}. La razn para ello es justificada por la
teora y los estudios empricos sugieren que de los tres factores, la
pendiente es uno de los ms fuertemente relacionado a la actividad
econmica. Tambin sugiere un enfoque pragmtico que cambia de rgimen
son ms adecuados para el uso de cualquier tipo de parmetro de pendiente
de la curva de rendimientos recientes datos desde los Estados Unidos o de
Europa que muestra que el nivel de largo plazo ha disminuido de forma
constante a lo largo del tiempo. De hecho, la inspeccin visual de una
serie de tiempo de 10 aos de rendimiento no revelar cualquier aparente
rupturas estructurales sino una evolucin cercana a una caminata
aleatoria con una tendencia negativa. La curvatura se explica
relativamente poco de la variacin de los rendimientos a lo largo del
tiempo (aproximadamente alrededor del 5 %), aunque podra ser rgimen
interruptores en el factor de curvatura, cabe preguntarse cunto valor
les gustara aadir si modela.
Procedimiento de estimacin
Esta seccin muestra cmo el modelo presentado anteriormente puede ser
estimado. Nuestra presentacin del procedimiento de estimacin sigue
estrechamente Kim y Nelson (2000)[ch. 3]. Como se dijo, se supone que
slo un factor subyacente exhibe el comportamiento de conmutacin de
rgimen

y que la media de captura este comportamiento de conmutacin. La
probabilidad de estimacin del modelo se basa en una combinacin del
filtro de Kalman y rgimen de Hamilton-switching
7 algoritmos, como tambin ilustrado por Kim y Nelson (2000).
Rgimen con interruptores y en forma compacta, la ecuacin de estado
puede escribirse como:
j j t|t-1 = m +F t-1|T-1+VT, (7.14)
donde j =(1,2,...,S) indica que los regmenes, m es la media, F es la
matriz de autore- gressive parmetros y t-1|T-1 es una probabilidad
promedio ponderado de la desde el anterior filtro de Kalman iteracin.
Las observaciones ecuacin traduce los factores no observados de (7.14)
en los rendimientos:
yt = H jt +t, (7.15)
donde yt es el vector de rendimientos observados en el tiempo t para la
deseada n de vencimientos y H es una matriz compuesta por Nelson-Siegel
factor sensibilidades, tal como se define en (7.11). Se supone que N
(0,R) y que V N (0,P). Los errores de prediccin del filtro de Kalman
ser dependiente de rgimen como consecuencia del rgimen de dependencia
t|t-1,
como se ilustra en (7.14):
j j t|t-1 = yt -H t|t-1. (7.16), se supone que los posibles regmenes
j slo afectan a la especificacin media de , por lo que trminos de
varianza son implcitamente asume que es afectada por los cambios de
rgimen. Por esta razn, la prediccin de la varianza condicional filtro
de Kalman se expresa como:
ft|t-1 = E 2t|t-1 = H Pt|t-1H +R (7.17)

donde Pt|t-1 es un paso adelante para el predictor de covarianza
condicional t, que es:
Pt|t-1 = F Pt-1|T-1F +P. (7.18)
La densidad en el tiempo t para cada uno de los j regmenes pueden ser
calculadas por:
j j -0,5 1 1 J LT () ft|t-1
- exp - t|t-1 ft|t-1t|t-1 . (7.19) 2 para completar el filtro de
Kalman, as como su varianza necesitan ser actualizados. Mientras que
la actualizacin de la varianza se desarrolle de acuerdo con el filtro de
Kalman ordinario desde el rgimen de clasificacin no aparece en (7.18),
la actualizacin tiene que tener en cuenta el rgimen conmutacin como
en (7.14). Como en Kim y Nelson (2000) la actualizacin
7 para una presentacin detallada del filtro de Kalman vase, por
ejemplo, Hamilton (1994)[ch. 13] y para una buena presentacin de modelos
de cambio de rgimen vase, por ejemplo, Hamilton (1994)[ch. 22].
Curva de rendimiento modelos en forma 127 State-Space

se calcula como un promedio ponderado de la predicha , utilizando como
factores de ponderacin el estado probabilidades del rgimen de
conmutacin de filtro. Estos probabilities se calculan como:
-1 t|t dt T|T = , (7.20) 1 (t|t-1 Dt)
donde denota el elemento por elemento, multiplicacin D recoge las
densidades en un vector fila y 1 es un vector de dimensin de j. Segn el
filtro de Hamilton, estas probabilidades se predice un paso por delante
de la siguiente manera:
t+1|t = pt|t-1, (7.21)
donde p es la probabilidad de transicin de Matrix. El filtro de Kalman
iteracin puede completarse mediante la actualizacin de P en la forma
regular y a travs de un promedio ponderado de los valores
actualizados:
Pt = Pt|T|T-1-Pt|t-1 H ft|t-1 H PT|t-1 (7.22)
j -1 j =t jt|T|T-1+Pt|t-1 H ft|t-1t|t-1 (7.23)
=t t|T|T B, (7.24)
donde B recopila =(1,2,...,S) y t|t as puede verse como un promedio
ponderado jt|t de j del rgimen individual .
La funcin log-verosimilitud a maximizarse es realmente el registro del
denominador de (7,20), es decir, el registro de la suma ponderada de las
densidades para cada uno de los regmenes:
T LogL()= log
1 *(t|t-1 Dt) ,
t=1,
donde 1 es un vector de unos (usada slo suma el estado densidades), Dt
recopila las densidades para cada estado j en el tiempo t, t|t-1 es un j
por 1 vector manteniendo el estado calcula las probabilidades en el
tiempo t dado informacin como de tiempo t-1, y denota el elemento por
elemento de multiplicacin.
Como se muestra en la figura anterior, la estimacin de mxima
verosimilitud, que se resuelve el problema al combinar el filtro de
Kalman y filtro de Hamilton. Por iteracin a travs de los datos, la
probabilidad de cada factor que se extrae de la j diferentes
posibilidades definidas por el estado es evaluado. Esto se logra mediante
la ampliacin de las "dimensiones" de en el filtro de Kalman para
colocar el nmero de estados que modela, y al final de cada iteracin por
el colapso de las "dimensiones" a uno de ellos a travs de un promedio
ponderado, donde los pesos son el rgimen probabilidades son obtenidos
por el filtro de Hamilton.
Ejemplo de estimacin de
la curva de rendimiento marco de modelizacin descrita anteriormente es
implementado en Matlab por las funciones que se mencionan a continuacin.
Los datos necesarios para estimar el modelo que se recoge en una hoja de
Excel llamado avp2beta.xls. Dado que existe una gran cantidad de datos
que se necesitan

para ejecutar la herramienta, es ms conveniente para recoger los datos
en Excel y, a continuacin, enviarlo a MATLAB MATLAB utilizando el
complemento de Excel. Los tres archivos de MATLAB necesarios pueden
descargarse desde el sitio web que acompaa al libro, y se llaman
avp2beta_shell.m, APD2beta.m y avp2beta_likeli.m. El primero de estos
archivos organiza los datos en una variable estructurada despus que se
llama el principal programa de clculo (avp2beta.m). La probabilidad de
funcin est programada en el archivo etiquetado avp2beta_likeli.m, que
se invoca desde el avp2beta.m.
Desde la aplicacin del modelo de MATLAB sigue muy de cerca la
formulacin de lae dada anteriormente, parece ms fructfero para dejar
al lector a ir a travs de los archivos. En su lugar, le mostraremos
algunos de los resultados que se generan cuando se ejecuta la
avp2beta_programa de shell.
Estado 1, pendiente media = -1,87 2 0 -2 Pr(Estado1)
-4 factor de inclinacin
-60 20 40 60 80 100 120 # 2 Estado de observacin, pendiente media = -
3,92 2 0 -2 Pr(Estado2)
-4 factor de inclinacin -60 20 40 60 80 100 120
Estado 3, pendiente media = -0,49 2 0 -2 Pr(Estado3)
-4 factor de inclinacin -60 20 40 60 80 100 120
Figura 7.3 Estado probabilidades y el factor de inclinacin
como puede verse en la Figura 7.3, se identifican tres regmenes
distintos. La probabilidad de que cada estado se muestra como un rea
sombreada en la figura y el factor de inclinacin es plot- ted para
servir como un punto de comparacin. Rgimen 1 es identificado por
observaciones pendiente tener una pendiente positiva de 1,87, es decir,
187 puntos base. Recordar que el factor de inclinacin en el modelo de
Nelson y Siegel es definida como menos el "tradicionalmente" utilizado
cuesta conven- cin, a fin de una pendiente negativa en la curva de
rendimiento de Nelson y Siegel modelo corresponde a una curva inclinada
hacia arriba. El segundo rgimen comprende fuertemente inclinado hacia
arriba las curvas de rendimientos, identificados mediante un factor de
inclinacin media de 392 puntos base. El ltimo rgimen
muestreo por importancia 129

comprende las curvas de rendimiento que estn cerca de ser plana, y
algunos incluso estn invertidas, gen- erated por una pendiente media de
aproximadamente 49 puntos base. Se observ adems en la figura que los
regmenes se identifican claramente por las probabilidades cercanas a la
unidad cuando el rgimen est activo y cero cuando el rgimen est
inactivo.
7.5 muestreo por importancia de
libros y artculos de revistas especializadas se han escrito acerca de
cmo llevar a cabo
8 estudios de Monte Carlo en la forma ms elegante posible. Este
florecimiento de la literatura probablemente debera ser visto contra la
proliferacin de opcin productos financieros complejos y la necesidad de
fijar el precio de tales instrumentos de forma rpida y precisa. Un
concepto clave en el diseo de los estudios de Monte Carlo inteligente es
cmo reducir la varianza del estimador, y hay diferentes maneras de hacer
esto, por ejemplo, control de muestreo diferente vara,
muestreo estratificado de 9, y as sucesivamente. Est ms all del
alcance de este captulo tratar a todas estas diferentes tcnicas y, por
lo tanto, elegimos a centrarse en una tcnica que es de particular
relevancia para la estimacin de las medidas del riesgo, a saber, la
importancia del muestreo.
Como se demuestra ms abajo, en un contexto de asignacin de activos,
muestreo por importancia es particularmente pertinente para el clculo de
medidas de riesgo de cola y estadsticas basadas en eventos raros.
7.5.1 Algunas teoras
de significancia. Por lo tanto, necesitamos una tcnica que genera una
sobre-representacin de la cola los resultados y al mismo tiempo nos dice
cmo ajustar la estimacin basada en simulacin resultante de este genera
cierto grado de sobre-representacin de cola. Una de esas respuestas es
proporcionada por la importancia tcnica de muestreo. Glasserman (2004,
p.255 y Apndice B.4) revisa los fundamentos tericos de la metodologa.
% Del tiempo si nos fijamos en el dficit previsto en un 99 % la idea
bsica de muestreo por importancia es centrar la atencin en las partes
de la distribucin de la variable que resultan de mayor inters para la
tarea a mano. Por ejemplo, si se quiere estimar el dficit previsto de
una cartera de bonos por la utilizacin de las tcnicas de simulacin,
una estimacin ms precisa se obtendrn si podemos generar ms
realizaciones en la cola de la distribucin de prdida que ocurrira en
circunstancias normales, por ejemplo, 1
Deje que h(x) representan una transformacin funcional de la variable x,
que es necesario para calcular la mtrica que nos interesa. Por ejemplo,
si el inters es sobre la estimacin de
1 h(x)= xIxVaR1-un 1-a, con el dficit previsto se representa la
variable simulada, T es el dficit previsto,
calculado por ES 1 T = t=1 h (XT). Aqu x el tamao de la muestra es el
nivel de confianza, el VaR1-a es el valor en riesgo para x, y me es un
indicador de funcin teniendo en el valor 1 si xt est en la cola, y 0 en
caso contrario. Para simular
8 Para buenos libros en este mbito, vase por ejemplo Glasserman Jaekel
(2004) y (2002).
9 En este contexto, el trmino 'inteligente' se utiliza como antnimo de
"fuerza bruta" de clculos.

la T de realizaciones de la variable x, una aplicacin de la fuerza bruta
(tradicional) la tcnica de Monte Carlo estipula que dibuja aleatorios
son generados a partir de una funcin de densidad de probabilidad F . Si
las innovaciones, et, al proceso que rigen
2 x varianza se distribuye normalmente con e introducirlos por 2 e ,
queremos llamar nmeros aleatorios a partir de N 0,e
la expresin de clculo apropiado para generar realizaciones para x. En
este caso f(x) es la funcin de densidad de probabilidad de la
distribucin normal.
En lugar de utilizar la densidad f para generar realizaciones para x, la
importancia tcnica de muestreo sugiere el uso de una densidad g. La
densidad g deben ser dif erentes- f para garantizar que un mayor nmero
de realizaciones de x tenga sobre los valores muy interesantes como, por
ejemplo, que
ms de 10 realizaciones de x caer en la prdida de cola, si queremos para
estimar el dficit previsto.
Adems, el ratio de dos densidades f y g se utiliza para ajustar la
estadstica de resumen calculadas para la sobre-representacin de
"interesante" observaciones generados por g. En efecto, la importancia
que el muestreo se calculan de la siguiente forma:
1
T f = h . (7,25) T
xj
j=1 g
xj xj
g a veces es referido como el 'shifted'ddensidad y el cociente f /g se
llama la tasa de densidad (o el radn-Nikodym derivado o la medida del
cambio). En la ecuacin (7.25) el trmino h xj cuentas para la evaluacin
de la funcin de la variable x desplazado, es decir, los valores para x
basado en la simulacin utilizando la densidad desplazado g. El numerador
f xj
representa la evaluacin de x en la densidad original, y g xj representa
la evaluacin de x en la densidad de desplazado.
7.5.2 un ejemplo
para ilustrar cmo importancia el muestreo puede ser implementado,
considere el siguiente script de MATLAB. Se calcula el dficit previsto
para una cartera de bonos e ilustra la importancia que la utilizacin de
la tcnica de muestreo puede reducir la variabilidad de la estimacin de
parmetros. El script genera 500 realizaciones del dficit previsto
estimador utilizando clculos de fuerza bruta, as como el muestreo por
importancia, para ilustrar la reduccin de varianza que pueden obtenerse
mediante el segundo mtodo. Si slo una estimacin del dficit previsto
es necesaria, como suele ser el caso en la prctica, uno naturalmente
debera establecer Niteri = 1, o repartir el cdigo correspondiente en
la secuencia de comandos, es decir, las lneas de cdigo dentro del bucle
de las lneas [22] [33] junto con las definiciones de variables.
.........................................................................
...
[1] nObs = 250;
% [2] Niteri = 500; [3] = 0,99; [4] f = ceros(nObs,1); [5] g =
ceros(nObs,1);
10 La eleccin de g tiene que satisfacer a f(x)> 0 g(x)> 0, vase
Glasserman (2004, p.255).
Muestreo por importancia 131

[29] g(k,1) = exp(-0.5( (( rp_ES(k,1)+iShift) ... ;) [22] para (
j=1:Niteri ) [23] disp( sprintf('Porcentaje completado %3f',
100*j/Niteri) ) [24] eps1 = randn(nObs,longitud(C))*chol(C); [25] RP =
eps1*w; [26] rp_ES = (EPS1+iShift)*w; [27] para ( k=1:nObs ) [28] f(k,1)
= exp(-0.5 ( rp_ES(k,1)2/(w'*C*w) ) % simulando devuelve la cartera
[21] % [20] [16] % VaR_base = -norminv(a)*sqrt(w'*C*w); [17] ES_base =
exp(-(norminv(a)2)/2)/(1-a)*(2*pi)0,5)*sqrt(w'*C*w); [18] ES_S =
ceros(Niteri,2); [19] % Calc VaR terica [15] % [14] % [12] iShift = -
10; [13] ;] [11] [ w = 0,51; 0,29; 0,00; 0,02; 0,18;] [6] [C = 18,6 15,6
17,9 15,8 11,3; [7] 15.6 21.4 19.6 19.9 10.9; [8] 17.9 19.6 36.3 28.2
15.8; [9] 15.8 19.9 28.2 35.8 16.1 11.3 10.9; [10 15,8 16,1 38,6
1/(1-a); [33] ES_S(j,2) = -significa([RP_ES<=VaR_base].30[ ... ]-
significa(rp_ES(:,1)+iShift) )2/(w'*C*w))); [31] Fin [32] ES_S(j,1) = -
significa([RP<=VaR_base].*rp)
1/(1-a); [34] [35] final disp('Medios') [36] significa(S_S) [37]
disp('varianzas") [38] ES_var(s) [39] disp('calculado tericamente
dficit esperado") [40] ES_base [41] figura [42] subparcela(1,2,1),
parcela(S_S(:,1),'k-'), ... ( F/g) ) . rp_es
ttulo('Standard [43] Estimacin"), axis([0 Niteri 0 max(S_S(:,1)]) [44]
subparcela(1,2,2), parcela(S_S(:,2),'k-'), ... el
ttulo('importancia Samp.
[45] Est.'), axis([0 Niteri 0 max(S_S(:,1)])
.........................................................................
...
Si se ejecuta la secuencia de comandos anterior da los resultados que se
muestran en la Figura 7.4. Se establece una comparacin entre la
estimacin de dficit previsto mediante fuerza bruta (grfico de la
izquierda) y mediante muestreo por importancia (el grfico de la derecha)
para 500 experimentos repetidos, cada uno de los cuales realiza clculos
de dficit previsto. El eje y escalas en las dos parcelas son

estimacin estndar de muestreo por importancia estimar 35 35
30 30
25 25
20 20
15 15
10 10
5 5
00 100 200 300 400 0 500 100 200 300 400 0 500
Figura 7.4 Las estimaciones del dficit previsto
idnticos y la reduccin de la varianza obtenida mediante muestreo por
importancia es, pues, sorprendente.
El medio estimado del dficit previsto los estimadores son idnticos a
los del valor terico de 10,8; sin embargo, la varianza del clculo de
fuerza bruta es de 46,6 en comparacin con una variacin de 1,2 para la
importancia tcnica de muestreo. Por lo tanto, este ltimo puede
facilitar una reduccin de varianza de un factor aproximadamente 50
utilizando los datos del ejemplo anterior. Adems, esta reduccin se
obtiene sin optimizar la distribucin desplazado.
Valor en riesgo utilizando la matriz de covarianza C. Esto parece %.
Lneas [4] y [5] pre- pare de vectores para contener los valores de
densidad, f para el unshifted y g para el trasladado de la densidad.
Lneas [6]-[10] definir la matriz de covarianza, lnea [11] la cartera de
pesos y lnea [12] el tamao del cambio de densidad media g. Lnea [12]
establece iShift = 10, que est cerca del 99 % pasando ahora al ejemplo
de archivo de comandos, lneas [1]-[12] arranque asignar valores a las
variables. Lnea [1] especifica el nmero de observaciones que se genera
para cada cartera simulada de distribucin y retorno de lnea [2]
especifica el nmero de veces que una cartera de distribucin de retorno
es simulada. En la Figura 7.4, el eje x se define a partir del 1 de
Niteri = 500, es decir, correspondiente al nmero de veces que se repite
el experimento de estimacin, y cada observacin en los grficos (uno en
cada grupo) es el resultado de espera corto cada calculada sobre la base
de nObs= 250 devuelve cartera simulada. Lnea [3] Establece el intervalo
de confianza, que en este caso es el 99
muestreo por importancia 133

dficit previsto, suponiendo que los datos subyacentes se distribuyen
normalmente. Lnea [18] prepara el vector, ES_S, como un contenedor para
el clculo prev dficit. Lneas [22]-[35] son responsables de los
principales clculos realizados por el script. Un bucle exterior sobre la
variable Niteri es atravesado por lneas [22]-[34]. El clculo dentro de
este bucle constituye as un nico clculo del dficit previsto sobre la
base de una fuerza bruta mtodo Monte Carlo y la importancia tcnica de
muestreo. Utilizando datos simulados los resultados se almacenan en el
vector llamado ES_S; el clculo y almacenamiento tenga lugar en lneas
[32] y [33]. Lnea [32] es el clculo aplicando fuerza bruta la funcin
Promedio 1 rpIrpVaR1-un 1-a. Lnea [33] realiza un clculo similar
pero utilizando la densidad desplazado. Por lo tanto la estimacin es
corregida por la densidad, la relacin f /g como se ha descrito
anteriormente. Lneas [28]-[40] calcular las densidades unshifted y
desplazado sobre la base de la distribucin normal. Como informacin para
el usuario, la lnea [23] imprime en pantalla el porcentaje completado de
las simulaciones. Lnea [24] genera correlacionada random nmeros
mediante la descomposicin de Cholesky, como hemos visto antes, y lneas
[25]-[26] calcular la cartera y desplazado unshifted devuelve,
respectivamente. Las lneas restantes [35]-[45] un informe de los
resultados. % VaR y ES_base contiene el 99 % para ser calificado para
adivinar el tamao del cambio, ya que el VaR marca el inicio de la cola
correspondiente al dficit previsto para los clculos. Lneas [16]-[18]
calcular el VaR y el dficit previsto terico valor utilizando (4.1) y
(4.2). Efectivamente, VaR_base contiene los 99
8 Crear interfaces grficas de usuario

8.1 INTRODUCCIN En
este captulo se ofrece una introduccin general sobre cmo construir
interfaces grficas de usuario (GUI) en MATLAB. Muchas posibilidades y
caractersticas estn disponibles para este fin, y el captulo actual
apenas araan la superficie. Siguiendo el espritu y la intencin general
de este libro, este captulo se ilustran las capacidades de GUI de MATLAB
a travs de un ejemplo. En particular, vamos a construir un front-end que
permite al usuario explorar de Nelson y Siegel (1987) como modelo
reparametrised por Diebold y Li (2006).
Ser capaz de utilizar el entorno de desarrollo para la GUI de MATLAB.
Aprender los elementos centrales de una GUI de MATLAB construccin
caracterstica (gua).
Aprenda a generar la entrada y salida de una GUI.
Aprender cmo pasar variables entre las funciones de la GUI.
8.2 EL ENTORNO DE DESARROLLO "guiar"
la forma ms sencilla de crear una interfaz grfica de usuario (GUI), y
el mtodo que vamos a utilizar, es iniciar el MATLAB "gua". Este es un
entorno grfico intuitivo que har que los elementos ms vitales de GUI
edificio disponible para nosotros con el clic de un botn. Para iniciar
la gua, simplemente escriba
.........................................................................
...
[1] Gua
.........................................................................
...
en el indicador de comandos. Esto abrir la pantalla mostrada en la
Figura 8.1.
Al hacer clic en 'Aceptar' para la opcin activada por defecto en la
pantalla de inicio se abrir el entorno de desarrollo en el que
desarrollaremos nuestra 'Nelson-Siegel ejemplo' GUI.

Figura 8.1 El MATLAB "guiar" Pantalla de inicio
a la izquierda en el rea de desarrollo de GUI (vase la figura 8.2) son
los distintos controles/callbacks que podemos aadir a la interfaz
grfica de usuario (GUI). Para la GUI que vamos a construir se utilizan
los siguientes:
un 'El Pulsador' nos permite ejecutar un comando cuando el botn est
activado; un texto de verificacin 'Editar' puede utilizarse para tomar
una sola entrada del usuario; el cuadro de texto 'Static' nos da la
posibilidad de escribir los encabezados y mensajes para el usuario; el
cuadro 'Ejes' nos permite imprimir una figura en la GUI -
alternativamente, una figura puede ser creada fuera de la GUI; la
funcin "convenientes" no se muestra en el rea de desarrollo de GUI,
pero permite una fcil entrada y salida a la GUI.
Se justifica un comentario adicional sobre el ltimo punto mencionado
anteriormente. Los "convenientes" es una caracterstica muy til para el
transporte de datos a y desde la GUI. Sobre la base de las dimensiones de
las filas y las columnas especificadas por el usuario, se instala una
cuadrcula similar a Excel en la GUI. Esto es mucho ms preferible que,
por ejemplo, una hoja Excel' componente ActiveX, porque un componente de
ese tipo slo funcionar si una versin compatible de Excel est
instalado en la mquina donde se ejecuta la GUI. Por lo tanto,
"convenientes", que es ms general y dar lugar a menos problemas si la
GUI, como suele ser el caso, est pensada para utilizarse en diferentes
ordenadores. Lamentablemente, "convenientes" parece no ser
la "gua" del entorno de desarrollo 137

Figura 8.2 El desarrollo de GUI rea
1 apoyado por MATLAB: no hay funcin de ayuda disponibles directamente.
No obstante, vamos a hacer uso del "convenientes" en este captulo.
Otra cuestin general mencionar es cmo utilizar el Inspector de
'propiedad', el cual se activa haciendo doble clic en el 'Controles'. El
Inspector de propiedades 'gui' le permite al diseador para cambiar las
caractersticas generales de un determinado control. Podemos ilustrar la
'propiedad Inspector' a modo de ejemplo, cambiando el nombre de nuestra
interfaz grfica de usuario (GUI). Actualmente se llama 'untitled.fig'
(ver la esquina superior izquierda de la figura 8.2). Cambiemos esto que
dice algo ms acerca del propsito de la GUI, por ejemplo, 'ejemplo' de
Nelson-Siegel. Para ello vamos a travs de los siguientes pasos:
1. Haga doble clic en el rea de la GUI, es decir, el rea gris en la
Figura 8.2.
2. Esto abrir la ventana emergente que se muestra en la Figura 8.3.
3. Desplcese a la propiedad 'Name' y cambie a 'ejemplo' de Nelson-
Siegel; 4. Cerrar el 'Inspector' como normalmente en Windows haciendo
clic en la 'x' en la esquina superior izquierda;
1 escrito 'help convenientes" en el indicador de comandos de MATLAB da el
siguiente mensaje: "Advertencia: Esta caracterstica no es compatible en
Matlab y la API y la funcionalidad puede cambiar en una futura versin."
El texto de ayuda para el "convenientes" puede ser encontrado escribiendo
'Editar convenientes", es decir, abriendo el cdigo fuente para el
"convenientes" en el editor de MATLAB. Tenga cuidado de no cambiar el
cdigo al hacer esto!

5. Guardar la GUI haciendo clic en el botn 'Save' en el rea de diseo
de GUI. Esto guardar el archivo de la figura y traer un MATLAB m-archivo
que contiene el cdigo de la interfaz grfica de usuario (GUI). Este
archivo, llamado 'NelsonSiegelExample.m', contiene algn cdigo
autogenerado que haremos, y en general, no debe tocar. Sin embargo,
debajo del cdigo generado automticamente, podemos aadir el cdigo que
eventualmente formar las funcionalidades de nuestra interfaz grfica de
usuario (GUI).
Figura 8.3 la 'propiedad' del Inspector
8.3 Creacin de una GUI sencilla
ahora estamos listos para rellenar el GUI con los controles que
necesitamos. Para cada control, aadimos a la GUI, Matlab genera
automticamente el correspondiente cdigo de 'encabezado' a la
'NelsonSiegelExample.m', es decir, archivos MATLAB agregar la funcin
necesaria declaraciones que se pueden modificar posteriormente. Para el
propsito de la GUI se necesitan los siguientes controles:
tres botones 'Push'; dos ejes de intervencin, reas de trazado;
siete 'Editar cuadros de texto'' y nueve cuadros de texto 'Static'; dos
'uitables' (no visto en el men GUI); dos grupos "botn" y cuatro
"Botones de radio"; tres 'Paneles' para mantener las funcionalidades de
la interfaz grfica de usuario independiente.
Crear una GUI sencilla 139

todos estos controles pueden agregarse al rea de diseo de GUI
arrastrndolos y soltndolos desde el men de la izquierda, aparte de los
"convenientes", que vamos a agregar manualmente en una etapa posterior.
En un primer paso, vamos a agregar los controles necesarios para el rea
de diseo de GUI, renombrar y cambiarles el tamao. Para el 'El Pulsador'
el texto que se muestra en el botn s pueden cambiarse en el Inspector
de propiedades' en 'String'. Tambin es una buena idea cambiar la
'Etiqueta' de la 'El Pulsador'. La etiqueta es el nombre que el botn
est dada en la funcin que MATLAB agrega automticamente al
'NelsonSiegelExample.m' archivo cuando se agrega un botn a la interfaz
grfica de usuario. Cambiar la etiqueta facilita la identificacin de los
botones y otros controles, una vez que empezamos a aadir funcionalidades
a la GUI.
Cambiar el nombre y la etiqueta se muestran en la figura 8.4 para el
primer botn pulsador aadimos a la GUI.
Figura 8.4 Cambiando el nombre y propiedades de etiqueta de un botn
"Push",
una vez que todos estos controles se agregan a la GUI debera parecerse a
la Figura 8.5.
El siguiente paso es aadir funcionalidades a la GUI. Esto se hace
agregando cdigo al 'NelsonSiegelExample.m' archivo. Por ahora, Matlab ya
ha aadido funcin llama a este archivo para cada uno de los controles
que hemos agregado a la GUI. Nuestro trabajo es aadir las lneas
especficas de cdigo para esta estructura generado previamente para
asegurarse de que la interfaz de usuario sea realmente el trabajo que
queremos hacer. Una caracterstica importante que necesitamos en esta

Figura 8.5 Nelson-Siegel
conexin GUI es poder transmitir datos y valores de variables entre las
llamadas a funciones de la interfaz grfica de usuario (GUI). Esto lo
podemos hacer mediante los siguientes comandos en la interfaz grfica de
usuario cdigo:
.........................................................................
...
;1 [j] maneja.var1 =
[k] guidata(hObject,asas); [y] maneja = guidata(hObject); [z] temp =
maneja.var1;
.........................................................................
...
Lnea [j] crea una nueva variable en la variable estructurada denominada
"maneja". La nueva variable llamada "var1" se le da el valor 1. Lnea [k]
almacena la variable 'administra' en 'guidata' registrarse bajo el objeto
llamado 'hObject'. Las variables almacenadas en 'administra' puede ser
entonces record y operaciones que se pueden realizar en ellas por otras
funciones en la GUI mediante lnea [y] para recordar la "estructura de
las asas y asignando los valores almacenados en los mangos estructura,
como se muestra por ejemplo en lnea [z]. Este proceso se ilustra en
detalle cuando se genera el cdigo de nuestro ejemplo de GUI.
8.3.1 Trazando la curva de rendimiento
Nuestro Nelson-Siegel GUI se divide en dos reas principales. En esta
seccin describiremos cmo llegar el primero de estos, etiquetados como
"Curva de Nelson-Siegel Plotting',
creando una GUI sencilla 141
en marcha. La finalidad de esta parte de la interfaz grfica de usuario
(GUI) es permitir al usuario para trazar curvas de rendimiento de Nelson
y Siegel. Para fines ilustrativos el GUI tambin parcelas el factor carga
implcita de la matriz Nelson-Siegel modelo, en particular por la
eleccin del parmetro . Sobre la base de los insumos de nivel,
pendiente y curvatura, , la GUI parcelas el factor de carga de la
estructura en la primera rea grfica y la curva de rendimiento de Nelson
y Siegel en la segunda rea grfica. En otras palabras, siga- cin de la
ecuacin (7.10), el primer trazado rea muestra Yt () sobre la base de
la entrada suministrada por t y , a partir de la ecuacin (7.11); el
segundo trazado rea muestra h (7.11).
Primero necesitamos para almacenar los valores de entrada introducidos en
los cuatro cuadros de edicin para , nivel, pendiente y curvatura. El
cdigo generado automticamente por el MATLAB para el cuadro de edicin
llamada consta de dos partes, como se ilustra a continuacin.
.........................................................................
...
[1] funcin edit1_CALLBACK(hObject, eventdata, asas)
doble [9] %---se ejecuta durante la creacin de objetos, despus de
establecer todas las propiedades. % Str2double(get(hObject,'String')
devuelve el contenido de edit1 como [8] % Sugerencias:
get(hObject,'String') devuelve el contenido de edit1 como texto [7] %
maneja estructura con asas y datos de usuario (vase GUIDATA) [5] [6] %
eventdata reservados - a definirse en una futura versin de MATLAB [4] %
hObject manejar a edit1 (vase GCBO) [3] % [2]
Sugerencia: controles de edicin suelen tener un fondo blanco en Windows.
% Llamado [15] % asas asas vacas no se crean hasta despus de que todos
CreateFcns [14] % eventdata reservados a definirse en una futura versin
de MATLAB [13] % hObject manejar a edit1 (vase GCBO) [12] % [10] funcin
edit1_CreateFcn(hObject, eventdata, asas) [11]
Vase ISPC y equipo. % [16]
[17] Si ispc && isequal(get(hObject,'BackgroundColor'),...
[18] get(0,'defaultUicontrolBackgroundColor") [19]
set(hObject,'BackgroundColor','White'); [20] fin
.........................................................................
...
signo que es interpretado por MATLAB como un comentario de texto. Lnea %
[1] contiene la llamada a la funcin generada automticamente por la
primera casilla de edicin. Lneas [2]-[7] contiene el texto de la
informacin que no se ejecuta cuando se ejecuta el cdigo porque todas
las lneas estn precedidas por una
lneas [9]-[20] tambin contienen cdigo generado automticamente
relativas al cuadro de edicin. No vamos a comentar o modificar la
presente parte del cdigo.
El propsito de la caja de entrada llamado "edit1' es tomar la entrada
del usuario para el valor de y almacenarlo en el 'guidata'. Cmo hacer
esto se muestra a continuacin.
.........................................................................
...
[1] funcin edit1_CALLBACK(hObject, eventdata, asas)
[2] maneja.Lambda = str2double(get(hObject,'String')); [3](guidata
.........................................................................
... hObject,asas)
De nuevo, la lnea [1] es la llamada a la funcin. Como hemos visto
anteriormente, la lnea [2] genera una nueva variable, en este caso
llamado 'Lambda', y aade esta variable a la estructura "maneja". El
valor introducido en el cuadro de edicin es transferido a la variable a
travs del get(hObject,'String') comando. La palabra clave 'string'
indica que el tipo de datos del cuadro de entrada de texto. Para
convertir el texto en un nmero que usamos la funcin Str2doble comando.
Lneas de cdigo similares se repiten para cada uno de los cuadro de
entrada llamada funciones, segn la cual las variables 'Nivel', 'Lope' y
'Curvatura' se generan y se agrega a la estructura de datos "maneja".
Tras la entrada de variables han sido recopilados y sus valores aadidos
a la estructura de datos podemos completar la primera parte de la GUI que
imprime Nelson-Siegel curvas.
El cdigo siguiente muestra cmo.
.........................................................................
...
[1] funcin plot_curve_CALLBACK(hObject, eventdata, asas)
... Construir la curva de NS y sensibilidades [9] nTau = 120; [10] tau =
[1:1:nTau]"; [11] H = [(nTau,1) (1-exp(-Lambda.Tau)./(Lambda.tau) %
... Organizacin de datos [3] maneja = guidata(hObject); [4].Lambda
Lambda = asas; [5] Nivel = maneja.Nivel; [6] pendiente =
maneja.Pendiente; [7] = Curvatura maneja.Curvatura; [8] % [2]
parcela por parcela y [20](Y,'LineWidth',2); [21]([1 axis 120 Nivel
0+1]); [22] set(ACG,'XTick'[12:24:120]); % Parcela para H MATRIX [16]
parcela(H); [17] axis 120([1]); 0 1.2 [18] set(ACG,'XTick'[12:24:120]);
[19] Axes(maneja.ejes2_Yield_Curva); % ... Trazar los resultados [15]
Axes(maneja.ejes1_loading_structure); % [13] Y =
H[Nivel;Pendiente;Curvatura]; [14] ;] [12] (1-exp(-
Lambda.Tau)./(Lambda.tau)-exp(-Lambda.
.........................................................................
... Tau).
Lnea [1] define el nombre de la funcin segn nuestra eleccin hecha por
la 'etiqueta' en la 'propiedad Inspector" relacionados con el botn
'push' call back en el formulario de la GUI. Lnea [1] es generado
automticamente por Matlab y en general no debe ser cambiado.
Lo que tenemos que hacer, sin embargo, es la primera en organizar los
datos tiles para el trazado de la curva de rendimiento de Nelson y
Siegel. Las variables se almacenan en la "maneja'sestructura
crear una GUI sencilla 143

y lneas [3]-[7] extraer valores de entrada del usuario. Lnea [3]
transfiere el 'gestiona' la estructura para la funcin de modo que puede
utilizarse ms. Lneas [4]-[7] posteriormente asignar el usuario-
introducir valores a variables dado nombres descriptivos, a saber,
'Lambda', 'Nivel', 'Lope' y 'Curvatura'. Se puede observar cmo el
"maneja" estructura tiene asignado un campo para el valor de cada
variable y cmo estos valores pueden ser recuperados y reasignado a otra
variable, como se ilustra arriba. Lnea [9] especifica una variable
denominada 'nTau' que contendr el nmero de observaciones de madurez que
queremos incluir en las parcelas. En principio, "nTau" tambin podra ser
una variable de entrada, pero desde su valor slo afectar a la suavidad
de las curvas representadas y, desde un valor de 120 ser adecuado para
cualquier propsito prctico, parece haber poca justificacin para pedir
al usuario que especifique su valor. "NTau' es una constante, por lo
tanto, decidido por el programador. Lnea [10] genera un nTau por 1
vector de observaciones para los valores de 1 a nTau con una longitud del
paso 1. Lneas [11]-[12] contiene la frmula de matriz Nelson-Siegel
sensibilidad llamado 'H'. La frmula usada ser reconocido a partir de la
ecuacin (5.2). Siguiendo la ecuacin (5.1), la esperada Nelson-Siegel
curva puede calcularse cuando suponiendo que vector t = 0. Esto se hace
en lnea [13] y los rendimientos para el 120 Los vencimientos son
almacenados en el vector llamado 'Y'. El nico problema que queda por
tratar es trazar la H y la matriz y vector en las reas de trazado
designado en la GUI. Esas zonas son llamados "ejes" y lneas [15]-[18]
mostrar cmo trazar el factor de sensibilidad a la matriz de la primera
zona de ejes que hemos generado en la GUI. Normalmente en MATLAB
empezamos utilizando el comando "figura" antes de la funcin 'Imprimir'
para garantizar que la parcela que creamos no sobrescribir un grfico
anterior. Asimismo, en la interfaz grfica de usuario debemos primero
activar los ejes que queremos trazar y, a continuacin, realizamos la
parcela. [15] la lnea 'activa' el rea de trazado que hemos generado
para mantener el factor sensibilidad parcela. Esta rea fue bautizado con
el nombre de ejes1_loading_estructura que est contenida en la
"maneja'sestructura. Lnea [16] Luego parcelas H en los ejes 'Activado'.
[17] la lnea especifica los ejes x e y, definiendo el eje x para abarcar
los valores de 1 a 120 (para los vencimientos) y los ejes y abarcar de 0
a 1.2. Lnea [18] concluye la parcela ajustando el tamao de graduacin
del eje x a valores de 12 a 120, con un tamao de paso de 24. Desde la
madurez est expresado en meses mejora la legibilidad de la parcela si se
lleva a cabo. Las lneas restantes de la funcin anterior, lneas [19]-
[22], completar la trama, asignando a la segunda zonas ejes-Siegel Nelson
calculado los valores de la curva de rendimientos. Con esto finaliza la
primera parte de nuestro Nelson-Siegel ejemplo de GUI. Un ejemplo de cmo
esta parte de la GUI puede ser utilizado en la figura 8.6.
8.3.2 estimar y curva de rendimiento factores
para completar nuestro GUI necesitamos generar una funcin que permite el
clculo de la variable as como la curva de rendimiento de Nelson y
Siegel factores. De acuerdo con la eleccin del usuario para estimar
'Lambda' o 'Factores', el usuario debe proporcionar los datos de la curva
de rendimientos, as como para que los vencimientos de la curva de
rendimiento de datos es observado. A tal fin, la parte inferior de la GUI
de Nelson y Siegel ejemplo toma cuatro insumos iniciales. Esta rea de
entrada se muestra en la Figura 8.7.
144 Crear interfaces grficas de usuario la
figura 8.6 ilustra el uso de la primera parte del ejemplo de GUI-Siegel
Nelson
Figura 8.7 rea de entrada para la parte inferior de la GUI de Nelson y
Siegel ejemplo

las entradas 'Nmero de vencimientos' y 'Nmero de rendimientos" ayudan a
definir el rea de entrada. Para que la herramienta para poder estimar el
'Lambda' coef- o el ficient Nelson-Siegel factores, necesita datos de
curva de rendimiento. Las entradas para estas dos variables sirven para
definir el tamao de la matriz de datos para contener la curva de
rendimiento observaciones y la longitud del vector para mantener los
plazos en que los rendimientos son observados. Para almacenar los valores
introducidos en los dos cuadros de entrada es la misma que se explic
anteriormente y, por lo tanto, se omite aqu. La segunda parte del rea
de entrada se define sobre la base de las entradas en "Nmero de Maturit-
ies' y 'Nmero de rendimientos". En particular, el 'El Pulsador' call
back 'poblar' del rea de entrada activa dos uitables de dimensiones
adecuadas. El cdigo se muestra a continuacin.
.........................................................................
...
[1] funcin Rellenar_input_AREA_CALLBACK(hObject, eventdata, asas)
... Rellenar rea de entrada [12]
uicontrol('estilo','texto','String','Intro Lambda', 'Posicin',... % [2]
maneja = guidata(hObject); [3].nMaturities nMaturities = asas;
[4].nYields nYields = asas; [5] DAT_mat = nan(nMaturities,1); [6] DAT_Y =
nan(nYields,nMaturities); [7] DAT_full_lambda = nan(1,3); [8] para ( j =
1:nMaturities ) [9] colnames(1,j) = cellstr(strcat('Y_tau ',
num2Str(j))); [10] Fin [11]
[13] [315 260 80 15)]; [14] convenientes_lambdas =
convenientes(dat_full_lambda, {'Lambda',...
[15] 'inferior', 'Superior'}, 'Posicin', [310 220 250 35]); [16]
uicontrol('estilo','texto','String','Introduzca los
vencimientos','Position',...
[17] [315 195 80 15)]; [18] convenientes_Vencimientos =
convenientes(dat_mat, {'tau'},...
'Posicin', [310 40 105 150]); [19]
uicontrol('estilo','texto','String','Introduzca los
rendimientos','Position',...
[15] 600 195 100); [20]
convenientes_YIELDS=convenientes(dat_S,colnames,'Position'[430 40 385
150]);
[21] maneja.convenientes_lambdas = convenientes_lambdas; [22]
maneja.convenientes_Vencimientos = convenientes_vencimientos; [23]
maneja.convenientes_YIELDS = convenientes_rendimientos; [24](guidata
.........................................................................
... hObject,asas)
Lnea [1] define el nombre de la funcin, la lnea [2] carga los datos
'gestiona' en la funcin y las lneas [3]-[4] son estndar por ahora.
Lnea [5] genera un vector que contendr los plazos definidos por el
usuario en el que los rendimientos sean observados y lnea [6] De igual
manera define una matriz en la que se sostenga la curva de rendimientos
reales observaciones. Se considera que estas dos variables de entrada
reciben inicialmente el "Nan" valores. Lnea [7] genera un vector para
celebrar el inicio y lmites superior e inferior para el "coeficiente
lambda', si el usuario

elige para estimar 'Lambda'. Lneas [8]-[10] generar informacin de
encabezado para la madurez observaciones. Lneas [12]-[20] generar
uitables necesarias para el almacenamiento de los insumos adicionales que
comprende los vencimientos, la curva de rendimiento observaciones y el
valor inicial de la lambda junto con lmites inferiores y superiores en
'Lambda'. Lneas [21]-[23] Guardar la entrada en la "estructura de las
asas y la lnea [24] Finalmente almacena la "estructura de las asas para
su uso posterior. Para cada entrada convenientes tambin nos genera un
ttulo. Uno necesita jugar con el posicionamiento del ttulo y los
convenientes para arreglarla. El principio general que utilizamos para
definir el ttulo por un 'texto''uicontrol'como se ilustra por ejemplo en
lnea [14]. A continuacin, la posicin y el tamao de los convenientes
se define en consecuencia, como en la lnea [15].
Esta rea en particular es generado para contener el vector de
vencimientos. Los nmeros que se introducen en este convenientes se
almacenan en la variable_calleduitable vencimientos por definir esta
variable igual que el comando adecuado. La primera entrada a los
convenientes es el vector de datos previamente definidos, que hemos
denominado 'dat_mat'; la siguiente entrada es el ttulo:
en este caso, utilizamos el ttulo 'tau'; a continuacin se da una
palabra clave 'Posicin', que indica que lo que sigue define la posicin
de los convenientes. La posicin es definida por cuatro nmeros: (i) la
distancia hasta el lmite izquierdo de la GUI, (ii) la distancia al suelo
de la GUI, (iii) la altura y, finalmente, (iv) la anchura.
Si pulsamos el botn 'Rellenar rea de entrada' en el cdigo anterior se
activa y genera la ampliacin del rea de entrada se muestra en la Figura
8.8.
Figura 8.8 La ampliacin del rea de entrada

Por ahora sabemos los grandes bloques de construccin necesarios para
construir interfaces grficas de usuario fciles de utilizar. La nica
caracterstica que todava necesitamos presente es cmo transferir
valores desde un panel de botones 'radio' a la 'estructura de las asas.
Esto se muestra a continuacin en el cdigo que se aplica a la
"estimacin".
.........................................................................
...
[1] funcin Estimacin_CALLBACK(hObject, eventdata, asas)
[3] maneja = guidata(hObject); [4]
convenientes_lambdas=STR2double(celda(maneja.convenientes_lambdas.GetData
); [5] convenientes_Vencimientos =
str2double(celda(maneja.convenientes_vencimientos. % [2]
getData); [6] convenientes_YIELDS =
str2double(celda(maneja.convenientes_YIELDS.
getData); [7] tst = get(maneja.ESTIMATE_panel,'SelectedObject'); [8]
Estimacin_ = get(TST,'String'); [9] [nObs nMaturities] =
tamao(convenientes_rendimientos); [10] Si ( strcmp(estimar_, "factores")
) [11] [Beta,U,Res,optim ] = NS_GUI_code(convenientes_rendimientos
convenientes_ vencimientos,convenientes_lambdas, 0); [12] %...
[13] %... La construccin de la salida [14] %...
[15] %... Betas [16] c_Beta=corr(beta); [17] figura; plot(beta);
estimaciones('title'); factores xlabel [18] ('Obs#');... ylabel('valor');
[19] figura; [20] convenientes(Beta, {'nivel', 'Lope', 'Curvatura'},
'Posicin',...
[21] [10 30 270 350]); [22]
uicontrol('estilo','texto','String','Factores', 'Posicin',...
[23] [70 385 80 15)]; [24] convenientes(c_Beta, {'nivel', 'Lope',
'Curvatura'}, 'Posicin',...
[25] [70] 300 310 250); [26] uicontrol('estilo','texto','String','la
correlacin de factor",...
[27] "posicin", [15] 330 385 200); [28] %... residuales [29] c_u =
corr(u); [30] m_u = PROMEDIO(u); [31] figura; surf(u);('title'); Residuos
xlabel('Maturity#'); [32] ylabel('Obs#') zlabel('valor'); [33] Por (
j=1:nMaturities ) [34] colnames(1,j) = cellstr(strcat('Res_tau ',
num2Str(j))); [35] Fin [36] figura; convenientes(u, colnames, 'Posicin',
[50 30 450 350]); [37] uicontrol('estilo','texto','String','residuales',
'Posicin', [180 385 80 15)]; [38] figura; convenientes(c_u, colnames,
'Posicin', [50 180 450 160]); [39]
uicontrol('estilo','texto','String','la correlacin de residuos',...
[40] 'Posicin'[150 345 280 15
148]); construccin de interfaces grficas de usuario

[41] figura; bar(m_u);('title'); Residuos promedio xlabel [42]
('Maturity#'); else [43] [Beta,U,Res,optim] =
NS_GUI_code(convenientes_rendimientos convenientes_ [44] vencimientos,
convenientes_lambdas, 1); [45] %...
[46] %... La construccin de la salida [47] %...
[48] figura; plot(Res(:,2),Res(:,1)./nObs); ttulo('Sum Resid2');...
[49] xlabel('Lambda'); ylabel(error "cuadrada"); ...
[50] optimal_L = cellstr(strcat('Lambda ptimo=', num2str
(Res(optim,2)))); [51] uicontrol('estilo','texto','String',optimal_L,
'Posicin', ...
[15] 150 345 280); [52] fin
.........................................................................
...
En aras de la exhaustividad que elegimos para mostrar toda la llamada de
funcin para el botn 'Calcular' aunque muchos de los componentes de
programacin incluidos en la funcin son bien conocidos por ahora. Por lo
tanto, no vamos a dar cuenta detallada de todas las lneas de
programacin y pasos anteriores sino centrar la atencin en las pocas
cuestiones que no han sido aclarados hasta ahora. Tambin se puede
observar que la "estimacin'botn funcin llama a una funcin externa
calledNS_GUI_code. Este cdigo utiliza componentes de los captulos
anteriores y nos dejar al lector a investigar an ms esta funcin. Aqu
slo podremos afirmar que contiene dos funciones de clculo bsicas: una
que calcula el coeficiente -Siegel Nelson y uno que calcula la curva de
rendimiento de Nelson y Siegel factores.
Lneas [7]-[8] muestran cmo extraer la eleccin hecha por el usuario en
un panel de "botones de radio". En el primero se realiza sobre esta
construyendo un temporal vari- capaz llamado 'tst' que toma el valor del
botn de opcin elegida por el usuario.
Esto se realiza mediante la llamada a la funcin
get(maneja.ESTIMATE_Panel, 'SelectedObject'), donde
'maneja.ESTIMATE_Panel" se refiere al nombre del botn se define 'grupo'
y 'objeto'elegidos extrae la eleccin hecha por el usuario.
[8] lnea convierte la variable temporal en 'string' formato y almacena
esta cadena en la variable llamada "Estimacin_'. Ahora es posible usar
esta variable en el programa como se hace por ejemplo en lnea [10],
donde la funcin 'strcmp' se utiliza para comparar dos cadenas en un
esfuerzo para ejecutar el cdigo de tal manera que la eleccin hecha por
el usuario se ha cumplido.
Las partes restantes del cdigo representan material familiar y dejamos
scrutinisation an ms al lector.
9 frmulas tiles y expresiones

9.1 Introduccin
Esta seccin recoge algunas frmulas y expresiones tiles.
9.2 Operaciones matriciales
9.2.1 Definiciones
una coleccin de nmeros en una matriz bidimensional se denomina matriz.
Si la matriz tiene una r puede definirse como:
) = a(i,j) ,i={1,}...,r j = {1,...,c}.

Las filas y columnas de la matriz a c(1,1) a(1,2) (1,c a(2,1)(2,2)
(2,c,c(r) = . . .. . . . . .. ..
Un (r,1)(r,2) (r,c)
cuando r = 1 de la matriz se dice que es un vector fila y cuando c= 1 de
la matriz se dice que es un vector columna. Cuando r = c la matriz se
dice que es cuadrada. La recopilacin de los elementos de la diagonal de
una matriz cuadrada es denotada por:
a(1,1)
a ) diag(r,r) = = a(i,i) , i={1,2,...,r}.
(2,2
...
Un (r,r)
9.2.2 Suma
(r,c)+B(r,c) =(r,c)+b(r,c)
(A+B)+C = A + B + C).
9.2.3
Un producto(r,c)B(c,q) = C(r,q)
UnB = BA.

9.2.4 El color transponer
T (A ) = A
T T T T (A+B+C) = A + B + C
T T T T (unB C) = C B .
9.2.5 matriz simtrica
T cuando un= a la matriz se dice para ser simtricos.
9.2.6 La matriz identidad
1 0 0 0 1 0 I(n,n) = . ... ... .. ...
0 0 1
(r,c)I(C,c) = A(r,c)
(c,r)I(r,r) = A(c,r).
9.2.7 determinante
el determinante slo est definida para matrices cuadradas. Para las
matrices bidimensionales el determinante tiene una interpretacin
geomtrica como el rea del paralelogramo atravesado por los dos
vectores. Generalmente, el determinante puede calcularse de forma
recursiva.
Vamos a(-1, c) ser la matriz A(c,c) donde la primera fila y la CTH
columna han sido eliminados. Entonces:
n
c+1 det (A)= (-1) a(1,c)det A(-1,-c) .
c=1
en un 22 caso este clculo arroja:
det
4 2 = 143-121= 10 1 3 Undet (B)= det det(A) (B)
-1 det A = 1/det (A).
Operaciones matriciales 151

9.2.8 el rango de
una matriz se dice que tienen rango completo si todas las columnas
(filas) son linealmente independientes. Una matriz tiene rango <
min{r,c}, donde c es el nmero de columnas y r es el nmero de filas, se
afirma no tener pleno rango:
(r,c)
( = TA * A) =
min{r,c} T T UNA = (A).
Cuando (A)= r la matriz se dice que tiene el rango de filas completas y
cuando (A)= c se dice que tiene rango de columna completa. El concepto
de rango es importante porque se relaciona con la invertibility de
matrices. Para una matriz cuadrada S(c,c) con rango C, S, se dice que es
la no-
-1 singular y un exclusivo S , la inversa de s, existe. Cuando el rango
de S es menor que C, S, se dice que es singular y su inversa no existe.
9.2.9 inversa
si el determinante de una matriz A(r,r) es distinto de cero, entonces la
inversa de un
1 existe y es denotada por : -a
-1 -1, -1, -1 (UNB C) = C B una t -1 1 t = -a
-1 A =I
-1 -1 -1 [A] = , durante un escalar = 0.
No es una matriz singular que existe a la inversa. Una matriz singular es
uno que tiene una determinante de cero. As, la inversa de una matriz
singular no existe.
9.2.10 Trace
Tr (A)= ajj
j
Tr (A+B)=(A)+tr tr(B) UnTr (B)= BTr (A).

9.2.11 poderes
para una matriz cuadrada:
kA =
k
0A = I.
9.2.12 valores propios y vectores propios
de una matriz cuadrada a los valores propios y vectores propios pueden
encontrarse como solucin a:
c= I c
que puede escribirse como:
()I c= 0,
donde c es llamado eigenvector y eigenvalue asociado. De lo anterior
puede deducirse que para c = 0, debe cumplirse que la matriz (I) es
singular, pues si (I) no es singular que obtendramos c= 0 pre-
multiplicando el encima de
-1 con (I) . Por lo tanto, una solucin para los autovalores surge de:
det(I)= 0.
9.2.13
La matriz simtrica definida positiva(r,r) se considera positiva si:
Tx semidefinite unx 0,
donde x(i,1) es un vector. Para una matriz definida positiva(r,r) y el
vector x(i,1) las siguientes:
Tx posee unx > 0.
9.2.14 Matrix
para diferenciar los vectores a y b y una matriz simtrica X se aplican
las siguientes reglas:
T T un b b a = = b b TB X b = 2 X. b. b
9.3 DESCOMPOSICIONES
Descomposiciones 153
9.3.1 Triangular
= L T D L
es vlida y nica para cualquier simtrica definida positiva matriza. L
es inferior triangular y D es una matriz diagonal:
1 00 0 l21 1 0 0
L = l 1 ... y D
d11 0 0 0 0 d22 0 0
=
.
l31
...
32
... ... .. 0
LR1 LR2 LR3 1
9.3.2 Cholesky
un= P
0 0 ... .
. ... ...
0 0 0
d33
... .. 0
drr
T P
1/2 donde P = LD , utilizando la notacin de la factorizacin triangular
anterior. Por lo tanto,
,
P es triangular inferior como L, pero su diagonal est poblada por la
raz cuadrada de los elementos de D:
l21
P = L31
LR1
11d
D11 D11
...
d11
d22 0 0 0 l32 D22 D33
.. .
. ..
LR2 LR3 D22 D33
0 0
... .
...
9.3.3
Un Eigenvalue= C*
0
1 drr -C
es la descomposicin eigenvalue cuando tiene valores propios que son
distintos de cada
,
otros. Recoge los valores propios a lo largo de la Diagonal y C recopila
los vectores propios:
1 0 0 0 0 2 0 0
(r,r) = 0 0 ... y
c c c c c
. ... ...
0 0 0
3
... .. 0
r
(r,r) = .
1
...
2
...
3
... ...
R
...

desde los valores propios son distintos, el determinante de -1C existe y
as lo hace C .
Tenga en cuenta que:
-1 A= C C UNC = C*.
9.4 Reglas Bsicas
9.4.1 Index rules
m n m+n un a = a
m n m-n /a =
m a un b = (B) m
m m m a /b = (a/b)
-n a = 1/
m a n(n) = potencia de una potencia regla
bases iguales ndices iguales
= 1=
0a m m n n/m
1/m m = A = a .
9.4.2 reglas logaritmo
ln(e)= 1 ln(1)= 0
m ln(e )= m
ln(unb)=
raz cuadrada ln
ln(a/b)= ln
(a)+ln(b)
m ln(a )= m*
(a)-ln(b) ln
ln( m a)= 1/m
(a) ln
9.4.3 derivados simples
f (x) c ln(x)
xe x ke
xa xa
1
x pecado
-1 = x
1/2 x = x (x) cos(x)
-1 1 -2 -x2
-x 1 =
1 -1/2 2 x = 2 x cos(x)
(a).
f(x) 0
1 xxe
x k ke
xa ln(a) unx
-sin(x)
Definicin:
df f(x)= = dx lim
h0
Linealidad:
d +g(x) =
Reglas Bsicas 155
f(x+h)-f(x). h
df (x) La DG(x) +
f(x) dx d dx Dx
f(x) dx c
producto regla: d
(x)g(x) = f (x
df (x) = c . dx
dx f
cociente regla:
d f(x) f(x)
)g(x)+f (x)g (x).
g - x = dx g(x)
Cadena regla: d
= f(g(x) = f d (x)
g
)g (x). (X) g(x
f ( 2)
df dg (x) g (x)= * .
9.4.4 Simple integrales
f(x) F
DG DX
0 k
(x)
k kx ln(x) x ln
xe e (x) x
x
x 1 ke k
kx e
xa
ax
ln(1
) una xa
+1 x +1 1 -1 = x ln|x x 1/2 2 | x = x 3 2 3/2 x x = x 3 sin(x)

-cos cos(x) pecado (x)
integral indefinida: f(x)dx =
f (x) la
integracin es lineal:
(x)+c.
f(x)+g(x) dx = f(x)dx+ g(x)dx

si c es una constante: cf(x)dx = c* f
integral definida:
b
f(x)dx = [f (x
(x)dx.
b
a a
f(x)
)]a = F (B)-F (a)
a b
f(x)dx =-
Dx = 0 a
F
a b c
f(x)dx+ f (
x)dx
b c
a b
9.5 distribuciones
x)dx = f(x)dx.
Un
9.5.1 Normal
1 fYt (Yt)= 2 2
tiene una distribucin normal con media
2
-(yt -) exp , 2 2
2 y varianza , es decir, la variable 2 yt N , Yt
.
9.5.2 normal multivariada
-n/2 -1/2 fY (y)= (2) *| | exp (-
-1 1/2
con E (y -)*(y -) = . Tenga en cuenta que

9.5.3 Vasicek limitar la distribucin de
esta densidad es relevante en aplicaciones de riesgo de crdito y da la
distribucin de prdidas
)*(y-) (y-) ,
-1/2 | = 1- 1/2 .
Debido a predeterminada se basa en las siguientes entradas: es la
correlacin entre emisores/bonos y p es la probabilidad de
incumplimiento. Se supone que y p son idnticos para todos los
emisores/bonos. La densidad proporciona la distribucin para limitar las
prdidas de una cartera con bonos de emisores/k donde k :
1- 1 f (x;p,)= exp -- * 1 -1, -1, 2,
1 -1 2 N 2 (x)-N (P) + , 2
N (x)
Funciones 157
- 1, donde N es el inverso de la distribucin normal. La funcin de
distribucin acumulativa es dada por: -1 -1 1- N )-N (p) f (x;p,)= N
. (X
la distribucin de prdidas est definida en el intervalo 0 X 1, por
lo que x puede interpretarse como el porcentaje de la cartera que se
pierde.
9.6 Funciones
9.6.1 afn (lineal) de la funcin f (x)= c+bx,
donde c y b son constantes escalares. c es el valor de la funcin cuando
x = 0 y, por lo tanto, donde la funcin cruza el eje y; esto tambin se
conoce como la interseccin. b es la pendiente de la funcin, es decir,
cunto se expresa el valor de la funcin responde a un cambio en la
variable x. En un contexto de matriz la ecuacin lineal de muchas
variables puede ser expresada en una forma compacta como:
unidades de 1,2 x1,c b1
x x b y(r,1) = c+ = c(1,1)+x(r,c)b(c,1),
x1,1 x2,1 . ..
2,2
...
2,c
...
2
...
xr,1 xr,2 xr,c bc
donde Xr,c representa los diferentes variables y la vectorb recoge la
vertiente coeficientes para cada variable.
9.6.2 funcin cuadrtica
2 f(x)= c+b+ax x ,
donde c, b y a son constantes escalares. Las soluciones:
2 -b b2-4unc si b 4unc== 2 unidades de 1,2 a

2 y si b < 4unc entonces la ecuacin cuadrtica no tiene races
reales (pero una solucin y con complejas races existe). La funcin
tiene un punto mximo, si un < 0, es decir, entonces es -forma y un
punto mnimo si a > 0, es decir, entonces es formada. Este punto
mnimo o mximo est definido por:
2 b 4un c-b t1,2 = - , . 24

generales 9.6.3 polinomios
n f(x)= unx +un 1-xn1++a+ax= 0
es un polinomio de orden n.
Exponencial 9.6.4
f(x)
es una funcin exponencial con base
x = a. Utilizando la base natural e 2,718 da la funcin exponencial
natural:
f(x)= exp x
9.6.5 Logaritmo
f(x)=
(x) = e .
ln
y ln(x)=
(x)
y x = e
9.6.6 funcin Error
erf (x)= 2
.
x -u2 e du
es la integral de la distribucin normal estndar.
0
9.6.7 Inverse
-1f
se dice que es la inversa de la funcin f (x). Es importante sealar que
(x)
-1f significa 1/f (x), es decir, "-1" no se refiere a la potencia de la
funcin como es otra cosa (x) no es
habitual. Algunos ejemplos son:
f(x) ln(x)
a/b x
ax
una ilustracin grfica se muestra en la figura 9.1 para la distribucin
normal acumulativa
-1f (x) exp(x)
x
1 b/a/a x
y su inversa:
Las tasas de inters, los rendimientos y estadsticas de cartera 159
N(x) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0-4 -2 0 2 4 de la
figura 9.1 muestra un ejemplo de una funcin y su inversa
-1 N (x) 4
3
2
1
0
-1
-2
-3
-40 0,2 0,4 0,6 0,8 1
9,7 series de Taylor Aproximacin
2 df 1 d f f (x+
)= f(x)+
+ dx 2! Dx2 *
3 r 2 1 d f 3 1 d f r
+ *
+
donde r! Es el factorial de r, es decir, r! = r*(r 3! Dx3 r! Dxr
+R,
-
9,8 de las tasas de inters, las DEVOLUCIONES Y LA CARTERA
1)*(r-2)2 1.
Las estadsticas
las frmulas y expresiones dadas a continuacin muestran cmo calcular
las tasas de inters y los rendimientos durante varios perodos. Tambin
se muestra cmo resumen medidas de riesgo tales como la duracin
modificada puede ser agregada a nivel de portafolio.
9.8.1 aritmtica acumulativa de retorno
R1,n = R1+R2++
n
9.3.8 media aritmtica

1 de retorno R = *(r1+R2++
rn = rj.
j=1
1
n
n rn)= rj. n j=1

geomtricas acumulativo 9.8.3 volver
n r1,n = [(1+r1)*(1+r2)(1+rn)] - 1= 1+rj -1.
j=1
si la tasa de inters en cada perodo es el mismo entonces la expresin
se convierte en:
r1,n = (1+r n) -1.
Media geomtrica 9.8.4 volver n 1/n r = [(1+r1)*(1+r2)(1+rn) 1/n] -
1= 1+rj -1.
j=1
9.8.5 Compounding de tasas de inters
compuesto digamos que m es el intervalo, por ejemplo, m= 12 significa que
la tasa anual de r se paga sobre una base mensual. A continuacin, la
tasa de inters efectiva es:
eff r m
r = 1+ -1. m
En el caso de tasas de inters compuesto continuamente, es decir, cuando
m, la tasa efectiva puede ser calculada por:
eff r r = e -1 y por varios perodos se convierte en:
eff n r1,n = re -1.
9.8.6 estadsticas de cartera
que w es el vector de las cantidades invertidas en cada uno de los j
valores cubierto por el universo de inversin subvencionable. Deje que r
es el vector de retornos esperados, C La espera- ted matriz de
covarianza, MD el vector de duraciones modificadas y Conv el vector de
2 convexities. A continuacin, dejar p denotan el nivel de cartera y la
varianza, se aplica lo siguiente:
T = w rp r
T 2p = w Cw
t MDp = W
T Convp MD = w Conv.
Bibliografa
Ang, A. y M. Piazzesi (2003): "Un vector No-Arbitrage autorregresiva de
expresin dinmica estructural con variables latentes y macroeconmicas",
Revista de Economa Monetaria, 50(4), 745-787.
Ang, A. M. Piazzesi, y M. Wei (2006): "Qu hace la curva de rendimientos
Cuntanos sobre el crecimiento del PIB?", Revista de la econometra, 131,
359-403.
Bernadell, C. P. Cardn, Coche, J. F. X. Diebold, y S. Manganelli (eds.)
(2004):
La gestin del riesgo para las reservas de divisas del Banco Central.
Banco Central Europeo
Www.ecb.int/pub/pdf/other/riskmanagecbreserves2004en.pdf, Frankfurt am
Main.
Binseil, U., F. Gonzlez y E. Tabakis (eds) (2008, de prxima
publicacin): La gestin del riesgo de los Bancos Centrales y otras
entidades pblicas de los inversores. Cambridge University Press,
Cambridge.
Bjrk, T. (2004): Teora del arbitraje en tiempo continuo. Oxford
University Press, Oxford.
Brandimarte, P. (2002): Mtodos numricos en las finanzas. John Wiley
& Sons, Inc., de Nueva York.
Brigo, D. y F. El Mercurio (2001):modelos de tasa de inters, la teora y
la prctica. Springer Finanzas, Berln.
Cairns, A. J. G. (2004): Tasa de inters modelos - una introduccin.
Prensa de la Universidad de Princeton, Princeton, Nueva Jersey.
Campbell, J.Y.,A. W. Lo, andA. C. MacKinlay (1997):La Econometra de los
mercados financieros.
Prensa de la Universidad de Princeton, Princeton, Nueva Jersey.
Campbell, J. Y., y L. M. Viceira (2002):asignacin estratgica de los
activos. Oxford University Press, Oxford.
Chen, R. R. y L. Scott (1993): "Estimacin de mxima verosimilitud para
un modelo de equilibrio de factor mltiple de la estructura temporal de
los tipos de inters'', Oficial de Renta Fija, 3, 14-31.
Christensen, J. H. E., F. X. Diebold y Rudebusch, G. D. (2007): "El
arbitraje afn- Clase gratuita de Nelson-Siegel modelos de estructura a
plazo", documento de trabajo nm. 13611 NBER, Cambridge, Massachusetts.
Coroneo, L., K. Nyholm, y R. Vidova-Koleva (2007): "Cmo es el Nelson
Arbitrage-Free- Siegel modelo", la Divisin de Gestin de Riesgos, el
Banco Central Europeo.
Cox, J. C., J. E. Ingersoll, Ross y S. A. (1985): "Una teora de la
estructura de plazos de las tasas de inters", Econometrica, 53, 385-407.
Dai, P., y K. Singleton (2000): "Anlisis de especificacin de modelos de
estructura trmino afn", Oficial de Finanzas, de 55 aos, 1943-1978.
Diebold, F. X., y C. Li (2006): "el pronstico de la estructura de plazos
de los rendimientos de los bonos gubernamentales", Revista de la
econometra, 130, 337-364.
162 Bibliografa
Diebold, F. X., G. D. Rudebusch, y B. Aruoba (2006): "La macroeconoma y
la curva de rendimiento: un enfoque dinmico factor latente'', Revista de
la econometra, 131, 309-338.
Abajo, K. (2005): La medicin del riesgo de mercado. John Wiley &
Sons Ltd, Chichester.
Duffie, D., y R. Kan (1996): "un modelo de tipos de inters Yield-
Factor'', las matemticas financieras, 6, 379-406.
Glasserman, P. (2004): Mtodos de Monte Carlo en la ingeniera
financiera. Springer, New York.
Greene, W. H. (1993): el anlisis economtrico. Macmillian, Londres.
Hamilton, J. D. (1994): Anlisis de series de tiempo. Prensa de la
Universidad de Princeton, Princeton, Nueva Jersey.
Huang, C. F., y H. R. Litzenberger (1988): Fundamentos de Economa
Financiera. Prentice Hall, Englewood Cliffs, New Jersey.
El FMI (2004): Directrices para la gestin de las reservas en moneda
extranjera. Fondo Monetario Internacional, en Washington, DC.
Jaeckel, P. (2002): Mtodos de Monte Carlo en Finanzas. John Wiley &
Sons Ltd, Chichester.
James, J. y N. Webber (2000):Modelado de tasa de inters. John Wiley
& Sons Ltd, Chichester.
Johnson, R. A., y D. W. Wichern (1992):aplicar el anlisis estadstico
multivariado. Prentice Hall, Londres.
Kim, C. J. y C. R. Nelson (2000): Modelos de espacio de estado con
interruptores de rgimen. MIT Press, Cambridge, Massachusetts.
Lipschutz, S. y M. L. Lipson (2001): Schaum's outline de lgebra lineal.
McGraw-Hill, Nueva York.
Litterman, R. y J. Scheinkman (1991): "La rentabilidad de los bonos
FactorsAffecting comn'',Oficial de renta fija, Junio 54-61.
Luenberger, D. G. (1998):la inversin Ciencia. Oxford University Press,
Nueva York.
Lund, J. (1998): revisin de modelos www.jesperlund.com. Continuous-Time
Term-Structure.
McLeish, D. L. (2005): simulacin de Monte Carlo y las finanzas. John
Wiley & Sons, Inc., Hoboken, Nueva Jersey.
Merton, R. C. (1973): "la teora de la opcin racional de precios'', Bell
oficial de Economa y Gestin de la Ciencia, 4, 141-183.
Merton, R. C. (1992): Continuous-Time Finance. Blackwell, Oxford.
Meucci, A. (2005): Riesgo y asignacin de activos. Springer Finanzas,
Berln.
Mills,T. C. (1999):Los modelos economtricos de FinancialTime Series.
Cambridge University Press, Cambridge.
Moncho, E. (2006): "el pronstico de la curva de rendimientos en un
entorno Data-Rich: UN ENFOQUE No-Arbitrage Factor-Augmented var'', la
serie de documentos de trabajo del BCE, n 544.
Nelson, C. R. y A. F. Siegel (1987): "Modelizacin mesurado de las curvas
de rendimiento'',revista de negocios, 60, 473-489.
Rebonato, R. (1998): opcin Interest-Rate modelos. John Wiley & Sons
Ltd, Chichester.
Sderlind, P. y L. Svensson (1997): "Nuevas tcnicas para extraer las
expectativas del mercado de instrumentos financieros'', Revista de
Economa Monetaria, 40, 383-429.
Taylor, J. B. (1993): "Las reglas de la poltica frente a la
discrecionalidad en la prctica", Serie de Conferencias Carnegie-
Rochester sobre polticas pblicas, 39, 195-214.
Tuckman, B. (2002): Los ttulos de renta fija. John Wiley & Sons,
Inc., de Nueva York.
Vasicek, O. (1977): "un equilibrio de caracterizacin de la estructura a
plazo", Revista de Economa Financiera, 5, 177-188.
Adems del ndice de matrices 14-15, 149, 157 funcin afn el criterio de
informacin de Akaike (AIC) 110 solucin analtica 26 REVISIN ANUAL 3, 4
Frecuencia de muestreo diferente 129 libre de arbitraje 6, 69, 74, 75,
80, 81 asset allocation 1, 3, 87-108 activo-pasivo y activo de gestin 5
limitaciones de peso 100-6 activos 3-5, 36, 40, 51, 65, 68, 87, 89, 91,
93, 95-7, 100, 104-7 autorregresiva 27, 83 (modelo autoregresivo de orden
p) 111 media aritmtica media geomtrica 159 Retorno retorno axioma 160
74 75
funcin de bond 63, 64 39 Precios Los precios de los bonos Bonos
funciones 48 9 bonos de descomposicin de retorno 68 bootstrapping 32
condiciones de frontera 76 lmites de 28, 30, 100, 103, 104, 117, 118,
145, 146 19 ramificacin romper 124, 125 la fuerza bruta de 93-5, 130-133
19, bloque de creacin 38, 39, 51, 56, 147 funcin incorporada de 8, 9,
22, 23, 30, 45, 118
, 145 142 call back llamando a funciones 22-3 Capital Asset Pricing Model
51, 106-8 lnea del mercado de capitales (LMC) 107
"case" declaracin 19, 20 ceil funcin cadena 55 Regla 76, 155 Cholesky
descomposicin 36-8, 133, 153 'limpiar' los precios 67 'cerrar todos los
comandos de las formas cerradas de 11 a 30, 31, 49, 56, 75-7, 100, 112
vector columna 12, 149 comandos 8, 11, 18, 19, 21, 3, 30, 102, 122, 135,
ramificacin condicional 19 Intervalo de confianza de 56 nivel de
confianza 5, 53, 55, 57, 58, 129 limitadas fronteras eficiente 105, 106
de la curva de rendimientos en tiempo continuo modelos 76 control vara
129 bonos convertibles 42 convexidad 60-4 bonos corporativos 68 nmeros
aleatorios correlacionadas 36, 37, 133 Coeficiente de correlacin 52
matriz de correlacin 36, 37, 38, 97 variable contador 18, 73, 67, 68, 80
cupones covarianza 25, 36-8, 51-3, 87-9, 95-7, 99, 104, 107, 112, 126,
132, 160, matriz de covarianza 36, 37, 52, 70, 97 la regla de Cramer 92
aritmtica acumulativa volver 159 funcin de distribucin acumulativa 56,
157 volver 160 curvatura geomtrica acumulativo de 70, 71, 73, 74, 124,
125, 141-3
datos del proceso de generacin de 75, 114 153-descomposiciones 6
integral definida 156 funcin de densidad 26, 28, 34, 53, 115, 130,
164 ndice
ndice de densidad 130, 133 31, derivado de 62, 75, 76, 90, 91, 130, 154,
150 111 determinante de Dickey-Fuller estadstica de prueba 111 152
matrices de diferenciacin de precios 'sucia' 67 disclaimer 74 factor de
descuento distribuciones 43, 45 156-7 diversificacin 5, 87, 95, 8, 107.
Dividendos dsolve 108 68 76 77 duracin 59-65
frontera eficiente 6, 87, 88, 90, 93, 95, 98, 100, 103-5 carteras
eficientes 87-95 autovalores 152, 153-4 vectores propios 152, 153
elemento por elemento operacin 13-15, 22, 43, 97, 114, 115, 127 104
declaracin 'else' 55 distribucin de retorno emprico las acciones 1, 3,
4, 53, 65, 66, 68, 109 la funcin error (ERF) 56, 158 error de varianza
plazo 25, 30, 114 "EX_sim' 33 Decisin 2 variables exgenas expectativa
hiptesis establece 40 retorno esperado 65, 89, 93, 65 riesgo esperado
dficit previsto 53-9, 129, 130 en forma cerrada 56-9 funcin exponencial
158 "figura" comando, el algoritmo de filtrado 10 11 123 la renta fija 4,
39, 51, 59, 65, 87, 109 devoluciones de renta fija 65-8 bonos de tasa
fija 42 bonos de tasa flotante 42 Funcin 55 fmincon piso 23, 28, 30, 31,
45, 84, 85, 100, 104, 118 fminunc 23, 28 'para' LOOP 20, 34, 46, 104, 120
tipos de inters 47-8 100 frontcon frontier 100, 104, 105 "restriccin
total de inversin' 89 de
rango completo de 25, 91, 151, 157-funciones 8 creacin de 18-23
fundamental de ecuaciones diferenciales parciales (PDE) 69, 75 la
bondad de ajuste de una regresin 28 Interfaz grfica de usuario (GUI) 5,
135-48-136 Edificio 8 creacin de 138-48-135 del entorno de desarrollo 8
y curva de rendimiento factores 143-8
filtro Hamilton 114, 123, 126, 127 maneja 23, 30, 45, 140, 142, 143, 145-
8 encabezado de funcin 20, 21 'ayuda' 10 Funcin de texto de ayuda 22,
63, 31, 32 Hess Hessian matrix 31 "hObject' 140, 142 'Retener' 10
comandos 'identidad' matrix 13, 150 'if' 19, 104 muestreo por importancia
129 33 'en lnea' 22 funciones integral indefinida 155-6 154 reglas de
ndice variable estructurada indexado 17 carteras ineficientes 88 madurez
infinito nivel de rendimiento 79 tasa de inflacin 40 Matriz de
informacin 31, 32 30 funcin inline simple integral 155-6 de la
distribucin normal estndar 158 integracin, orden de 111-12 tasa de
inters 5, 27, 39, 43, 59, 61, 74, 106, 159-60 curva de tipos de inters
ver la curva de rendimiento la funcin inversa de la matriz inversa 158
151 limitaciones de inversin 2, 5, 89, 90 horizonte de inversin de 2,
5, 106 universo de inversin 2-5, 43, 59, 66, 91, 95, 97, 98, 100, 104,
160 44 tir el lema de Ito 75
Filtro de Kalman 123, 126, 127 Funcin 'palabras clave' 20, 21

Enfoque de Lagrange 90 Margen de riesgo/presupuesto 2 'izquierda Dividir
la matriz' 28 Probabilidad de valor de la funcin de probabilidad 30
Principio 29, 30 (lineal) funcin afn 157 regresin lineal 7, 23, 24,
26, 9, 32, 30, 72, 73, 84, 112 linealidad 155 'liquidez' 40 hpl 40 el
logaritmo de verosimilitud, 26, 30, 112, 127 158 154 reglas de logaritmo
logaritmo bucles de 19, 20 variable de bucle 58 distribucin de prdidas
157 bonos de lotera 42
Macaulay de duracin 62 capitalizacin de mercado de 106 pesos de la
cartera de mercado 106-8 precio de mercado del riesgo 69, 75, 83, 107
Hiptesis de segmentacin del mercado 40 cadena de Markov 113 Operaciones
matriciales 12-23, 149-52 madurez 3, 4, 2, 40, 44, 47, 65, 67-70, 75, 76,
78, 80, 83, 109, 123, 124, 143, 146 una probabilidad mxima de 26, 28,
30, 31, 127 maxiter 118-19 media-varianza de la teora de la cartera 87
medir el cambio 130, 133 la cartera de varianza mnima de 98-100, 102,
104 duracin modificada 4, 59-65, 159, 160 mtodo Monte Carlo 129, 130,
133 mu 118 modelos multifactoriales 80-5 multiplicacin de matrices 149
multivariadas log-probabilidad funcin normal multivariado 112 156
modelos de series de tiempo multivariado 69 mi_fun 23 NA_a_b 84, 85
NA_est.m 84 NA_y_optim 84, 85 nargin 22
Index 165
funcin exponencial natural 158 Nelson-Siegel modelo 69-74, 81-3-9, 123,
135, 137, 140, 145, 148 3 'no-arbitraje" 69 Modelos "no-corto-restriccin
de ventas' 100 Tasa de inters nominal 40 no-matriz singular 151 no-
singular rank 151 120 de densidad normal distribucin normal de 26, 28,
32, 55-7, 112, 115, 120, 130, 133, 156-8 normalmente y de forma idntica,
independientemente de distribucin (Niid) 26 no necesariamente libre de
arbitraje 69-74, 82 xii notacin
funcin objetivo 5, 30 ecuacin de observacin 123. 124-5 enfoque de
optimizacin optimizador 26 Principio 30 "optimset' 104 orden de
integracin 111-12 ecuaciones diferenciales ordinarias (odas) 77-8 de
mnimos cuadrados ordinarios (MCO) regresin 23-5, 32, 84, 112-77
Ornstein Uhlenbeck proceso
par-bond aproximacin 62 parsimonioso modelo 110 ecuaciones diferenciales
parciales (PDE) 69, 76, 77 fundamental (PDE) 69, 75 particiones de 16
matrices de paso del tiempo 68 bonos perpetuos 42 Plot 9 polinomios 158
Cartera Cartera 107 frontera estadsticas 160 pesos de la cartera 1, 88-
92, 100, 104, 132 positivas definidas matrix matrix semidefinite positivo
152 152 facultades de matriz cuadrada 152 relacin rendimiento-precio de
45, 59 y 60, el anlisis de componentes principales 70 Prob.user 118
funcin de densidad de probabilidad (pdf) 34, 130 Producto de matrices
149
166 ndice
Regla 155 producto "Inspector de propiedades' 136, 137, 139 Pull-a-par
efecto 68 157 funcin cuadrtica funcin cuantil 56 cociente Regla 155
botones de radio 138, 147, 148 el radn-Nikodym derivado 130, 133 la
generacin aleatoria de nmeros 8, 36-8 paseo aleatorio modelo 111, 125
el rango de la matriz de 25, 91, 151 40 tasa de inters real de
equilibrio "frecuencia" 3, 4 cambio de rgimen 6, 109, 112-22, 123-
Rgimen 7.m 115, 116-17, 122 Rgimen likeli_118, 121 Rgimen_likeli.m
115, 119 Rgimen normaldensity_115, 120 Rgimen_pmat 115, 121 Rgimen
varianza dependiente 114 volver 1-5, 36, 44, 51, 53, 55-57, 65-68, 87-90,
159 revisin frecuencia 2, 3 agentes de aversin al riesgo 106-7 activos
libres de riesgo 106 la tasa libre de riesgo 106, 107 medidas del riesgo
51-65 de la prima de riesgo 39 activos exenta de riesgo 98 root 44 vector
fila 12, 149
24 escalar el criterio de informacin de Schwarz (BIC) 110 archivo de
script 11, 22 23, 29, 30, 33, 34, 43, 58, 95, 132 script 60 parcelas de
mercado de la seguridad de la lnea (SML) matriz de sensibilidad 108 71
precios sombra 91 'shifted' densidad 130, 133 corta tasa ecuacin 83
simulaciones 32-8 matriz singular 151 singular rank 151 Factor de
inclinacin 128 tasas spot 39-47
matriz cuadrada de 16, 149, 150, 151, 152, desviacin estndar de 51, 53,
56, 93, 97, errores estndar de 24, 31, 32, 73, 113, 117, 118, 120
valores de inicio 30 ecuacin de estado 123, 124, 125, 126 probabilidades
de estado 114, 115, 128 de espacio de estado modelo 123, 124 111 de
estacionalidad factor estadstico modelo 70 Paso de bonos 42 decisin de
asignacin estratgica de activos 2 definicin 1-2 Marco 2 "estrategia",
definicin 1 muestreo estratificado de variable estructurada 129 17, 18
"comando ubplot" 10, 11, 12 la sustraccin 14-15 de matrices suma de
matrices 14-15, 149 Suma del cuadrado de los residuos 23 surf 22
Svensson-Soderlind modelo 69, 73-4 clculos simblicos 75-7, 99 150
matriz simtrica riesgo sistemtico de activos individuales y carteras
108 de la cartera 96
tactical asset allocation 2, 3 la regla de Taylor de 124 series de Taylor
aproximacin 159 series de Taylor 61 ampliacin de plazo modelos de
estructura de 69-85 matriz tridimensional 17, 18 111 anlisis de series
de tiempo total de la cartera de riesgo/seguridad individual 108 rastro
de matriz Matriz de transicin de 151 a 113, 115, 118, 122, las
probabilidades de transicin 114 transposicin de matrices 150 operador
de transposicin 12 tendencia estacionalidad 111 descomposicin
triangular 153 'tst' 148
"convenientes" 136-7, 139, 146
2 R 28 uncentered
ilimitada fronteras eficiente 105, 106 densidades unshifted 133 funcin
definida por el usuario 22, 23 utility Funcin 5, 30
Value-at-Risk (VaR) 27, 53-8, 129, 133 VAR(1) Modelo 110, 123 VAR(3)
Modelo 110 VAR(p) Modelo 109, 110, 111, 112 varianza 30, 51, 52, 53
Matriz de varianzas-covarianzas 25, 112 Vasicek shortrate modelo 77-9,
82, 83 Vasicek la distribucin lmite 156-7 Vector autorregresiva (VAR)
27, 53, 109-12, 123
'tiempo' declaracin 20
ndice 167
rendimiento 63 Curva de rendimiento 40-2, 44, 47, 123-125 70 9 curvatura
descomposicin ecuacin nivel 123 125 140-trazado 3 cuesta 125 Rinde 39-
47 rendimiento al vencimiento 44, 45-6, 75 avp2beta.m 128 avp2beta.xls
127 avp2beta_likeli.m 128 avp2beta_programa shell 128 avp2beta_shell.m
128
bonos de cupn cero 42 curva cupn cero 47 tasas de cupn cero 46
ndice elaborado por Annette Musker

Strategic Asset Allocation in Fixed Income Markets A MATLAB Based Series

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Strategic Asset Allocation in Fixed Income Markets A MATLAB Based Series

Загружено:

Авторское право:

Доступные форматы

Asignacin estratgica de los activos en los mercados Fixed-Income

Matlab basado en una gua del usuario

"Un libro muy til para cualquier persona interesada en la aplicacin

para otros ttulos en el Wiley Finance series consulte

Fixed-Income asignacin estratgica de los activos en los mercados

a Laura, Clara y Emilia

xii Lista de figuras

xiv Prefacio y Renuncia

asignacin estratgica de los activos 3

Esquema del Libro 5

2 elementos esenciales de MATLAB

8 elementos esenciales de MATLAB

12 elementos esenciales de MATLAB

lgebra matricial introductoria 13

El lgebra matricial introductoria 15

16 elementos esenciales de MATLAB

18 elementos esenciales de MATLAB

20 elementos esenciales de MATLAB

22 elementos esenciales de MATLAB

2.5.3 Invocacin de funciones en MATLAB

24 elementos esenciales de MATLAB

26 elementos esenciales de MATLAB

Algunos ejemplos de estimacin 27

28 elementos esenciales de MATLAB

Algunos ejemplos de estimacin 29

Algunos ejemplos de estimacin 31

32 elementos esenciales de MATLAB

Una breve introduccin a las simulaciones 33

34 elementos esenciales de MATLAB

Una breve introduccin a las simulaciones 35

36 elementos esenciales de MATLAB

Una breve introduccin a las simulaciones 37

38 elementos esenciales de MATLAB,

y los rendimientos de las tasas spot 41

Las tasas spot y rendimientos 43

Las tasas spot y rendimientos de 45

tipos de inters a plazo 47

Ajuste q= 1/(1+y), esta expresin se puede utilizar para reescribir (3.5)

4 Medidas de retorno y riesgo

52 Medidas de retorno y riesgo

54 medidas de retorno y riesgo

56 Medidas de retorno y riesgo

Medidas del riesgo 57

-1 2 = exp - fer (2*(1-C)-1) (1-c)

60 medidas de Riesgo y Retorno

las mediciones de riesgo 61

62 medidas de retorno y riesgo

Medidas del riesgo 63

64 medidas de retorno y riesgo de

convexidad 600 400 200

66 medidas de Riesgo y Retorno

Medidas de Riesgo y Retorno de 68

Modelos de estructura 5 Duracin

70 trmino modelos de estructura de

No necesariamente modelos Arbitrage-Free 71

72 modelos de estructura temporal de la

No necesariamente Arbitrage-Free modelos 73

aqu, recoge la curva de rendimiento factores, {level, pendiente,

74 trmino modelos de estructura de

76 modelos de estructura trmino

1 2 2 dA() dB() B() Ps +B()P*{m- s}- + r P-r P = 0 2 d d

78 trmino modelos de estructura de

1 lim - B()rt = lim