Mariano González-Sánchez, profesor en la Facultad de Ciencias Económicas y Empresariales de la UNED y Juan Nave Pineda, profesor de Economía Financiera y Contabilidad en la Universidad de Castilla-La Mancha, han publicado un estudio estudio donde se presenta una metodología para estimar el riesgo de mercado simple y computacionalmente más rápida.
En el ámbito de los mercados financieros, una estimación adecuada del riesgo es fundamental para la fijación de precios de los activos, la gestión de carteras o la medición del riesgo financiero. Este análisis de los riesgos de mercado estudia la cola descendente de la distribución de la rentabilidad de los activos, que es conocido como riesgo de cola gorda.
Cómo se comporta la cola de la distribución
Se ha demostrado que la cola de la distribución de los rendimientos de los activos no sigue una distribución normal, especialmente cuando la frecuencia de observación es alta (por ejemplo, la frecuencia diaria versus la mensual), dando lugar a una propiedad de rendimientos conocida como escala. El índice de cola dependerá del umbral de esta cola gorda de distribución, pero la estimación de este índice presenta algunas dificultades, como que las observaciones deben ser i.i.d., resultan pocas las observaciones de muestra en la cola de la distribución para estimar el índice, o que la estimación es sensible a la elección del inicio (umbral) de la cola de la distribución. Se ha estudiado diferentes formas de afrontar la estimación del índice, pero el problema no era el estimador (siendo el de Hill el estimador más habitual del índice de cola), sino determinar el umbral inicial de la cola de la distribución.
Mariano González-Sánchez, profesor en la Facultad de Ciencias Económicas y Empresariales de la UNED y Juan Nave Pineda, profesor de Economía Financiera y Contabilidad en la Universidad de Castilla-La Mancha, han publicado un estudio que tenía como objetivo desarrollar una metodología simple y computacionalmente rápida para determinar el umbral de la cola de la distribución. Su propuesta fue probada en una muestra de datos compuesta por seis activos negociados en dólares americanos y que representaban activos con diferentes características (Bitcoin, Gold, Brent, índice Nasdaq, índice Standard & Poors-500 e índice Down Jones Real Estate).
Dividieron cada serie temporal de retornos en tres series independientes donde ‘bueno’ eran los valores atípicos positivos, ‘habitual’ la parte central de la distribución con comportamiento gaussiano y ‘malo’ los valores atípicos negativos, que fueron utilizados para estimar este punto de corte. Compararon los resultados de estimar el riesgo utilizando un VaR-GDP, donde el índice de cola se estima utilizando diferentes métodos, y determinaron el umbral inicial de cola a la baja minimizando la distancia Kolmogorov-Smirnov. Además, analizaron la extrema dependencia entre los datos malos-malos para cada par de activos en una cartera, una propuesta simple y computacionalmente rápida.
Este estudio aporta una nueva metodología para encontrar el umbral de distribución de la cola, que es computacionalmente más rápido y de mejor rendimiento que la distancia de Kolmogorov-Smirnov, en términos de normalidad y volatilidad del índice de cola, y con un consumo de capital innecesario menor. Asimismo, en la medición del riesgo de una cartera, los resultados del estudio mejoran los de una cópula t-Student y permiten estimar la dependencia extrema y los índices correspondientes evitando las restricciones implícitas de las cópulas elípticas y de Arquímedes.
Los resultados ofrecidos por este estudio empírico ayudarán a los agentes económicos y reguladores a determinar objetivamente el nivel de confianza en las estimaciones de riesgo, lo que contribuirá a dar cumplimiento de la normativa de riesgos en los mercados financieros.
