Estimación Bayesiana para el cálculo del Valor en Riesgo (VaR) en modelos de series financieras con relaciones de dependencia no lineal en Colombia
Resumen (es)
El Valor en Riesgo (VaR), se define como la máxima perdida que se puede tener en la inversión de un portafolio con un determinado nivel de confianza, en un periodo determinado, en condiciones normales del mercado. Para calcularlo, existen diversas herramientas paramétricas y no paramétricas que se fundamentan en el supuesto de que los rendimientos de los activos siguen una distribución de probabilidad (con frecuencia la distribución Normal). Por su parte las copulas, vistas como funciones de distribución multivariadas, capturan las relaciones de dependencia diferentes a las lineales, ayudando a condensar la volatilidad de los activos multivariados que usualmente presentan comportamientos complejos de dependencia. Este trabajo presenta la implementación de la teoría de copulas bajo estándares del paradigma bayesiano con el objetivo de obtener la distribución de probabilidad que permita una correcta estimación del VaR de un portafolio comprendido por las acciones de Bancolombia y Ecopetrol.
Referencias
Albert, J. (2009), Bayesian computation with R, Springer Science & Business Media.
Argáez Sosa, J. (2014), `Un paseo por el modelo garch y sus variantes', Abstraction
& Application 10, 35-50.
Bueno, J. A. G. & Arias, O. P. C. (2017), `Comparación de dos portafolios óptimos de renta variable: caso Colombia y Latinoamérica', Puente 8(2), 27-41.
Ceballos López, A. (2015), Implementación de cópulas para la estimación del valor en riesgo, Master's thesis, Universidad del Rosario.
Chen, Y.-T. et al. (2002), `On the robustness of ljung-box and mcleod-li q tests: a simulation study', Economics Bulletin 3(17), 1-10.
Danelsson, J. (2011), Financial risk forecasting: the theory and practice of forecasting market risk with implementation in R and Matlab, Vol. 588, John Wiley & Sons.
Gallardo Estévez, B. (2010), Teoría de cópulas y aplicaciones en simulación de riesgos financieros y en ingeniera civil, Master's thesis, Universidad de Granada.
Gamerman, D. & Lopes, H. F. (2006), Markov chain Monte Carlo: stochastic simulation for Bayesian inference, Chapman and Hall/CRC.
Joe, H. (2014), Dependence modeling with copulas, Chapman and Hall/CRC.
Mercado de Renta Variable (n.d.), https://www.bvc.com.co/pps/tibco/portalbvc///Home/Mercados/descripciongeneral/acciones. Accessed: 2017-04-13.
Nelsen, R. B. (2007), An introduction to copulas, Springer Science & Business Media.
Patton, A. J. (2003), Applications of copula theory in financial econometrics., PhD thesis.
¿Qué es el Valor en Riesgo-VaR? (n.d.), https://www.bbva.com/es/noticias/economia/quees-el-valor-en-riesgo-var/. Accessed: 2015-03-23.
Team, R. C. (2017), `R: A language and environment for statistical computing. vienna, austria: R foundation for statistical computing; 2016'.
Cómo citar
Licencia
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
Comunicaciones en Estadística está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
