VALOR DE RIESGO (VaR) VERSUS LA DESVIACIÓN

ESTÁNDAR COMO CONCEPTO DE RIESGO EN LA

ELECCIÓN DE PORTAFOLIOS DE INVERSIÓN1
Eduardo Aponte Rincón2
[email protected]
Omar Gabriel Rojas Rojas3
[email protected]

Resumen
En la actualidad hay una especial preocupación de los inversionistas por realizar sus inversiones de manera más
segura obteniendo una buena rentabilidad y no poniendo en riesgo su capital. En este sentido, la posibilidad de
generar nuevas herramientas que permitan tomar mejores decisiones de inversión cada vez es más relevante en
el mundo financiero. Así, uno de los aportes más importantes de que se dispone para ese propósito es el dado
por Markowitz para la generación de carteras óptimamente diversificadas. Sin embargo, el problema es cómo
escoger entre algunas de estas carteras. Por ese motivo, este proyecto tuvo como objetivo comparar el modelo
de la desviación estándar (Ratio de Sharpe) con el de Value at Risk (VaR) como concepto de riesgo, para la
elección de una cartera óptima dentro del entorno de un mercado desarrollado, en este caso, el mercado
estadounidense, por medio de un backtesting se analizó también si el ciclo de mercado bajista, estable o alcista
tiene incidencia de igual forma en esta elección. Después de realizar el modelo y aplicarlo se concluyó que bajo
situaciones normales, en un mercado desarrollado, elegir una cartera sobre otra tuvo mayores beneficios si se
realiza teniendo en cuenta como concepto de riesgo el VaR bajo un modelo de Simulación de Montecarlo en
lugar de la desviación estándar. Al aplicar este modelo a un entono menos desarrollado y más fluctuante como
el colombiano se determinó que no hay una ventaja significativa entre los dos modelos (desviación estándar y
VaR).
Palabras Clave: Desviación estándar; optimización de Markowitz, Value at Rist, Ratio de Sharpe, Backtesting,
Simulación de Montecarlo.

Abstract
Nowadays investors have a special concern of maximizing their investment profit while maintaining its risk at
minimum levels. With this in mind, new tools that allow better investment decision making have become more
relevant in the financial world. For this purpose, one of the most important contributions was proposed by Harry
Markowitz for the ideally diversified portfolios. Nevertheless, this model gives birth to a new challenge at it is
how to choose between different portfolios. This project's had as objective to compare the risk approach of
standard deviation (Ratio Sharpe) and the model Value at Risk model (VaR). In order to choose an ideal
portfolio inside a developed market environment, the American Market. The study had consider the incidence
of the market cycle (Bearish, Stable and upward) in the portfolios choice by means of the backtesting. After to
realize the model and to apply it one concluded that, under normal situations, on a developed market, to choose
a portfolio over another, it had bigger benefits if performed having as concept of risk the VaR under a model
of Montecarlo Simulation instead of the standard deviation. When it is implemented to an environment less
developed and more fluctuating as the Colombian it decided that there is no a clear advantage between both
models (Standard Deviation and VaR).

1
Trabajo de grado para optar al título de Maestría en Administración Financiera de la Universidad EAFIT.
Medellín, Octubre de 2015.
2
Economista de la Universidad Nacional de Colombia, Especialista en Finanzas de la Universidad EAFIT,
candidato a Magister en Administración Financiera de la Universidad EAFIT.
3
Contador Público de la Universidad Santo Tomas, Especialista en Finanzas de la Universidad EAFIT, candidato
a Magister en Administración Financiera de la Universidad EAFIT.

1
Keywords: Standard deviation; Markowitz optimization, Value at Rist, Backtesting, Ratio Sharpe, Montecarlo
Simulation.

1 Introducción
La economía, los mercados financieros y sus inversionistas en el mercado de capitales
después de la crisis de 2008, buscan una etapa de estabilización para recobrar la confianza
pérdida, después de haber sacrificado parte de sus patrimonios en activos financieros que
aparentemente eran sólidos y que tenían un buen nivel de calificación crediticia, pero que,
luego de la crisis se demostró que fueron activos muy riesgosos debido a que la realidad de
su calificación no era cierta.

Uno de los factores principales que hicieron que se originara esta crisis fue el exceso de
confianza por parte de los inversionistas y del mismo mercado, pues, se confiaron por el
crecimiento y las grandes rentabilidades que se estaban dando en ese momento. Otro factor
principal fue que los entes de regulación del mercado accionario no le prestaron mucha
atención y dejaron que la situación trascendiera. Es en este contexto donde se hace muy
importante generar herramientas que les permitan a los inversionistas tomar mejores
decisiones de inversión.

Actualmente, existen diversas formas de hacer la elección de una cartera en el mercado de

valores, las tres más tradicionales son la estrategia equiponderada, la estrategia de media y
varianza y la estrategia de mínima varianza. Estas dos últimas basadas en los postulados de
Markowitz.

La primera, estrategia equiponderada o 1/N, indica que se debe asignar la misma proporción
de capital a cada uno de los N activos para la construcción de un portafolio. Estrategia que
ha tenido mucho éxito entre los inversionistas porque su implementación es muy sencilla, en
esta metodología no se requiere hacer cálculos de los periodos de los retornos ni tampoco en
los procesos de optimización.

Los planteamientos de Markowitz sobre la teoría de diversificación de portafolios se

mantienen vigentes y son ampliamente utilizados en los diferentes contextos del mundo
financiero. Así, uno de sus legados ilustra que en el proceso de selección de un portafolio es
importante diversificar, sin embargo, el escoger una cartera óptima sobre otra es igualmente
determinante. Para ello, este autor, elaboró un modelo matemático que muestra como un
inversionista puede conseguir la máxima tasa de rendimiento de acuerdo a un nivel de riesgo.

La teoría de Markowitz radica en la relación Riesgo-Rendimiento y en cómo, esta puede ser

minimizada por medio de la diversificación de activos. Es por esto que también se le conoce
como la teoría de mínima varianza.

De otra parte, William Sharpe, otro experto de la teoría de portafolio, desarrolló un ratio para
analizar el retorno esperado de una inversión teniendo en cuenta los niveles de riesgo
medidos a través de su volatilidad o desviación estándar.

2
A partir de Acuerdo de Basilea - 1999, se comienza a implementar el concepto de valor de
riesgo (VaR por su sigla en inglés), como medida de riesgo del mercado, posteriormente se
dio la posibilidad de complementar el Ratio de Sharpe con el VaR, es así como se creó el
Ratio de Sharpe Modificado:
𝑟𝑝 − 𝑟𝑓
Ratio de Sharpe Modificado =
𝑉𝑎𝑅𝑝

De la misma forma como evoluciona el Ratio de Sharpe evoluciona el VaR. En la actualidad

existen diferentes modelos para realizar el cálculo del VaR, estos modelos se dividen entre
paramétricos y no paramétricos.

El VaR paramétrico determina una distribución de probabilidad para los rendimientos en una
inversión en un horizonte determinado. Este tipo de modelo tiene la característica de que los
rendimientos se distribuyen con una curva de densidad de probabilidad normal.

Los modelos no paramétricos no suponen una distribución o un comportamiento especifico

de los rendimientos. Uno de los principales modelos no paramétricos es el modelo de
simulación histórica.

Adicional a los modelos de Markowitz y de Sharpe, es usual utilizar el modelo por

Simulación de Montecarlo, que consiste en un modelo estocástico (normal, lognormal, etc.),
que permite simular posibles resultados hipotéticos a través de variables aleatorias.

Por esto, el objetivo de este proyecto fue determinar si al utilizar el VaR como medida de
riesgo en lugar de la desviación estándar, le permite al inversionista escoger un portafolio
más eficiente.

Teniendo en cuenta los dos conceptos (desviación estándar y VaR) como medida de riesgo,
se puede analizar cuál de los dos conceptos puede ser más eficiente a la hora de escoger un
portafolio.

Para el desarrollo del estudio se seleccionaron los precios de las compañías que hacen parte
del Dow Jones a través de una terminal de Bloomberg, de igual forma se seleccionó la tasa
libre de riesgo que para este caso son los bonos del tesoro americano, con el análisis de los
comportamientos de los precios desde el año 2000 al 2015 y se establecieron los tres periodos
del ciclo de mercado bajista, estable y alcista.

Una vez, seleccionados los datos, se halló la frontera eficiente y se procedió a escoger la
mejor cartera por diferentes metodologías (desviación estándar, VaR paramétrico,
simulación histórica y Simulación Montecarlo), incluyendo el ratio de Sharpe (que utiliza
desviación estándar como medida de riesgo) y el ratio de Sharpe modificado (que utiliza el
VaR como factor de riesgo).

Finalmente, por medio de un backtesting se determinó cuál de los modelos es el que mejor
rendimiento tiene y si el ciclo de mercado influye en alguno de estos modelos. Luego de
haber determinado la mejor estrategia de selección para el mercado americano se replicó la

3
misma metodología para el mercado colombiano con el fin de observar la adaptabilidad del
modelo a mercados menos desarrollados.
Como conclusión principal del desarrollo de este estudio, se pude decir que, bajo situaciones
normales, en un mercado desarrollado, elegir una cartera sobre otra se tiene mayores
beneficios si se realiza teniendo en cuenta como concepto de riesgo el VaR con una confianza
del 99% bajo un modelo de Simulación de Montecarlo en lugar de la desviación estándar.
A pesar que los portafolios arrojan resultados similares en materia de VaR, las pequeñas
variaciones en los diferentes modelos (Paramétrico, Simulación Histórica, Simulación de
Montecarlo), logran generar decisiones de inversión con diferentes niveles de rentabilidad.
En situaciones extremas, como la de una crisis o en mercados menos desarrollados, no existe
diferencia significativa entre la desviación estándar y el VaR con una confianza del 99% bajo
un modelo de Simulación de Montecarlo como concepto de riesgo al momento de elegir un
portafolio.
2 Marco conceptual
Los mercados financieros han ido evolucionando, cada vez es más importante generar
herramientas que permitan tomar decisiones más acertadas. La decisión de invertir o no en
algún activo financiero, es algo que le puede costar mucho dinero a un inversionista si no se
hace una elección adecuada.
En la última década el mundo financiero presenció una de sus más grandes crisis, el exceso
de confianza, así como la falta de regulación fueron los principales detonantes de la crisis del
2008 que posteriormente desencadeno la bancarrota de Lehman Brothers.
The spectacular failure of the 150-year-old investment bank Lehman Brothers has been
perceived by many to be a major turning point in the global financial crisis that broke
out in the summer of 2007. The specter of systemic risk sparked widespread fears of a
full-scale collapse of the US financial sector due to financial contagion and concerns
about significant disruption in international financial markets outside the United States.
According to the bankruptcy petition #08-13555, filed on Monday, September 15th,
2008, Lehman’s total assets of $639 billion made it the largest failure in US history,
about six times bigger than the largest previous failure (Dumontaux & Pop, 2013, p.
269).

En la actualidad existen diversas formas de hacer la elección de una cartera de acciones, las
tres más comunes o tradicionales son la estrategia equiponderada, la estrategia de media
varianza y la estrategia de mínima varianza. Estas dos últimas, se basan en el trabajo de
Markowitz.
Sobre la estrategia equiponderada o 1/N se
… sugiere que se asigne la misma proporción de capital a cada uno de los N activos en
cada rebalance del portafolio. Esta estrategia es fácil de implementar debido a que no
requiere de estimación de los momentos de los retornos y tampoco de procesos de
optimización, ignorando los datos por completo. Esta metodología de inversión ha tenido
éxito, ya que la tendencia de los individuos es tener políticas de inversión sencillas
DeMiguel et al. (2009a). Además favorece la inercia de los inversores a hacer
movimientos en cada rebalance que conducen a costos de transacción muy bajos. En

4
 DeMiguel et al. (2009b) se presentan las ventajas de implementar la política
equiponderada. Müller y Stoyan (2002) dan condiciones bajo las cuales la estrategia
equiponderada es una estrategia óptima (DeMiguel, Muller y Stoyan, citado en Puerta y
Laniado 2010, p. 253).
En esta misma dirección Markowitz elaboró un modelo matemático que muestra como un
inversionista puede conseguir la máxima tasa de rendimiento de acuerdo a un nivel de riesgo.
Para este autor, el énfasis de su teoría radica en la relación Riesgo-Rendimiento y en como
esta puede ser minimizada por medio de la diversificación de activos. Es por esto que, a su
teoría, también se le conoce como la teoría de mínima varianza y la cual se basa en los
siguientes supuestos:
 La rentabilidad del portafolio o de cualquier acción en particular es una variable
aleatoria y su valor estará dado por la media de dicha variable aleatoria.
1
Ecuación 1. Rentabilidad R = n ∑ni R i (1)
 El riesgo del portafolio o de cualquier acción en particular está dado por su desviación
estándar.

1
Ecuación 2. Desviación Estándar σ = √n ∑ni=1(R i − R)2 (2)

 El inversionista escogerá las carteras con una mayor rentabilidad y menor riesgo.
Teniendo en cuenta los supuestos anteriores, la rentabilidad del portafolio será el promedio
ponderado de los rendimientos de cada acción que compone el portafolio.

Ecuación 3. Rentabilidad del Portafolio

R p = W1 × R1 + W2 × R 2 + ⋯ + Wn × R n (3)

Ecuación 4. Rentabilidad del Portafolio Sumatoria

n

R p = ∑ Wi × R i (4)
i=1
Donde Wi es la participación del activo “i ” en el portafolio.
Por otra parte, la volatilidad del portafolio está dada por:

Ecuación 5. Volatilidad del Portafolio σp = √[W]T [Σ][W] (5)

Donde [Σ] es la matriz de varianzas y covarianzas de las acciones que componen el portafolio.
Teniendo en cuenta las preferencias del inversionista, se creara una “frontera eficiente” que
estará compuesta por carteras por cada nivel de riesgo en donde se maximizará la
rentabilidad.

5
Si un inversionista tiene un nivel de riesgo definido, simplemente escogerá la cartera para
ese nivel de riesgo, por otra parte, si el inversionista tiene un máximo nivel de riesgo, podrá
escoger entre varias carteras.
Grafica 1. Frontera eficiente

Fuente: Elaboración propia con base en el trabajo de Markowitz (1952)

La gráfica muestra una frontera eficiente en donde cada punto es una cartera, si el
inversionista tiene un nivel máximo de riesgo, esto no significa que deba escoger esa cartera,
significa que podrá escoger entre todas las carteras que tengan un nivel igual o inferior de
riesgo. ¿Cómo hacer esta elección?
Para responder a este interrogante, Sharpe (1994) desarrollo un ratio que analiza el retorno
esperado de una inversión sobre su nivel de riesgo.
𝑟𝑝 −𝑟𝑓
Ecuación 6. Ratio de Sharpe = (6)
𝜎𝑝
Donde rp es el retorno del portafolio y rf es la tasa libre de riesgo. Así:
El ratio de Sharpe divide la rentabilidad anormal de la cartera media durante ese periodo.
El numerador es la rentabilidad incrementada que obtuvo la cartera en comparación con
una inversión alternativa de un activo sin riesgo, y el denominador es el incremento de
la volatilidad de la cartera comparado con la alternativa sin riesgo. Por tanto, la ratio
valora la relación entre rentabilidad (total) y volatilidad. (Bodie, Kane y Marcus, 2004,
p.496).
Éste indica el excedente de la rentabilidad obtenida por el portafolio de inversión por
unidad de riesgo total, medida por la desviación estándar de los rendimientos. El índice
Sharpe mide el exceso de rentabilidad sobre el rendimiento sin riesgo que ofrece una
cartera por unidad de riesgo total. Es decir, cuanto mayor sea el resultado obtenido en
este índice mejor habrá sido la administración del portafolio (Banda y Gomez, 2009, p.
312).
De esta forma, la elección entre carteras de la frontera eficiente (estrategia de media varianza)
se logra con la utilización de este ratio.

6
Finalmente, en la estrategia de mínima varianza, como su nombre lo indica, se escogerá la
cartera con menor varianza dentro de la frontera eficiente.

Grafica 2. Estrategia Mínima Varianza

Fuente: Elaboración propia con base en el trabajo de Markowitz (1952)

Pero, ¿la desviación estándar (volatilidad) de la cartera es la medida apropiada del riesgo? A
este respecto, Christoffersen (2003) afirma que, “The unconditional distribution of daily
returns has fatter tails than the normal distribution” y continua “Fatter tails mean higher
probability of large losses than the normal distribution would suggest” (p. 6).
Por lo antes mencionado, a finales de la década de los 90, se comenzó a implementar el Value
at Rist (VaR) como medida de riesgo de mercado y pocos años después se vio la posibilidad
de complementar el Ratio de Sharpe con el VaR, es así como se creó el Ratio de Sharpe
Modificado.
𝑟𝑝 −𝑟𝑓
Ecuación 7. Ratio de Sharpe Modificado = (7)
𝑉𝑎𝑅𝑝

Según Duz (2015), “El valor en riesgo, es una medida estadística de riesgo de mercado que
estima la perdida máxima, que podría registrar un portafolio en un intervalo de tiempo con
cierto nivel de confianza estadística” (p. 53). De forma similar, Jorion (2003) indica que,
“El VaR resume la perdida máxima esperada (o peor pérdida) a lo largo de un horizonte de
tiempo objetivo dentro de un intervalo de confianza dado” (p. 41).

De la misma forma que el ratio de Sharpe fue evolucionando, el VaR también ha presentado
transformaciones, actualmente existen diferentes modelos para el cálculo del VaR, estos
modelos se dividen entre paramétricos y no paramétricos.

Respecto a los modelos paramétricos, “Tienen como característica el supuesto de que los
rendimientos del activo en cuestión se distribuyen de acuerdo con una curva de densidad de
probabilidad normal” (Lara, 2008, p. 60).

7
 Ecuación 8. VaR del Portafolio 𝑉𝑎𝑅𝑝 = 𝐹 × 𝜎𝑝 × √𝑡 (8)

Donde F es el factor que define el nivel de confianza y t es el horizonte de tiempo.

Ahora, si el supuesto de normalidad en los rendimientos no se acomoda a los rendimientos

de las acciones, también existen los modelos no paramétricos. Estos modelos no suponen una
distribución o un comportamiento especifico de los rendimientos. Uno de los principales
modelos no paramétricos es el modelo de simulación histórica. Según Lara (2008) “consiste
en utilizar una serie histórica de pecios de la posición de riesgo (portafolios) para construir
una serie de tiempo de precios y/o rendimientos simulados o hipotéticos” (p. 67).

Este modelo tiene como características:

It is widely used in practice. The main reasons are (1) the ease with which is it
implemented and (2) its model-free nature. The first advantage is difficult to argue with.
The HS technique clearly is very easy to implement. No parameters have to be estimated
by maximum likelihood or any other method. Therefore, no numerical optimization has
to be performed. The second advantage is more contentious, however. The HS technique
is model-free in the sense that it does not rely on any particular parametric model such
as a GARCH(1,1) for variance and a normal distribution for the standardized returns
(Chistoffersen, 2003, p. 101).

Este método estima el VaR como un quantil de la distribución empírica de los

rendimientos de los índices. De esta forma, podemos decir que la simulación histórica
es un método no paramétrico y estático. El VaR puede calcularse mediante la estimación
de un quantil empírico. Para ello, primero debemos ordenar de menor a mayor la serie
de rendimientos diarios de cada índice. Un posible estimador del VaR es r[n(1-α)], donde
[n(1-α)] denota el más grande entero no excedido por n(1-α). Por ejemplo, si n = 1000 y
α = 0.99, estimamos el VaR tomando el décimo más grande rendimiento diario de la
serie ordenada.

Este método puede ajustar muy bien cuando _ no es muy alto, por ser un método no
paramétrico; sin embargo, no es posible estimar quantiles arriba de los observados
limitando la estimación del VaR únicamente al comportamiento histórico de la serie
(Guerrero, 2008, p.29).

Para este propósito, también se puede hacer uso de un modelo por Simulación de Montecarlo.
Respecto a esto, Glasserman et al. (2000), indican que, “Monte Carlo simulation is
applicable with virtually any model of changes in risk factors and any mechanism for
determining a portfolio’s value in each market scenario” (p. 1). A este respecto,

Another key advantage of the MCS (Monte Carlo Simulation) technique is its flexibility.
We can use MCS for any assumed distribution of standardized returns—normality is not
required. If we think the standardized t (d) distribution with d = 12, for example,
describes the data better, then we simply draw from this distribution (Chistoffersen,
2003, p. 110).

La simulación de Montecarlo es una técnica de simulación estadística que permite

generar posibles resultados de una variable aleatoria. Requiere de la definición del tipo

8
de proceso estocástico (normal, lognormal, etc.) a aplicar sobre la variable aleatoria (ej.
Al movimiento de los precios).

Esta metodología se desarrolla en los siguientes pasos (Glasserman et al. 2000):

 Generación de escenarios: utilizando las estimaciones de volatilidades y

correlaciones de los activos de la cartera y suponiendo modelos de distribución
de precios.

 Valoración de la cartera para cada escenario de precios.

 Presentación de los resultados como distribución de probabilidades de las

pérdidas y ganancias de la cartera o como una medida especifica del riesgo
VaR.

Para la generación de escenarios se debe definir un comportamiento para la serie que

se desea simular. Se puede asumir que las series de precios se distribuyen lognormal
(rendimientos normales).

Ecuación 9. Rendimiento 𝑆𝑡 = 𝑆0 𝑒 𝜎𝑌√𝑡 (9)

St es el precio del activo en el día t, S0 es el precio del activo en el día t, σ la volatilidad

diaria del precio del activo, t es el horizonte de tiempo en días y Y es una variable
aleatoria N(0,1).
Para simular correctamente varias series se debe tener en cuenta la estructura de
correlaciones que tienen que tener. Se necesitara la descomposición de Cholesky. Se
trata de obtener una matriz A que multiplicada por su transpuesta sea igual a la matriz
de correlaciones.

1 0 1 0 1 𝜌
Ecuación 10. Choleski 𝐴𝑥𝐴′ = [ 2 ]× [ 2 ]=[ ] (10)
𝜌 √1 − 𝜌 𝜌 √1 − 𝜌 𝜌 1

Una vez obtenida A, podemos multiplicar las variables Y (variables que eran N(0,1) e
independientes) y obtendremos un vector de variables Z transformadas cuya
correlación entre si será la deseada.

1 0
Ecuación 11. Matriz A 𝑍 = 𝐴𝑌; 𝐴 = [ ] (11)
𝜌 √1 − 𝜌2
Considerando el vector Y2x1 que contiene dos variables aleatorias normales
estandarizadas e independientes Y1 e Y2, los elementos del vector Z serán,

1 0 𝑌 𝑌1
Ecuación 12. Matriz Z 𝑍 = [ 2 ] × [ 1] = [ ] (12)
𝜌 √1 − 𝜌 𝑌2 𝜌𝑌1 + √1 − 𝜌2 𝑌2

9
Mediante la transformación Z=AY se generan variables aleatorias normales,
estandarizadas e independientes con el factor de correlación deseado. Si se pretende
modelizar el precio proyectado de dos activos con volatilidades diarias σ1 y σ2 y factor
de correlación ρ se acudirá a las siguientes ecuaciones:
(1) (1) (2) (2)
Ecuación 13. Proyección 𝑆𝑡 = 𝑆0 𝑒 𝜎1 𝑌1 √𝑡 ; 𝑆𝑡 = 𝑆0 𝑒 𝜎2 𝑌2 √𝑡 (13)

Se puede trabajar también sobre la matriz de varianzas y covarianzas en lugar de la

matriz de correlaciones, en este caso,

𝜎1 0
Ecuación 14. Matriz A* 𝑍 = 𝐴𝑌; 𝐴 = [ ] (14)
𝜎2 𝜌 𝜎2 √1 − 𝜌2

1 0 𝑌
Ecuación 15. Matriz Z* 𝑍= [ ] × [ 1 ] (15)
𝜌 √1 − 𝜌2 𝑌2

Donde Z1=σ1Y1 y Z2=σ2ρY1+σ2(1-ρ2) ½Y2 y las ecuaciones para simular los precios no
necesitan incluir las volatilidades.
(1) (1) (2) (2)
Ecuación 16. Proyección* 𝑆𝑡 = 𝑆0 𝑒 𝑍1 √𝑡 ; 𝑆𝑡 = 𝑆0 𝑒 𝑍2 √𝑡 (16)

Una vez generados los escenarios un número suficiente de veces, se calcularan los
rendimientos de los activos, el valor total de la cartera y las pérdidas y ganancias
obtenidas.
Tomando un determinado percentil en esta distribución de perdidas, por ejemplo el
quinto, se puede calcular el VaR de la posición para un horizonte de t días de
negociación y con un nivel de confianza, en este caso, el 95% considerando la cola
izquierda de la distribución de rendimientos de la cartera de negociación (Rodriguez
2015).

Teniendo en cuenta los modelos anteriores, la reflexión que se debe hacer es la siguiente: ¿La
medida del VaR es significativamente diferente a la medida de volatilidad como medida del
riesgo?

La desviación estándar tiene como supuesto fuerte la normalidad de los rendimientos, aspecto
que también se encuentra en el modelo paramétrico del VaR. Respecto a la normalidad:

The most commonly encountered distributions are the ‘normal’ laws of Laplace and
Gauss, which we shall simply call Gaussian in the following. Gaussians are ubiquitous:
for example, the number of heads in a sequence of a thousand coin tosses, the exact
number of oxygen molecules in the room, the height (in inches) of a randomly selected
individual, are all approximately described by Gaussian distribution. The ubiquity of the
Gaussian can be in part traced to the central limit theorem (CLT), which states that

10
 phenomenon resulting from a large number of small independent causes is Gaussian.
There exists however a large number of cases where the distribution describing a
complex phenomenon is not Gaussian: for example, the amplitude of earthquakes, the
velocity differences in a turbulent fluid, the stresses in a granular materials, etc., and the
price fluctuations of most financial assets (Bouchaud & Potters, 2009, p. 7).
The Gaussian hypothesis was not seriously questioned until recently when the work of
Benoit Mandelbrot first began to appear. Mandelbrot’s main assertion is that, in the past,
academic research has too readily neglected the implications of the leptokurtosis usually
observed in empirical distributions of price changes. The presence, in general, of
leptokurtosis in the empirical distributions seems indisputable (Fama, 1965, p.42).
Si evidentemente, la distribución de los rendimientos de la cartera muestra signos de
leptocurtosis, se estará subvalorando el riesgo debido a que las colas de los retornos son más
pesadas. Aunado a lo anterior Christoffersen (2003) afirma que“The stock market exhibits
occasional, very large drops but not equally large up-moves. Consequently, the return
distribution is asymmetric or negatively skewed” (p. 21).

Por otra parte, en el modelo no paramétrico de simulación histórica, implícitamente se asume

que cualquier comportamiento futuro de los rendimientos, ya sucedió en algún momento. Si
los precios de las acciones evidencian una tendencia al alza, se estará subvalorando el nivel
de riesgo si la tendencia llegase a cambiar. En el caso contrario, si los precios de las acciones
evidencian una tendencia a la baja, el VaR calculado será sobrevalorado si los precios de las
acciones tienen un cambio en la tendencia. En síntesis, el ciclo de mercado influye en la toma
de decisiones y por esto…

Most of investors have higher probability of exiting market at the time of economic
depression than that at the time of economic boom. This suggests that the time of exiting
market is practically correlated with the market states. Specifically, suppose that the
stock market has bullish and bearish market states switching to each other over time
(Wu, Zeng & Yao, 2014, p.69)

En este orden de ideas, si bien, el VaR aparece como un indicador de riesgo más completo
que la desviación estándar, no hay que perder de vista que estos modelos tienen unos
supuestos los cuales deberán ser tenidos en cuenta al momento de hacer el análisis. Sin
embargo, la adopción de herramientas de análisis que se adaptan al cambio en los mercados,
llega a ser de gran utilidad al momento de tomar decisiones, situaciones esta que como afirma
Mainik, Mitov & Rüschendorf (2015):

The following years of financial crisis have demonstrated that the technical progress of
financial markets and their globalization have also brought up some new challenges. One
of these challenges is the need for diversification strategies that account for strong
drawdowns and increasing dependence of asset returns in crisis periods (Mainik, Mitov
& Rüschendorf, 2015, p.115)
Ahora, una herramienta bastante conocida para determinar la efectividad de un modelo es el
Backtesting. Se trabaja con datos históricos logrando evaluar el resultado que se hubiese
obtenido. Según Lara (2008) “El concepto de Backtesting es esencial en el proceso de
evaluar y calibrar los modelos de medición de riesgos” (p. 155).

11
Siguiendo la idea de la Ecuación 3, se plantea determinar el rendimiento de cada portafolio,
por tanto es importante conocer de antemano los resultados reales de cada acción. Por
ejemplo, si se tienen datos del precio de un grupo de acciones en una ventana de 3 años, se
toman los datos de los primeros 2 años para generar el modelo y luego se examina su
resultado un año después.
Al determinar el rendimiento de cada portafolio se obtendrán los elementos necesarios para
comparar principalmente los modelos que utilizan el VaR como concepto de riesgo frente al
modelo que utiliza la desviación estándar al momento de tomar una decisión de inversión.
Esta comparación es muy importante porque le da al inversionista una nueva herramienta
para toma de decisiones y con esto una mayor eficiencia en su portafolio de inversiones.

3 Método de solución

La información para el desarrollo del estudio se obtuvo de una terminal de Bloomberg, que
es una de las empresas más importantes del mundo en el campo de soluciones financieras.
Mediante el toolbox de Bloomberg para Excel, la función PX_LAST y los Ticket de las
compañías que componen el índice Dow Jones se descargaron los precios.
En la misma plataforma y siguiendo la misma lógica, se descargó la tasa libre de riesgo que
para este caso fueron los bonos del tesoro americano, los cuales son conocidos mundialmente
por ser un activo sumamente seguro y que se utilizan habitualmente en estudios similares
como tasa libre de riesgo.
Se establecieron 3 periodos del ciclo de mercado (bajista, estable y alcista).
Grafica 3. Ciclo de mercado

Fuente: Elaboración propia basada en datos de Bloomberg

Del MatLab que, es una conocida herramienta de software matemático y financiero, y

mediante su toolbox financiero se hallaron los siguientes datos:
 Matriz de correlaciones entre acciones.
 Las carteras de la frontera eficiente para cada periodo del ciclo de mercado por
medio de la función frontcon.

12
  Desviación estándar de cada una de las carteras de la frontera eficiente.
 Retorno esperado.
 El VaR de simulación histórica.

Luego, para el VaR aplicando simulación de Montecarlo se utilizó el software Crystal Ball
ya que es un software especializado en simulaciones. Este software permite incluir la matriz
de correlaciones (ilustrada en la Grafica 4.) dentro de sus parámetros, esto permite sintetizar
la descomposición de Cholesky en un solo paso.
En el caso de VaR paramétrico, el cálculo se ejecutó en Excel. En todos los modelos de VaR,
el cálculo se hizo a 3 niveles de confianza 90, 95 y 99%, Estos son los niveles de confianza
más frecuentemente utilizados por las instituciones financieras así como por las empresas
encargadas de hacer seguimiento y regular las instituciones financieras.
Habiendo obtenido las diferentes medidas de riesgo (desviación estándar y VaR) se calculó
los ratios de Sharpe siguiendo las ecuaciones 6 y 7 según fuera el caso.
Posteriormente se establecieron las carteras con mejor Ratio de Sharpe para cada modelo y
se ejecutó un backtesting para cada una de estas carteras.
El cálculo del Ratio de Sharpe, el Ratio de Sharpe Modificado y el backtesting de los modelos
se ejecutaron en Excel.
Finalmente, se creó una matriz de los resultados del backtesting con el fin de simplificar el
análisis, en donde en un eje está el ciclo de mercado y en otro el modelo de riesgo utilizado,
al igual que se plantea en el marco teórico, la ventana de tiempo del backtesting será de un
año hacia adelante. Con ayuda de los resultados obtenidos y el análisis realizado, se replicó
el estudio al mercado colombiano.

4 Presentación y análisis de resultados

Los resultados encontrados en el estudio se presentan con ayuda de tablas y graficas que
permiten una mejor explicación de estos. Inicialmente se presentan con su respectivo análisis
las gráficas 4, 5 y 6 así como las tablas 2 y 3, las cuales fueron un insumo importante que
respaldan los resultados concluyentes del estudio, que finalmente están representados en la
Tabla 4. Posteriormente se muestran los mejores y peores portafolios según su rendimiento
por cada parte del ciclo de mercado, luego se analizan los resultados si estas elecciones se
hubiesen presentado previo a la crisis del 2008 y se finaliza con los resultados del estudio
aplicado al mercado colombiano.

Grafica 4. Matriz de Correlaciones

13
 Fuente: Elaboración propia

Se visualizan correlaciones entre 7% y 65% entre acciones. Donde la menor correlación se

presenta entre Merk que es la compañía farmacéutica y química más antigua del mundo y
Cisco que es una compañía dedicada principalmente a la venta y mantenimiento de equipos
de telecomunicaciones. La disparidad de los sectores de estas dos compañías podría ser una
de las principales causas para su baja correlación.

Por otra parte, la mayor correlación se evidencia entre Goldman Sachs y American Express,
ambas compañías del sector financiero, Goldman es una de las principales bancas de
inversión del mundo, mientras que American Express es globalmente conocido por su
franquicia de tarjetas de crédito. El hecho que ambos estén en el sector financiero es relevante
al determinar el porqué de la magnitud de su correlación. Esta matriz es determinante para la
aplicación del modelo de Simulación de Montecarlo.

Grafica 5. Fronteras de Carteras Eficientes

14
 Fuente: Elaboración propia
Se observa como las carteras de ciclo bajista evidencian mayor riesgo, mientras tanto, las
carteras del ciclo alcista registran menores niveles de riesgo. Simultáneamente, las carteras
con mayor nivel de riesgo tienen mayor nivel de retorno mientras que las carteras con nivel
de riesgo más bajo tienen un nivel de retorno menor. Es decir, se confirma la relación positiva
entre el riesgo y rentabilidad en las inversiones.
Ahora, la Tabla 2 contiene elementos fundamentales para el cálculo del Ratio de Sharpe y
Ratio de Sharpe Modificado, tales como la desviación estándar, el retorno esperado de cada
cartera y el VaR Paramétrico. De forma congruente con lo observado en la Gráfica 5, se
observa como entre mas se incrementa el riesgo (Desviación Estándar o VaR), también se
incrementa el retorno esperado.
En cuanto a los niveles de VaR encontrados, se aprecia que a medida que el nivel de confianza
se incrementa, el VaR es más elevado, resultado acorde con diversos estudios estadísticos.
Teniendo en cuenta que el VaR paramétrico se basa en una distribución normal, si se
incrementa el nivel de confianza, el rango de posibilidades también se ampliará, razón por la
cual se observa un nivel de riesgo diferente dependiendo del grado de confianza.
Tabla 2. Insumos Ratio de Sharpe

VaR Parametrico
Portafolio Retorno E. Des. Est.
1% 5% 10%
1 -0.00016357 0.0104285 2.4424% 1.7317% 1.3528%
2 -0.00014426 0.01042978 2.4408% 1.7300% 1.3511%
3 -0.00012496 0.01043363 2.4397% 1.7287% 1.3496%
4 -0.00010566 0.01044004 2.4393% 1.7278% 1.3485%
5 -8.6354E-05 0.01044901 2.4394% 1.7273% 1.3477%
6 -6.7051E-05 0.0104604 2.4402% 1.7273% 1.3473%
7 -4.7748E-05 0.01047401 2.4414% 1.7276% 1.3471%
8 -2.8445E-05 0.01048982 2.4431% 1.7283% 1.3472%
9 -9.1426E-06 0.01050782 2.4454% 1.7293% 1.3475%
10 1.016E-05 0.01052802 2.4482% 1.7307% 1.3482%

15
 VaR Parametrico
Portafolio Retorno E. Des. Est.
1% 5% 10%
11 2.9463E-05 0.01055038 2.4514% 1.7324% 1.3491%
12 4.8766E-05 0.01057491 2.4552% 1.7345% 1.3504%
13 6.8069E-05 0.01060157 2.4595% 1.7370% 1.3518%
14 8.7371E-05 0.01063037 2.4643% 1.7398% 1.3536%
15 0.00010667 0.01066123 2.4695% 1.7429% 1.3556%
16 0.00012598 0.01069413 2.4752% 1.7464% 1.3579%
17 0.00014528 0.01072903 2.4814% 1.7502% 1.3605%
18 0.00016458 0.01076593 2.4881% 1.7544% 1.3633%
19 0.00018389 0.01080481 2.4952% 1.7588% 1.3663%
20 0.00020319 0.01084566 2.5028% 1.7636% 1.3696%
21 0.00022249 0.01088881 2.5109% 1.7688% 1.3732%
22 0.00024179 0.01093436 2.5195% 1.7744% 1.3771%
23 0.0002611 0.01098228 2.5288% 1.7803% 1.3813%
24 0.0002804 0.01103254 2.5385% 1.7867% 1.3858%
25 0.0002997 0.01108535 2.5489% 1.7934% 1.3907%
26 0.00031901 0.01114124 2.5599% 1.8007% 1.3959%
27 0.00033831 0.01120019 2.5717% 1.8084% 1.4015%
28 0.00035761 0.01126216 2.5842% 1.8167% 1.4075%
29 0.00037691 0.0113271 2.5974% 1.8255% 1.4139%
30 0.00039622 0.01139664 2.6116% 1.8350% 1.4209%
31 0.00041552 0.01147309 2.6275% 1.8456% 1.4288%
32 0.00043482 0.01155721 2.6451% 1.8575% 1.4376%
33 0.00045412 0.01164886 2.6645% 1.8707% 1.4474%
34 0.00047343 0.01175916 2.6882% 1.8869% 1.4597%
35 0.00049273 0.01191138 2.7217% 1.9100% 1.4772%
36 0.00051203 0.01211165 2.7664% 1.9410% 1.5010%
37 0.00053134 0.01235826 2.8218% 1.9796% 1.5306%
38 0.00055064 0.0126485 2.8874% 2.0254% 1.5659%
39 0.00056994 0.01297945 2.9625% 2.0779% 1.6064%
40 0.00058924 0.01334807 3.0463% 2.1366% 1.6517%
41 0.00060855 0.01375135 3.1382% 2.2010% 1.7015%
42 0.00062785 0.01419638 3.2398% 2.2723% 1.7566%
43 0.00064715 0.01469663 3.3542% 2.3527% 1.8187%
44 0.00066646 0.01524711 3.4804% 2.4413% 1.8874%
45 0.00068576 0.0158426 3.6170% 2.5373% 1.9617%
46 0.00070506 0.0164782 3.7629% 2.6399% 2.0413%
47 0.00072436 0.01714947 3.9171% 2.7484% 2.1254%
48 0.00074367 0.0178621 4.0810% 2.8637% 2.2148%
49 0.00076297 0.01869522 4.2729% 2.9988% 2.3196%
50 0.00078227 0.0196525 4.4936% 3.1543% 2.4403%
Fuente: Elaboración Propia

16
 Grafica 6. Simulación de Montecarlo

Fuente: Elaboración Propia

Para el VaR aplicando simulación de Montecarlo se utilizó el software Crystal Ball, en la

gráfica se observa como este software permite incluir la matriz de correlaciones (ilustrada en
la Grafica 4.) dentro de sus parámetros, esto permite sintetizar la descomposición de Cholesky
en un solo paso.
En la Tabla 3 se encuentran los Ratios de Sharpe Modificado para cada modelo en el ciclo
bajista, se observa como los modelos paramétricos inducen decisiones similares mientras
que los modelos de simulación histórica y de Simulación Montecarlo registran decisiones
más heterogéneas, las causas de estas variaciones se analizarán más adelante en conjunto
con los demás ciclos de mercado.

Tabla 3. Ratios de Sharpe según modelo

VaR Parametrico VaR Historico VaR Montecarlo
Portafolio SHARPE M. 1% SHARPE M. 5% SHARPE M. 10% SHARPE M. 1% SHARPE M. 5% SHARPE M. 10% SHARPE M. 1% SHARPE M. 5% SHARPE M. 10%
1 -0.009273149 -0.013078902 -0.01674176 -0.00843874 -0.01332585 -0.01883675 -0.00914286 -0.01301457 -0.01657763
2 -0.008488495 -0.011976112 -0.015334922 -0.00770470 -0.01210516 -0.01722271 -0.00836425 -0.01190744 -0.01514917
3 -0.007700906 -0.010868475 -0.013921009 -0.00697347 -0.01090137 -0.01570802 -0.00758846 -0.01078300 -0.01374197
4 -0.00691096 -0.009756793 -0.012501037 -0.00624504 -0.00974770 -0.01417579 -0.00679667 -0.00967902 -0.01234554
5 -0.006119236 -0.008641878 -0.011076034 -0.00551939 -0.00867582 -0.01260047 -0.00601795 -0.00855428 -0.01092043
6 -0.005326386 -0.007524642 -0.009647158 -0.00480386 -0.00771611 -0.01099391 -0.00523519 -0.00744250 -0.00950156
7 -0.004533045 -0.006405981 -0.00821555 -0.00409011 -0.00661399 -0.00929434 -0.00445222 -0.00632469 -0.00807805
8 -0.003739719 -0.005286606 -0.006782121 -0.00337646 -0.00550080 -0.00753400 -0.00365524 -0.00521349 -0.00666491
9 -0.002946913 -0.00416723 -0.00534778 -0.00266292 -0.00432708 -0.00592060 -0.00288516 -0.00409804 -0.00525063
10 -0.002155122 -0.003048554 -0.003913428 -0.00194949 -0.00312443 -0.00434757 -0.00210580 -0.00299941 -0.00383697
11 -0.001364837 -0.001931277 -0.002479963 -0.00123617 -0.00195742 -0.00272842 -0.00133243 -0.00189725 -0.00242692
12 -0.000576542 -0.000816086 -0.001048271 -0.00052295 -0.00082863 -0.00115889 -0.00056309 -0.00080044 -0.00102324
13 0.000209291 0.000296343 0.000380776 0.00019015 0.00030124 0.00042105 0.00020417 0.00029013 0.00037136
14 0.000992198 0.001405349 0.001806317 0.00090360 0.00143286 0.00197734 0.00096496 0.00137425 0.00176020
15 0.001771736 0.002510292 0.003227525 0.00164941 0.00257001 0.00347780 0.00172038 0.00245247 0.00313604
16 0.00254748 0.003610563 0.004643603 0.00242620 0.00368385 0.00494456 0.00246834 0.00352368 0.00451112

17
 17 0.003319019 0.004705566 0.006053774 0.00323574 0.00482667 0.00645279 0.00320875 0.00459001 0.00586981
18 0.004085957 0.005794728 0.007457286 0.00408017 0.00601333 0.00798127 0.00394682 0.00564970 0.00722690
19 0.004847912 0.006877494 0.008853408 0.00491010 0.00712971 0.00949678 0.00467651 0.00670104 0.00858197
20 0.005604502 0.007953307 0.010241408 0.00566617 0.00818786 0.01086548 0.00541002 0.00773644 0.00992901
21 0.006355178 0.009021371 0.01162024 0.00640073 0.00932976 0.01232493 0.00613097 0.00877726 0.01124854
22 0.007099447 0.010080966 0.012988958 0.00712505 0.01048265 0.01386168 0.00683073 0.00980907 0.01255886
23 0.007836901 0.011131498 0.014346771 0.00783936 0.01169016 0.01528231 0.00751905 0.01080901 0.01384842
24 0.008567159 0.012172403 0.01569293 0.00854386 0.01291364 0.01674829 0.00821716 0.01181361 0.01513874
25 0.009289665 0.01320287 0.017026362 0.00918356 0.01399955 0.01828414 0.00889221 0.01279301 0.01640025
26 0.010003522 0.014221599 0.018345359 0.00978961 0.01489820 0.01989064 0.00957688 0.01378167 0.01765645
27 0.010708262 0.015227897 0.019648998 0.01038892 0.01565777 0.02150090 0.01024989 0.01474240 0.01889937
28 0.011403476 0.016221158 0.020936463 0.01118054 0.01663179 0.02293916 0.01091874 0.01570508 0.02012470
29 0.012088792 0.017200825 0.022207005 0.01198373 0.01757290 0.02410091 0.01158857 0.01664482 0.02130494
30 0.012761953 0.018163645 0.023456367 0.01291585 0.01832671 0.02553459 0.01220182 0.01754179 0.02246656
31 0.013419592 0.019104762 0.024678203 0.01321392 0.01909148 0.02673356 0.01284773 0.01843085 0.02363672
32 0.014059859 0.02002149 0.025868974 0.01388424 0.01983455 0.02787854 0.01347604 0.01930623 0.02474686
33 0.014681971 0.020912665 0.027027115 0.01437454 0.02075159 0.02906114 0.01407057 0.02014271 0.02581808
34 0.015270427 0.021756 0.028123563 0.01475242 0.02178280 0.03027652 0.01467525 0.02093188 0.02684390
35 0.015791779 0.022503405 0.029095592 0.01419372 0.02300672 0.02998565 0.01515283 0.02160045 0.02782633
36 0.016234609 0.023138358 0.029921526 0.01390426 0.02417426 0.02975177 0.01551570 0.02222684 0.02867078
37 0.016599706 0.023661878 0.030602542 0.01452206 0.02464014 0.03012225 0.01588167 0.02275671 0.02941388
38 0.016891146 0.024079729 0.031146038 0.01449422 0.02394767 0.03135953 0.01614752 0.02320924 0.02997009
39 0.017114757 0.024400221 0.031562762 0.01451372 0.02486330 0.03213904 0.01639597 0.02355000 0.03036862
40 0.017277461 0.024633258 0.031865569 0.01433358 0.02500278 0.03232113 0.01657366 0.02378895 0.03071529
41 0.017386678 0.024789478 0.032068298 0.01471009 0.02430575 0.03306321 0.01668387 0.02392942 0.03088744
42 0.01744 0.02486 0.03216 0.01518512 0.02348004 0.03343209 0.01680042 0.024060106 0.03091385
43 0.01741776 0.024832776 0.032123016 0.015254 0.02318443 0.03339322 0.016844628 0.02404645 0.03091358
44 0.017341145 0.024722052 0.031977888 0.01439136 0.02379929 0.03372031 0.01682162 0.02388309 0.03076109
45 0.017219905 0.024547266 0.031749332 0.01456981 0.02426391 0.03404845 0.01670268 0.02379194 0.03054818
46 0.017065053 0.024324264 0.031458032 0.01481710 0.02462765 0.03334915 0.01660633 0.02364250 0.03037611
47 0.016885926 0.024066477 0.031121513 0.01506072 0.02455686 0.03247131 0.01644363 0.02336482 0.02994264
48 0.016680948 0.02377166 0.030736875 0.01510531 0.02456610 0.03183062 0.01633761 0.02307613 0.02967852
49 0.016383608 0.023344355 0.030179831 0.01383571 0.02408782 0.03159322 0.01596165 0.02271631 0.02911059
50 0.016008265 0.022805282 0.029477503 0.01281631 0.02392736 0.03183020 0.01567148 0.02217865 0.02851764

Fuente: Elaboración Propia

Tabla 4. Rentabilidad por modelo y por ciclo de mercado

MODELO/CICLO MERCADO BAJISTA ESTABLE ALCISTA

Equiponderada 33,30% 13,20% 5,26%
Mínima Varianza 26,07% 14,61% -0,27%
Desviación Estándar 41,00% 32,62% 10,92%
Paramétrico 99% 41,00% 32,62% 10,92%
Paramétrico 95% 41,00% 31,04% 10,92%
Paramétrico 90% 41,00% 31,04% 10,92%
Simulación Histórica 99% 41,91% 37,49% 10,24%
Simulación Histórica 95% 38,95% 31,04% 16,74%
Simulación Histórica 90% 41,00% 28,13% 13,79%
Simulación Montecarlo 99% 41,91% 37,49% 11,76%
Simulación Montecarlo 95% 41,00% 37,49% 11,76%
Simulación Montecarlo 90% 41,00% 37,49% 11,76%
Fuente: Elaboración Propia

En la tabla se observa en amarillo las estrategias tradicionales mientras que, en gris las
estrategias que implementan el VaR como concepto de riesgo en la elección de una cartera.
Por otra parte, resaltado en verde se muestra la cartera más rentable por cada ciclo de mercado
y en rojo la elección con menor rentabilidad.

18
Es de destacar que en cada ciclo de mercado, la elección con menos rentabilidad provenía de
las estrategias tradicionales, mientras tanto, las elecciones con mejor rentabilidad fueron en
donde se tuvo en cuenta el VaR, específicamente el de Simulación Histórica y el de
Simulación de Montecarlo.
La estrategia equiponderada estuvo en promedio un 15% por debajo de la mejor elección y
en el ciclo estable, registró la rentabilidad más baja. De la misma forma, la estrategia de
mínima varianza, estuvo en promedio un 19% por debajo de la mejor elección y en los ciclos
bajista y alcista registro la rentabilidad más baja. De hecho, en el ciclo alcista alcanzo a
registrar una rentabilidad negativa.
Por otra parte, se puede apreciar que las elecciones de las estrategias de Desviación Estándar
como las de VaR Paramétrico generan elecciones similares, esto se debe principalmente a
que su fundamento se basa en la normalidad de los retornos. Estas estrategias, aunque nunca
fueron las peores en términos de rendimiento, tampoco fueron nunca la mejor elección.
Las estrategias de Simulación Histórica siempre generaron la rentabilidad más alta, aunque
en diferentes grados de confianza. Mientras que el modelo de Simulación Histórica con 99%
de confianza generó la rentabilidad más alta en el ciclo bajista y en el ciclo estable, en el ciclo
alcista, su rentabilidad estuvo incluso por debajo de la estrategia de desviación estándar. Por
otra parte, el modelo de Simulación Histórica con 95% de confianza aunque presentó la mejor
rentabilidad en el ciclo alcista, en los otros dos ciclos registró rentabilidades iguales o
menores a las presentadas en la estrategia de Desviación Estándar.
En las estrategias de Simulación de Montecarlo se evidencia una similitud en las elecciones
entre niveles de confianza y con los modelos de Simulación Histórica. Sin embargo se destaca
que el modelo de Simulación de Montecarlo con 99% de confianza registró una rentabilidad
superior que la estrategia de Desviación Estándar en cada una de las etapas del ciclo de
mercado y de hecho, en el ciclo bajista y estable presentó la mejor rentabilidad.
A pesar que Artzner et al.(1998) considera que el VaR no cumple las condiciones para ser
una medida de riesgo coherente debido a problemas de inestabilidad numérica, especialmente
para distribuciones de colas pesadas y también que no tiene en cuenta la magnitud de las
pérdidas que los superan. Los resultados presentados dan muestra que el VaR puede ser una
pieza fundamental al momento de tomar una decisión de inversión, mejorando los resultados
obtenidos por las estrategias tradicionales.
En este sentido, si bien se considera apropiado no hacer la optimización de portafolios con el
VaR teniendo en cuenta que no es una medida de riesgo convexa según Föllmer & Schied
(2004), se difiere de Puerta y Laniado (2010) al indicar que el VaR no sea una medida
atractiva como medición del riesgo cuando de selección de portafolios se trata, dado que los
resultados empíricos registrados evidencian una mejora significativa en rendimiento cuando
se utiliza el VaR como medida de riesgo versus la desviación estándar y otras estrategias
tradicionales en el proceso de selección de un portafolio.

Grafica 7. Portafolio Mejor Elección Ciclo Bajista

19
 Fuente: Elaboración Propia
Grafica 8. Portafolio Peor Elección Ciclo Bajista

Fuente: Elaboración Propia

En las gráficas 7 y 8 se detalla cómo están conformados los portafolios del ciclo bajista. El
portafolio de la Gráfica 7 fue escogido aplicando los modelos de Simulación Histórica y el
de Simulación de Montecarlo al 99% de confianza. Este portafolio solamente está compuesto
por 4 acciones de diferentes sectores como salud, consumo y construcción.
Mientras tanto, el portafolio de la Gráfica 8 fue escogido por la estrategia de mínima varianza,
este portafolio está mucho más diversificado (14 acciones) que el de la Gráfica 7, sin
embargo, su rendimiento fue el más bajo de todos los elegidos. En este portafolio se destaca
que a pesar de ser un portafolio más diversificado, no incluye 2 de las 4 acciones que se
incluyen en el portafolio con mejor rendimiento.
Grafica 9. Portafolio Mejor Elección Ciclo Estable

20
 Fuente: Elaboración Propia

Grafica 10. Portafolio Peor Elección Ciclo Estable

Fuente: Elaboración Propia

En las gráficas 9 y 10 se detalla cómo están conformados los portafolios del ciclo estable. El
portafolio de la Gráfica 9 fue escogido por cuatro de los modelos, los 3 de Simulación de
Montecarlo y el de Simulación Histórica al 99% de confianza. Este portafolio solamente está
compuesto por 3 acciones de diferentes sectores: tecnológico, aeronáutico y financiero.
Mientras tanto, el portafolio de la Gráfica 10 fue escogido por la estrategia equiponderada,
es decir, que a cada una de las 29 acciones4 les corresponde una participación equitativa
4
No se tuvo en cuenta la acción de la empresa Visa dado que debuto en la bolsa de Nueva York solamente
hasta 2008. Tampoco se planteó reemplazarla por otra acción dado que el sector de consumo financiero ya
se encuentra representado por la acción de American Express.

21
(3,45%). Este portafolio pese a estar completamente diversificado, solamente obtuvo un
rendimiento del 13,2% mientras que el portafolio de la Gráfica 9 obtuvo un 37,49% de
rendimiento.
Grafica 11. Portafolio Mejor Elección Ciclo Alcista

Fuente: Elaboración Propia

Grafica 12. Portafolio Peor Elección Ciclo Alcista

Fuente: Elaboración Propia

En las gráficas 11 y 12 se detalla cómo están conformados los portafolios del ciclo alcista.
El portafolio de la gráfica 11 fue escogido por el modelo de Simulación Histórica al 95% de
confianza. Este portafolio está compuesto por 6 acciones de diferentes sectores como:
farmacéutico, entretenimiento, vestuario, aeronáutico y financiero.
Mientras tanto, el portafolio de la Gráfica 12 fue escogido por la estrategia de mínima
varianza, al igual que el portafolio de la Gráfica 8. De forma similar a los ciclos bajista y

22
estable, en este caso el portafolio con menor rendimiento es un portafolio mucho más
diversificado (16 acciones) que el portafolio con mejor rendimiento. Se destaca que
solamente una de las 6 acciones del portafolio con mayor rendimiento se encuentra en el
portafolio con menor rendimiento.
Una característica común que se logra percibir en los portafolios con mayor rendimiento, en
relación a los de menor rendimiento es que están menos diversificados en lo que a número
de acciones se refiere, los portafolios de menor rendimiento contemplan 14 acciones o más
mientras que los portafolios con mejor rendimiento tienen en promedio 4 acciones.
Sin embargo, esto no quiere decir que los portafolios con mayor retorno no estén
correctamente diversificados ya que estos evidencian una fuerte diversificación sectorial,
mientras que si se logra detallar que el hecho de tener un portafolio sumamente diversificado
no es sinónimo de tomar una buena decisión.
En cuanto al efecto del ciclo de mercado en la escogencia del portafolio, se puede observar
que solo 3 compañías repiten en los portafolios de mejor elección, de aquí se puede deducir
la importancia que tiene un rebalanceo periódico en la administración de un portafolio de
inversión.
Otro aspecto importante sobre el efecto del ciclo de mercado en la escogencia de portafolio
radica en el sector de las compañías con mayor importancia dentro de los portafolios de mejor
rendimiento. En el ciclo bajista destaca una compañía del sector salud, en el ciclo estable se
destacan los sectores tecnológico y financiero, mientras que, en el ciclo alcista se destacan
los sectores de entretenimiento y vestuario.
La salud se podría considerar como un consumo básico, las empresas tecnológicas y
financieras generalmente crecen independientemente del ciclo económico mientras que las
empresas de entretenimiento registran mejores rendimientos que otros sectores en un entorno
bullish.
Los resultados obtenidos hasta el momento muestran mejores retornos en las estrategias que
utilizan el VaR como concepto de riesgo en la elección de portafolios de inversión. Sin
embargo, Lara (2008) resalta la importancia de testear los modelos y “estresarlos” con el fin
de validar sus resultados bajo situaciones poco probables pero que igualmente pueden ocurrir.
Ahora, ¿qué sucede con las elecciones de portafolio previo a un gran declive? La crisis
financiera del 2008 fue una de las más grandes de la historia y de hecho es la más grande en
lo corrido del siglo XXI. A continuación se mostrará un estudio similar al presentado
anteriormente pero enmarcado en un contexto extremo, como lo fue la crisis del 2008.

Tabla 5. Rentabilidad por modelo Crisis 2008

23
 MODELO RETORNO
Equiponderada -27.85%
Mínima Varianza -29.35%
Desviación Estándar -29.90%
Paramétrico 99% -29.90%
Paramétrico 95% -29.90%
Paramétrico 90% -29.90%
Simulación Histórica 99% -31.61%
Simulación Histórica 95% -30.14%
Simulación Histórica 90% -30.14%
Simulación Montecarlo 99% -30.02%
Simulación Montecarlo 95% -29.90%
Simulación Montecarlo 90% -30.02%
Fuente: Elaboración Propia
Evidentemente los diferentes resultados son negativos, cualquier elección que se haya
realizado hubiese traído consigo un retorno negativo. Sin embargo, se destaca el hecho que
la estrategia equiponderada sea la elección con menor perdida, dado que, como se determinó
anteriormente, esta era la estrategia menos eficiente.
En este mismo sentido, se observa que las estrategias de simulación histórica son las que
presentan perdidas más elevadas, especialmente la de 99% de confianza. Si se espera que el
nivel de riesgo sea el mismo y se tiene un choque de gran magnitud, lo más natural es que
esta expectativa se vea duramente afectada, tal como vemos en los modelos de simulación
histórica.
Por otra parte, si bien, en esta ocasión la estrategia de desviación estándar registro un
resultado más favorable que la estrategia de Simulación de Montecarlo al 99% de confianza,
a diferencia de los estudios anteriores. Es importante mencionar que esta diferencia
solamente fue de 12 puntos básicos (0,12%) mientras que en los estudios anteriores la
diferencia más pequeña fue de 85 puntos básicos (0,85%) y en promedio, la estrategia de
Simulación de Montecarlo al 99% de confianza estuvo un 2,21% mejor que la alternativa de
desviación estándar.
No solamente es importante la elección de una estrategia de inversión, también es importante
dimensionarla con la rentabilidad del mercado. Esta rentabilidad se puede asociar a un índice,
para los casos evaluados, la rentabilidad alcanzada por las estrategias que utilizan VaR
siempre fue superior a la rentabilidad tanto del S&P 500 como del Dow Jones, inclusive
durante el caso evaluado durante la crisis del 2008.
Luego de evidenciar que bajo un contexto extremo, la idea de elegir el VaR como factor de
riesgo sobre la desviación estándar para la elección de un portafolio no arroja resultados
significativamente diferentes, es apropiado también, revisar qué implicaciones tendrán estas
elecciones si se evalúan bajo un mercado menos desarrollado como el colombiano.

24
 Tabla 6. Rentabilidad por modelo Mercado Colombiano

MODELO RETORNO
Equiponderada -28.29%
Mínima Varianza -19.89%
Desviación Estándar -16.91%
Paramétrico 99% -17.01%
Paramétrico 95% -17.01%
Paramétrico 90% -17.01%
Simulación Histórica 99% -17.02%
Simulación Histórica 95% -17.52%
Simulación Histórica 90% -17.01%
Simulación Montecarlo 99% -16.81%
Simulación Montecarlo 95% -16.91%
Simulación Montecarlo 90% -16.91%
Fuente: Elaboración Propia
Recientemente el mercado colombiano ha presentado una evidente tendencia a la baja, en
donde su principal índice, el COLCAP ha registrado continuos descensos en los últimos años.
Los resultados que se observan en la Tabla 6 es una evidencia más del difícil momento que
presenta el mercado de acciones en donde cualquier elección habría generado una pérdida de
forma similar a la Tabla 5 pero sin presentar niveles tan elevados.
Ahora, en cuanto a las estrategias tradicionales, se observa que la estrategia de mínima
varianza y la estrategia equiponderada fueron las que presentaron los resultados más
negativos, siendo esta ultima la estrategia con peor desempeño con un retorno de -28,29%.
Las estrategias que utilizan el VaR paramétrico como las de simulación histórica tuvieron
resultados entre -17% y -17,5%. Si bien no son los mejores resultados, si presentan mejores
resultados que las estrategias tradicionales de mínima varianza y equiponderada.
En cuanto a la estrategia que utiliza el VaR con Simulación de Montecarlo al 99%,
previamente, en el modelo inicial (Tabla 3), había evidenciado presentar mejores resultados
que la estrategia que utiliza la desviación estándar como concepto de riesgo el momento de
elegir una cartera sobre otra. En este caso, los resultados concuerdan con lo visto en el
mercado americano.
Sin embargo, es importante mencionar que la diferencia entre estas dos estrategias es de
solamente 10 puntos básicos y tal como se mencionó anteriormente, cuando se evaluaron las
estrategias a la luz de la crisis del 2008, esta no parece ser una diferencia significativa
teniendo en cuenta que en los estudios iniciales la estrategia de Simulación de Montecarlo
con una confianza del 99% registro una mejora de más del 2% en promedio respecto a la
estrategia de desviación estándar.

Grafica 13. Portafolio Mejor Elección Mercado Colombiano

25
 Fuente: Elaboración Propia
Grafica 14. Portafolio Peor Elección Mercado Colombiano

Fuente: Elaboración Propia

En las gráficas 13 y 14 se detalla cómo están conformados los portafolios del mercado
colombiano. El portafolio de la Gráfica 13 fue escogido aplicando el modelo de Simulación
de Montecarlo al 99% de confianza. Este portafolio solamente está compuesto por 9 acciones
de diferentes sectores como financiero, servicios, alimentos y energía.
Mientras tanto, el portafolio de la Gráfica 14 fue escogido por la estrategia equiponderada,
es decir, que a cada una de las 18 acciones5 les corresponde una participación equitativa
(5,56%). Este portafolio pese a estar completamente diversificado, obtuvo un rendimiento de
-28,29% mientras que el portafolio de la gráfica 13 obtuvo un -16,89% de rendimiento.

5
No se tuvo en cuenta las acciones de las empresas Cemex y Terpel dado que debuto en la bolsa de valores
hace menos de 3 años, por tanto no cuentan con suficientes datos. Tampoco se planteó reemplazarla por otra
acción dado que estos sectores ya están representados con acciones de otras empresas como Cemargos y
Ecopetrol.

26
Cabe resaltar que en el estudio realizado en el mercado americano, los portafolios con mayor
rentabilidad estaban bastante diversificados en términos de sectores pero su distribución
estaba en unas pocas acciones.
Por otra parte, se observa en el portafolio de la Gráfica 13 que tiene casi el 60% en el sector
financiero (Banco de Bogotá, Davivienda y Corficolombiana) y aparte está distribuido en 9
acciones, es decir en la mitad de todas las que se tenían disponibles.

5 Conclusiones
Luego de la crisis financiera del 2008 causada en parte por la falta de regulación y el exceso
de confianza por parte de algunos inversionistas, la necesidad de generar herramientas que
permitan tomar decisiones con base en los riesgos que se están asumiendo es cada vez más
relevante. Actualmente, existen diversas estrategias para hacer la elección de una cartera
sobre otra. Estas elecciones se toman básicamente teniendo en cuenta una relación entre
riesgo y rentabilidad. Sin embargo, el concepto que se tiene de riesgo pareciera no ser el
indicado.
A la luz de lo indicado anteriormente, se plantea que este tipo de elecciones podrían ser más
beneficiosas para el inversionista si cambia el parámetro que tiene establecido como “riesgo”
que generalmente es la desviación estándar por un parámetro que a pesar de tener algunas
falencias, fue creado precisamente para medir el riesgo como lo es el Value at Risk (VaR).
A este respecto, luego de hacer un estudio en un mercado desarrollado como el mercado
americano y validar sus resultados en un mercado menos desarrollado como el colombiano
se llegan a las siguientes conclusiones específicas:
 La diversificación de un portafolio sigue siendo una herramienta fundamental para el
adecuado manejo de una inversión. Sin embargo, esta diversificación debe hacerse
bajo una estrategia de optimización en lugar de una estrategia equiponderada.
 El rebalanceo de una cartera es un aspecto que no se debe descuidar. A medida que
el ciclo de mercado va avanzando, las empresas que componen la mejor elección de
un portafolio van cambiando por otras, siendo necesario ir modificando
periódicamente el portafolio de inversión.
 El VaR que en principio fue creado para hacer un seguimiento y alertar sobre los
niveles de riesgo para una cartera ya creada, también puede resultar muy útil como
herramienta al momento de escoger un portafolio de inversiones.
 A pesar de arrojar resultados similares, las pequeñas variaciones en los resultados del
VaR en los diferentes modelos (Paramétrico, Simulación Histórica, Simulación de
Montecarlo), pueden generar diferentes decisiones de inversión.
 Bajo situaciones normales, en un mercado desarrollado, elegir una cartera sobre otra
tendrá mayores beneficios si se realiza teniendo en cuenta como concepto de riesgo
el VaR con una confianza del 99% bajo un modelo de Simulación de Montecarlo en
lugar de la desviación estándar.
 En situaciones extremas, como la de una crisis o en mercados menos desarrollados,
no existe una clara ventaja entre la desviación estándar y el VaR con una confianza

27
 del 99% bajo un modelo de Simulación de Montecarlo como concepto de riesgo al
momento de elegir un portafolio.
 Finalmente y teniendo en cuenta las últimas dos conclusiones, es claro que el modelo
que utiliza el VaR con una confianza del 99% bajo un modelo de Simulación de
Montecarlo como concepto de riesgo, en ningún momento se encuentra en desventaja
significativa frente al modelo que utiliza la desviación estándar como concepto de
riesgo al momento de elegir un portafolio de inversiones. Por el contrario, bajo un
entorno de un mercado desarrollado, este modelo evidencia una superioridad en
términos de rendimiento. Lo anterior evidencia que este modelo es más adecuado
que el que utiliza a la desviación estándar como concepto de riesgo, resultados que
contrastan la afirmación de Puerta y Laniado (2010) quienes indican que el VaR no
sea una medida atractiva como medición del riesgo cuando de selección de portafolios
se trata.

Referencias
Artzner, P., Delbaen, F., Eber, J., & Heat, D. (1998). Coherent Measures of Risk. Working
Paper. 1-124
Banda, H., & Gomez, D. (2009). Evaluación de un portafolio de inversión institucional: el
caso de los fondos de pensiones en México. Innovaciones de Negocios. 6(2): 303-
323.
Bodie, Z., Kane, A. & Marcus, A. (2004). Principios de Inversiones. Madrid: Mc Graw Hill.
Bouchaud, J., and Potters M. (2003). Theory of Financial Risk and Derivative Pricing – From
Statistical Physics to Risk Management. Second Edition. Cambridge: Academic
Press.
Christoffersen, P. (2003). Elements of financial risk management. Cambridge: Academic
Press.
DeMiguel, V., Garrlappi, L., & Uppal, R. (2009). Optimal Versus Naive Diversification:
How Inefficient is the 1/N Portfolio Strategy. The Review of Financial Studies. (22):
1915-1953.
DeMiguel, V., Garrlappi, L., Nogales, F., & Uppal, R. (2009a). A Generalized Approach to
Portfolio Optimization: Improving Performance by Constraining Portfolio Norms.
Management Science. (22). 798-812.
Diz, E. (2015). Teoría de Riesgo. Cuarta Edicion. Bogota: ECOE Editores.
Dumontaux, N., & Pop, A. (2013). Understanding the market reaction to shockwaves:
Evidence from the failure of Lehman Brothers. Journal of Financial Stability. (9).
269-286.
Fama, E. (1965). The Behavior of Stock-Market Prices. The Journal of Business (38): 34-
105.
Föllmer, H., & Shied, A. (2004). Stochastic Finance: An Introduction in Discrete Time.
Berlin: Walter de Gruyter.
Glasserman, P., Heidelberger, P., & Shahabuddin P. (2000). Efficient Monte Carlo Methods
for Value-at-Risk, Computer Science/Mathematics. RC 21723
(97823).http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.38.3162&rep=re
p1&type=pdf. Consultado el 12 de septiembre de 2015.
Guerrero, G. (2008). Evaluación del Desempeño de Modelos VaR usando la Teoria de
Valores Extremos En Mercados Emergentes y Desarrollados. Facultad de Ciencias
28
 Económicas. Universidad Nacional de Colombia.
http://www.fce.unal.edu.co/docs/comunicaciones/riesgovaloresextremosguerrero20
09.pdf. Consultado el 29 de septiembre de 2015.
Jorion P. (2002). El nuevo paradigma para el control de riesgos con derivados: Valor en
Riesgo. México: Limusa Noriega Editores.
Lara, A. (2008). Medición y Control de riesgos Financieros. 3ª Ed, Mexico: Limusa-Wiley.
Mainik, G., Mitov, G., & Rüschendorf L. (2015). Portfolio optimization for heavy-tailed
assets: Extreme Risk index vs. Markowitz. Journal of Empirical Finance. (32). 115-
134.
Markowitz, H. (1952). Portafolio Selection. The Journal of Finance. 7(1): 77-91.
Puerta, A. & Laniado H. (2010). Diseño de estrategias óptimas para la selección de
portafolios, un análisis de la ponderación inversa al riesgo (PIR). Lecturas de
Economía. (73). 243-273.
Rodriguez, R., (2015). Gestión de Riesgo de Mercado. (Apuntes de clase).
Sharpe, W. (1994) The Sharpe Ratio. The Journal of Portafolio Managament. En:
http://web.stanford.edu/~wfsharpe/art/sr/sr.htm. Consultado 12 de Septiembre de
2015.
Wu, H., Zeng, Y., & Yao, H. (2014). Multi-period Markowitz's mean–variance portfolio
selection with state-dependent exit probability. Economic Modelling. (36): 69-78.

29