Conceptos Fundamentales para La Administración Del Riesgo Financiero

Conceptos
fundamentales para
la administración del
riesgo financiero
PID_00280035
Jorge M. Uribe
Tiempo mínimo de dedicación recomendado: 3 horas

© FUOC • PID_00280035 Conceptos fundamentales para la administración del riesgo financiero
Jorge M. Uribe
Jorge Mario Uribe es economista

(Universidad del Valle) y profesional
en Finanzas y Negocios Internacio-
nales (Universidad Santiago de Cali).
Máster de Economía de la Universi-
dad de los Andes y máster de Inves-
tigación en Economía del Instituto
Universitario Europeo (Florencia, Ita-
lia), es doctor en Economía por la
Universidad de Barcelona.
Ha impartido docencia en el más-
ter de Economía Aplicada y en el de
Ingeniería de la Universidad del Va-
lle, en el máster de Estadística e In-
vestigación Operativa de la Univer-
sitat Politècnica de Catalunya y de
la Universidad de Barcelona, y en
el máster universitario en Dirección
Financiera de la Universitat Oberta
de Catalunya, así como en el grado
de Economía y en el de Administra-
ción y Dirección de Empresas de es-
tas universidades.
Como investigador principal o como
parte del equipo de investigación,
ha participado en diferentes proyec-
tos sobre la transmisión de la incer-
tidumbre en los mercados financie-
ros globales o sobre valoración de
activos. Estos proyectos han sido fi-
nanciados por diferentes entidades
como la Fundación Mapfre, la Fun-
dación BBVA, la Fundación Ramón
Areces y el Ministerio de Economía y
Competitividad de España.
Su investigación sobre finanzas se
ha publicado en revistas como el
Journal of International Money and Fi-
nance, Energy Economics, Internatio-
nal Review of Financial Analysis, entre
otros.
El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados

por el profesor: Jorge Mario Uribe Gil
Primera edición: marzo 2021

© de esta edición, Fundació Universitat Oberta de Catalunya (FUOC)
Av. Tibidabo, 39-43, 08035 Barcelona
Autoría: Jorge Mario Uribe Gil
Producción: FUOC
Todos los derechos reservados
Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea este eléctrico,
mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
del titular de los derechos.
© FUOC • PID_00280035 Conceptos fundamentales para la administración del riesgo financiero
Índice
Introducción............................................................................................... 5
1. Antecedentes........................................................................................ 7
2. Riesgo versus incertidumbre........................................................... 8
3. Repaso de conceptos estadísticos clave........................................ 10
4. Descripción de las funciones de distribución de

probabilidad de una variable aleatoria....................................... 12
4.1. La media ...................................................................................... 12
4.2. La varianza .................................................................................. 13
4.3. El coeficiente de asimetría .......................................................... 14
4.4. La curtosis ................................................................................... 15
4.5. La ratio de Sharpe ....................................................................... 17
5. Describiendo las funciones de distribución de

probabilidad de más de una variable aleatoria......................... 18
5.1. La covarianza ............................................................................... 18
5.2. El coeficiente de correlación simple ........................................... 19
5.3. El coeficiente de correlación parcial ........................................... 19
6. Muestra versus población................................................................ 23
7. Caso práctico....................................................................................... 26
7.1. Comparación de dos alternativas de inversión .......................... 26
7.1.1. A partir de esta información histórica, ¿en qué
empresa invertiríais? ...................................................... 26
7.1.2. Además de la rentabilidad media y la varianza
o desviación estándar, ¿qué otras medidas se
pueden utilizar para describir la distribución de los
rendimientos de cada acción? ....................................... 27
7.1.3. Escoged una de las siguientes opciones, teniendo en
cuenta que el objetivo es invertir en la cartera que
presente un menor riesgo: ............................................. 28
7.1.4. Comentad un criterio alternativo para diversificar
carteras, diferente al empleado en el apartado
anterior (invertir en empresas de diferentes sectores) ... 30
© FUOC • PID_00280035 5 Conceptos fundamentales para la administración del riesgo financiero
Introducción
En este módulo se introducen las principales herramientas y conceptos de la

estadística para la valoración de activos y la medición del riesgo, componen-
tes fundamentales del proceso de selección de inversiones de una empresa. Se
empieza definiendo lo que es una variable aleatoria y una distribución de pro-
babilidad, y se procede a presentar los indicadores más usuales para describir
tales distribuciones, univariadas y multivariantes (cuando involucra más de
una variable aleatoria). Se comenta también brevemente la diferencia entre el
riesgo y la incertidumbre, se introduce el principio de la diversificación del
riesgo de carteras y se presentan las características principales de las series de
rendimientos financieros identificadas en la profesión.
1. Antecedentes
En los modelos económicos tradicionales de la empresa y el consumidor (en

microeconomía) se supone que se habita un mundo en el que todo ocurre
con certeza, en el que el paso del tiempo no revela nueva información que
sirva para actualizar y reformular las decisiones pasadas con respecto a posibles
estrategias de operación o de financiación de la empresa, o que lleve a cambiar
la opinión sobre el valor de una cartera de inversión, de un proyecto, o de la
empresa misma. Tal supuesto es insostenible en el mundo real, y en particular
en el mundo financiero, que está de hecho caracterizado por la incertidumbre.
Una situación incierta es aquella que solo se puede conocer totalmente cuando
ya ha ocurrido, aquella en la que, aun sabiendo cuán factible es que una acción
lleve a determinadas consecuencias, dadas las circunstancias y el entorno, no
se podrá saber con seguridad cuál será el producto futuro de las decisiones
tomadas hoy porque el conocimiento sobre ese entorno y esas circunstancias
futuras es siempre incompleto.
Lo que se puede hacer en estos casos es crear mapas mentales, en los cuales
se organizarán y sistematizarán las consecuencias esperadas asociadas con las
posibles acciones, considerando la forma en la que las mismas pueden inter-
actuar con el entorno esperado y con otras decisiones (de uno mismo y de
otros). De este modo, se tendrá la capacidad de escoger entre distintas acciones
(por ejemplo, oportunidades de inversión, carteras, proyectos de expansión),
y configurar una senda de acciones presentes y futuras que, dada la informa-
ción de la que se disponga hoy, sea óptima.
En esto consiste en pocas palabras la administración financiera del riesgo, que

es la base para la valoración de activos, y en particular para la valoración de
proyectos de inversión y su selección. En este módulo se estudiarán algunas
herramientas que facilitan, desde el papel de directores financieros o partici-
pantes de mercado, la elaboración de tales mapas mentales y que permiten
prever las consecuencias factibles de determinadas acciones utilizando con-
ceptos matemáticos simples como el de probabilidad, función de distribución,
varianza, covarianza, y correlación simple o parcial.
2. Riesgo versus incertidumbre
Antes de esto, es necesaria una pequeña precisión conceptual. A lo largo de

este módulo, y en general en la asignatura, se tratarán los términos de riesgo
e incertidumbre como sinónimos, aun cuando no lo son. El documento se ad-
hiere, así, a la tradición en la profesión, que asimila las situaciones inciertas
con las riesgosas con el fin de poder utilizar herramientas matemáticas para el
tratamiento de las primeras, que por su misma naturaleza son más elusivas. El
economista Frank Knight fue de los primeros en plantear una clara diferencia-
ción entre riesgo e incertidumbre a principios del siglo XX. Según él, el riesgo
aparece en situaciones en las cuales es posible asignar una probabilidad clara
a la ocurrencia de un evento de interés dado, como ocurre por ejemplo en el
juego de la ruleta en un casino. En este juego es posible asignar una probabili-
dad precisa de ocurrencia al evento de un color (rojo o negro), o de un tipo de
número (par o impar). De este modo, aun cuando no se puede saber con certe-
za cuál será la situación final, se pueden asignar probabilidades de ocurrencia a
los eventos posibles de forma exhaustiva. No obstante, existen otras situacio-
nes, que de hecho son la mayoría de aquellas que se deben afrontar en el día a
día, en las que no es posible tener tal claridad con respecto a las probabilidades
de ocurrencia de los distintos eventos de interés. Por ejemplo, en el mercado
de acciones, en principio, no es posible saber claramente la probabilidad de
que se registre una pérdida o una ganancia en el futuro. Tampoco se puede
saber cuál es la probabilidad de muerte ante una determinada patología. En
estos casos, solo se puede esperar que el registro de ocurrencias de un evento
sea de utilidad para aproximar tal probabilidad, puesto que se supone que el
pasado de algún modo volverá a repetirse en el futuro (aun cuando esto no
sea del todo cierto). Así, si se observan las frecuencias de un evento durante
suficiente tiempo, o en suficientes individuos, se terminará por aproximar sus
probabilidades de ocurrencia.
Alternativamente, también se podría suponer que los conocimientos previos

sobre una determinada situación (e. g., el conocimiento del mercado, de la
empresa, los conocimientos de carrera o información privilegiada) pueden ser
actualizados constantemente con observaciones del mundo real, de forma tal
que se pueda aproximar la probabilidad de ocurrencia futura de un evento
de interés, que nunca será fija, pero que puede estabilizarse en ciertos rangos
de valores, lo suficiente como para realizar predicciones. Esta segunda aproxi-
mación al problema es una aproximación bayesiana. La primera, basada en la
frecuencia de ocurrencia, es naturalmente frecuentista.
Notad que nada de lo anterior, ni la concepción frecuentista, ni la bayesiana

de las probabilidades, habla sobre las causas subyacentes de un fenómeno de
interés, no dice nada sobre el porqué de la ocurrencia de tales eventos, pues-
to que el razonamiento causal está más allá de la observación estadística de
un fenómeno y está también más allá de los temas que se abordarán en este
módulo. Para los efectos que conciernen a este módulo, no se hablará de cau-
sas o consecuencias en el sentido estricto de los términos, solo de probabili-
dades y asociaciones. Se usarán las herramientas del cálculo y la estadística
para realizar valoraciones del futuro financiero de una empresa, un proyecto
de inversión o una cartera de activos financieros, y se asimilará riesgo con in-
certidumbre.
3. Repaso de conceptos estadísticos clave
En este apartado se introducirán, a manera de repaso, los conceptos básicos

de la estadística y la probabilidad que se necesitarán para la administración
financiera del riesgo, la valoración de activos o la selección de inversiones. Lo
primero que se debe tener claro es la diferencia entre una variable determinista
y una variable aleatoria (o estocástica). Las variables deterministas son aquellas
gobernadas por una «ley» sobre la que no cabe asomo de duda. Por ejemplo,
si existe una relación determinista entre y y x, una vez se conoce el valor de x,
se conocerá con certeza el valor de y. Estas variables de algún modo resultan
familiares, por los cursos de cálculo en la escuela, el instituto o la universidad.
Por ejemplo, la ecuación de una línea recta que tiene la siguiente forma:
(1)
es determinista. En la ecuación (1) para un valor dado de m, una vez se cono-

ce el valor de x, automáticamente se conocerá el valor de y. Por supuesto, la
misma relación podría expresarse en términos de x, de la siguiente forma: x =
y/m, sin que cambie nada en el razonamiento; una vez se conoce el valor de
y, para un valor dado de m, se conocerá sin duda el valor de x.
En contraste, una variable aleatoria o estocástica no posee estas propiedades.

De hecho, cuando una variable es aleatoria, su valor en el «futuro» no está es-
crito o determinado totalmente antes de su realización (su ocurrencia). Antes
de que se observe ese valor, lo único que se puede saber es el rango de valores
entre los que se puede encontrar la variable, o la posible lista de valores que
puede tomar cada realización con una cierta probabilidad de ocurrencia aso-
ciada. Pero nunca se tendrá certeza de qué valor tomará finalmente la variable
hasta después de que se observe y se constate ese valor. Estas dos situaciones
son contrastantes. En el primer caso, cuando se trata con variables determinis-
tas, se tiene un conocimiento exacto de las leyes que gobiernan el problema
de estudio, como la ecuación de la línea recta en (1); en el segundo caso no,
solo un conocimiento limitado que puede ser descrito únicamente mediante
probabilidades.
Si la variable estocástica puede tomar cualquier valor (real) en cierto rango de

valores, se la conoce como variable aleatoria continua. Si, por el contrario, solo
puede tomar ciertos valores, por ejemplo, números enteros entre 1 y 20, se la
conoce como variable aleatoria discreta. Si a cada valor, dentro de la lista de
valores posibles, se le asigna una probabilidad de ocurrencia, se obtendrá una
distribución de probabilidad, que por supuesto podrá ser continua o discreta.
Análogamente, se puede decir que una variable es aleatoria si su dinámica, o
evolución, está descrita por una distribución de probabilidad dada.
¿Pero qué es una probabilidad? En pocas palabras, es una descripción matemá-

tica de lo que se espera que ocurra con una variable. Cumple con dos requisi-
tos, si se suman las probabilidades de ocurrencia de todos los eventos posibles
se obtendrá la unidad:
(2)
donde N es el número de eventos y pi es la probabilidad asignada a la ocurren-

cia del evento i. Otra de las características de las probabilidades es que estas
no pueden ser negativas (aunque un evento puede tener una probabilidad de
ocurrencia igual a cero), de modo tal que pi ≥ 0 para i = {1,2, … , N}.
También conviene distinguir entre la función de distribución de probabilidad

acumulada y la función de distribución de densidad de probabilidad de una
variable aleatoria X. En el primer caso, se trata de una función que describe la
probabilidad acumulada de ocurrencia de un evento hasta un determinado valor
de X, por ejemplo, el valor x (en minúscula, que representa un número y que,
por tanto, es distinto de la variable X, en mayúscula). En este caso, se escribirá
F(x) = P(X ≤ x). En el segundo caso, se trata de una función que describe la pro-
babilidad en una determina región de eventos que se desea analizar. En el caso
de las distribuciones discretas puede ser un valor específico. Se denota gene-
ralmente con letras minúsculas para distinguirla de la función de distribución
acumulada, de la siguiente forma: f(x). Finalmente, en la literatura sobre ries-
go financiero, también es usual encontrar la expresión proceso estocástico, que
no es más que una colección de variables aleatorias organizadas en el tiempo.
Del mismo modo, se pueden referir estos procesos estocásticos como series de
tiempo, o series, a secas.
Figura 1. Función de densidad de probabilidad de una variable aleatoria continua
Fuente: elaboración propia.

4. Descripción de las funciones de distribución de

probabilidad de una variable aleatoria
Muchas veces, medir el riesgo equivale a sintetizar la información que se tiene

sobre una variable aleatoria de interés X , descrita por una función de distri-
bución de probabilidad F. Para este fin, se puede recurrir a las realizaciones de
X que se tienen a disposición y calcular (o estimar) los «momentos» o «mo-
mentos centrales» de tal distribución. Estos momentos no son más que valores
esperados de tal distribución y, generalmente, para referirse a ellos, se utiliza el
operador de valor esperado: E(∙). Se trata entonces de realizaciones que se espe-
ra que ocurran dentro del universo de posibilidades de las variables aleatorias.
Los momentos de una distribución, expresados como valores esperados, cons-

tituyen una descripción exhaustiva de tales variables. Los más importantes
son:
• La media (o valor esperado).

• La varianza.
• El coeficiente de asimetría.
• El coeficiente de curtosis.
Todos ellos de suma importancia para la modelación financiera y, en particu-

lar, para la administración financiera del riesgo.
4.1. La media
Lo primero que se quiere saber para entender el comportamiento de X es alre-

dedor de qué valores se podría esperar encontrarla. Así, si se tiene que el con-
junto {X1, X2, … , XN} son las N posibles realizaciones de la variable aleatoria
X, su media o valor esperado estará dado por:
(3)
donde, una vez más, pi es la probabilidad de ocurrencia del evento Xi y E es

el operador de valor esperado, del que se ha hablado anteriormente. La me-
dia es naturalmente una medida de posición central, dice cuál es el valor que
matemáticamente sería más factible dentro de la distribución de la variable
aleatoria. Naturalmente, el verdadero valor que la variable tomará no se puede
conocer antes de que ocurra, y de hecho irá cambiando con cada realización
de la variable: a veces estará por encima de la media, otras veces por debajo. La
media es la mejor aproximación que se puede hacer, desde un punto de vista
matemático. Se puede realizar una simplificación más, suponiendo que todos
los eventos de X son «equiprobables», es decir, que tienen la misma probabi-
lidad de ocurrencia. En este caso, pi = 1⁄N y la ecuación (3) podrían reescribirse
fácilmente como: , que es la fórmula de la media con la que
probablemente se tenga más familiaridad. Notad que, a efectos pedagógicos,

se ha escrito la media suponiendo que la distribución de X es discreta; si no se
quiere hacer este supuesto, se podría escribir de nuevo la ecuación (3) usando
integrales. Lo cierto es que expresarla en términos discretos tiene la enorme
ventaja de que está más directamente relacionada con lo que se hace en la
práctica, puesto que los datos son siempre discretos o bien se recogen cada
día, cada hora, cada segundo, cada milisegundo, pero siempre en unidades
discretas.
4.2. La varianza
Aunque sea de gran utilidad por sí mismo, el valor esperado no dice nada sobre
el tamaño de los «errores» al pronosticar una variable aleatoria. O, en otras
palabras, sobre la dispersión de la variable aleatoria alrededor del pronóstico
óptimo. Se trata de una información clave en la administración del riesgo,
sobre la cual se tiene interés no solo en pronosticar, sino en evaluar qué tan
bueno es el pronóstico, o cuán grandes se puede esperar que sean los errores.
El segundo momento en la distribución de una variable aleatoria habla preci-
samente sobre esto; se le conoce como varianza y está definida así:
(4)
En palabras: la varianza o el segundo momento (central) proporciona una me-

dida de dispersión de la variable aleatoria, y no es más que un promedio pon-
derado de las desviaciones de X respecto a su valor esperado. Estas desviacio-
nes, no obstante, algunas veces serán positivas (la variable estará por encima
de su media) y otras negativas (la variable tomará un valor por debajo de su
media), y como no se desea que se cancelen, se elevarán todas al cuadrado
antes de sumarlas. Además, al sumarlas se tendrá en cuenta la probabilidad de
ocurrencia de cada evento.
La varianza, al estar calculada usando una potencia (la fórmula de las disper-
siones está elevada al cuadrado), no tiene unidades fácilmente interpretables.
Por esta razón, muchas veces se acostumbra, en finanzas, a trabajar con otro
indicador estrechamente relacionado con esto, conocido como desviación es-
tándar o volatilidad. La desviación estándar no es más que la raíz cuadrada (po-
sitiva) de la varianza, de manera tal que:
(5)
Notad que la expresión al lado derecho de la ecuación (5) tiene dos soluciones:
la raíz positiva y la negativa. Por convención y por interpretación, la volatili-
dad siempre hace referencia a la raíz positiva, como señala el signo más (+)
antes de la expresión, al lado derecho de la igualdad. Este indicador conserva

las unidades de medición originales del problema de estudio. Es decir, si se
está trabajando con euros (como en los precios de una acción, por ejemplo),
σX estará expresada en euros. Si se trabaja con porcentajes, como en el caso de
los rendimientos de una cartera en un periodo de tiempo específico, σX estará
expresada también en porcentaje. Por esta razón, es mucho más práctico, en
finanzas, trabajar con esta medida de riesgo que hacerlo con la varianza, pero
en términos estadísticos la información que ofrece es la misma que la de esta
última. Una mayor desviación estándar, al igual que una mayor varianza, ha-
bla de una mayor dispersión y, por tanto, de un mayor riesgo.
4.3. El coeficiente de asimetría
Si bien la varianza, al hablar de la dispersión de una variable aleatoria, ayuda

a construir un buen indicador del riesgo implícito en una inversión que es-
té descrita por esa variable aleatoria, en muchas ocasiones tal información es
muy limitada. Considerad, por ejemplo, el caso de una cartera de inversión en
la cual la variable aleatoria X es el precio de un activo financiero en el que se
desea invertir, tal que {X1, X2, … , XN} es la lista de los posibles precios que el
activo financiero puede presentar dentro de un mes cuando se plantea liqui-
dar la inversión. Notad que, en este caso, el interés en los eventos en los que
el precio se encuentre por debajo del pronóstico puede ser diferente al interés
en los eventos en los que el precio se encuentre por encima de la expectativa.
Es decir, en términos de administración de riesgo, puede que no se pondere
igual una caída del precio que su subida. Usualmente, lo que ha documentado
ampliamente una rama de la economía conocida como economía conductual,
haciendo alusión a la psicología conductual de la cual ha tomado inspiración,
es que a quien invierte le hace más «infeliz» una bajada del precio de lo que
le hace «feliz» una subida del precio de la misma magnitud. Es decir, las pre-
ferencias de quien invierte parecen ser asimétricas, en este sentido. Es por esta
razón que la administración financiera del riesgo debe hacer uso de un tercer
momento de la distribución de probabilidad, conocido como coeficiente de asi-
metría. El coeficiente de asimetría está definido como sigue:
(6)
Un coeficiente de asimetría distinto de cero señala la falta de simetría de una

distribución. Para valores positivos de este momento, la distribución estará
sesgada hacia la derecha, o lo que es lo mismo, «la cola» de la distribución se
extenderá indefinidamente hacia la derecha. Para valores negativos del coefi-
ciente de asimetría, la distribución estará sesgada hacia la izquierda, o en otras
palabras, la distribución se extenderá indefinidamente en esa dirección. En fi-
nanzas, es usual trabajar con distribuciones de rendimientos financieros, que
tienen un ligero sesgo negativo, indicando que son más comunes los valores
atípicos negativos que los positivos, lo cual se ha relacionado teóricamente
con los efectos de apalancamiento o efectos leverage de las firmas que cotizan
en bolsa. Según esta hipótesis, un choque negativo en el desempeño de la

empresa que cotiza en bolsa repercute en mayor medida sobre el riesgo de la
misma y, por ende, sobre su cotización en bolsa, que un choque positivo de
la misma magnitud. Esto es debido al efecto de apalancamiento, que genera
una caída del valor de la firma, reduce el patrimonio y, por ende, incrementa
los indicadores de endeudamiento. Más adelante se profundizará sobre el uso
del coeficiente de asimetría en el análisis de riesgos y la selección de inversio-
nes, pero por ahora es suficiente con saber que ofrece información adicional
al indicador del riesgo por excelencia, que es la varianza.
Figura 2. Distribución con sesgo positivo: la «cola» se extiende indefinidamente a la derecha
Fuente: elaboración propia.
4.4. La curtosis
Finalmente, un indicador que ha cobrado mucha relevancia en finanzas, en

particular después de la crisis financiera global que tuvo lugar entre 2007 y
2009, y las subsiguientes crisis que han caracterizado los mercados desde en-
tonces, es la curtosis o cuarto momento, definida como sigue:
(7)
La curtosis es un indicador del grosor de las colas de la distribución o, en otras

palabras, habla de qué tan frecuentes son los datos extremos (muy altos o
muy bajos en relación con la media) de la distribución. Es usual, y de hecho
muchos softwares estadísticos lo hacen por defecto, presentar la curtosis de una
distribución después de restarle el valor de 3. De este modo, se obtiene el exceso
de curtosis con respecto a una distribución normal o gaussiana, que siempre
tiene una curtosis de 3. Un exceso positivo de curtosis, que corresponde a una
distribución con mayor curtosis que la distribución normal, hace referencia a
una variable aleatoria leptocúrtica, mientras que una distribución menor de
3 (exceso negativo de curtosis) hace referencia a una distribución platicúrtica.
Las distribuciones sin exceso de curtosis se denominan mesocúrticas.
En finanzas, es bien sabido que los rendimientos financieros tienen distribu-

ciones leptocúrticas, o de colas más «gruesas» o más «pesadas» que las de una
distribución normal. La curtosis habla, así, del riesgo de ocurrencia de pérdi-
das (o ganancias) extremas, que en los mercados de valores son mayores que
los de los casos en los que los rendimientos financieros están descritos por
una variable aleatoria normal. A mayor curtosis, mayor riesgo de pérdidas (¡o
ganancias!) extremas.
En el texto se ha hecho alusión indistintamente a los momentos o a los mo-

mentos centrales de la distribución, que no son equivalentes formalmente a
menos que la media de la distribución sea cero. Específicamente, la varianza,
el coeficiente de asimetría y la curtosis son momentos centrales, porque todos
ellos, como se puede apreciar en las ecuaciones que los describen –(4), (5), (6),
(7)–, están definidos con relación al valor de la media. En resumen, los mo-
mentos centrales de una distribución están dados por:
• Primer momento:
• Segundo momento:
• Tercer momento:
• Cuarto momento:
Notad que el exponente hace referencia al momento de la distribución. Por

tanto, sería posible continuar describiendo una función de distribución dada
con el quinto momento , el sexto o, en general, el r-ésimo momento .
Sin embargo, para conservar la posibilidad de interpretarlos, en finanzas se
suele recurrir tan solo a la estimación de los primeros cuatro momentos. Tam-
bién cabe anotar que no todas las distribuciones de probabilidad se pueden
describir a través de sus momentos, puesto que en algunos casos estos no están
bien definidos (en un sentido matemático), lo cual quiere decir que, a pesar de
que se puedan calcular con los datos de los que se disponga, estos cálculos no
serán muy fiables. En estos casos, es posible acudir a otras formas para descri-
bir las funciones de distribución conocidas como funciones características, que
solo se nombran para completar este apartado pero que son mucho menos
conocidas dentro del campo de la administración financiera del riesgo.
4.5. La ratio de Sharpe
Un modo de condensar la información de riesgo de una cartera de inversión

que sintetiza en un solo indicador la información contenida en la media y la
desviación estándar que se ha estudiado antes, y que constituye una buena
oportunidad para aplicar los conceptos aprendidos, se conoce como ratio de
Sharpe. Se trata de un indicador muy utilizado en finanzas y que debe su nom-
bre al economista William Sharpe, quien la propuso en 1966 originalmente y
la revisó en 1994. Usualmente, se define como sigue:
(8)
Donde Sb es la ratio de Sharpe, también conocida como índice o medida de

Sharpe, del activo financiero o la cartera b; Rb es el rendimiento de esa cartera,
que generalmente se calcula como la diferencia de los logaritmos del precio
del activo financiero en un intervalo dado de tiempo, que puede ser una hora,
un día, un mes, etc. σb es la desviación estándar de la variable aleatoria Rb, y
a Rf se la conoce como rendimiento del activo�libre�de�riesgo. El activo libre de
riesgo es fundamental en el análisis de inversiones y la valoración de activos, y
actúa en muchas ocasiones como un referente de comparación para cualquier
alternativa de inversión. Tal activo ofrece el mismo rendimiento en todas las
posibles situaciones del mercado, es decir, su distribución de probabilidad es una
constante, ya que en todos los eventos posibles siempre ofrece el mismo ren-
dimiento. En la práctica no existe un activo libre de riesgo perfecto, pero se
le aproxima utilizando el rendimiento pagado por alguna inversión conside-
rada más segura que todas las otras alternativas del mercado, por lo general
el rendimiento pagado por los bonos del gobierno en el país o región donde
se realiza la inversión –en Europa, el rendimiento de los bonos del Gobierno
alemán, por ejemplo, y a escala mundial, el rendimiento de los bonos del te-
soro de los Estados Unidos–.
Notad que la ratio de Sharpe indica el exceso de rendimiento que se obtendrá

por la inversión en la cartera o activo b, por encima del activo libre de riesgo y
al ponderar por el riesgo de ese activo financiero b. A mayor rendimiento (con
un nivel de riesgo dado) mayor será la ratio de Sharpe; análogamente, a menor
riesgo, indicado por una menor desviación estándar (ante un rendimiento del
activo dado) también será mayor la ratio de Sharpe. Siempre se preferirá, en-
tonces, una mayor ratio de Sharpe, ya que –como se verá en apartados poste-
riores– los inversionistas financieros siempre prefieren un menor riesgo y un
mayor rendimiento relativos de una inversión. Otro modo de leer la ratio de
Sharpe es como indicador del rendimiento adicional que quien invierte recibe
por una unidad de incremento en el riesgo.
5. Describiendo las funciones de distribución de

probabilidad de más de una variable aleatoria
En finanzas, rara vez se trabaja con un solo activo financiero, en cambio son
frecuentes las decisiones que involucran carteras de inversión, compuestas por
diferentes activos, con diferentes rendimientos y diversos niveles de riesgo.
Por esta razón, es conveniente revisar algunas de las características de las va-
riables aleatorias que se distribuyen conjuntamente o, en otras palabras, algu-
nas características de las distribuciones multivariadas de un conjunto dado de
variables aleatorias.
5.1. La covarianza
La covarianza de X e Y se define como el valor esperado del producto, de las

desviaciones alrededor de la media de cada variable, como se expresa a con-
tinuación:
(9)
La covarianza es una medida de la asociación lineal entre las dos variables

aleatorias. Una mayor covarianza indica una mayor asociación, mientras que
una covarianza más cercana a cero indica una menor asociación lineal. La co-
varianza puede ser, naturalmente, positiva o negativa. El signo de la misma
indicará si las variables tienden a estar simultáneamente por encima de sus
respectivas medias, en cuyo caso la covarianza será positiva, o si, por el con-
trario, tienden a diferir: cuando una variable está por encima de su media la
otra está por debajo, en cuyo caso la covarianza será negativa.
Hasta aquí la interpretación que se puede hacer de la covarianza. Con este

indicador ocurre algo similar a lo que ocurría con la varianza. Esto es, no con-
serva las unidades originales del problema de estudio, ya que las unidades ori-
ginales son multiplicadas entre sí, por lo que resulta inconveniente para com-
parar la asociación entre distintos pares de variables aleatorias. Solo se puede
interpretar el signo, en estos casos. Por esta razón, así como antes se definía
la desviación estándar, es posible y conveniente definir el coeficiente de co-
rrelación de Pearson, también conocido como coeficiente de correlación simple
o coeficiente de correlación.
5.2. El coeficiente de correlación simple
Este es un estadístico que, al igual que la covarianza, mide el grado de asocia-

ción lineal entre dos variables aleatorias, pero a diferencia de esta siempre se
encuentra definido entre −1 y 1; por tanto, resulta conveniente para realizar
comparaciones entre distintos pares de variables aleatorias. Se define de la si-
guiente manera:
(10)
Valores positivos de esta medida indican que las variables tienden a estar por
encima de sus medias al mismo tiempo, mientras que valores negativos indi-
can lo contrario. Si el coeficiente es igual a cero indica que las variables no
tienen dependencia o asociación lineal entre ellas.
5.3. El coeficiente de correlación parcial
Cuando solo se tienen dos variables de interés, como por ejemplo una cartera
compuesta por dos activos financieros, el coeficiente de correlación simple
puede ser una buena alternativa para aproximar el grado de dependencia lineal
entre estas dos variables. Sin embargo, en muchas ocasiones, se tendrá interés
en analizar la dependencia existente entre más de dos variables, aislando el
efecto de cada una. Por ejemplo, se podría tener interés en saber la relación
de dependencia entre X, Y, Z. En este caso, se podría calcular ρXY, ρXZ, ρZY.
Suponed, por un momento, que X no tiene nada que ver con Z por ella misma,
es decir, los factores que provocan una subida o caída de X no tendrían por
qué afectar en principio a Y, ni viceversa. Sin embargo, se descubre que tanto
X como Z están correlacionadas positivamente con una tercera variable Y. En
este caso, se tendrá que ρXY > 0 y ρZY > 0 y, por construcción, también que
ρXZ > 0. En palabras, esto quiere decir que los factores que provocan una caída
o subida de X también provocan una caída o subida de Z, siempre y cuando
estos factores afecten a su vez a Y. En otras palabras, debido a que existe una
asociación lineal entre X e Y , y entre Z e Y, deberá existir una asociación lineal
entre X y Z debido al efecto «intermedio» que ejerce Y sobre las otras dos. Sin
embargo, en el ejemplo propuesto, en un mundo donde fuera posible aislar el
efecto de X y Z, ignorando la asociación con Y, esta relación sería igual a cero.
Esto es precisamente lo que hacen los coeficientes de correlación parcial. Cal-

culan el grado de asociación entre dos variables, asilando el efecto intermedio
de otra (u otras) variable (o variables). La fórmula del coeficiente de correla-
ción parcial en el caso en el que se tengan dos variables Y y X se puede expresar
utilizando los conceptos de covarianza y varianza, estudiados anteriormente:
(11)
donde βXY es el coeficiente de correlación parcial entre X e Y. Notad que la fór-

mula es bastante similar en este caso a la fórmula del coeficiente de correlación
simple, en la ecuación (10): solo cambia el denominador. Cuando se tienen
más de dos variables, esta expresión se hace más compleja y es necesario recu-
rrir a las herramientas del álgebra matricial para escribirla de manera eficiente.
No obstante, se puede desarrollar cierta intuición que será de utilidad: βXY es la
pendiente de una línea recta, en la cual Y se encuentra en el eje vertical y X en
el horizontal, con lo que es posible realizar el cálculo en cualquier programa
estadístico o en una hoja de cálculo, tan solo preguntando por la pendiente
de una línea recta que se trace entre estas dos variables.
Recuadro 1. Algunas operaciones útiles con variables

aleatorias
Conviene repasar algunas operaciones para la manipulación de varia-

bles aleatorias, que seguramente os habréis encontrado antes a lo largo
de vuestras carreras y estudios, y que son fundamentales para entender
los conceptos de la administración financiera del riesgo. Existen mu-
chas más, pero se revisan aquí las más útiles para el propósito en este
módulo. Si X e Y son variables aleatorias, mientras que a y b son cons-
tantes, se tendrá que:
• E(aX + b) = aE(X) + b
• E[(aX)2] = a2E(X2)
• var(aX + b) = a2var(X)
• E(X + Y) = E(X) + E(Y)
• var(X + Y) = var(X) + var(Y) + 2cov(X, Y)
• Si X e Y son independientes, entonces E(X ∙ Y) = E(X) ∙ E(Y)
• Si X e Y son independientes, entonces cov(X, Y) = 0
Recuadro 2. La correlación y los beneficios de diversificación

del riesgo
Un concepto fundamental en finanzas, en particular en la administra-

ción financiera, es el de diversificación del riesgo. Se dice que el riesgo de
una cartera se encuentra diversificado si la misma está compuesta por
diferentes activos financieros, que ofrecen distintos pagos o rendimien-
tos ante distintos escenarios del mercado. En términos estadísticos, es-
to se traduce en activos financieros que tienen correlaciones distintas

de 1 entre sí. Cuanto menor sea la correlación entre dos activos finan-
cieros, mayor será la diversificación del riesgo que se logrará al dividir
el capital de inversión entre dos (o más) alternativas de inversión. En
el caso extremo de que la correlación entre dos activos financieros que
componen una posible cartera de inversión sea de –1, siempre que el
rendimiento financiero de un activo se encuentre por encima de su ren-
dimiento medio el del otro activo estará por debajo de su propio rendi-
miento medio, de modo que, en el neto, no se perderá (o no se ganará)
nada por cuenta de la variabilidad de los activos. El caso de una corre-
lación negativa perfecta (igual a –1) no es factible en la vida real, ya
que las correlaciones entre los rendimientos de cualquier par de activos
financieros siempre son menores que 1 y mayores que –1, es decir, se
encuentran en el intervalo abierto (−1,1) . No obstante, el beneficio de
diversificación siempre será mayor al aproximarse a –1 la correlación
entre dos activos.
Para ilustrar los beneficios de diversificación del riesgo, considérense

dos activos financieros, A y B. Se sabe que, en este caso, el riesgo del ac-
tivo A estará descrito por su volatilidad σa, y el del activo B también, σb.
No obstante, cabe preguntarse por el riesgo de una cartera de inversión
que esté compuesta por estos dos activos, por ejemplo, con un porcen-
taje del capital invertido en A, al cual se llamará wa, y otro invertido en
B, wb. De manera tal que wa + wb = 1 y wa, wb > 0. Por ejemplo, si wa =
wb = 0,5, quiere decir que se invierte el 50 % de los recursos propios en
el activo A y el otro 50 % en el activo B. Con esta información se puede
calcular el rendimiento medio de la cartera AB utilizando la siguiente
fórmula:
donde bastará con conocer los rendimientos de cada activo y el porcen-

taje en la cartera invertido en cada uno para conocer el rendimiento
de la cartera. En otras palabras, el rendimiento de una cartera es el pro-
medio ponderado de los rendimientos de los activos financieros que la
conforman, y el ponderador es el porcentaje de inversión en cada activo.
Del mismo modo, también es posible calcular el riesgo de la cartera com-

puesta por ambos activos utilizando la fórmula (4), como se presenta
a continuación:
Para llegar a la expresión arriba señalada, se utiliza el hecho de que

var(Rab) = var(waRa + wbRb), se pueden tratar wa y wb como constantes y
utilizar las fórmulas que se presentan en el recuadro 1.
También es posible expresar lo anterior utilizando el coeficiente de co-

rrelación como sigue:
Notad que todos los términos en la expresión son positivos:

o son cero (en caso de que no se ponga na-
da del capital en alguno de los dos activos), con lo cual el mayor va-
lor que puede tomar σ2(Rab) es cuando ρa,b = 1; en cualquier otro caso,
para valores del coeficiente de correlación por debajo de 1, el valor de
será menor.
6. Muestra versus población
Hasta el momento se han descrito las variables aleatorias que pueden, por
ejemplo, representar los rendimientos de una cartera de inversión o los rendi-
mientos de los activos financieros que la componen, sin prestar atención a la
forma en la que se utilizan los datos que se tienen a disposición para poder ob-
tener tales indicadores. Al problema estadístico de utilizar los datos para llegar
a los indicadores de interés que se han definido antes se lo conoce como esti-
mación. La importancia de la estimación radica en que, cuando se definen los
indicadores de interés, generalmente se hace suponiendo que se conocen todas
las realizaciones posibles de las variables; es decir, que se conoce la población
asociada con cada variable aleatoria, o con cada grupo de ellas. En la práctica
esto no es así; de hecho, solo se conoce una parte de esta población, llamada
muestra. Idealmente, la muestra es «similar» a la población, en el sentido de
que la representa bien, no hay realizaciones que se repitan en mayor propor-
ción que en la población o que estén faltas de información. Pero lo cierto es
que no se tiene modo de saberlo: la población es un concepto, no es un objeto
que se pueda analizar. Así que, incluso si teóricamente se intuye cuál es la re-
lación de dos variables poblacionalmente, en la práctica lo máximo a lo que se
puede aspirar es a realizar una estimación correcta de tal relación poblacional.
En términos prácticos, por muy rica que sea la discusión filosófica de fondo,
esto se traduce en que las fórmulas que se vayan a utilizar para calcular los in-
dicadores serán una versión modificada de las fórmulas originales. Por ejem-
plo, la estimación de los momentos y demás medidas de las distribuciones
definidas con anterioridad cambiarán de la siguiente manera:
• Media:
• Varianza:
• Desviación estándar:
• Covarianza:
• Coeficientes de correlación:
• Coeficiente de asimetría:
• Coeficiente de curtosis:
Notad que, en todos los casos –excepto en el de la media y, por convención,

en los momentos 3 y 4–, cuando se calculan los momentos centrales de la
distribución, se divide entre N–1 en lugar de N, que corresponde al caso de
eventos equiprobables en la población. La razón es que la resta del 1 ayuda a
ajustar la confianza de la estimación, por el hecho de que para estimar, por
ejemplo, la varianza, antes se debe haber estimado la media. Esta diferencia-
ción en términos prácticos es importante cuando se tienen pocos datos, y por
ende N es relativamente distinto de N–1, pero cuando se tienen muchos datos
son prácticamente iguales, por lo cual algunos programas, en lugar de dividir
entre N–1, lo hacen siempre directamente entre N sin que cambien significa-
tivamente los resultados.
Recuadro 3. Características de los rendimientos de los activos

financieros
Como ha quedado claro a lo largo del texto, el análisis y la selección

de inversiones están íntimamente relacionados con la manipulación de
datos provenientes de los rendimientos de distintos activos financieros,
incluidas las acciones, las tasas de cambio, los bonos o los instrumentos
derivados. La literatura ha identificado características regulares de este
tipo de variables aleatorias que brindan una guía importante sobre la
modelización óptima de esta tipología de datos. A estas características
estadísticas, que siempre suelen estar asociadas con esta modalidad de
variables, se las conoce muchas veces como hechos estilizados de las series
financieras. La palabra estilizado, en este caso, se refiere a que algunas
veces los hechos no son tan obvios a simple vista, sino que requieren
de cierto análisis para poder ser sistematizados. Sobre las características,
en lo que hay un mayor consenso en la literatura es que:
• Existe muy baja correlación entre los rendimientos de un período y

el siguiente, de hecho, muy cercana a cero. Esto quiere decir que, si
se calcula la correlación de la variable aleatoria Rt y la variable alea-
toria Rt–1, entonces ρ(Rt−1, Rt) ≈ 0. Puede pensarse en Rt, por ejemplo,
como los rendimientos diarios de una acción desde el 2 de enero
hasta el 31 de enero de un año dado, y en Rt−1 como los rendimien-
tos diarios de una acción desde el 1 hasta el 30 de enero de ese mis-
mo año.
• Existen agrupamientos de volatilidad en las series de tiempo de los

rendimientos financieros. Esto quiere decir que la volatilidad no es
constante, sino que cambia de acuerdo con la situación de merca-
do. En épocas de crisis, esta volatilidad se incrementa considerable-
mente respecto a las épocas de calma en el mercado.
• Las series de rendimientos son leptocúticas, lo cual quiere decir que

es relativamente frecuente encontrarse con datos muy alejados de la
media, grandes pérdidas o altas ganancias. «Relativamente frecuen-
te» se debe entender, en este caso, en relación con una distribución
normal. Las series de rendimientos no suelen ser normales, sino que
suelen tener colas más «pesadas».
• Existen efectos de apalancamiento, lo que significa que la volatili-

dad de las series de rendimientos, que ya se dijo antes que no era
constante, reacciona de forma asimétrica ante las noticas que ocu-
rran en el mercado. Cuando las noticias son «buenas», la volatilidad
se incrementa; pero se incrementa aún más cuando las noticias son
«malas».
• Por último, dentro de una cartera de activos ocurre que no solo las
volatilidades o desviaciones estándar de cada activo cambian en el
tiempo, sino que también lo hacen las correlaciones entre ellos. De
hecho, en épocas de crisis la correlación entre los activos del merca-
do se incrementa en relación con épocas sin crisis, lo cual natural-
mente lleva a que se produzca una notable disminución en los be-
neficios de diversificación de la cartera. Recordad que los beneficios
de diversificación se reducen a medida que las correlaciones entre
los activos se acercan a 1.
Han aparecido en la literatura muchas herramientas para modelar estas

características de los rendimientos financieros, que los hacen objetos
particularmente interesantes para la modelización econométrica. Tam-
bién existen teorías que los respaldan en la mayor parte de los casos;
por ejemplo, el primer hecho está relacionado con lo difícil que resulta
predecir los rendimientos futuros de un activo o una cartera de activos,
que es uno de los postulados de la hipótesis de eficiencia de los mercados,
que postula que los precios de los activos en mercados de capitales «efi-
cientes» no son predecibles. La información que se utilice para predecir
involucrará una variante distinta de esta hipótesis (en el sentido fuerte,
semifuerte y débil).
7. Caso práctico
7.1. Comparación de dos alternativas de inversión
Suponed que la dirección financiera de una empresa se encuentra indecisa so-

bre tres alternativas de inversión en bolsa: Bankinter, BBVA y Endesa. Desea
escoger uno de estos activos financieros para invertir algunos excedentes de
liquidez de la compañía. Dispone de los precios de cotización correspondien-
tes a los últimos seis meses de las tres acciones, que son los siguientes:
Tabla 1. Precios de cotización de Bankinter, BBVA y Endesa de los últimos seis meses
Fecha Bankinter BBVA Endesa
01/08/2019 5,19 € 4,65 € 22,73 €
01/09/2019 5,68 € 5,09 € 23,48 €
01/10/2019 6,14 € 5,12 € 23,73 €
01/11/2019 6,29 € 5,23 € 24,00 €
01/12/2019 6,47 € 5,58 € 23,14 €
01/01/2020 5,85 € 5,12 € 24,77 €
También se sabe que la rentabilidad del activo libre de riesgo es del 1 % men-
sual.
7.1.1. A partir de esta información histórica, ¿en qué empresa

invertiríais?
Utilizad una hoja de cálculo para hacer vuestras estimaciones de la siguiente

manera:
Tabla 2. Estimaciones del rendimiento activo libre de riesgo 1 %

Nota
Precios Rendimientos
Los rendimientos fueron cal-
Fecha Bankinter BBVA Endesa Bankinter BBVA Endesa culados como la diferencia de
los logaritmos del precio de un
mes al siguiente.
1/08/19 5,19 € 4,65 € 22,73 €
1/09/19 5,68 € 5,09 € 23,48 € 9,02 % 9,04 % 3,25 %
1/10/19 6,14 € 5,12 € 23,73 € 7,79 % 0,59 % 1,06 %
1/11/19 6,29 € 5,23 € 24,00 € 2,41 % 2,13 % 1,13 %
1/12/19 6,47 € 5,58 € 23,14 € 2,82 % 6,48 % –3,65 %

Precios Rendimientos
Fecha Bankinter BBVA Endesa Bankinter BBVA Endesa
1/1/2020 5,85 € 5,12 € 24,77 € –10,07 % –8,60 % 6,81 %
Rentabilidad media 2,39 % 1,93 % 1,72 %
Varianza 0,0057 0,0046 0,0014
Desviación estándar 7,56 % 6,78 % 3,80 %
Asimetría –1,44 –0,95 –0,15
Curtosis 2,31 1,03 1,01
Ratio de Sharpe 0,1844 0,1365 0,1891
Podéis observar que, utilizando como indicadores la rentabilidad media y la

desviación estándar o la varianza, no se obtiene un resultado concluyente, ya
que ninguna de las alternativas ofrece el mayor rendimiento y el menor ries-
go simultáneamente. La decisión de inversión dependerá de si el objetivo es
maximizar el rendimiento o minimizar el riesgo. Bankinter ofrece un mayor
rendimiento, pero su desviación estándar es más elevada. Endesa presenta el
menor riesgo, pero su rendimiento no es el más elevado. Convendría calcular
la ratio de Sharpe para comparar carteras con riesgos diferentes. La ratio de
Sharpe es una medida del exceso de rendimiento por unidad de riesgo adicio-
nal de una inversión. El exceso de rendimiento es la diferencia entre el rendi-
miento de la acción y el rendimiento del activo libre de riesgo. Dado que se
está ajustando por el riesgo, esto permite comparar inversiones con diferente
nivel de riesgo. Según las ratios de Sharpe, invertir en Endesa (ratio de Sharpe =
0,1891) sería la opción que proporcionaría una rentabilidad ajustada al riesgo
mayor, seguida muy de cerca por Bankinter (ratio de Sharpe = 0,1844).
7.1.2. Además de la rentabilidad media y la varianza o

desviación estándar, ¿qué otras medidas se pueden utilizar
para describir la distribución de los rendimientos de cada
acción?
La (rentabilidad) media es una medida de posición central, mientras que la va-

rianza o desviación estándar son medidas de dispersión: indican cómo se dis-
tribuyen los rendimientos alrededor del rendimiento medio. Adicionalmen-
te, se puede calcular el coeficiente de asimetría y de curtosis. Ambas medidas
proporcionan información sobre la forma de la distribución en relación con
una distribución normal.
Una distribución normal es simétrica y, por lo tanto, su coeficiente de asime-

tría es 0. Cuando una distribución es asimétrica hacia la izquierda, los valores
negativos en la izquierda de la distribución hacen que el coeficiente de asime-
tría tome valores negativos. En este caso, la varianza o la desviación estándar
infravalorarán el riesgo. Por el contrario, si la distribución es asimétrica hacia

la derecha, los valores positivos hacen que el coeficiente de asimetría tome
valores positivos. En el ejemplo, los rendimientos de las tres empresas (Ban-
kinter, BBVA y Endesa) presentan un coeficiente de asimetría negativo; por lo
tanto, su distribución es asimétrica hacia la izquierda y la desviación estándar
estaría subestimando el riesgo (en mayor medida los rendimientos de Bankin-
ter, seguidos de BBVA y, finalmente, Endesa).
Por su parte, el coeficiente de curtosis de una distribución normal es igual a 3.

Si el coeficiente de curtosis es mayor que 3, indica que se está ante una distri-
bución con colas más pesadas que la distribución normal. En este caso, las co-
las más pesadas indican que hay una mayor probabilidad de eventos extremos
y, de nuevo, la desviación estándar estaría subestimando el riesgo. Hay que
tener en cuenta que Excel resta 3 al coeficiente de curtosis y, por tanto, un va-
lor del coeficiente de curtosis mayor que 0 indica que la distribución presenta
colas más pesadas que la distribución normal. En el ejemplo, los rendimientos
de las tres empresas (Bankinter, BBVA y Endesa) presentan un coeficiente de
curtosis mayor que cero y, por ello, presentan una mayor masa de probabilidad
en las colas (en mayor medida Bankinter, seguido de BBVA y Endesa). Es muy
habitual que las series de rendimientos financieros presenten un coeficiente
de curtosis mayor que el de la distribución normal.
7.1.3. Escoged una de las siguientes opciones, teniendo en cuenta

que el objetivo es invertir en la cartera que presente un
menor riesgo:
• Invertir un 50 % en acciones de Bankinter y otro 50 % en acciones de

BBVA.
• Invertir un 50 % en acciones de Bankinter y otro 50 % en acciones de

Endesa.
Utilizad una hoja de cálculo para hacer las estimaciones requeridas de la si-
guiente manera:
Tabla 3. Estimaciones Bankinter y BBVA
50 % Bankinter – 50 % BBVA
Rendimientos
1/08/19
1/09/19 9,02 % 9,04 % 3,25 %
1/10/19 7,79 % 0,59 % 1,06 %
1/11/19 2,41 % 2,13 % 1,13 %
1/12/19 2,82 % 6,48 % –3,65 %

50 % Bankinter – 50 % BBVA
Rendimientos
1/01/20 10,70 % –8,60 % 6,81 %
Varianza 0,0057 0,0046 0,0014
Covarianza 0,0043
Correlación 0,8442
Rentabilidad de la car- 2,16 %

tera
Varianza de la cartera 0,0047
Desv. estándar cartera 6,89 %
Tabla 4. Estimaciones Bankinter y Endesa
50 % Bankinter – 50 % Endesa
Rendimientos
1/08/19
1/09/19 9,02 % 9,04 % 3,25 %
1/10/19 7,79 % 0,59 % 1,06 %
1/11/19 2,41 % 2,13 % 1,13 %
1/12/19 2,82 % 6,48 % –3,65 %
1/01/20 –10,07 % –8,60 % 6,81 %
Varianza 0,0057 0,0046 0,0014
Covarianza –0,0015
Correlación –0,5147
Rentabilidad de la car- 2,06 %

tera
Varianza de la cartera 0,0011

50 % Bankinter – 50 % Endesa
Rendimientos
Desv. estándar cartera 3,24 %
Dado que el objetivo es invertir en la cartera que presente el menor riesgo,

se deberá calcular el riesgo de las dos carteras. La volatilidad de una cartera
depende de la volatilidad de los títulos que la componen (riesgo individual de
cada uno de ellos) pero también de sus covarianzas (riesgo conjunto, tomando
pares de títulos), además del peso de cada título en la cartera. Existe un efecto
diversificación al incorporar activos que se han analizado con anterioridad
en este documento. Por tanto, la volatilidad o el riesgo de la cartera no se
calcula sumando simplemente la volatilidad de cada título multiplicada por
su ponderación (como ocurre con el rendimiento esperado de la cartera); hay
que tener en cuenta, además, la covarianza o la correlación entre los activos.
Las expresiones para calcular el rendimiento y el riesgo de una cartera con dos
activos son las siguientes (usando las fórmulas del recuadro 2):
O, alternativamente, utilizando el coeficiente de correlación:
En el ejemplo anterior, la correlación entre Bankinter y BBVA (empresas del

mismo sector) es positiva y elevada (0,84), y la correlación entre Bankinter y
Endesa es negativa (–0,51). Como consecuencia de ello, la cartera formada por
Bankinter y Endesa presenta un riesgo mucho menor (3,24 % frente a 6,89 %)
y, por tanto, es la inversión que debería elegirse.
A través de la diversificación se reduce el riesgo individual de los activos (riesgo

específico o idiosincrático). El riesgo de una cartera bien diversificada será igual
al riesgo sistemático o riesgo de mercado.
7.1.4. Comentad un criterio alternativo para diversificar

carteras, diferente al empleado en el apartado anterior
(invertir en empresas de diferentes sectores)
Posibles criterios alternativos incluirían invertir en diferentes tipos de activos

(bonos del Estado, bonos corporativos, activos inmobiliarios, etc.), o invertir
en empresas de diferentes áreas geográficas. De hecho, gran parte de la diver-
sificación de los fondos de capital de riesgo en el mundo ocurre porque in-
vierten en activos financieros de distintas clases, en distintos países, incluidos

mercados desarrollados, emergentes o de frontera. Hay que tener en cuenta,
no obstante, que la inversión en activos financieros internacionales involucra
otra tipología de riesgo del que no se ha hablado, pero que puede ser analiza-
do con las mismas herramientas estadísticas desarrolladas en este módulo: el
riesgo del tipo de cambio o riesgo cambiario.

Conceptos Fundamentales para La Administración Del Riesgo Financiero

Cargado por

Copyright:

Formatos disponibles

Conceptos Fundamentales para La Administración Del Riesgo Financiero

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Conceptos Fundamentales para La Administración Del Riesgo Financiero

Cargado por

Copyright:

Formatos disponibles

Conceptos

Tiempo mínimo de dedicación recomendado: 3 horas

Jorge Mario Uribe es economista

El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados

Primera edición: marzo 2021

2. Riesgo versus incertidumbre........................................................... 8

3. Repaso de conceptos estadísticos clave........................................ 10

4. Descripción de las funciones de distribución de

5. Describiendo las funciones de distribución de

6. Muestra versus población................................................................ 23

En este módulo se introducen las principales herramientas y conceptos de la

En los modelos económicos tradicionales de la empresa y el consumidor (en

En esto consiste en pocas palabras la administración financiera del riesgo, que

2. Riesgo versus incertidumbre

Antes de esto, es necesaria una pequeña precisión conceptual. A lo largo de

Alternativamente, también se podría suponer que los conocimientos previos

Notad que nada de lo anterior, ni la concepción frecuentista, ni la bayesiana

3. Repaso de conceptos estadísticos clave

En este apartado se introducirán, a manera de repaso, los conceptos básicos

es determinista. En la ecuación (1) para un valor dado de m, una vez se cono-

En contraste, una variable aleatoria o estocástica no posee estas propiedades.

Si la variable estocástica puede tomar cualquier valor (real) en cierto rango de

¿Pero qué es una probabilidad? En pocas palabras, es una descripción matemá-

donde N es el número de eventos y pi es la probabilidad asignada a la ocurren-

También conviene distinguir entre la función de distribución de probabilidad

Figura 1. Función de densidad de probabilidad de una variable aleatoria continua

Fuente: elaboración propia.

4. Descripción de las funciones de distribución de

Muchas veces, medir el riesgo equivale a sintetizar la información que se tiene

Los momentos de una distribución, expresados como valores esperados, cons-

• La media (o valor esperado).

Todos ellos de suma importancia para la modelación financiera y, en particu-

Lo primero que se quiere saber para entender el comportamiento de X es alre-

donde, una vez más, pi es la probabilidad de ocurrencia del evento Xi y E es

lidad de ocurrencia. En este caso, pi = 1⁄N y la ecuación (3) podrían reescribirse

fácilmente como: , que es la fórmula de la media con la que

probablemente se tenga más familiaridad. Notad que, a efectos pedagógicos,

En palabras: la varianza o el segundo momento (central) proporciona una me-

antes de la expresión, al lado derecho de la igualdad. Este indicador conserva

4.3. El coeficiente de asimetría

Si bien la varianza, al hablar de la dispersión de una variable aleatoria, ayuda

Un coeficiente de asimetría distinto de cero señala la falta de simetría de una

en bolsa. Según esta hipótesis, un choque negativo en el desempeño de la

Figura 2. Distribución con sesgo positivo: la «cola» se extiende indefinidamente a la derecha

Fuente: elaboración propia.

Finalmente, un indicador que ha cobrado mucha relevancia en finanzas, en

La curtosis es un indicador del grosor de las colas de la distribución o, en otras

En finanzas, es bien sabido que los rendimientos financieros tienen distribu-

En el texto se ha hecho alusión indistintamente a los momentos o a los mo-

Notad que el exponente hace referencia al momento de la distribución. Por

4.5. La ratio de Sharpe

Un modo de condensar la información de riesgo de una cartera de inversión

Donde Sb es la ratio de Sharpe, también conocida como índice o medida de

Notad que la ratio de Sharpe indica el exceso de rendimiento que se obtendrá

5. Describiendo las funciones de distribución de

La covarianza de X e Y se define como el valor esperado del producto, de las

La covarianza es una medida de la asociación lineal entre las dos variables

Hasta aquí la interpretación que se puede hacer de la covarianza. Con este

5.2. El coeficiente de correlación simple