ANLISIS FINANCIERO

50
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
Amancio Betzuen Zalbidegoitia* y
Aitor Baraano Abasolo**
Simulacin estocstica
en la determinacin del valor
en riesgo de los activos financieros.
Stochastic simulation in determining the value at
risk of financial assets.
RESUMEN
El Valor en Riesgo o VaR (Value at Risk) es una medida estadstica que con un solo dato resume el riesgo de un
valor, o cartera de valores, de generar prdidas derivadas de movimientos normales de mercado. Prdidas
superiores al VaR se producen slo en movimientos anormales de mercado, y tienen, por tanto, una pequea
probabilidad de producirse.
Para la determinacin de dicho valor necesitamos proyectar flujos de caja y para ello acudiremos a las tcnicas de
simulacin que consisten en asignar distribuciones de frecuencias a las variables del modelo que tienen riesgo y, pos-
teriormente generar nmeros aleatorios acorde a esas distribuciones simulando el comportamiento que se conside-
ra (miles de escenarios) que tendrn en el futuro. De esta manera es posible darle ms realismo al modelo obteniendo
resultados ms confiables a la hora de tomar una decisin.
Palabras clave: Simulacin Monte Carlo; Valor en Riesgo; Correlacin.
ABSTRACT
Value at Risk (VaR) is a statistical measure that summarizes data in a single risk of a security or portfolio, generating
losses resulting from normal market movements. Losses exceeding VaR occur only in abnormal market movements
and have therefore a small probability of occurring
In determining that value cash flows and projected need for this we turn to the simulation techniques that consist of
frequency distributions assigned to model variables that are at risk and then generate random numbers according to
these distributions mimicking the behavior that is considered (thousands of scenarios) that will in the future. This
makes it possible to give more realism to the model to obtain more reliable results when making a decision.
Key words: Monte Carlo Simulation; Value at Risk; Correlation
Recibido: 05 de Septiembre de 2011 Aceptado: 28 de Octubre de 2011
* Catedrtico de Universidad. Departamento Economa Financiera I.
Facultad de CC. Econmicas y Empresariales. Universidad del Pas Vasco.
** Profesor Asociado de Universidad. Departamento Economa Financiera I.
Facultad de CC. Econmicas y Empresariales. Universidad del Pas Vasco.
1. INTRODUCCIN
El VaR es una medida que representa un dato de prdidas
potenciales en circunstancias normales. Es el lmite de prdidas
potenciales de un periodo temporal determinado (por ejemplo
en un da) que est incluido en un porcentaje determinado de
las ocasiones (habitualmente el 95%). Este porcentaje se
corresponde estadsticamente con el intervalo de confianza.
A efectos prcticos, si el VaR a 1 da y para un intervalo de
confianza del 95% de una accin de Repsol es de 0,29
euros. Significa que en un 95% de los casos no perderamos
ms de 0,29 euros con cada accin de Repsol en las siguien-
tes 24 horas.
La forma de medicin de este concepto puede variar, y de
hecho vara. Adems de que el VaR puede referirse a un da
o a una semana, o tener distintos intervalos de confianza, la
forma en la que se calcula estadsticamente este dato vara.
En nuestra opinin la simulacin estocstica es el mejor mto-
do para proyectar flujos que consistir en un modelo de acti-
vos, consistente con el mercado, que permita la proyeccin de
precios y rentabilidades (de los activos financieros). En virtud
del modelo de simulacin estocstico, el valor esperado ser
igual a la media de esas proyecciones estocsticas.
Para proceder de una forma adecuada en las proyecciones
estocsticas de los activos, se tendrn en cuenta los aspectos
siguientes:
El horizonte temporal de la proyeccin debe ser sufi-
cientemente amplio como para reflejar todos los flujos
de caja.
El nmero de proyecciones debe ser lo suficientemente
amplio como para garantizar un grado razonable de
convergencia en los resultados. Se debe analizar la sen-
sibilidad de los resultados respecto al nmero de pro-
yecciones.
Las proyecciones se deben basar en los activos posedos
actualmente y reflejarn los principios y prcticas de
gestin empresarial aplicados por sta.
Adems, el modelo estocstico ser consistente con la actual
estructura temporal de tipos de inters sin riesgo.
SIMULACIN ESTOCSTICA EN LA DETERMINACIN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS
51
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
Cabe destacar que muy pocos modelos (si es que hay
alguno) pueden replicar todos los valores de mercado
observables para una amplia gama de clases de activos.
Nuestra experiencia nos indica que es preciso aplicar el
buen criterio profesional para obtener estimaciones fia-
bles de aquellos parmetros que no puedan inferirse
directamente de los precios de mercado (como conse-
cuencia de la existencia de mercados incompletos, vola-
tilidad a largo plazo, etc.).
En estas circunstancias, es aceptable ajustar el modelo
utilizando datos extrados del mejor histrico de precios
disponible, el grado de liquidez ms reciente o la ltima
calificacin crediticia del emisor. Esta parametrizacin
del modelo se ajustar al plazo, grado de liquidez o cali-
dad crediticia deseada de la calibracin. Anuestro enten-
der, es la propia compaa quin debera determinar un
rango de parmetros fiables a utilizar en la valoracin.
En lo que respecta a los riesgos financieros para los que
no existe cobertura la valoracin es, por lo general, ajena
al mbito de los instrumentos financieros negociables
(vencimientos distintos a los de los instrumentos negocia-
bles, activos no negociables o no realizables, etc.) y, por
consiguiente, no ser posible derivar la volatilidad impl-
cita a partir de los actuales instrumentos negociables. En
esos casos, se recurrir a la volatilidad histrica (si est
disponible) corregida para incorporar toda diferencia
observable respecto a volatilidades histricas pasadas.
2. SIMULACIN ESTOCSTICA:
MTODO MONTECARLO
En el caso de que un modelo de simulacin no considere
ninguna variable importante, comportndose de acuerdo
con una ley probabilstica, estamos ante un modelo de
simulacin determinista. En estos modelos la salida
queda determinada una vez que se especifican los datos
y relaciones de entrada al modelo, tomando una cierta
cantidad de tiempo de cmputo para su evaluacin. Sin
embargo, muchos sistemas se modelan tomando en cuen-
ta algn componente aleatorio de entrada, lo que da la
caracterstica de modelo estocstico de simulacin.
El mtodo de Monte Carlo es un mtodo no determinis-
ta, usado para aproximar expresiones matemticas com-
plejas y costosas de evaluar con exactitud. El mtodo se
llam as en referencia al Casino de Monte Carlo (Principado
de Mnaco) por ser la capital del juego de azar, al ser la
ruleta un generador simple de nmeros aleatorios.
El procedimiento de la simulacin Monte Carlo podramos
aplicarla en tres etapas:
1 etapa: se especifican procesos estocsticos para las
variables y se estiman sus parmetros con datos histri-
cos o implcitos.
2 etapa: se simulan trayectorias para las variables y
para el horizonte deseado.
3 etapa: se obtiene la distribucin de su rentabilidad y
calculamos el VaR.
En cuanto a la valoracin de activos, la utilizacin del mto-
do Monte Carlo permite obtener el valor final que tendra un
activo financiero, o una cartera de ellos, despus de replicar
miles de veces la trayectoria que puede seguir en el tiempo
los precios de los activos. Este ejercicio ir desde el caso ms
simple, en el que se valora un nico activo bsico -un bono o
una accin-, hasta el ms complejo, en el que se valora una
cartera compuesta por varios activos y/o derivados.
En todos los casos, la premisa bsica es la asuncin de algu-
na hiptesis sobre el comportamiento estocstico de los pre-
cios. De todas formas, antes de realizar cualquier simulacin
recomendamos la realizacin de la Bondad de Ajuste.
Tradicionalmente, la teora financiera supone que los precios
siguen una distribucin lognormal, o bien que los rendimien-
tos siguen una normal, en cuyo caso el valor del activo en
cualquier instante del tiempo se puede expresar como:
ANLISIS FINANCIERO
52
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
siendo el rendimiento medio.
En definitiva, mediante la simulacin Monte Carlo, se esti-
man posibles evoluciones de un valor o de una cartera de
valores. Segn los datos obtenidos en la simulacin de la
evolucin del valor de mercado se obtiene el punto en el que
se dividen las prdidas entre, por ejemplo, el 95% (percentil
95) de los casos y el 5% restante.
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
prdidas inesperadas
Capital econmico: cubre
prdidas inesperadas hasta
cierto percentil
Probabilidad que las
prdidas excedan el
VaR (esperadas +
inesperadas): 0.05%
Percentil
99.5%
previsiones
Prdida en %
Media: prdida esperada o promedio
P
r
o
b
a
b
i
l
i
d
a
d
0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5
Grfico 1
VaR en la distribucin de probabilidades
Fuente: Elaboracin propia.
Valor
Actual
1
2
3
n
Valor
Actual
1
2
3
n
Generar escenarios de comportamiento
para cada factor de riesgo.
Calcular cambios implcitos en el
valor del portafolio para cada
escenario y ordenar.
Calcular VaR.
VaR Simulacin montecarlo
Escenario 1 P
1
P
50
Escenario 2 P
2
P
n
- - -
- - -
Escenario n P
n
P
32
Grfico 2
Esquema de la metodoga del VAR mediante simulacin
Montecarlo
Fuente: Elaboracin propia.
A modo ilustrativo, se incluye un grfico en el que se repre-
senta el VaR mediante una distribucin de probabilidades y
teniendo en cuenta el intervalo de confianza elegido ante-
riormente.
La informacin que aporta ste grfico est relacionada con
la metodologa que vamos a seguir en la implementacin del
mtodo Montecarlo para un caso de estudio concreto.
3. CASOS PRCTICOS
3.1. Valoracin individualizada de activos financieros
Supongamos que partimos de una cartera de renta variable
que est compuesta de acciones de una nica compaa,
siendo el valor actual del portfolio de 1.000.000 euros.
Antes de realizar las simulaciones, obtenemos los datos his-
tricos de la evolucin de los distintos ndices en aras a obte-
ner rentabilidades medias, desviaciones tpicas, etc.
A modo de ejemplo, partimos de que nuestra cartera obtiene
histricamente un rendimiento y volatilidad medios anuales
del 8% y 18% respectivamente, y deseamos saber cul es la
perdida probable que puede resultar, pues bien, tal y como
hemos comentado anteriormente, no habra ms que generar
miles de nmeros aleatorios que siguiesen una normal estn-
dar, sustituir cada uno de ellos en la expresin anterior y
obtener para cada uno de ellos el precio al cabo del ao.
SIMULACIN ESTOCSTICA EN LA DETERMINACIN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS
53
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
Grfico 3
Simulacin Montecarlo mediante Visual Basic
Para hacer simulaciones, se ha diseado, mediante progra-
macin en visual Basic, una macro para Excel que genera
una multitud de simulaciones. Se adjunta parte de la codifi-
cacin que hemos empleado en Visual Basic.
Acontinuacin, en la hoja de clculo introducimos los datos
de rentabilidad y volatilidad del activo. Tras realizar 10.000
rplicas, mediante el grfico siguiente recogemos los distin-
tos porcentajes de rentabilidad esperados as como su pro-
babilidad de ocurrencia:
5
0
%
-
2
5
%
0
%
2
5
%
5
0
%
7
5
%
1
0
0
%
Terico (Normal) Monte Carlo
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
R%
Probabilidad que
sea MENOR
que R%12 meses
Grfico 4
Rentabilidad esperada de la cartera individualizada
mediante simulacin Montecarlo
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
6
7
6
.
0
0
0
7
3
0
.
0
0
0
7
8
4
.
0
0
0
8
3
8
.
0
0
0
8
9
2
.
0
0
0
9
4
6
.
0
0
0
1
.
0
0
0
.
0
0
0
1
.
0
5
4
.
0
0
0
1
.
1
0
8
.
0
0
0
1
.
1
6
2
.
0
0
0
1
.
2
1
6
.
0
0
0
1
.
2
7
0
.
0
0
0
1
.
3
2
4
.
0
0
0
1
.
3
7
8
.
0
0
0
1
.
4
3
2
.
0
0
0
1
.
4
8
6
.
0
0
0
1
.
5
4
0
.
0
0
0
1
.
5
9
4
.
0
0
0
1
.
6
4
8
.
0
0
0
1
.
7
0
2
.
0
0
0
X
MonteCarlo
Probabilidad que
Portfolio sea MENOR
que X en 12 meses
Grfico 5
Rentabilidad esperada de la cartera individualizada
mediante simulacin Montecarlo
En el grfico se puede apreciar que existe una probabilidad
de prdida entorno al 35%. Adicionalmente, se observa que
la simulacin Monte Carlo se ajusta con la Terico Normal.
Dado que nuestro objetivo es calcular el VaR de la cartera
debemos establecer un Intervalo de Confianza y un periodo
de tiempo. En nuestro caso, utilizaremos el percentil 90 a un
ao. Para este caso podemos observar que el valor esperado
de la cartera sera de 838.000 euros. Por consiguiente,
teniendo en cuenta que tenemos una cartera actual valorada
en 1.000.000 euros la prdida esperada a un ao y con un
Intervalo de Confianza del 90% ascendera a 162.000 euros.
Fecha inicio: 01-ene-99 Diario 108 datos
Fecha final: 01-feb-10 Semanal
Mensual
OBTENER DATOS HISTRICOS DE LOS
NDICES (AITOR)
3.2. Valoracin conjunta de activos financieros
Supongamos que tenemos otra cartera compuesta por cuatro
activos Indexados: S&P 500, Nasdaq, Gold/Silver Index y
Russel 2000.
Partimos de un valor actual de dicha cartera de 1.000.000
euros y el porcentaje de asignacin de la cartera a cada uno
de los activos es equitativa, es decir, asignamos un 25% de la
cartera a cada uno de los cuatro activos que componen nues-
tra cartera.
Antes de realizar las simulaciones, obtenemos los datos his-
tricos de la evolucin de los distintos ndices en aras de
obtener rentabilidades medias, desviaciones tpicas, y en su
caso, reflejar la correlacin existente entre ellos.
ANLISIS FINANCIERO
54
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
Date ^GSPC ^XAU ^RUT ^IXIC
ene-99 1279.64 63.26 427.22 2505.89
feb-99 1238.33 60.56 392.26 2288.03
mar-99 1286.37 59.76 397.63 2461.40
abr-99 1335.18 73.42 432.81 2542.86
may-99 1301.84 60.87 438.68 2470.52
jun-99 1372.71 66.93 457.68 2686.12
jul-99 1328.72 62.87 444.77 2638.49
ago-99 1320.41 67.34 427.83 2739.35
sep-99 1282.71 80.26 427.30 2746.16
oct-99 1362.93 69.55 428.64 2966.43
nov-99 1388.91 67.04 454.08 3336.16
dic-99 1469.25 67.97 504.75 4069.31
ene-00 1394.46 59.98 496.23 3940.35
feb-00 1366.42 59.76 577.71 4696.69
mar-00 1498.58 56.50 539.09 4572.83
abr-00 1452.43 54.75 506.25 3860.66
may-00 1420.60 56.28 476.18 3400.91
jun-00 1454.60 57.81 517.23 3966.11
jul-00 1430.83 50.85 500.64 3766.99
ago-00 1517.68 52.34 537.89 4206.35
sep-00 1436.51 49.92 521.37 3672.82
oct-00 1429.40 43.87 497.68 3369.63
nov-00 1314.95 47.08 445.94 2597.93
dic-00 1320.28 51.41 483.53 2470.52
ene-01 1366.01 48.86 508.34 2772.73
feb-01 1239.94 52.51 474.37 2151.83
mar-01 1160.33 47.57 450.53 1840.26
abr-01 1249.46 55.13 485.32 2116.24
may-01 1255.82 57.13 496.50 2110.49
jun-01 1224.38 53.25 512.64 2160.54
jul-01 1211.23 53.06 484.78 2027.13
ago-01 1133.58 56.56 468.56 1805.43
sep-01 1040.94 57.79 404.87 1498.80
oct-01 1059.78 54.53 428.17 1690.20
nov-01 1139.45 52.57 460.78 1930.58
dic-01 1148.08 54.53 488.50 1950.40
ene-02 1130.20 61.33 483.10 1934.03
feb-02 1106.73 65.16 469.36 1731.49
mar-02 1147.39 70.89 506.46 1845.35
abr-02 1076.92 7.96 510.67 1688.23
Estructura de las carteras
Nomenclatura de los ndices
^AORD AUSTRALIA
^BIX BANK INDEX
^BTK BIOTECH INDEX
^DJI DOW
^NFA FINANCIAL
^FCHI FRANCE
^XAU GOLD/SILVER INDX
^GHA HARDWARE
^HCX HEALTHCARE
^HSI HONG KONG
^N225 JAPAN
^SSEC MEXICO
^MSCI MOODYS COMMOD
^IXIC NASDAQ
^XOI OIL INDEX
^RLX RETAIL INDEX
^RUT RUSSELL 2000
^GSPC S&P 500
^SOXX SEMICONDUCTOR
^STI SINGAPORE
^PSE TECH INDEX
^GSPTSE TORONTO INDEX
^DJT TRANSPORTATION
^FTSE UK
^SMSI MADRID GENERAL
^GDAXI DAX
Tabla 1
Fuente: Elaboracin propia.
Para obtener los datos histricos hemos realizado una macro
que recopila la informacin durante el periodo de observa-
cin y temporalidad que queramos.
Una vez detrado la informacin que necesitamos, despus
de calcular los datos estadsticos y mediante el coeficiente de
Pearson obtenemos la matriz de correlaciones entre los dis-
tintos activos/ndices.
SIMULACIN ESTOCSTICA EN LA DETERMINACIN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS
55
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
Matriz 107 registros
Correlacin S&P 500 GOLD/ RUSSELL NASDAQ
SILVER 2000
S&P 500 100% 14% 70% 80%
GOLD/SILVER IND> 14% 100% 28% 10%
RUSSELL 2000 70% 70% 100% 83%
NASDAQ 80% 10% 83% 100%
Resultados matriz de correlaciones de los ndices
mediante coeficiente de Pearson
Tabla 3
Activos S&P 500 GOLD/ RUSSELL NASDAQ
SILVER 2000
INDX
Promedio
revalorizacin 0,207% 1,355% 0,697% 0,373%
ndices
Desviacin
Estndar
3,9% 9,1% 5,5% 7,9%
Distribucin 25,0% 25,0% 25,0% 25,0%
Resultados estadsticos histricos de ndices
Tabla 2
Fuente: Elaboracin propia.
Fuente: Elaboracin propia.
Mediante los datos histricos observados en la evolucin de
los distintos ndices, hemos obtenido los estadsticos: media
y volatilidad con la finalidad de realizar la proyeccin utili-
zando dichos parmetros.
Es importante, en el momento de agregar cada riesgo (ndi-
ce) individual, tener en cuenta la correlacin existente entre
ellos. La agregacin de riesgos, evidentemente, no es la
suma de los riesgos individualizados. Para ello, tendremos
en cuenta el coeficiente de correlacin que estandariza la
covarianza de manera que no dependa de las unidades en que
estamos midiendo.
-
4
0
%
-
3
0
%
-
2
0
%
-
1
0
%
0
%
1
0
%
2
0
%
3
0
%
4
0
%
5
0
%
6
0
%
7
0
%
8
0
%
Terico (Normal) Monte Carlo Prdida LogNormal
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
R%
Probabilidad que el
Portfolio sea MENOR
que R%en 12 meses
Probabilidad que el Portfolio sea MENOR que R%en 12 meses
Grfico 6
Rentabilidad esperada de la cartera conjunta
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
6
9
0
.
2
0
4
7
9
3
.
4
6
9
8
9
6
.
7
3
5
1
.
0
0
0
.
0
0
0
1
.
1
0
3
.
2
6
5
1
.
2
0
6
.
5
3
1
1
.
3
0
9
.
7
9
6
1
.
4
1
3
.
0
6
2
1
.
5
1
6
.
3
2
7
1
.
6
1
9
.
5
9
2X
Probabilidad
MonteCarlo que
Portfolio sea MENOR
que X en 12 meses
Grfico 7
Valor esperado de la cartera conjunta
Realizamos, por cada uno de los ndices 10.000 simulacio-
nes Monte Carlo y teniendo en cuenta las correlaciones obte-
nidas anteriormente por el coeficiente de Pearson, vemos,
por un lado, que la distribucin se ajusta a una LogNormal,
y por otro lado, la probabilidad de que la cartera tenga pr-
didas asciende al 32%
Por ltimo, reflejamos los distintos valores esperados de la
cartera para distintos probabilidades de ocurrencia, acorde a
los 10.000 escenarios simulados. En el grfico se puede apre-
ciar el valor de la cartera esperado para los diferentes
Intervalos de Confianza.
4. CONCLUSIONES
1.- Mediante la simulacin Monte Carlo obtenemos resulta-
dos de tipo probabilstico a diferencia del anlisis deter-
minista o estimacin de un solo punto. De esta manera,
mediante la simulacin estocstica, los resultados mues-
tran no slo lo que puede suceder, sino lo probable que es
un resultado.
2.- Claridad en los resultados. Gracias a los datos que gene-
ra una simulacin Monte Carlo, es fcil crear grficos de
diferentes resultados y las posibilidades de que sucedan.
Esto es importante para comunicar los resultados a otras
personas interesadas.
3.- En la simulacin Monte Carlo, resulta ms fcil ver qu
variables introducidas tienen mayor influencia sobre los
resultados finales. En cambio, en los anlisis deterministas
es ms difcil ver las variables que ms afectan el resultado.
4.- Mediante la simulacin Monte Carlo, los analistas pueden
ver exactamente los valores que tienen cada variable
cuando se producen ciertos resultados. Esto resulta muy
valioso para profundizar en los anlisis, y por consi-
guiente, facilita el anlisis de escenarios. Sin embargo, en
los modelos deterministas resulta muy difcil modelar
diferentes combinaciones de valores de diferentes valores
de entrada, con el fin de ver los efectos de situaciones
verdaderamente diferentes.
5.- En la simulacin Monte Carlo es posible modelar la corre-
lacin o relaciones interdependientes entre diferentes
variables de entrada. Esto es importante para averiguar
con precisin la razn real por la que, cuando algunos fac-
tores suben, otros suben o bajan paralelamente. Tal y
como hemos realizado en nuestro segundo caso prctico.
6.- Dicha simulacin puede incorporar variacin temporal en
los parmetros, colas gruesas y escenarios extremos y, por
ende, puede tener una amplia gama de riesgos.
REFERENCIAS BIBLIOGRFICAS
ARTZNER, P.; DELBAEN, J.; EBER, M. y HEATH, D. (1999).
Coherent measures of Risk. Mathematical Finance, (9), pp.
203-228.
BENNETT, D.J. (1998). Randomness. Cambridge: Harvard
University Press.
BESIS, Jol (2004). Risk Management in Banking (second edi-
tion). John Wiley and Sons Inc.
CANTO, A. del y M. DELFINER (2009): La exigencia de capita-
les mnimos por riesgo de Mercado, Nota tcnica. BCRA.
EFRON, B. (1981). Non parametric estimates of standard error:
the Jackknife, the Bootstrap, and other methods. Biometrika,
(68), pp. 589-599.
EFRON, B. (1982). The Jackknife, the Bootstrap and other resam-
pling plans. SIAM.
FRANCIS, J. C. y S. H. ARCHER. (1977). Anlisis y Gestin de
Carteras de Valores, (Madrid: Ediciones ICE).
FRANCIS, Jack y TAYLOR, Richard (1992): Theory and
Problems of Investments. McGraw Hill. Nueva York.
JOY, C.; BOYLE, P.P. y Tan, K.S. (1996). Quasi-Monte Carlo
Methods in Numerical Finance. Management Science, (42-2),
pp. 926.
KAYE (2005): A Guide to Risk Measurement, Capital Allocation
and Related Decision Support Issues.
MALKIEL, B. G. (1992). Un Paseo Aleatorio por Wall Street.
(Madrid: Alianza Editorial).
MASCAREAS, Juan (2002): Gestin de Activos Financieros de
Renta Fija. Ediciones Pirmide.
McNEIL, Frey and EMBRECHTS (2005): Quantitative Risk
Management Concepts, Techniques and Tools.
MENEU, V.; E. NAVARRO y M.T. BARREIRA (1992): Anlisis
y Gestin del riesgo de inters. Editorial Ariel Economa,
Barcelona.
ANLISIS FINANCIERO
56
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57
PARR, W.C. (1983). A note on the Jackknife, the Bootstrap and
the Delta method estimators of bias and variance. Biometrika,
(70-3), pp. 719-722.
PASHIGIAN, B. P. (1996). Teora de los Precios y Aplicaciones.
(Madrid: McGraw-Hill).
QUENOUILLE, M. (1949). Approximate tests of correlation in
time-series. J. Roy. Statist. Soc. Ser. B, (11), pp. 18-44.
SNCHEZ-FERNNDEZ, J.L. (2001): Curso de Bolsa y
Mercados Financieros. Editorial Ariel Economa, Barcelona.
SIMULACIN ESTOCSTICA EN LA DETERMINACIN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS
57
Amancio Betzuen Zalbidegoitia y Aitor Baraano Abasolo: Simulacin estocstica en la determinacin
del valor en riesgo de los activos financieros
Stochastic simulation in determining the value at risk of financial assets.
Anlisis Financiero n 117. 2011. Pgs.: 50-57