La incertidumbre es una característica inherente a todo mercado

El Valor en Riesgo (VaR): ¿Es Una Herramienta Útil Para la Prevención de Pérdidas Catastróficas?

Antonio Tobaru Hamada

La incertidumbre es una característica inherente a todo mercado, especialmente a los mercados financieros, donde algunos presentan mayor volatilidad que otros, y donde el riesgo de perder grandes cantidades de dinero por realizar una mala inversión o por no responder a tiempo a los cambios del mercado puede tener consecuencias graves para las empresas.  La gestión del riesgo es una actividad clave para las empresas que realizan inversiones en bolsa o en otros tipos de inversiones financieras, tal como en los mercados de derivados financieros, ta1 como lo hemos podido ver en el Perú hace poco tiempo (“Acciones de Alicorp caen”, 2015).  Predecir con precisión qué pasará en el futuro es la máxima aspiración que cualquier inversionista desea tener, y en este sentido se creó la metodología del Valor en Riesgo (Value at Risk – VaR por sus siglas en inglés), la cual usando herramientas estadísticas trata de pronosticar las posibles pérdidas a futuro (Lockwood, 2015; Odening & Hinrichs, 2003; Degiannakis, Floros & Livada, 2012; Sollis, 2009).  Esta metodología ha sido ampliamente cuestionada, principalmente luego de la crisis del año 2008 (Lockwood, 2015), sin embargo se mantiene con plena vigencia.  El presente ensayo postula que el VaR no es una herramienta que prevenga de grandes pérdidas a las empresas.  La argumentación inicia con la revisión de la historia de la creación del VaR, su uso actual, las bases estadísticas que rigen su cálculo, las ventajas y desventajas del uso de cada metodología y las limitaciones del modelo para la detección de eventos catastróficos.

El VaR se creó a finales de los años 80´s por el Banco de Inversión JP Morgan, como respuesta a la alta volatilidad de las tasas de interés y pérdidas inesperadas que marcaron el mercado en este periodo (Lockwood, 2015). Uno de sus principales objetivos originales era el de evaluar el riesgo en el mercado de derivados financieros (Krause, 2003), sin embargo su popularidad ha ido creciendo y ha sido adoptado tanto por organismos reguladores como evaluadores de riesgos como la metodología estándar para la valoración del riesgo (Lockwood, 2015) y se aplica ampliamente en el mercado financiero para todo tipo de riesgo (Krause, 2003).  Su uso cuenta con el respaldo de organizaciones guberanmentales y de varias organizaciones tales como el Grupo de los 30, que en al año 1993 publicó un documento recomendando su uso, y también está recomendada por los acuerdos de Basel (Lockwood, 2015).

La metodología del VaR genera una distribución estadística de probabilidades de pérdida o ganancia de una inversión (Lockwood, 2015), y genera un valor que se puede definir como la máxima pérdida esperada dado un periodo de tiempo específico y dado un intervalo de confianza específico (Odening & Hinrichs, 2003; Degiannakis et al, 2012), donde el nivel de pérdida o retorno es una variable aleatoria y el nivel de confianza está definida como la probabilidad de que la pérdida monetaria real no sea mayor al calculado por el VaR (Sollis, 2009).  La ventaja del VaR es que resume el riesgo de diferentes tipos de inversiones en un solo número fácil de interpretar, por lo que ha ganado aceptación y su uso se ha extendido (Alkafaji, Balsara & Aburmishan, 2006; Krause, 2003).  Las variables básicas a determinar, como se puede deducir de la definición, son dos.  El nivel de riesgo y el periodo de tiempo.  El nivel de riesgo dependerá de la aversión al riesgo que presente el inversor y a lo establecido por las entidades regulatorias de cada país, y el periodo de tiempo dependerá de la naturaleza del giro de negocio de la empresa.  Mientras más largo sea el periodo de cálculo, el VaR tenderá a presentar resultados más estables (Alkafaji et al, 2006; Hendricks, 1996).

Para calcular el VaR no se utiliza una única fórmula, sino que se utilizan aproximaciones diferentes, yendo desde las que asumen que los retornos de la cartera de inversiones asumen una distribución normal, hasta las que asumen que no la tiene, y la regulación existente no restringe el uso de una u otra distribución para el cálculo del VaR (Sollis, 2009).  Las tres más utilizadas son: (1) Varianza-Covarianza (VCV por sus siglas en inglés); (2) Simulación histórica (HS por sus siglas en inglés) y (3) Simulación de Monte Carlo (MCS) (Odening, 2003; Alkafaji et al, 2006; Sollis, 2009).  La aproximación o modelo VCV asume que la distribución de los rendimientos de las inversiones son variables condicionales aleatorias que están normalmente distribuidas, y que son independientes en el tiempo (Sollis, 2009).  En términos simples, esta aproximación busca determinar el grado de dispersión y multiplicándolo por un factor de tal manera que se pueda calcular hasta dónde llega el 5% (si se utiliza una confianza del 95%) (Alkafaji et al, 2006).  El método HS es completamente diferente al anterior, mientras que el VCV parte de la presunción de la distribución normal de los retornos, éste se basa en la información histórica real, en esta metodología la distribución de probabilidades no es conocida (Sollis, 2009).  En el método HS lo importante es determinar qué tan atrás se buscará la información para tener un sustento histórico que pueda sustentar la predicción de los eventos futuros (Alkafaji et al, 2006).  El último modelo (MCS) no tiene un uso tan extendido como los dos anteriores, comparte con el método VCV en que se asume una distribución de probabilidad, sin embargo ésta no está restringida a la probabilidad normal sino que se pueden usar otro tipo de distribuciones (Sollis, 2009), comparte con la metodología HS el uso de información, sólo que en lugar de ser información histórica, utiliza datos que son generados de manera aleatoria por la computadora (Alkafaji et al, 2006).  Existen otras formas de calcular el VaR (Degiannakis et al, 2012), y continuamente se proponen mejoras o revisiones a estos modelos.  Lo cierto es que determinar el VaR no responde a una metodología única, y todas las metodologías revisadas tratan de predecir qué pasará en el futuro con algún grado de precisión.

Cada una de las aproximaciones descritas en el párrafo presente tiene ventajas y desventajas.  La principal ventaja de la metodología VCV es su simplicidad, y su principal desventaja es que presume que todas las distribuciones de todas las carteras de inversión son normales, cuando en la práctica probablemente no lo sean, esto provoca que el resultado no sea confiable (Sollis, 2009).  La metodología HS tiene la ventaja de ser simple y de no realizar presunciones sobre las distribuciones de probabilidad, pero tiene la desventaja fundamental de presumir que el futuro es un “espejo” del pasado (Alkafaji et al, 2006), asimismo, es importante determinar adecuadamente el tamaño de la muestra de datos, dado que puede influenciar de manera significativa en el resultado del VaR, a mayor tamaño de muestra, el VaR tiende a ser más pequeño, asimismo, las muestras grandes pueden perder cambios en el comportamiento más cercano (Sollis, 2009).  La metodología MCS es más completa que la HS en cuanto no se basa en data histórica y toma en cuenta una distribución de probabilidad, sin embargo es más complicada de realizar desde el punto de vista computacional, por el número de simulaciones que se deben realizar (Alkafaji et al, 2006; Sollis 2009), sin embargo, su principal desventaja es que la elección de la distribución de probabilidad debe realizarla el operador, por lo que el resultado de la simulación depende de elegir la distribución más adecuada (Alkafaji et al, 2006; Sollis, 2009). Nocera (2009, citado por Sollis, 2009) indicó que uno de los principales problemas del VaR es que asume que el mañana será más o menos como el presente, basado en una medición de días.

...