Modelación GARCH para Riesgo en Mercado Colombiano

Valoración de riesgo mediante modelos GARCH
y simulación Montecarlo: evidencia del mercado

accionario colombiano*
Recibido: 30 de noviembre de 2019 • Aprobado: 12 de diciembre de 2019
https://doi.org/10.22395//seec.v22n53a3
María Ines Barbosa Camargo**

Alejandra Salazar Sarmiento***
Kelly Jhohana Peñaloza Gómez****

RESUMEN
Este documento evalúa el comportamiento de varios modelos de volatilidad en estimaciones de un
día del valor en riesgo (VaR) de veinticuatro series de retornos de acciones en Colombia con diferen-
tes distribuciones. Al considerar que todas las series de retornos presentan clúster de volatilidad
y memoria de largo plazo, se utilizan modelos tipo GARCH que incluyen diferentes distribuciones:
normal, T-Student y GED. Los hallazgos corroboran la dificultad de elegir un único modelo para el
cálculo del VaR, pero validan el uso de modelos paramétricos con distribución normal y simulación
Montecarlo en mercados financieros emergentes.
PALABRAS CLAVE
Valor en riesgo; modelos GARCH; simulación; Colombia
CLASIFICACIÓN JEL
G17, G32, C58
CONTENIDO
Introducción; 1. Breve revisión de la literatura: valor en riesgo; 2. Metodología; 3. Resultados;
Conclusiones; Bibliografía.
*
El presente artículo es resultado de la investigación desarrollada en el marco del proyecto Modelación de
los mercados financieros de Colombia, adscrito al Grupo de Investigación en Estudios Sociales, Financieros e
Internacionales (ESFI), clasificado en categoría C en Colciencias (2018) y financiado por la Universidad de
la Salle. Se realizó entre abril de 2018 y noviembre de 2019. El artículo se basado en el trabajo de grado
obligatorio para optar al título de Profesional en Finanzas y Comercio Internacional de la Universidad
de La Salle.
**
Economista y magíster en Ciencias Económicas, Universidad Nacional de Colombia, Bogotá, Colombia.
Doctora en Análisis Económico Aplicado e Historia Económica, Universidad de Sevilla, Sevilla, España.
Docente investigadora, Universidad de la Salle, Bogotá, Colombia. Integrante del Grupo de Investigación
en Estudios Sociales, Financieros e Internacionales (ESFI), Bogotá, Colombia. Correo electrónico:
mibarbosa@unisalle.edu.co. Orcid: https://orcid.org/0000-0002-7705-7983
***
Profesional en Finanzas y Comercio Internacional, Universidad de la Salle, Bogotá, Colombia. Correo
electrónico: salejandra64@unisalle.edu.co. Orcid: https://orcid.org/0000-0001-8445-5202
****
Profesional en Finanzas y Comercio Internacional, Universidad de la Salle, Bogotá, Colombia. Correo
electrónico: kpenaloza01@unisalle.edu.co. Orcid: http://orcid.org/0000-0001-6835-8920
Semestre Económico, 22(53) • octubre-diciembre de 2019 • pp. 53-75 • ISSN (en línea): 2248-4345 53
María Ines Barbosa Camargo, Alejandra Salazar Sarmiento y Kelly Jhohana Peñaloza Gómez
Value at Risk Through GARCH Models and Montecarlo Simulation: Evidence from
the Colombian Stock Market
ABSTRACT
This paper evaluates the performance of several volatility models for estimating one-day-ahead
Value-at-Risk (VaR) of twenty-four stocks return series in Colombia, using a number of distribu-
tional assumptions. Because all return series exhibit volatility clustering and long-range memory,
GARCH-type models including models under normal, T-Student and generalized error distribution
are examined. The findings corroborate the difficulty of choosing a single model for calculating VaR,
but validate the use of parametric models with normal distribution and Montecarlo simulation in
emerging financial markets.
KEYWORDS
Value-at-Risk; GARCH-type models; simulation; Colombia.
JEL CLASSIFICATION
G17, G32, C58
CONTENT
Introduction; 1. Brief literature review; Value-at-Risk; 2. Methodology; 3. Results; Conclusions;
Bibliography.
Avaliação do risco mediante modelos GARCH e simulação Montecarlo: evidência

do mercado acionista colombiano
RESUMO
Este documento avalia o comportamento de vários modelos de volatilidade em estimativas de
um dia do Value at Risk (VaR) de 24 séries de retornos das ações na Colômbia com diferentes
distribuições. Ao considerar que todas as séries de retornos apresentam cluster de volatilidade e
memória de longo prazo, são utilizados modelos tipo GARCH que incluem diferentes distribuições:
normal, t-student e GED. Os achados corroboram a dificuldade de escolher um único modelo para
calcular o VaR, mas validam o uso de modelos paramétricos com distribuição normal e simulação
Montecarlo em mercados financeiros emergentes.
PALAVRAS-CHAVE
Value at risk; modelos GARCH; simulação; Colômbia
CLASSIFICAÇÃO JEL
G17, G32, C58
CONTEÚDO
Introdução; 1. Breve revisão da literatura: value at risk; 2. Metodologia; 3. Resultados; Conclusões;
Bibliografia.
54 Semestre Económico, 22(53) • octubre-diciembre de 2019 • pp. 53-75 • ISSN (en línea): 2248-4345
Valoración de riesgo mediante modelos GARCH y simulación Montecarlo: evidencia del mercado accionario colombiano
INTRODUCCIÓN
El mercado de capitales es un tipo de mercado financiero en el que se realiza
compra y venta de títulos valor. Dicha compra y venta de títulos valor se realiza en
contextos de incertidumbre bajo la conocida relación rendimiento-riesgo exten-
dida por Markovitz (1952), establece que la inversión en activos más riesgosos se
ve compensada con mayores rentabilidades esperadas. A partir de esta relación,
se da lugar a diversas aproximaciones de la medición del riesgo de los activos,
que incluyen medir la volatilidad mediante el uso de técnicas, tanto estadísticas
como econométricas, que buscan realizar una mejor gestión del riesgo. Una
de las medidas más ampliamente utilizadas es el Valor en Riesgo (VaR por sus
siglas en inglés).
Según Fan et al., (2008), el Valor en Riesgo (VaR) se convierte en una herramienta
esencial para los mercados financieros al ofrecer una medición del riesgo mediante
el uso de una distribución de probabilidad de variable aleatoria. Incluso, el Comité
de Supervisión Bancaria de Basilea (BCBS por sus siglas en inglés) (2019) propone
dicha medida dentro del conjunto de medidas acordadas internacionalmente como
respuesta a la crisis financiera de 2008, con el objetivo de reforzar la regulación,
supervisión y gestión del riesgo de los bancos. Su cálculo se puede realizar mediante
la elaboración de modelos econométricos que resultan muy útiles en la medición
de riesgo. Al respecto, Su y Hung, (2011) y Su, Lee, y Chiu (2014) señalan que esto
es deseable dado que permite incorporar las características de las series de tiempo
financieras, tales como colas anchas, asimetría, clúster de volatilidad y memoria de
largo plazo. De hecho, varios autores coinciden en que capturar el comportamiento
asimétrico es esencial para un pronóstico más preciso del VaR. Por ejemplo, Wong,
Chin y Tan (2016) llegan a este resultado a partir de la comparación de volatilidad de
tres índices accionarios. Abounoori, Elmi y Nademi (2016) hallan que los modelos con
mejor desempeño con un horizonte de tiempo de un día son AR(2)-MRSGARCH-GED.
Por su parte, Cheong (2008) encuentra para Malasia que la distribución de Pareto
es la que mejor recoge el comportamiento asimétrico de ambas colas.
En efecto, existen diversos trabajos que abordan de manera empírica la ela-

boración de modelos en la gestión de riesgo. Algunos de estos se centran en la
incorporación de volatilidad a través de diferentes tipos de modelos GARCH, por
ejemplo, Mabrouk (2016) utiliza modelos de largo plazo en siete índices accionarios
y tres tipos de cambio; Schaeffer et al., (2012) realizan una medición de la volatilidad
en acciones del sector petrolero; Laporta, Merlo y Petrella (2018) utilizan diferentes
modelos GARCH y cuantiles para el pronóstico del VaR para siete commodities (materias
primas o bienes primarios) de energía.
Por su parte, trabajos como el de Youssef, Belkacem y Mokni (2015) confirman

para el mercado del crudo y la gasolina que tener en cuenta elementos de memoria
de largo plazo, asimetría y colas pesadas es importante para el manejo del riesgo y
las estrategias de cobertura; Ewing y Malik (2017) resaltan la importancia de distinguir
entre buenas y malas noticias e incorporar cambios estructurales en los modelos
GARCH asimétricos para reducir la persistencia en volatilidad de los precios del
crudo; Cheong (2009) utiliza modelos ARCH para estimar hechos estilizados de la
volatilidad de los dos mayores mercados de crudo (WTI y Brent).
De igual manera, se encuentran estudios que utilizan modelos con aproxima-

ciones diversas. Entre estos, aquellos implementados por Chiu y Chuang (2016) a
las propiedades de memoria larga o persistencia en volatilidad de acciones; Bentes
(2014) a los índices bursátiles; Tang y Shieh (2006) en tipos de cambio y mercados
de futuros; Aloui y Mabrouk (2010) en commodities de crudo y gas; Degiannakis y
Potamia (2017) para acciones, commodities y tipos de cambio. Asimismo, existen otros
que diferencian entre posición corta y posición larga, por ejemplo, Giot y Laurent
(2003) estiman un modelo de memoria larga basado en distribución T; So y Yu (2006)
estiman siete modelos GARCH para doce índices de mercado y cuatro tasas de
cambio, resaltan la importancia de las colas anchas en la estimación del VaR. Todo
esto evidencia la amplia variedad de trabajos que incorporan en sus aplicaciones
empíricas el uso de modelos econométricos para el cálculo del VaR.
Sin embargo, la mayoría de estas aproximaciones se realizaron en mercados

financieros desarrollados, son pocos los estudios que se centran en la gestión del
riesgo en mercados emergentes. Se resalta el trabajo de Yang y Chang (2008) que
señala la importancia de evaluar el valor y la estabilidad de la moneda local como
parte del análisis de decisión de inversión en el mercado accionario; el de Reboredo,
Rivera-Castro y Ugolini (2016) que estructura la dependencia de la relación entre
los retornos de acciones y los tipos de cambio como cobertura de un portafolio;
aquellos que analizan los índices accionarios y los efectos en los mercados locales en
economías emergentes como Brasil, Chile, Colombia, India, México, Rusia, Suráfrica
y Turquía (Assaf, 2015; Dimitrakopoulos et al., 2010; Su, 2015; Su y Knowles, 2006;
Diamandis et al., 2011; Sadorsky, 2014); así como el de Slim, Koubaa y BenSaida (2017)
que encuentra que en el caso de mercados emergentes, el modelo GARCH estándar
es la mejor especificación para los pronósticos de estimaciones VaR.
Particularmente para el caso colombiano, son pocos los trabajos que buscan
presentar el comportamiento del mercado accionario, y aún más escasos los que
hacen uso de modelos econométricos para la gestión del riesgo. De manera puntual,
destacan los trabajos de Uribe (2007), quien realiza una comparación con índices de la
región y ciertos mercados desarrollados, con el ánimo de fijar el grado de desarrollo

local; Rivera (2009) analiza los patrones estacionales de los antiguos índices de las
Bolsas de Bogotá (IBB), Medellín (Ibomed) y Colombia (IGBC) y encuentra evidencia
que contradice la hipótesis de mercados eficientes; Pino, Uribe y Jiménez (2017)
proponen una descripción del mercado de acciones, realizan un análisis de topología
de red con el fin de reconocer la importancia institucional; y Delgado y Durango
(2018) evalúan la estructuración de portafolios a partir de comparaciones con la
volatilidad del índice Colcap que tiene en cuenta que este es el principal indicador
bursátil del país, está compuesto por las acciones más transadas del mercado.
No obstante, a pesar de la escasa literatura, se hallaron tres artículos similares

a nivel nacional: el primero lo realizaron Ospina y Giraldo (2009), quienes calcularon
el VaR para las acciones de mayor bursatilidad del mercado colombiano mediante el
método paramétrico, como resultado, encontraron que los modelos más signifi-
cativos fueron los GARCH asimétricos. El segundo, desarrollado por Kuri, Ojeda
y Ovalle (2015), estimó el VaR para la acción de Ecopetrol mediante modelos de
heterocedastidad condicionada, encontraron que el tipo de estimación que mejor
modela los retornos de esta acción es el GARCH (1,1). El tercero –elaborado por
Pérez y Fernández (2006)– considera la volatilidad del Índice General de la Bolsa de
Valores de Colombia (IGBC).
En este contexto, esta investigación contribuye a la literatura de análisis de

riesgo en mercados emergentes puesto que calcula el valor en riesgo (VaR) para cada
una de las veinticuatro acciones de la canasta del índice Colcap que rige de mayo
a julio de 2017, todo esto mediante la estimación de modelos econométricos que
incorporan la volatilidad, asimetría y demás propiedades de las series financieras
para el periodo comprendido entre agosto de 2013 y diciembre de 2017.
Asimismo, en mercados financieros emergentes como el colombiano, resulta

de especial relevancia el análisis del riesgo de sus activos, teniendo en cuenta la
vulnerabilidad que se presenta en pequeños mercados ante eventos extremos como
las crisis financieras –de manera particular la crisis sub-prime de 2008 o la crisis
hipotecaria de 1999–, así como las asimetrías de información que conllevan que los
inversionistas realicen una toma de decisiones inadecuada.
En consecuencia, efectuar el cálculo del VaR para los activos propuestos y a

partir de diversas metodologías, no solo permite identificar las principales carac-
terísticas de las acciones del mercado de valores colombiano –y con ello aportar
a la modelación de series financieras en mercados emergentes–, sino que también
contribuye a situar la discusión de la gestión de riesgo frente a la importancia de
contar con diversos métodos de análisis y formas de cálculo, en pos de una toma
de decisiones más informada que conduzca a mejores rentabilidades y reducción
del riesgo.
Este documento se estructura en cinco secciones que incluyen esta introducción.

Posteriormente, se realiza una breve revisión de la literatura existente acerca del valor
en riesgo, más adelante se describe la metodología utilizada para la elaboración de
los modelos, el cálculo del VaR y el backtesting, seguido por una sección de resultados.
La última sección presenta las conclusiones del artículo.
1. BREVE REVISIÓN DE LITERATURA: VALOR EN RIESGO

A menudo, la medición del riesgo de mercado se realiza a partir del VaR (valor en
riesgo), el cual Jorion (2000, p. 13) define como “la peor pérdida esperada en un
intervalo de tiempo determinado bajo condiciones normales del mercado ante
un nivel de confianza dado”. Al respecto, Sadegui y Shavvalpour (2006) describen
el VaR como un método cuantitativo ampliamente adoptado por instituciones tales
como los bancos, gestores de cartera y reguladores, al ser reconocida –según Dowd
y Blake (2006)– como la medida más ampliamente utilizada en la práctica y cuyo
cómputo resulta fundamental para el cálculo de otras medidas de riesgo basadas
en cuantiles, como por ejemplo, el expected shortfall.
Existen diferentes formas de calcular el VaR, estas se pueden clasificar en paramé-

trica, no paramétrica y simulación Montecarlo. Según Hull y White (1998), el método
paramétrico –también conocido como método analítico de la matriz de varianzas/
covarianzas– se basa en la distribución normal de los rendimientos de la cartera.
El método no paramétrico se muestra independiente de cualquier distribución de
probabilidad y por tal motivo, no se necesita estimar volatilidades ni correlaciones.
El método de simulación Montecarlo permite la estimación de manera paramétrica
y no paramétrica, ofrece una descripción más realista del riesgo a partir del ajuste
de una distribución empírica de los retornos.
Según Cheong (2008), las estimaciones no paramétricas tienen las ventajas de

la simplicidad y –lo que es más importante– la no necesidad de un supuesto de
distribución específico para la serie de rendimientos, mientras que el cálculo del VaR
basado en un modelo paramétrico requiere estimaciones precisas de la volatilidad
y un cuantil correspondiente a la distribución empírica. En esta línea, Sadegui y
Shavvalpour (2006) afirman que los estudios previos sobre la estimación del VaR
basada en modelos se han centrado principalmente en la caracterización de los
hechos estilizados que se encuentran con frecuencia en los datos financieros,
especifican la estructura variable de la volatilidad y la forma de la distribución del

rendimiento de los activos.
Dentro de la estimación paramétrica, el modelo más utilizado es el de Ris-

kMetrics propuesto por J. P. Morgan, el cual asume que los rendimientos de los
activos siguen una distribución normal con media cero y varianza condicional en
un promedio móvil ponderado exponencialmente (EWMA) de los rendimientos
históricos al cuadrado. Sin embargo, para González-Rivera, Lee y Mishra (2004), a
pesar de su uso extendido, este modelo parece ser el que peor desempeño presenta.
Lo anterior es consistente con el trabajo de Mabrouk y Saadi (2012) en cuanto que
argumenta que dicha estimación del VaR es la menos precisa al no tener en cuenta
las características más destacadas de las series de tiempo financieras: colas gruesas,
asimetría, agrupamiento de volatilidad y memoria larga.
Además, es común que el primer supuesto (el de normalidad) no se presente en

un contexto empírico, al tener en cuenta que las características de la distribución
del retorno de activos involucran fenómenos de colas pesadas, leptocurtosis y
asimetría. Por este motivo, el uso de una distribución condicional que no incluya
dichas características puede llevar a un sesgo en la estimación del verdadero riesgo
de mercado.
Por ello, estudios previos han hecho un gran esfuerzo para superar estos
problemas al emplear conjuntos de distribuciones condicionales. Algunos de los
trabajos pioneros son: Bollerslev (1987) con la T-Student, y Angelidis et al., (2004) con
la distribución de errores generalizada (GED) de cola pesada, que permite capturar
eventos extremos. Al respecto, Mabrouk (2016) añadió que ambas distribuciones
son las más ampliamente utilizadas al presentar mejor desempeño al momento de
capturar el exceso de curtosis. Sin embargo, las distribuciones GED y T-Student
(que son simétricas) no pueden incluir el componente de asimetría presente en las
innovaciones.
El segundo supuesto del promedio móvil ponderado exponencialmente para

la varianza tampoco suele incorporar suficiente información con respecto a las
propiedades empíricas de las dinámicas de volatilidad, como la memoria larga y
el efecto de apalancamiento. Si bien para Hartz, Miitnik y Paolella (2006) existen
diversos métodos que buscan estar en capacidad de incorporar las dos principales
características dentro de los métodos que capturan estas dos características de
una manera razonable –y que han sido ampliamente extendidas– se encuentran
los modelos de heterocedasticidad condicionada, propuestos por Engle (1982) y
generalizados por Bollerslev (1986).
Dichos modelos han proporcionado una buena primera aproximación a estos

hechos estilizados, al modelar la estructura autorregresiva en la varianza condicional.
En efecto, trabajos como el de Yang y Chang (2008) evidencian que la estimación
de la volatilidad en el rendimiento de los activos resulta crucial para la fijación de
precios de las opciones, en la previsión de umbrales de valor en riesgo (VaR) y en la
selección óptima de la cartera, al encontrar que los modelos GARCH son adecuados
para describir datos como clúster de volatilidad y comportamiento de cola gruesa.
Sin embargo, de acuerdo con autores como Andersen et al., (2002) y Gallant et
al., (1997), los modelos tipo GARCH presentan alta persistencia y suelen no ser los
más adecuados frente a eventos raros en retornos de activos. Estos saltos pueden
llevar a una sobreestimación del riesgo de mercado real. De allí que se hayan
desarrollado modelos que incorporan propiedades adicionales, como la asimetría,
la cual se refiere a los impactos diferenciales de choques positivos y negativos
de igual magnitud en la volatilidad. Según Cheong (2008), esta propiedad es muy
importante en el análisis de riesgo en el cual las inversiones en posiciones largas y
cortas durante un período de tiempo determinado se basan en gran medida en los
comportamientos de las colas inferiores y superiores.
Para incorporar esta propiedad, Nelson (1991) desarrolló el modelo exponencial

GARCH, EGARCH, que analiza los efectos positivos y negativos ocasionados por las
noticias del mercado de valores, con choques negativos que afectan la volatilidad de
manera diferente a los choques positivos de igual magnitud. Además, la posibilidad
de apalancamiento que permite que los choques negativos aumenten la volatilidad
—mientras que los choques positivos disminuyen la volatilidad— está presente en
la formulación de los modelos EGARCH. Bajo la misma idea, se han desarrollado
modelos asimétricos alternativos de volatilidad, como el umbral GARCH, TGARCH,
de Zakoian (1994). Al respecto, Yang y Chang (2008) y Mabrouk (2016) señalan que
tales modelos típicamente distinguen entre la asimetría de información, un umbral,
y umbrales de valores críticos.
Consecuentemente, validaciones empíricas como la desarrollada por Su y Hung

(2011) que resaltan, tanto las colas pesadas en el cálculo del VaR al 99 % en posiciones
largas, como la asimetría y choques dinámicos, así como la de Bayer (2018), que
diferencia entre ventanas y el uso de técnicas que combinan varios métodos, han
mostrado mejoras en la eficiencia.
Por otra parte, la evaluación del pronóstico mayormente generalizada es aquella

realizada a partir de backtesting, que el BCBS (2019) define como el proceso utilizado
para comparar las ganancias y pérdidas diarias reales e hipotéticas, con las medidas
de VaR generadas por el modelo para evaluar el conservadurismo de los sistemas

de medición de riesgos.
La aproximación más utilizada es la propuesta por Kupiec (1995), también cono-
cida como la versión incondicional de la prueba de cobertura, la cual se centra en si
el número real de excepciones de VaR es igual al número esperado de excepciones,
es decir, examina si la tasa de cobertura realizada (ex-post) es igual a la tasa de
cobertura teórica. De acuerdo con Dimitrakopoulos et al., (2010) y Laporta et al.,
(2018), dicha prueba sigue un proceso de Bernoulli con parámetro p en la cual p es
igual a la tasa teórica de cobertura del VaR, de esta manera, la variable toma el valor
de 1 si la pérdida excede el VaR estimado y 0 en los otros casos.
Por definición, la tasa de fallas supone el número de veces que el retorno
excede –en valor absoluto– el pronóstico del VaR. Si el modelo VaR se especifica
correctamente, la tasa de fallas debería ser igual al nivel VaR especificado. La tasa
de fallas empíricas f se define como una secuencia de observaciones sí/no, de tal
manera que es posible probar si el modelo se especifica de manera adecuada. A un
nivel del 95 %, un intervalo de confianza para la tasa de fallas se puede construir por:
( )
ˆf ±1.96 ˆf 1- ˆf / T [1]
El estadístico LR es
æ N T-N ö
ççç a (1- a ) ÷÷÷ [2]

LR = -2log ç T-N ÷
÷
çç ˆN ÷÷
ˆ
çè f 1- f ÷ø ( )
donde N es el número de violaciones del VaR, T es el número total de obser-
vaciones y α es la tasa de fallas teóricas. Bajo la hipótesis nula de que la tasa de
fallas es correcta, el estadístico LR se distribuye como un chi-cuadrado con un
grado de libertad.
2. METODOLOGÍA
2.1. Datos
El análisis de riesgo realizado para el mercado accionario colombiano utiliza para el
cálculo del VaR las principales acciones que componen el índice Colcap, en este
índice bursátil participan las acciones más liquidas que cotizan en la Bolsa de
Valores de Colombia, el cual debe estar compuesto por mínimo veinte acciones de
emisores diferentes.
El periodo de análisis comprende desde el 1º de agosto de 2013 hasta el 28 de

diciembre de 2017, con un total de 1.074 observaciones para cada una de las 24
acciones que conforman la canasta del índice Colcap de mayo a julio de 2017. El
periodo de estimación elegido busca tener la misma cantidad de observaciones por
acción, de allí que considere el hecho de que la acción de Avianca Holdings cambió
su nemotécnico el 19 de julio de 2013 de PFAVTA a PFAVH.
Los precios de cierre diarios de las acciones se obtienen de la Bolsa de Valores

de Colombia (BVC). Los retornos diarios se calculan como la diferencia logarítmica
en el precio de cierre diario, es decir, Rt = log(Pr) – log(Pr–1) donde Pt es el precio de
cierre diario. La tabla 1 describe las empresas que componen el índice Colcap para
el periodo de análisis.
Tabla 1. Empresas
Nemotécnico Descripción empresa
Bancolombia es una organización financiera colombiana; es el banco privado

BCOLOMBIA,
más grande del país (por el tamaño de su patrimonio y activos) y uno de los más
PFBCOLOM
grandes de América.
Ecopetrol S.A., es la empresa más grande del país y la principal compañía

ECOPETROL petrolera en Colombia. Por su tamaño, es una de las cinco principales petroleras
de Latinoamérica.
Éxito es una compañía multilatina, líder del mercado al detal en Suramérica.

EXITO
Presentes en Colombia con el Grupo Éxito.
La Empresa de Telecomunicaciones de Bogotá (ETB), cuenta con un gran potencial,

ETB
gracias a sus servicios de fibra óptica, televisión interactiva digital y móviles 4G.
La Bolsa de Valores de Colombia (BVC) es una bolsa multi-producto, multi-mercado

integrada verticalmente Y que administra las plataformas de negociación y registro
BVC
para los mercados de acciones, renta fija, derivados, divisas, OTC y servicios a
emisores.
Conconcreto es una compañía líder en el desarrollo de proyectos de infraestructura

CONCONCRET
y edificación en Colombia y la región, con más de 55 años en el mercado.
Canacol Energy es una compañía líder en la exploración y producción de petróleo

CNEC y gas. Se estableció como corporación privada en 2008. Sus operaciones están
concentradas en Colombia y Ecuador.
El Banco de Bogotá es la primera institución financiera creada en el país, cubre

BOGOTA la totalidad del territorio nacional y continúa expandiendo sus operaciones
internacionales con sus filiales y agencias en el exterior.
Nemotécnico Descripción empresa

Corficolombiana es una corporación financiera controlada por Grupo Aval; enfocada
CORFICOLCF en tres unidades de negocio principales: inversiones en portafolio, tesorería y
banca de inversión.
Davivienda es un banco que hace parte del Grupo Empresarial Bolívar, es el banco
PFDAVVNDA
exclusivo en Colombia para el manejo de las tarjetas Diners.
El Grupo Energía Bogotá (GEB) es una multilatina líder en el sector de energía
eléctrica y gas natural. Su estrategia está centrada en tres grupos estratégicos
EEB
de negocio: soluciones energéticas urbanas, interconexión para el desarrollo de
mercados y generación de baja emisión.
El Grupo Empresarial SURA es una organización multilatina con más de 70 años
GRUPOSURA, de experiencia y con inversiones estratégicas en los sectores de banca, seguros,
PFGRUPSURA. pensiones, ahorro e inversión; a través de las cuales entrega soluciones financieras
integrales.
Interconexión Eléctrica S. A., es una organización que focaliza sus actividades en
ISA los negocios de transporte de energía eléctrica, concesiones viales, tecnologías de
información y telecomunicaciones, y gestión de sistemas de tiempo real.
En el negocio del cemento, Argos es líder en Colombia, quinto productor más grande
CEMARGOS, en América Latina y segundo más grande en el sureste de Estados Unidos. Por otro
PFCEMARGOS lado, en el negocio del concreto es líder en Colombia y es el tercer productor más
grande en Estados Unidos.
Es la empresa de energía del Grupo Argos, tiene presencia en Colombia, Panamá
y Costa Rica, con una capacidad de generación de 2.399 MW desde 28 centrales
CELSIA
hidroeléctricas, térmicas, fotovoltaicas y eólicas que generan alrededor de 7.750
GWh anuales.
Grupo Nutresa S.A. es la empresa líder en alimentos procesados en Colombia. Opera
NUTRESA a través de ocho unidades de negocio: cárnicos, galletas, chocolates, Tresmontes
Lucchetti (TMLUC), cafés, alimentos al consumidor, helados y pastas.
Grupo Argos es una matriz de inversiones sostenibles en infraestructura, en
GRUPOARGOS,
compañías listadas en bolsa y empresas privadas. Su naturaleza jurídica corresponde
PFGRUPOARG
a una sociedad anónima.
Grupo Aval es el conglomerado financiero más grande de Colombia, su portafolio
PFAVAL cuenta con una corporación financiera y con negocios de administración de fondos
de pensiones y cesantías.
Cemex Latam Holdings es una compañía de materiales para la industria de la
CLH construcción que ofrece productos de alta calidad a clientes y comunidades en
Colombia.
Avianca Holdings S.A. es una compañía latinoamericana que tiene inversiones
PFAVH principalmente en: aerolíneas de pasajeros, aerolíneas de carga y actividades
relacionadas.
Fuente: elaboración propia a partir de las páginas oficiales de las empresas.
2.2. Estimación de modelos

Como se describió en la revisión de literatura, una mejor aproximación al riesgo
debe incluir la estimación de modelos que incluyan características de las series
financieras como clúster de volatilidad, asimetría y apalancamiento. Debido a la
naturaleza de las series financieras presente en los retornos diarios, la estimación
de los modelos contempló dos fases. En primer lugar, la definición de una ecua-
ción para la media, habitualmente estimada mediante modelos autorregresivos
de media móvil; en segundo lugar, la estimación de la varianza condicionada, la
cual se puede dar mediante modelos de heterocedasticidad condicionada GARCH,
E-GARCH y TARCH.
Para la estimación de dichos modelos se tuvo en cuenta que las series de retornos
no se distribuyen de manera normal, por lo que se hizo uso de las distribuciones
condicionales mayormente utilizadas, de acuerdo con lo propuesto en la literatura:
la distribución T-Student y la distribución del error generalizado (GED). La primera es
leptocúrtica, lo que significa que la parte central de la distribución es más delgada
y tiene colas más anchas que la distribución normal, mientras que la segunda se
extiende exponencialmente en la cola de la distribución (Castaño, Gómez y Gallón,
2008; Mendoza y Galvanovskis, 2014).
2.3. Cálculo del VaR

El cálculo del VaR se realizó bajo tres metodologías: no paramétrico, paramétrico y
simulación Montecarlo. Las estimaciones se efectuadron con los softwares E-views®,
y Risk Simulator®, respectivamente. Como su nombre lo indica, la simulación
Montecarlo crea diversos modelos de posibilidades al calcular una y otra vez resul-
tados (10.000 simulaciones) que comparan cada vez un grupo diferente de valores
aleatorios de las funciones de probabilidad utilizadas y selecciona el mejor modelo
de acuerdo con medidas de bondad de ajuste.
Una vez se obtuvieron los modelos para cada una de las series de retornos de
los activos seleccionados, se continuó con el cálculo del VaR paramétrico a partir
de la fórmula:
VaRa = mi ,t - zi ,a hi ,t [3]
Donde µi,t es el retorno condicional esperado del activo i, Zm,a corresponde al

cuantil izquierdo a de la distribución usada en la serie de los residuales del modelo
estimado en cada caso, y hi,t es la varianza condicional del activo i. Todos los cálculos
se hicieron con un nivel de confianza del 95 % lo que según Jorion (2000), indica
que el VaR se encuentra en el 5 % del lado izquierdo de la cola del histograma de
cada una de las series.
Para determinar las acciones más riesgosas, cada medida de riesgo VaR se
compara de acuerdo con la metodología empleada, a partir de la prueba de backtesting
realizada, con el fin de validar la eficacia de los modelos implementados para la
gestión de riesgo.
3. RESULTADOS
La tabla 2 presenta las ecuaciones de los modelos estimados para cada uno de los
retornos de los precios de cierre de las 24 acciones que componen el índice Colcap.
Algunos de estos retornos no requirieron ecuación para la media (Rt=0), pero todos
incorporaron componentes de volatilidad bajo la especificación de modelos GARCH
con distribuciones no-normales o con propiedades de asimetría.
Tabla 2. Modelos estimados
Acción Modelo
Rt =-0.047876 * Rt -32 + et
BCOLOMBIA AR
s 2 = 0.0000164 + 0.0939 * e 2t -1 + 0.0695 * e 2t -2 + 0.0541* e 2t -3 + 0.0899
(32)-GARCH (3,3) ~ GED t
*s 2t -1 -0.2640 * s 2t -2 +0.8945 * s 2t -3
Rt = 0.054354 *nt -27 +et

PFBCOLOMBIA
MA (27)-GARCH (4,5) ~ s 2t = 0.000031 + 0.1682 * e 2t -1 + 0.1132 * e 2t -4 + 0.4300
T-Student *s 2 -0.7177 * s 2 +0.5617 * s 2
t -2 t -3 t -5
Rt = 0.114729 * et -31 + et
ECOPETROL s 2t = 0.1388 * e 2t -1 + 0.0750 * e 2t -2 + 0.0755 * e 2t -3 + 0.0945 * e 2t -4 + 0.0682
AR (31)-GARCH (6,7) ~
T-Student *e 2t -5 + 0.1181* e 2t -6 - 0.2889 * s 2t -1 +0.1276 * s 2t -2 -0.3375 * s 2t -3
+0.1568 * s 2t -4 - 0.2912 * s 2t -5 + 0.2252 * s 2t -6 + 0.8346 * s 2t -7
EXITO Rt =-0.0449299 * Rt -25 + 0.048832 * et -28 + 0.062261* et -30 + et

ARMA (25,30)-GARCH
(1,1) ~ T-Student s 2t = 0.0000026 + 0.1792 * e 2t -1 + 0.8430 * s 2t -1
ETB Rt = -0.207126 * D1- 0.043069 * Rt -35 - 0.066520 * et -1 + et

ARMA (35,1)-GARCH
(1,1) ~ T-Student s 2t = 0.000404 + 2.6314 * e 2t -1 + 0.5379 * s 2t -1
BVC Rt =-0.090457 * Rt -1 - 0.054099 * Rt -5 + et

AR (5)-GARCH (2,2) ~
T-Student s 2t = 0.5143* e 2t -1 - 0.4690 * e 2t -2 + 1.4144 * s 2t -1 -0.4374 * s 2t -2
Acción Modelo
Rt = 0
s 2t = 0.000078 + 0.1642 * e 2t -1 - 0.0301* e 2t -1d t -1 - 0.0761* e 2t -2 + 0.0312
CONCONCRET *e 2t -3 + 0.0549 * e 2t -4 + 0.3893* s 2t -1;
TGARCH (4,1) ~ GED
ïì 1 si et -1 < 0
d t -1 = ïí
ïïî0 en otro caso
Rt = 0
CNEC
GARCH (1,1) ~ GED s 2t = 0.0566 * e 2t -1 + 0.9414 * s 2t -1
Rt =-0.156928 * et -1 + et
BOGOTA
MA(1)-E-GARCH (1,1) ~ e
ln(s 2t ) = -1.229772 + 0.846173* t -1 + 0.871493* ln (s 2t -1 )
T-Student st -1
CORFICOLCF Rt = -0.078657 * Rt -1 + et
AR (1)-GARCH (1,1) ~
s 2t = 0.0000153 + 0.2295 * e 2t -1 + 0.7060 * s 2t -1
T-Student
PFDAVVNDA ARMA Rt = -0.709601* Rt -5 - 0.035773* Rt -23 + 0.720247 * et -5 - 0.044815 * et -7 + et
(23,7)-GARCH(1,1) ~
s 2t = 0.00000717 + 0.1028 * e 2t -1 + 0.8705 * s 2t -1
T-Student
EEB Rt = -0.120129 * Rt -1 - 0.095815 * Rt -2 + 0.085742 * et -27 + 0.048189 * et -28 + et
ARMA (2,27)-GARCH
s 2t = 0.0000304 + 0.3613* e 2t -1 + 0.5791* s 2t -1
(1,1) ~ T-Student
Rt = 0
GRUPOSURA
GARCH (4,4) ~ s 2t = 0.1999 * e 2t -1 - 0.1456 * e 2t -2 + 0.1511* e 2t -3 - 0.1878 * e 2t -4
T-Student +1.4324 * s 2t -1 -1.2996 * s 2t -2 +1.5026 * s 2t -3 - 0.6537 * s 2t -4
R =0
PFGRUPSURA GARCH t
(3,1) ~ GED s 2t = 0.2620 * e 2t -1 - 0.1050 * e 2t -2 - 0.1155 * e 2t -3 + 0.9578 * s 2t -1
ISA Rt =-0.083765 * Rt -3 - 0.050359 * Rt -31 + 0.066752 * et -8 + et

ARMA (31,8)-GARCH
s 2t = 0.00000512 + 0.1268 * e 2t -1 + 0.8574 * s 2t -1
(1,1) ~ T-Student
CEMARGOS Rt =-0.104848et -1 + et
MA(1)-GARCH (1,1) ~
s 2t = 0.0000051 + 0.1062 * e 2t -1 + 0.8817 * s 2t -1
T-Student
PFCEMARGOS ARMA Rt =-0.079853* Rt -22 - 0.077593* Rt -23 + 0.086457 * et -10 + et
(23,10)-GARCH(1,1) ~
s 2t = 0.0000103 + 0.1118 * e 2t -1 + 0.8473* s 2t -1
T-Student
Acción Modelo
CELSIA Rt =-0.057508 * Rt -1 + et
AR(1)-GARCH (1,1) ~
T-Student s 2t = 0.00000261 + 0.0960 * e 2t -1 + 0.9037 * s 2t -1
NUTRESA Rt = 0
GARCH (5,3) ~ GED s 2t = 0.0000122 + 0.1646 * e 2t -1 + 0.2200 * e 2t -5 + 0.4587 * s 2t -3
GRUPOARGOS ARMA Rt =-0.069300 * Rt -3 - 0.072500 * Rt -4 + 0.055745 * et -30 + et

(4,30)-GARCH (1,1) ~
T-Student s 2t = 0.00000525 + 0.1254 * e 2t -1 + 0.8638 * s 2t -1
PFGRUPOARG ARMA Rt = -0.122603* Rt -3 + 0.074404 * et -9 + 0.064724 * et -24 + 0.055038 * et -30 + et

(3,30)-GARCH (1,1) ~
T-Student s 2t = 0.00000768 + 0.1755 * e 2t -1 + 0.8122 * s 2t -1
Rt = 0
PFAVAL
GARCH (4,5) ~ s 2t = 0.0000271 + 0.2133* e 2t -1 + 0.1731* e 2t -4 + 0.1358 * s 2t -1 + 0.2005
T-Student *s 2t -2 - 0.5122 * s 2t -3 - 0.1141* s 2t -4 + 0.6899 * s 2t -5
Rt = 0
CLH
s 2t = 0.000113 + 0.1662 * e 2t -1 + 0.1827 * e 2t -2 + 0.0826
ARCH (6) ~ GED
*e 2t -3 + 0.1906 * e 2t -4 + 0.0441* e 2t -5 + 0.0738 * e 2t -6
PFAVH Rt = 0
GARCH (2,1) ~
T-Student s 2t = 0.0000114 + 0.3200 * e 2t -1 - 0.2705 * e 2t -2 + 0.9342 * s 2t -1
Fuente: elaboración propia
La acción CLH presenta uno de los modelos más sencillos de los veinticuatro estima-
dos, el cual es el ARCH. Por otra parte, veintiún modelos estimados corresponden al
GARCH que es el modelo más usado para modelar series financieras. Asimismo, se
puede evidenciar que la mayoría de los modelos son GARCH (1,1), lo que concuerda
con los hallazgos de Slim, Koubaa y BenSaida (2017), quienes señalan para el caso
de mercados emergentes que, el modelo GARCH estándar es la mejor especificación
para los pronósticos de estimaciones VaR.
Las dos acciones restantes, que corresponden a Conconcreto y al Banco de

Bogotá, requieren la estimación de modelos E-GARCH y TARCH respectivamente,
los cuales corrigen los problemas que presentan los GARCH al incorporar el com-
ponente de asimetría. Lo anterior coincide con la importancia de estimar modelos
que incluyan características propias de las series financieras y está ampliamente
expuesto en la literatura (So y Yu, 2006; Yang y Chang, 2008; Youssef et al., 2015).
De otra parte, los resultados del cálculo del VaR se presentan en la tabla 3.
Es de anotar que el método paramétrico implementado utiliza tanto las distribuciones
de los modelos de heterocedasticidad condicionada estimados, como la normal y
la simulación Montecarlo.
Tabla 3. Comparación del VaR
VaR paramétrico VaR no

Acciones Modelos de heteroscedasticidad condicionada Distribución Simulación de paramétrico
normal (%) Montecarlo (%) (%)
Media (%) Varianza (%) Modelos (%)
BCOLOMBIA 0,010 0,013 –1,88 –2,42 –2,46 –2,46
PFBCOLOMBIA 0,038 0,0196 –2,27 –2,30 –2,63 –2,17
ECOPETROL –0,298 0,057 –4,24 –3,38 –3,37 –3,22
EXITO –0,005 0,003 –0,93 –2,87 –2,84 –3,05
ETB 0,077 0,170 –6,71 –2,49 –2,57 –2,02
BVC –0,013 0,041 –3,35 –2,41 –2,34 –2,48
CONCONCRET 0,000 0,045 –3,48 –2,42 –3,08 –2,15
CNEC 0,000 0,023 –2,49 –5,41 –5,19 –4,62
BOGOTA 0,163 0,060 –3,86 –2,03 –1,29 –1,98
CORFICOLCF –0,038 0,008 –1,52 –2,09 –1,94 –1,99
PFDAVVNDA –0,022 0,009 –1,62 –2,38 –2,35 –2,36
EEB 0,056 0,011 –1,67 –2,04 –1,12 –1,90
GRUPOSURA 0,000 0,007 –1,42 –2,16 –2,16 –2,29
PFGRUPSURA 0,000 0,013 –1,89 –2,14 –2,31 –2,38
ISA 0,019 0,011 –1,68 –2,46 –2,48 –2,40
CEMARGOS –0,018 0,013 –1,91 –2,59 –2,61 –2,62
PFCEMARGOS 1,898 0,028 –0,86 –2,15 –2,18 –2,12
CELSIA 0,048 0,012 –1,74 –2,48 –2,53 –2,34
NUTRESA 0,000 0,133 –5,99 –1,72 –1,75 –1,70
GRUPOARGOS 0,126 0,009 –1,44 –2,63 –2,63 –2,75
PFGRUPOARG 0,280 0,013 –1,63 –2,66 –2,68 –2,73
PFAVAL 0,000 0,019 –2,25 –1,89 –1,89 –1,76
CLH 0,000 0,262 –8,42 –2,95 –2,99 –0,82
PFAVH 0,000 0,025 –2,60 –3,66 –2,94 –3,04
Fuente: elaboración propia.
Del cálculo del VaR tradicional que hace uso de la distribución normal se resalta
que las acciones que presentan mayor riesgo son: CNEC (5,41 %), PFAV (3,66 %) y
ECOPETROL (3,38 %). En contraste, con el VaR paramétrico de los modelos de heteros-
cedasticidad condicionada estimados –los cuales asumen distribuciones T-Student o
GED– las acciones más riesgosas son: CLH (8,42 %), ETB (6,71 %) y NUTRESA (5,99 %).
Por su parte, la tercera metodología paramétrica o simulación Montecarlo que asumió
otras distribuciones como: Laplace, Gumbel mínimo, logística, parabólico y normal,
evidenció como acciones más riesgosas a: CNEC (5,19 %), ECOPETROL (3,37 %) y
CONCONCRET (3,08 %). Por último, según el VaR no paramétrico las acciones más
riesgosas son: CNEC (4,62 %), ECOPETROL (3,22 %) y EXITO (3,05 %).
Si bien, hay diferencias en los riesgos evidenciados a partir del cálculo del VaR
con las metodologías utilizadas, acciones como ECOPETROL y CNEC resultan las
más riesgosas en tres de las cuatro metodologías utilizadas, lo que sugiere que
habría que tratarse con cuidado su incorporación en decisiones de inversión. Por
el contrario, acciones como NUTRESA o EEB se consideran menos riesgosas que
las demás y por tanto, más atractivas para la conformación de carteras.
Para verificar cual metodología se ajusta mejor, se emplea la probabilidad arro-

jada por el backtesting, la cual nace a partir de: P en días, que es el número de fallas
que soporta el modelo en días; M no P, que son las fallas que presentan cada una
de las metodologías; y PROB, que es la probabilidad, la cual no puede ser inferior
al 5 %, debido a que se tomó el 95 % como nivel de confianza para realizar esta
prueba (tabla 4).
Tabla 4. Backtesting: modelos que no se rechazan
VaR paramétrico
Acciones
VaR Simulación VaR no
Modelos
paramétrico Montecarlo paramétrico
P en días 54 54 500 54
GARCH; M no P 49 48 519 53
PFBCOLOMBIA
T-Student
PROB (M/N>P)
71,71 76,37 18,51 50,28
(%)
P en días 54 54 500 54
GARCH;
ECOPETROL M no P 27 50 50 53
T-Student
PROB (M/N>P) (%) 100,00 66,68 100,00 50,28
VaR paramétrico
Acciones
VaR Simulación VaR no
Modelos
paramétrico Montecarlo paramétrico
P en días 54 54 500 54
GARCH;
ETB M no P 2 32 31 51
T-Student
PROB (M/N>P) (%) 100,00 99,92 100,00 61,36
P en días 54 54 500 54
GARCH;
BVC M no P 18 55 62 53
T-Student
PROB (M/N>P) (%) 100,00 39,30 100,00 50,28
P en días 54 54 500 54
CONCONCRET TGARCH; GED M no P 22 47 31 53
PROB (M/N>P) (%) 100,00 80,60 100,00 50,28
P en días 54 54 500 54
E-GARCH;
BOGOTA M no P 10 51 114 53
T-Student
PROB (M/N>P) (%) 100,00 61,36 100,00 50,28
P en días 54 54 500 54
NUTRESA GARCH; GED M no P 0 51 50 53
PROB (M/N>P) (%) 100,00 61,36 100,00 50,28
P en días 54 54 500 54
GARCH;
PFAVAL M no P 31 47 47 53
T-Student
PROB (M/N>P) (%) 99,96 80,60 100,00 50,28
P en días 54 54 500 54
CLH GARCH; GED M no P 1 56 55 290
PROB (M/N>P) (%) 100,00 34,10 100,00 0,00
Fuente: elaboración propia
Como resultado del backtesting tenemos que en el VaR no paramétrico el único

valor que se rechaza es el de CLH. Por el contrario, en el VaR paramétrico –tanto de
distribución normal como de simulación Montecarlo– no se rechaza ningún modelo.
Finalmente, de la totalidad de modelos econométricos estimados se rechazan 15
debido a que no logran ajustar la volatilidad, lo que implica que dichos modelos
subestiman el VaR. Este hallazgo refuerza la importancia de realizar análisis de

gestión de riesgo mediante la incorporación de la mayor cantidad de propiedades
de las series financieras recogidas, por ejemplo con la posibilidad de combinar
técnicas y modelos. En este sentido, el uso de simulación Montecarlo resulta ser
el método paramétrico más adecuado en cuanto su implementación considera el
mejor ajuste entre varias distribuciones y simulaciones.
CONCLUSIONES
Este documento investigó los comportamientos de cola de las distribuciones de
innovación para las veinticuatro principales acciones en Colombia. Para ello, se
estimaron modelos ARMA que buscaban explicar los componentes de la media de los
retornos, así como modelos de heterocedasticidad condicionada que incorporaran
elementos propios de las series financieras. A pesar de que el modelo T-Student
tipo GARCH es capaz de capturar la propiedad de cola pesada en la mayoría de los
activos, no tuvo en cuenta el comportamiento asimétrico en dos de los casos, en
los que resulta necesario la inclusión de modelos E-GARCH y TARCH.
Si bien en la gestión de riesgo el VaR sigue siendo la medida más utilizada por
los profesionales, ya que al implementarla periódicamente y tener una metodología
estructurada se pueden evitar desastres financieros, aún es difícil responder a la
pregunta que ha suscitado un gran interés en la literatura financiera y que se refiere a
cuál es el modelo más apropiado para pronosticar la volatilidad de los rendimientos
de los activos, principalmente en mercados financieros emergentes.
Los resultados hallados para las principales acciones del mercado colombiano
corroboran la dificultad de elegir un único modelo para el cálculo del VaR, pero dan
luces acerca de la necesidad de incorporar en las estimaciones características propias
de las series financieras, tales como volatilidad, asimetría, apalancamiento, entre
otras. Esto solo se puede obtener por medio del uso de modelos econométricos
o simulaciones particulares que diferencien entre activos y también entre distribu-
ciones. Añádase a esto la validez del uso del método paramétrico de distribución
normal, ampliamente utilizado de manera empírica.
Una vez calculado el VaR mediante las diferentes metodologías se evidencia que la
simulación Montecarlo es la más acertada para valorar el riesgo accionario colombia-
no, debido a que sus resultados provienen de la incorporación de pruebas de bondad
de ajuste que permiten seleccionar entre diversas distribuciones conocidas y frente
a una amplia cantidad de repeticiones. El uso de econometría es igualmente válido
en la medida en que se realice una comparación entre modelos que conlleve elegir
el mejor, es decir aquel que efectivamente recoja las características de las series.
Finalmente, a partir de los resultados encontrados se llega a la conclusión de

que al incorporar más información, el cálculo del VaR es más acertado, por lo que
resulta fundamental realizar su cálculo con las diferentes metodologías de análisis
existentes para obtener un panorama más completo y de esta manera mejorar la
toma de decisiones de inversión.
REFERENCIAS
Abounoori, Esmaiel, Elmi, Zahra, y Nademi, Younes. (2016). Forecasting Tehran stock Exchange
volatility; Markow switching GARCH approach, En: Physica A, N°. 445, p. 264-282. Doi:
10.1016/j.physa.2015.10.024
Aloui, Chaker y Mabrouk, Samir. (2010). Value-at-risk estimations of energy commodities via long-
-memory, asymmetry and fat-tailed GARCH models. En: Energy Policy, N°. 38, p. 2326–2339.
Doi:10.1016/j.enpol.2009.12.020
Andersen, Torben, Benzoni, Luca y Lund, Jesper. (2002). An empirical investigation of continuous-
-time equity return models. En: Journal of Finance, Vol. 57, N°. 3, p. 1239-1284. Doi:
10.1111/1540-6261.00460
Angelidis, Timotheos, Benos, Alexandros y Degiannakis, Stavros. (2004). The use of GARCH
models in VaR estimation. En: Statistical Methodology, N°. 1, p. 105-128.
Assaf, Ata. (2015). Value-at-Risk analysis in the MENA equity markets: Fat tails and conditional
asymmetries in return distributions. En: Journal of Multinational Financial Management,
N°. 29, p. 30-45. Doi: 10.1016/j.mulfin.2014.11.002
Bayer, Sebastian. (2018). Combining Value-at-Risk forecasts using penalized quantile Regressions,
En: Econometrics and Statistics, N°. 8, p. 56-77.
Bentes, Sónia. (2014). Measuring persistence in stock market volatility using the FIGARCH
approach. En: Physica A, N°. 408, p. 190-197. Doi: 10.1016/j.physa.2014.04.032
Bollerslev, Tim. (1986). Generalized autoregressive conditional heteroskedasticity. En: Journal of
Econometrics, N°. 31, p. 307-327. Doi: 10.1016/0304-4076(86)90063-1
Bollerslev, T. (1987). A conditionally heteroscedastic time series model for speculative prices and
rates of return. En: Review of Economics and Statistics, N°. 69, p. 542-547.
Castaño, Elkin,. Gómez, Karoll y Gallón, Santiago (2008). Pronóstico y estructuras de volatilidad
multiperíodo de la tasa de cambio del peso colombiano. En: Cuadernos de Economía, Vol.
XXVII, No. 48, p. 241-266
Cheong, Chin Wen. (2008). Heavy-tailed value-at-risk analysis for Malaysian stock exchange. En:
Physica A, N°. 387, p. 4285-4298. Doi: 10.1016/j.physa.2008.01.075
Cheong, Chin Wen. (2009). Modeling and forecasting crude oil markets using ARCH-type models.
En: Energy Policy, N°. 37, p. 2346-2355. Doi: 10.1016/j.enpol.2009.02.026
Chiu, Yen-Chen y Chuang, I-Yuan. (2016). The performance of the switching forecast model of
value-at-risk in the Asian stock markets. En: Finance Research Letters, N°. 18, p. 43-51. Doi:
10.1016/j.frl.2016.03.019
Comité de Supervisión Bancaria de Basilea (BCBS) (2019). Minimum capital requirements for
market risk. Suiza: BCBS.
Degiannakis, Stavros y Potamia, Artemis. (2017). Multiple-days-ahead value-at-risk and expected
shortfall forecasting for stock indices, commodities and exchange rates: Inter-day versus
intra-day data. En: International Review of Financial Analysis, N°: 49, p. 176-190. Doi:
10.1016/j.irfa.2016.10.008
Delgado, Luis David y Durango, María Patricia (2018). Estructuración de un portafolio de inver-
siones con acciones colombianas, En: Semestre Económico, Vol. 21, N°. 46, p. 167-183. Doi:
10.22395/seec.v21n46a7.
Diamandis, Panayiotis, Drakos, Anastassios, Kouretas, Georgios y Zarangas, Leonidas. (2011).
Value-at-risk for long and short trading positions: Evidence from developed and emerging
equity markets. En: International Review of Financial Analysis, N°. 20, p. 165-176. Doi:
10.1016/j.irfa.2011.02.009
Dimitrakopoulos, Dimitris, Kavussanos, Manolis y Spyrou, Spyros. (2010). Value at risk models
for volatile emerging markets equity portfolios. En: The Quarterly Review of Economics and
Finance, N°. 50, p. 515-526. Doi: 10.1016/j.qref.2010.06.006
Dowd, Kevin y Blake, David. (2006). After Var: the theory, estimation and insurance applications
of quantile-based risk measures. En: The Journal of Risk and Insurance, Vol. 73, N°. 2, p.
193-229. Doi: 10.1111/j.1539-6975.2006.00171.x
Engle, Robert. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance
of United Kingdom inflation. En: Econométrica, Vol. 50, N°. 4, p. 987-1007.
Ewing, Bradley y Malik, Farroq. (2017). Modelling asymmetric volatility in oil prices under structural
breaks. En: Energy Economics, N°. 63, p. 227-233. Doi: 10.1016/j.eneco.2017.03.001
Fan, Ying, Zhang, Yue-Jung, Tsai, Hsien-Tang, y Wei, Yi-Ming. (2008). Estimating ‘Value at Risk’
of crude oil price and its spillover effect using the GED-GARCH approach. En: Energy
Economics, N°. 30, p. 3156-3171 Doi: 10.1016/j.eneco.2008.04.002
Gallant, Ronald, Hsieh, David y Tauchen, George. (1997). Estimation of stochastic volatility models
with diagnostics. En: Journal of Econometrics, N°. 81, p. 159-192.
Giot, Pierre y Laurent, Sébastien. (2004). Modelling daily Value-at-Risk using realized volatility
and ARCH type models. En: Journal of Empirical Finance, N°. 11, p. 379–398. Doi: 10.1016/j.
jempfin.2003.04.003
Gonzaléz-Rivera, Gloria, Lee, Tae-Hwy, y Mishra, Santosh. (2004). Forecasting volatility: A reality
check based on option pricing, utility function, value-at-risk, and predictive likelihood. En:
International Journal of Forecasting, N°. 20, p.629–-645. Doi: 10.1016/j.ijforecast.2003.10.003
Hartz, Christoph, Mittnik, Stefan, y Paolella, Marc. (2006). Accurate value-at-risk forecasting
based on the normal-GARCH model, En: Computational Statistics and Data Analysis, N°.
51, p. 2295-2312.
Hull, John, White, Alan. (1998). Incorporating volatility updating into the historical simulation
method for VaR. En: The Journal of Risk, N°. 1, p. 5-19.
Jorion, P. (2000). Valor en Riesgo: El nuevo paradigma para el control de riesgos con derivados.
México, D.F.: Limusa.
Kupiec, Paul. (1995). Techniques for verifying the accuracy of risk measurement models. En: The
Journal of Derivatives, Vol. 3, N°. 2, p. 73-84. Doi: 10.3905/jod.1995.407942.
Kuri, K., Ojeda, C., y Ovalle, D. (2015). Modelación de la serie de retornos diarios de la acción
de ecopetrol en el periodo: 27/noviembre/2007-25/noviembre/2013. En: Heurística, N°. 17,
p. 51-57.
Laporta, Alessandro, Merlo, Luca y Petrella, Lea. (2018). Selection of Value at Risk Models for Ener-
gy Commodities, En: Energy Economics, N°. 74, p.628–643. Doi: 10.1016/j.eneco.2018.07.009
Mabrouk, Samir. (2016). Forecasting daily conditional volatility and h-step-ahead short and long
Value-at-Risk accuracy: Evidence from financial data. En:The Journal of Finance and Data
Science, N°. 2, p. 136-151. Doi: 10.1016/j.jfds.2016.06.001
Mabrouk, Samir y Saadi, Samir. (2012). Parametric Value-at-Risk analysis: Evidence from stock
indices. En: The Quarterly Review of Economics and Finance, N°. 52, p. 305-321. Doi:
10.1016/j.qref.2012.04.006
Markovitz, Harry. (1952). Portfolio selection. En: The Journal of Finance, Vol. 7, N°. 1, p. 77-91.
Mendoza, Alfonso y Galvanovskis, Evalds (2014). La cópula GED bivariada. Una aplicación en
entornos de crisis. En: El Trimestre Económico, Vol. 81, No. 323, p.721-746.
Nelson, Daniel. (1991). Conditional heteroscedasticity in asset returns: a new approach, En:
Econometrica, N°. 59, p. 347-370.
Ospina D´Aleman, Federico y Giraldo Sánchez, David. (2009). Aplicación de los modelos GARCH
a la estimacion del VaR de acciones colombianas. En: Soluciones de Postgrado EIA, N° 3.
p. 11-24.
Pérez, Fredy y Fernández, Horacio. (2006). Análisis de la volatilidad del índice general de la bolsa
de valores de Colombia utilizando modelos ARCH, En: Revista Ingenierías Universidad de
Medellín, Vol. 5, N°. 8, p. 13-33.
Pino, Anderson, Uribe, Jorge Mario, y Jiménez, Diana. (2017). Relevancia de los inversionistas
institucionales en el mercado accionario colombiano. Semestre Económico, Vol. 20, n°. 44,
p. 45-65. Doi: 10.22395/seec.v20n44a3.
Reboredo, Juan, Rivera-Castro, Miguel y Ugolini, Andrea. (2016). Downside and upside risk
spillovers between exchange rates and stock prices. En: Journal of Banking & Finance, N°.
62, p.76-96.
Rivera, David. (2009). Modelación del efecto del día de la semana para los índices accionarios
de Colombia mediante un modelo STAR GARCH. En: Revista de Economía del Rosario,
Vol. 12 N°. 1, p. 1-24.
Sadegui, Mehdi y Shavvalpour, Saeed. (2006). Energy risk management and value at risk modeling,
En: Energy Policy, N°. 34, p. 3367-3373.
Sadorsky, Perry. (2014). Modeling volatility and correlations between emerging market stock
prices and the prices of copper, oil and wheat. En: Energy Economics, N°. 43, p. 72-81. Doi:
10.1016/j.eneco.2014.02.014
Schaeffer, Roberto, Borba, Bruno, Rathmann, Régis, Szklo, Alexandre y Castelo-Branco, David.
(2012). Dow Jones sustainability index transmission to oil stock market returns: A GARCH
approach, En: Energy, N°. 45, p.933-943.
Slim, Skander, Koubaa, Yosra y BenSaida, Ahmed. (2017). Value-at-Risk under Lévy GARCH
models: Evidence from global stock markets. En: Journal of International Financial Markets,
Institutions & Money, N°. 46, p. 30-53. Doi: 10.1016/j.intfin.2016.08.008
So, Mike y Yu, Philip. (2006). Empirical analysis of GARCH models in value at risk estimation.
International. En: Financial Markets, Institutions & Money, N°. 16, p. 180-197.
Su, Ender y Knowles, Thomas. (2006). Asian Pacific stock market volatility modeling and value
at risk analysis. En: Emerging Markets Finance and Trade, N°. 42, p. 18-62.
Su, Jung Bin. (2015). Value-at-risk estimates of the stock indices in developed and emerging
markets including the spillover effects of currency market. En: Economic Modelling, N°. 46,
p. 204-224. Doi: 10.1016/j.econmod.2014.12.022
Su, Jung-Bin y Hung, Jui-Cheng. (2011). Empirical analysis of jump dynamics, heavy-tails and
skewness on value-at-risk estimation. En: Economic Modelling, N°. 28, p. 1117-1130.
Su, Jung-Bin, Lee, Ming-Chih, y Chiu, Chien-Liang (2014). Why does skewness and the fat-tail
effect influence value-at-risk estimates? Evidence from alternative capital markets. En:
International Review of Economics and Finance, N°.31, 59–85. Doi: 10.1016/j.iref.2013.12.001
Tang, Ta Lun y Shieh, Shwu-Jane. (2006). Long memory in stock index futures markets: A value-
-at-risk approach. En: Physica A, N°: 366, p. 437-448. Doi: 10.1016/j.physa.2005.10.017
Uribe, Jorge Mario. (2007). Caracterización del mercado accionario colombiano, 2001-2006: un
análisis comparativo. En: Borradores de Economía, N°. 456, p. 1-35.
Wong, Zhen Yao, Chin, Wen Cheon y Tan, Siow Hooi. (2016). Daily value-at-risk modeling and
forecast evaluation: The realized volatility approach. En: The Journal of Finance and Data
Science, Vol. 2, N°. 3, p.171-187.
Yang, Yung-Lieh y Chang, Chia-Lin. (2008). A double-threshold GARCH model of stock market
and currency shocks on stock returns, En: Mathematics and Computers in Simulation,
N°. 79, p. 458-474.
Youssef, Manel, Belkacem, Lotfi y Mokni, Khaled. (2015). Value-at-Risk estimation of energy
commodities: A long-memory GARCH–EVT approach. En: Energy Economics, N°. p. 51,
99-110. Doi: 10.1016/j.eneco.2015.06.010
Zakoian, Jean Michel. (1994). Threshold heteroskedastic models, En: Journal of Economic Dyna-
mics and Control, Vol. 18, N°. 5, p. 931-955. Doi: 10.1016/0165-1889(94)90039-6

Modelación GARCH para Riesgo en Mercado Colombiano

Cargado por

Copyright:

Formatos disponibles

Modelación GARCH para Riesgo en Mercado Colombiano

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

Modelación GARCH para Riesgo en Mercado Colombiano

Cargado por

Copyright:

Formatos disponibles

Valoración de riesgo mediante modelos GARCH

y simulación Montecarlo: evidencia del mercado

María Ines Barbosa Camargo**

Avaliação do risco mediante modelos GARCH e simulação Montecarlo: evidência

En efecto, existen diversos trabajos que abordan de manera empírica la ela-

Por su parte, trabajos como el de Youssef, Belkacem y Mokni (2015) confirman

De igual manera, se encuentran estudios que utilizan modelos con aproxima-

Sin embargo, la mayoría de estas aproximaciones se realizaron en mercados

región y ciertos mercados desarrollados, con el ánimo de fijar el grado de desarrollo

No obstante, a pesar de la escasa literatura, se hallaron tres artículos similares

En este contexto, esta investigación contribuye a la literatura de análisis de

Asimismo, en mercados financieros emergentes como el colombiano, resulta

En consecuencia, efectuar el cálculo del VaR para los activos propuestos y a

Este documento se estructura en cinco secciones que incluyen esta introducción.

1. BREVE REVISIÓN DE LITERATURA: VALOR EN RIESGO

Existen diferentes formas de calcular el VaR, estas se pueden clasificar en paramé-

Según Cheong (2008), las estimaciones no paramétricas tienen las ventajas de

especifican la estructura variable de la volatilidad y la forma de la distribución del

Dentro de la estimación paramétrica, el modelo más utilizado es el de Ris-

Además, es común que el primer supuesto (el de normalidad) no se presente en

El segundo supuesto del promedio móvil ponderado exponencialmente para

Dichos modelos han proporcionado una buena primera aproximación a estos

Para incorporar esta propiedad, Nelson (1991) desarrolló el modelo exponencial

Consecuentemente, validaciones empíricas como la desarrollada por Su y Hung

Por otra parte, la evaluación del pronóstico mayormente generalizada es aquella

de VaR generadas por el modelo para evaluar el conservadurismo de los sistemas

ççç a (1- a ) ÷÷÷ [2]

El periodo de análisis comprende desde el 1º de agosto de 2013 hasta el 28 de

Los precios de cierre diarios de las acciones se obtienen de la Bolsa de Valores

Nemotécnico Descripción empresa

Bancolombia es una organización financiera colombiana; es el banco privado

Ecopetrol S.A., es la empresa más grande del país y la principal compañía

Éxito es una compañía multilatina, líder del mercado al detal en Suramérica.

La Empresa de Telecomunicaciones de Bogotá (ETB), cuenta con un gran potencial,

La Bolsa de Valores de Colombia (BVC) es una bolsa multi-producto, multi-mercado

Conconcreto es una compañía líder en el desarrollo de proyectos de infraestructura

Canacol Energy es una compañía líder en la exploración y producción de petróleo

El Banco de Bogotá es la primera institución financiera creada en el país, cubre

Nemotécnico Descripción empresa

Fuente: elaboración propia a partir de las páginas oficiales de las empresas.

2.2. Estimación de modelos

2.3. Cálculo del VaR

Donde µi,t es el retorno condicional esperado del activo i, Zm,a corresponde al

Tabla 2. Modelos estimados

Rt = 0.054354 *nt -27 +et

EXITO Rt =-0.0449299 * Rt -25 + 0.048832 * et -28 + 0.062261* et -30 + et

ETB Rt = -0.207126 * D1- 0.043069 * Rt -35 - 0.066520 * et -1 + et

BVC Rt =-0.090457 * Rt -1 - 0.054099 * Rt -5 + et

ISA Rt =-0.083765 * Rt -3 - 0.050359 * Rt -31 + 0.066752 * et -8 + et

GRUPOARGOS ARMA Rt =-0.069300 * Rt -3 - 0.072500 * Rt -4 + 0.055745 * et -30 + et

PFGRUPOARG ARMA Rt = -0.122603* Rt -3 + 0.074404 * et -9 + 0.064724 * et -24 + 0.055038 * et -30 + et

Fuente: elaboración propia

Las dos acciones restantes, que corresponden a Conconcreto y al Banco de

Tabla 3. Comparación del VaR

VaR paramétrico VaR no

Para verificar cual metodología se ajusta mejor, se emplea la probabilidad arro-

Tabla 4. Backtesting: modelos que no se rechazan

CONCONCRET TGARCH; GED M no P 22 47 31 53

PROB (M/N>P) (%) 100,00 80,60 100,00 50,28