Dirección de Investigación, Innovación Y Desarrollo Subdirección de Investigación Y Análisis

DIRECCIÓN DE INVESTIGACIÓN, INNOVACIÓN Y DESARROLLO
SUBDIRECCIÓN DE INVESTIGACIÓN Y ANÁLISIS
DOCUMENTO TÉCNICO
METODOLOGÍA DE CÁLCULO DE LAS VOLATILIDADES PARA EL REPORTE

OFICIAL DE RIESGOS DE MERCADO (MATRICES DE VOLATILIDAD)1
Resumen: Este documento divulga la metodología de cálculo de las volatilidades por factor
de riesgo y sus correlaciones, para cuantificar la exposición al riesgo de mercado y la
exposición crediticia de operaciones con instrumentos financieros derivados y productos
estructurados, en cumplimiento de lo establecido en el anexo 2 del capítulo XXI y en el
anexo 3 del capítulo XVIII de la Circular Básica Contable y Financiera (CBCF) de la
Superintendencia Financiera de Colombia (SFC), respectivamente.
La elección del mejor modelo para los factores de riesgo del Anexo 2, se realiza a partir de
la comparación de distintas variables de ajuste de pronóstico para dos metodologías
multivariadas: EWMA y DCC-GARCH; para los factores del Anexo 3, se evaluaron tres
metodologías: modelos univariados EWMA, la familia de modelos GARCH y Volatilidad
Estocástica. A nivel multivariado el modelo EWMA muestra el mejor desempeño para todas
las variables incluidas en las matrices de volatilidad y para el caso univariado, los modelos
EWMA y la familia GARCH reportan los mejores resultados. En ambos casos la publicación
con las metodologías validadas en este documento iniciará en junio de 2021.
Palabras claves: Volatilidad, modelo EWMA, modelo GARCH
Clasificación JEL: C13, C53
1
Elaborado por la Subdirección de Investigación y Análisis, adscrita a la Dirección de Investigación, Innovación y Desarrollo de la
Superintendencia Financiera de Colombia (SFC).
Este documento no sustituye, ni pretende sustituir, el contenido de las instrucciones impartidas por la SFC sobre el particular. Igualmente, las
conclusiones aquí presentadas no constituyen un pronunciamiento oficial de la SFC, sino que son opiniones técnicas de los autores.
SUPERINTENDENCIA FINANCIERA DE COLOMBIA
Contenido
1. Resumen Ejecutivo ...............................................................................................................3

2. Introducción ............................................................................................................................4
3. Revisión de la literatura .......................................................................................................6
4. Descripción de los datos .....................................................................................................8
4.1 Modelación del factor de riesgo IBR .................................................................................10
5. Generalidadades de las Metodologías ...........................................................................12
5.1 Especificaciones generales del modelo EWMA .................................................................12
5.2 Especificaciones generales del modelo GARCH ................................................................14
5.3 Especificación del modelo GJRGARCH...............................................................................16
5.4 Especificación del modelo ARCH de potencia asimétrica (APARCH) .................................16
5.5 Especificación del modelo CSGARCH.................................................................................17
5.6 Especificación del modelo FGARCH ...................................................................................17
5.7 Especificación del modelo EGARCH...................................................................................17
5.8 Especificación del modelo GARCH multivariado con correlaciones condicionales
dinámicas (DCC – GARCH) .............................................................................................................18
5.9 Especificaciones generales del modelo de volatilidades estocásticas ..............................18
6. Metodología de selección del modelo de Matrices de Volatilidad ..........................20
7. Resultados ............................................................................................................................21
7.1 Resultados de los modelos multivariados - anexo 2 del capítulo XXI CBCF ............................21
7.2 Resultados de los modelos univariados - anexo 3 del capítulo XVIII CBCF..............................21
8. Metodología de la SFC para el cálculo de las Matrices de Volatilidad ..................23
9. Conclusiones ........................................................................................................................24
10. Anexos ...............................................................................................................................25
11. Referencias .......................................................................................................................30
2
1. Resumen Ejecutivo
Este documento divulga la metodología utilizada por la SFC para calcular la matriz de
varianza y covarianza de varios factores de riesgo, así como una revisión de literatura
respecto de las mejores técnicas de estimación para este tipo de factores. Esta matriz es
utilizada por las entidades vigiladas para calcular el valor en riesgo2 de los portafolios y la
exposición crediticia3 de las operaciones con instrumentos financieros derivados y
productos estructurados (Circulares Externas 036 de 2018, 031 de 2019 y 010 de 2021).
Se presenta el uso de técnicas condicionales y no condicionales tanto en la modelación de

volatilidades como en el cálculo de las correlaciones de los factores de riesgo. En este
último caso, se exploran las herramientas de volatilidad existentes en términos
multivariados. Las técnicas a las que se hace referencia son el modelo de promedios
móviles ponderados con ajuste exponencial (EWMA) y tres modelos de heteroscedasticidad
condicional autorregresiva generalizada (GARCH), una versión multivariada con correlación
condicional dinámica (DCC-GARCH) y volatilidades estocásticas (SV). De ahora en
adelante, se hace referencia a estos modelos como EWMA, GARCH, DCC-GARCH y SV,
respectivamente.
Comparando la efectividad de los modelos con métricas de error de pronóstico (MAE,

RMSE) y un conjunto de confianza de modelos (MCS), se concluye que, a nivel multivariado
el EWMA presenta superioridad en las variables incluidas en las matrices de volatilidad
frente al DCC-GARCH. Así mismo, a nivel univariado, con excepción del factor de riesgo
IBR, el modelo EWMA4 confiere mejores pronósticos que los modelos de la familia GARCH
y la SV. Lo anterior sustenta la elección de los modelos que soportarán las matrices de
volatilidad publicadas a partir de junio de 2021.
2
Anexo 2 del capítulo XXI de la CBCF de la Superintendencia Financiera de Colombia.
3
Anexo 3 del capítulo XVIII de la CBCF de la Superintendencia Financiera de Colombia.
4
Con excepción de los factores de descuento del IBR, dado que se encontró que los mejores modelos son los de la familia GARCH.
3
2. Introducción
1. Los episodios de volatilidad5 han despertado el interés por parte de los académicos,
inversionistas y autoridades reguladoras del sistema financiero, por diseñar herramientas
que permitan una mejor comprensión de la evolución de las variables y una administración
más eficiente del riesgo.
2. En el contexto económico, las decisiones de los inversionistas en los mercados

financieros están rodeadas de incertidumbre, en cuanto más alta sea ésta última, más
riesgo enfrentarán los agentes. Este riesgo se asocia a la volatilidad, definida como un
movimiento que describe comportamientos ascendentes y descendentes atípicos en el
mercado (Hull, 2015). En estadística, la volatilidad es un fenómeno que captura las
variaciones alrededor del promedio de cualquier parámetro aleatorio o variable objetivo,
caracterizando la estabilidad o la inestabilidad (Engle, 2001). Una medida de volatilidad
comúnmente utilizada es la desviación estándar, que mide la dispersión de los retornos
alrededor de la media (Engle, 2001). En finanzas, la volatilidad se refiere al grado de
variabilidad de los rendimientos de los activos financieros en torno a su valor medio, y es
importante resaltar que, la media de los retornos puede ser constante o variable en el tiempo
(Bessis, 2015).
3. El estudio de la volatilidad, como una herramienta de gestión del riesgo, constituye

un asunto importante en la determinación de los precios de los activos financieros, el valor
en riesgo, la fijación de precios de opciones y derivados y la toma de decisiones de inversión
y creación de portafolios eficientes. Dado que la volatilidad de los activos financieros es una
variable no observable, la literatura econométrica ha propuesto dos tipos de modelos para
su estudio: los modelos de heteroscedasticidad condicional y los modelos de SV.
4. El trabajo pionero de Engle (1982) desarrolla el modelo autorregresivo de

heteroscedasticidad condicional ARCH (Autoregressive Conditional Heteroskedasticity), en
el que la varianza condicional depende del cuadrado de los rezagos de los términos
aleatorios llamados innovaciones o errores. De esta forma, la varianza condicional hace
referencia a la volatilidad en un instante de tiempo 𝑡 condicionada a la información relevante
y conocida hasta ese punto. Luego, Bollerslev (1986) generalizó ese primer modelo y
propuso el GARCH (Generalized autoregressive conditional heteroskedasticity). Allí, la
varianza condicional además de depender de los cuadrados de las perturbaciones pasadas
está en función de las varianzas condicionales de períodos anteriores.
5. Taylor (1982) propuso una aproximación diferente a la estimación de la volatilidad,

utilizando la teoría Bayesiana desde un punto de vista probabilístico. Definió una
distribución para el proceso de retornos financieros y modeló la log-volatilidad de ese
proceso como un autorregresivo de orden uno. Esta aproximación fue aceptada por otros
académicos (Jacquier, Polson & Rossi 1994; Ghysels, Harvey & Renault 1996; Kim,
Shephard & Chib 1998).
6. La importancia de la volatilidad en la valoración de derivados es que permite

construir índices bursátiles, sirviendo para medir los niveles de incertidumbre entre los
5
Algunos de los eventos más destacados han sido el colapso del mercado accionario de Wall Street en octubre de 1987, la crisis hipotecaria
en el 2008, la crisis sanitaria y económica del Covid-19 en el primer semestre de 2020 y las crisis de los mercados emergentes y de América
Latina (México, 1994-1995; Sudeste Asiático, 1997-1999; Rusia, 1998; Brasil, 1998-1999 y Argentina, 2001).
4
actores de los mercados financieros. De hecho, con el Acuerdo de Basilea de 19966, el

pronóstico de volatilidad se convirtió oficialmente en una tarea obligatoria para las
instituciones financieras.
7. Para el Comité de Basilea los requerimientos de capital pueden determinarse por

modelos de valor en riesgo (VaR), siendo éstos una medida de la mayor pérdida esperada
en una cartera de instrumentos como consecuencia de movimientos del mercado durante
un horizonte temporal dado y un nivel de confianza predefinido (Basilea, 2010). Sin
embargo, en 2016 éste fue sustituido por el modelo expected shortfall, al corregir las
deficiencias del VaR en cuanto captura el riesgo de pérdidas extremas (Basilea, 2016).
Cabe señalar que Basilea no hace ninguna recomendación explícita respecto a la forma de
cálculo de la volatilidad para la estimación del requerimiento de capital.
8. El riesgo de mercado se define como la posibilidad de sufrir pérdidas en posiciones

dentro y fuera de balance a raíz de oscilaciones en los precios de mercado (Basilea 2005).
Una parte importante del sistema de medición de riesgos consiste en especificar un
conjunto adecuado de factores de riesgo de mercado, es decir, las tasas y precios que
afectan al valor de las posiciones de negociación. Los factores de riesgo recogidos en el
sistema de medición del riesgo de mercado deberán capturar por sí solos todos los riesgos
inherentes a las posiciones dentro y fuera de balance.
9. La presencia de las entidades financieras en los mercados de capitales hace que

éstas sean cada vez más sensibles a la volatilidad de los precios de los instrumentos
financieros que poseen en sus portafolios de inversión, elevando el riesgo de mercado. Su
medición opera como instrumento de control y auditoría que suministra información sobre
la tendencia del riesgo en las inversiones realizadas. Por lo tanto, para la SFC es imperativo
estimar una matriz de volatilidades para el cálculo del valor en riesgo de los portafolios y la
exposición de crediticia de las operaciones con instrumentos financieros derivados y
productos estructurados.
10. Además de esta introducción, este documento se encuentra dividido en siete

secciones: la primera hace una revisión de la literatura relacionada con la modelación de la
volatilidad así como los resultados empíricos hallados; la segunda, describe los datos
utilizados; la tercera, enumera las distintas metodologías de los modelos que se analizarán
en el ejercicio; la cuarta, presenta la metodología de selección del modelo de matrices de
volatilidad; la quinta expone los resultados del estudio; la sexta, resume la metodología
aplicable al cálculo de matrices de volatilidad y en la última sección se concluye.
6
Enmienda del Acuerdo de Capital para Incorporar los Riesgos de Mercado, Comité de Supervisión Bancaria de Basilea, (enero de 1996).
5
3. Revisión de la literatura
11. En los últimos años, la investigación en finanzas y econometría frente a los métodos
de estimación de volatilidades se ha enfocado principalmente en la familia de modelos de
heteroscedasticidad condicional formulados en base al modelo ARCH de Engle (1982). En
particular, su generalización (GARCH) tiene en cuenta todos los hechos estilizados que se
observan a menudo en los mercados financieros (Carroll y Kearney, 2009), incluidos:
• Los rendimientos al cuadrado están correlacionados positivamente, lo que implica

que los cambios sustanciales en el precio de un activo financiero en el momento 𝑡
implicará un cambio significativo en los niveles de precios en el momento 𝑡 + 1.
• La volatilidad tiende a agruparse, formando clústers, lo que significa que un episodio
de elevada (reducida) volatilidad es seguido por períodos de alta (baja) volatilidad.
• Memoria larga: la volatilidad es persistente, especialmente en el caso de datos de
alta frecuencia.
• Reversión a la media: cuando se interrumpe la volatilidad, tiende a volver a su
media.
• La incertidumbre en los agregados macroeconómicos implica volatilidad en los
mercados financieros.
12. Hakmaoui (2019) descubrió que el modelo IGARCH es superior prediciendo la

volatilidad diaria del índice bursátil marroquí al modelo EWMA y a los demás modelos de la
familia GARCH (GARCH (1.1), GJR-GARCH, PGARCH y EGARCH). Pagan y Schwert
(1990) compararon el modelo GARCH, EGARCH, Markov Regime Switching y otros tres
modelos no paramétricos para predecir la volatilidad mensual de los rendimientos del
mercado de valores de EE.UU. Según este estudio, el modelo GARCH, seguido de
EGARCH, funcionó de manera moderada mientras que el resto tuvieron un desempeño
deficiente. Franses y Van Dijk (1996) compararon tres modelos de la familia GARCH
(GARCH, QGARCH y GJR-GARCH) para predecir la volatilidad semanal de varios índices
bursátiles europeos y encontraron que los modelos no lineales no podían vencer al modelo
GARCH estándar.
13. Engle y Patton (2001) demostraron la capacidad de los modelos GARCH para tener
en cuenta los hechos estilizados observados en la volatilidad del índice bursátil Dow Jones.
Miron y Tudor (2010) trabajaron con varios tipos de modelos GARCH asimétricos
(EGARCH, PGARCH y TGARCH), utilizando índices bursátiles de EE. UU. y Rumania que
cubrieron el período entre 2002 y 2010, demostrando que la estimación de la volatilidad
resultante del modelo EGARCH es mucho más confiable que las realizadas por los otros
modelos. Nilsson (2017) compara la capacidad de diferentes modelos de volatilidad para
pronosticar la volatilidad y el valor del VaR del índice bursátil sueco. Compara cinco
especificaciones GARCH diferentes: GARCH, IGARCH, GJR-GARCH, EGARCH y
APARCH, así como EWMA. Los resultados sugieren que los mejores modelos para
pronosticar la volatilidad y el VaR son APGARCH, GJRGARCH o EGARCH.
14. Chou, Wu y Liu (2009) comparan las volatilidades estimadas de los modelos MA100,
EWMA, CCC, BEKK y DCC para el S&P 500 y Tbond, encontrando que el modelo DCC es
superior en la estimación de matrices de covarianza para análisis dentro y fuera de la
muestra. Cappiello, Engle y Sheppard (2006) emplearon el modelo DCC-GARCH para
analizar el comportamiento de un grupo de acciones internacionales y los bonos de los
países miembros de la Unión Europea, concluyendo que el modelo DCC es adecuado para
6
examinar la dinámica de correlación entre las diferentes clases de activos e investigar la

presencia de respuestas asimétricas en las variaciones condicionales.
15. La propuesta de RiskMetrics (1996), para determinar la volatilidad reduce la inercia

de las estimaciones cuando se presentan cambios estructurales al utilizar el modelo EWMA,
dado que reduce el tiempo en que prevalece un cambio positivo o negativo e implica que la
memoria de un hecho en particular es menor. Este modelo incorpora mejor los choques
externos que los promedios móviles igualmente ponderados, lo que proporciona una
medida más realista de la volatilidad actual.
16. De acuerdo con Botha (2001), este enfoque tiene dos ventajas, en primer lugar, la
volatilidad reacciona con mayor rapidez en condiciones de crisis en el mercado, porque
utiliza los datos más recientes a los que da mayor peso que a los datos del pasado distante;
en segundo lugar, después de un choque grande, la volatilidad disminuye
exponencialmente a medida que el peso de la observación del choque cae con el factor de
decaimiento.
17. Kumar (2006) evalúa la capacidad de diez modelos de predicción de volatilidad

estadística y econométrica diferentes en el contexto de las acciones y divisas de la India.
Encuentra que tanto el EWMA como el GARCH producen los mejores pronósticos. Ding y
Meade (2010) demuestran en un ejercicio con variables reales que el EWMA generó
mejores pronósticos que el modelo GARCH y la SV.
18. Según el documento de Basilea (2011)7, a partir de JP Morgan (1996) el enfoque

del EWMA se ha considerado como uno de los estándares de la industria para incorporar
la volatilidad variable en el tiempo en el VaR.
19. Taylor (1982) se basa en crear una distribución para cada observación de retorno y
luego modelar su log-varianza como un proceso autorregresivo. Esta nueva distribución se
construye por medio de una aproximación Bayesiana usando los datos observados
(distribución previa) y un conocimiento adicional de su comportamiento (sección
paramétrica). Kastner (2016) aterriza este desarrollo en su trabajo aplicado en R, el cual se
usó para ajustar el modelo a la naturaleza de los datos de este documento.
20. Una de las ventajas de utilizar la SV es que, si se tiene información previa del
proceso de volatilidad, la aproximación Bayesiana permite definir una distribución sobre la
cual se hacen muestreos aleatorios para calcular la volatilidad del momento t, haciendo más
robusto el proceso de estimación frente a sus pares determinísticos.
21. Kastner (2016) probó el modelo de SV y sus pronósticos para la serie de retornos
de la tasa de cambio EUR USD y los comparó con un modelo GARCH. El modelo de SV
demostró ser superior en predecir las volatilidades futuras, específicamente en periodos de
alta volatilidad, y en momentos normales, ambos modelos rinden de manera similar.
22. Por lo tanto, de la revisión de la literatura, se puede inferir que no hay evidencia
concluyente en cuanto a la supremacía de cualquier modelo de predicción de volatilidad y
que, depende de las características propias de la serie de datos y del mercado en cuestión.
7
“Mensajes de la literatura académica sobre medición de riesgos para el libro de negociación”.
7
4. Descripción de los datos
23. De acuerdo con las instrucciones impartidas por la SFC (Anexo 2 del Capítulo XXI
de la CBCF), la medición del riesgo de mercado es un modelo los factores que se reportan
en siguiente tabla:
Tabla 1. Factores de riesgo utilizados para el cálculo de las matrices de volatilidad
Riesgo Factor Fuente de insumos Cálculo de la variación diaria

1. Componente
Principal 1
Curva Cero
2. Componente Betas curva en pesos –
Cupón
Principal 2 Proveedor de precios
𝑥"& − 𝑥"$%
&
Pesos 𝑥"# − 𝑥"$%
#
⋯
3. Componente 𝑃𝐶𝐴! $ ⋮ ⋱ ⋮ *
Principal 3 # # & &
𝑥"'( − 𝑥"'($% ⋯ 𝑥"'( − 𝑥"'($%
4. Componente
Principal 1 Donde
Curva Cero
5. Componente Betas curva en UVR –
Cupón 𝑥" = 𝑦𝑖𝑒𝑙𝑑 𝑑𝑒𝑙 𝑛𝑜𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
Principal 2 Proveedor de precios
UVR 𝑖 … 𝑗 = 𝑚𝑎𝑑𝑢𝑟𝑒𝑧,
6. Componente
𝑚 = 𝑇𝐸𝑆, 𝑈𝑉𝑅, 𝑇𝐸𝑆𝑂𝑅𝑂𝑆
Principal 3
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
7. Componente
Principal 1
Tasa de Curva Cero
8. Componente Precios de tesoros
interés cupón
Principal 2 genéricos - Bloomberg
Tesoros
9. Componente
Principal 3
Tasa asociada a los
10. Corto Plazo nodos de 180 (CP) y
730 (LP) de la curva
utilizada por los
DTF
proveedores para la 𝐷𝑇𝐹" − 𝐷𝑇𝐹"$%
11.Largo Plazo valoración de
instrumentos asociados
a DTF
Precios y montos
12. IPC negociaciones en MEC 𝐼𝑃𝐶" − 𝐼𝑃𝐶"$%
y SEN de títulos a IPC
Tasa de 13. TRM
cambio 14. Euro / Pesos
Bloomberg
Precio de 15. Acciones Colombia*
acciones 16. Acciones Global*
CDS a 5 años de
Colombia, Perú,
17. CDS
México, Panamá y Chile
)*+",-
Otros LN ()*+",- ! )
!"#
Bloomberg – Factores
19. IBR-CP de descuento de la
curva swap IBR
Participación Valor de la unidad y
20. Fondos de inversión
en carteras valor del fondo.
colectiva
colectivas Formato 523
*La SFC utilizará como referente de Acciones Colombia el índice MSCI Colcap (desde mayo de 2021, antes Colcap), y para
Acciones Global el MSCI World.
8
24. Los componentes principales 1, 2 y 3 describen los choques de tasa paralelo, de

pendiente y convexidad, respectivamente y se comportan como factores de riesgo
independientes.
25. Para el anexo 3 del Capítulo XVIII de la Circular Básica Contable y Financiera se
consideran los siguientes factores:
1. TCRM: tasa de cambio del peso colombiano frente al dólar americano.

2. EUR_PESO: tasa de cambio del peso colombiano frente al Euro.
3. MSCI World: Morgan Stanley Currency Index: índice para Acciones Global.
4. MSCI COLCAP: índice para Acciones Colombia.
5. IBR CP: factores de descuento de la curva swap IBR.
26. Para ajustar los distintos modelos de volatilidad, se utilizaron los retornos diarios8 de
los factores desde el 30 de octubre de 2018 hasta el 20 de octubre de 2020, el cual incluye
el episodio de choque ocasionado por el Covid-19 ocurrido desde marzo de 2020. Con estos
datos, se ajustaron ventanas móviles de 100 observaciones para los modelos de la familia
GARCH, EWMA y SV para luego determinar, por medio de pruebas de ajuste de pronóstico,
cuál modelo se ajusta mejor a cada variable. A continuación, se presenta el comportamiento
del retorno de cada variable.
27. El gráfico 1 muestra los retornos de las variables TCRM, EURO_PESO, MSCI World
y COLCAP para el periodo estudiado. En marzo de 2020 se observa el impacto del Covid-
19 en el comportamiento de las series, siendo mayor en el MSCI World y en el COLCAP.
Para estas dos últimas variables, la volatilidad en los retornos perdura un par de meses
más que en las tasas de cambio.
Gráfico 1. Retornos diarios de los factores TCRM, EURO_PESO, MSCI_World y COLCAP
28. Por el lado del factor IBR, se considera la inclusión de nodos y ventanas del factor
de descuento de la curva swap IBR representativos para que las entidades puedan calcular
la exposición crediticia de los derivados ajustándolo al nodo/ventana más cercana de
acuerdo con su exposición. El gráfico 2 muestra el comportamiento de los retornos de un
subconjunto de la serie de factores de descuento de la IBR, que incluye las diferentes
8
Para IBR se utilizaron retornos o ventanas de tiempo de un mes, tres meses, seis meses y un año.
9
ventanas de variación (mensual, trimestral, semestral y anual) para varios nodos de la

curva.
Gráfico 2. Retornos de la curva swap IBR
4.1 Modelación del factor de riesgo IBR
29. La fórmula de Exposición Potencial Futura (EPF) establecida en el anexo 3 del

capítulo XVIII de la CBCF es:
N N
𝐸𝑃𝐹! = 𝑀𝑎𝑥 {0, 𝑣𝑎𝑙𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 [ å (𝑉𝑁" ∗ 𝐹𝐶" ∗ 𝐽" )] + 𝑃! ∗ å 𝑉𝑅" }
i =1 i =1
𝐹𝐶 = 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑖𝑎𝑟𝑖𝑎 𝑒𝑠𝑡𝑟𝑒𝑠𝑎𝑑𝑎 ∗ D(𝑇)
𝐽" : Es el indicador de la naturaleza (largo o corto) de la i-ésima operación según tipo de subyacente.1
cuando son de la misma naturaleza (cuando no hay neteo) y -1 de lo contrario (cuando hay neteo).
𝑃! : Es el indicador de la posición neta del portafolio de instrumentos financieros derivados. 0 si el
neto arroja una posición ganadora (suma del valor absoluto de todas las posiciones sea positiva-
valoración positiva) y 1 si el neto del portafolio arroja una posición perdedora (valoración negativa).
30. El factor de crédito (FC), entendiéndose como una volatilidad estresada al plazo
correspondiente, se define como una medida de sensibilidad del valor del instrumento. Al
multiplicar el factor de riesgo con el valor nominal (exposición del contrato) se obtiene el
cambio monetario del valor razonable9. Esto asume que el único flujo expuesto es el valor
9
Por ejemplo, para el caso de factor de riesgo de tasa de cambio, el FC se calcula como la volatilidad estresada
de la TRM o la tasa de cambio correspondiente, el cambio porcentual de la TRM capturado a través de la
volatilidad se traduce en un cambio uno a uno en el valor razonable del forward/derivado en la medida que
10
neto (VN) del contrato, lo cual tiene consistencia teórica, dado que es el que más afecta el
valor razonable (VR) del contrato.
31. La metodología sugerida, estima una volatilidad en variaciones logarítmicas del

factor de descuento de la curva swap IBR, la cual es consistente con la fórmula de EPF.
Cuando se aplicaba la variación a la tasa de interés, ésta no guarda una relación lineal con
los cambios en el valor razonable de los contratos.
32. Se utilizan 6 nodos (1 mes, 3 meses, 6 meses, 1 año, 2 años y 5 años) de la curva
swap IBR para tener en cuenta la heterogeneidad en las volatilidades de cada uno de ellos.
En este sentido, a partir de junio de 2021 se divulgarían 18 volatilidades para el factor IBR,
de manera similar a los choques que se publican para los componentes principales del
Anexo 2.
33. Las entidades, en caso de que su proveedor de precios no publique las

volatilidades necesarias, deberán seleccionar el conjunto de volatilidades del nodo más
cercano al vencimiento del subyacente. En el caso de Swaps, sería el plazo remanente del
contrato, y en el caso de Forwards, equivaldría al plazo remanente del título subyacente. Al
interior de dicho conjunto, se deberá seleccionar la volatilidad cuya ventana de variación (1
mes, 3 meses, 6 meses y 1 año) sea la más cercana al plazo T (determinado de acuerdo
con las instrucciones del subnumeral 1.4.2 del Anexo 3 del capítulo XVIII de la CBCF), y re-
escalarla de acuerdo con la siguiente fórmula:
𝑇
𝜎#$ (𝑎𝑝𝑙𝑖𝑐𝑎𝑏𝑙𝑒 𝑎 𝐸𝑃𝐹) = 𝜎#" ∗ J ,
𝑖
34. Donde i corresponde al plazo, en días hábiles, de la ventana de variación

seleccionada y 𝜎#" la volatilidad publicada para el nodo n y la ventana i correspondiente.
el valor razonable cambia proporcionalmente al cambio de la tasa spot. Para el caso de la IBR, dado que cada
flujo va multiplicado por el factor de descuento, los cambios porcentuales de los factores de descuento se
traducen en un cambio en el valor razonable en las mismas proporciones.
11
5. Generalidadades de las Metodologías
35. Esta sección parte estimando la volatilidad condicional de los factores de riesgo,
según los modelos10 EWMA, CSGARCH, GJRGARCH, APARCH, EGARCH, FGARCH,
GARCH multivariado con correlación condicional dinámica (DCC-GARCH) y SV; se
selecciona el mejor modelo en función de los parámetros significativos y la estimación de
máxima verosimilitud. Una vez obtenidos los estimadores de los modelos que permiten
expresar mejor la volatilidad de los factores de riesgo, se procede a comparar el rendimiento
del pronóstico, utilizando estadísticas como el segundo momento del error (Error Cuadrático
Medio, RMSE), el Error Absoluto Medio (MAE) y el Conjunto de Confianza de Modelos
(MCS)11.
36. El resumen de los modelos mencionados se encuentra en la siguiente tabla:
Tabla 2: Modelos de Volatilidad
Nombre Modelo Tipo de

modelo
EWMA 𝜎!" = (1 − 𝜆)𝜀!#$
" "
+ 𝜆𝜎!#$ , 𝜆 = 0.94 Multivariado
y univariado
GARCH 𝜎!" = 𝜔 + 𝛼𝜀!#$
" "
+ 𝛽𝜎!#$ Multivariado
(DCC)
GJRGARCH 𝜎!" = 𝜔 + 𝛼𝜀!#$
" "
+ 𝛾𝐼!#$ 𝜀!#$ "
+ 𝛽𝜎!#$ Univariado
APGARCH 𝜎!% = 𝜔 + 𝛼(|𝜀!#$ | − 𝛾𝜀!#$ )% + 𝛽𝜎!#$ % Univariado
CSGARCH 𝜎!" = 𝑞! + 𝛼(𝜀!#$
" "
− 𝑞!#$ ) + 𝛽(𝜎!#$ − 𝑞!#$ ) Univariado
& &
FGARCH 𝜎! = 7𝜔 + 𝜁' 𝑣(! : + 𝛼) 𝜎!#) (;𝑧!#) − 𝜂") ; − 𝜂$) (𝑧!#) − 𝜂") ))% Univariado
&
+ 𝛽* 𝜎!#*
EGARCH " Univariado
𝑙𝑜𝑔+ (𝜎! ) = 7𝜔 + 𝜁' 𝑣(! : + 𝛼' 𝑧!#) + 𝛾' (;𝑧!#) ; − 𝐸;𝑧!#) ;)
"
+ 𝛽' 𝑙𝑜𝑔+ (𝜎!#* )
Volatilidad ℎ! |ℎ!#$ ~ 𝑁 (𝜇 + ∅(ℎ!#$ − 𝜇), 𝜎," ) Univariado
estocástica
(SV)
5.1 Especificaciones generales del modelo EWMA
37. J.P. Morgan (1996) propuso la metodología RiskMetrics que se adoptó a nivel
mundial para predecir la varianza y covarianza de los rendimientos de activos financieros
mediante el modelo EWMA, al que se asigna mayor peso a las observaciones recientes
para ser consistente con el comportamiento de las series financieras que son de memoria
corta. El modelo representa una ventaja sobre el cálculo de la volatilidad histórica al capturar
las fuertes variaciones en el precio de los activos financieros; con el EWMA es posible
construir mejor y con más precisión estimaciones de la volatilidad aun cuando se presentan
turbulencias en los mercados financieros como ocurrió en 1994, 2008 y 2020.
10
Para seleccionar el mejor modelo en el estudio univariado también se revisó el modelo GARCH revisó los modelos IGARCH. En el modelo
multivariado, se revisó adicionalmente el modelo CCC-GARCH.
$ (𝜎1 ' − 𝜎&' )'6
11
Error Absoluto Medio (MAE): ∑%&($.𝜎&' − 𝜎1&' ., Raíz del Error Cuadrático Medio (RMSE): 2∑%&($ & 𝑛, Conjunto de Confianza de
%
Modelos (MCS), el cual organiza los modelos jerárquicamente optimizando la función de pérdida de cada modelo con base en la minimización
de (𝜎1&' − 𝜎&' )'
12
38. Una estimación de volatilidad que tiene alta información es más sensible a los
choques recientes. Por lo tanto, la estimación del EWMA de la volatilidad responderá a las
perturbaciones de los factores del mercado más rápidamente (Sironi y Resti, 2012).
39. El enfoque EWMA se caracteriza por utilizar una muestra pequeña y está diseñado
para rastrear los cambios en la volatilidad. Otra ventaja de este método es que, después de
un choque, la volatilidad declina exponencialmente en la medida que el peso de esa
observación va cayendo con el tiempo.
40. La ecuación que se utiliza para medir la desviación estándar es:
𝜎 = K(1 − 𝜆) N 𝜆%&' (𝑟% − 𝑟̅ )(

%)'
Donde,
• 𝜎 es la raíz cuadrada de la volatilidad
• 𝜆 es el factor de decaimiento, que determina el peso de las observaciones y toma
valores entre 0 y 1.
• 𝑟% es el rendimiento de la variable en el período de tiempo 𝑡.
• 𝑟̅ es el promedio de las rentabilidades de la variable.
41. Cada observación que interviene en el cálculo de 𝜎 se pondera con 𝑊" =

λ%&' (1 − λ), donde 𝑡 = 1 es el día más reciente; 𝑡 irá aumentando, según se consideren
más observaciones del pasado. Es así como se logra un ponderador con comportamiento
exponencial, donde a menor valor de 𝜆, los datos más recientes tendrán mayor importancia
con relación a los antiguos. Análogamente, un valor alto de 𝜆 (es decir, cercano a 1) produce
estimaciones de la volatilidad diaria que responden relativamente más lento a la nueva
información proporcionada por el cambio porcentual diario.
42. El estimador de covarianza, en el modelo multivariado, sería:

$
(
𝜎',( = (1 − 𝜆) N 𝜆%&' (𝑟'% − 𝑟̅' )(𝑟(% − 𝑟̅( )
%)'
5.1.1 Ventana de tiempo
43. Los pronósticos de volatilidad y correlación basados en el modelo EWMA requieren

elegir un valor apropiado del factor de decaimiento 𝜆. Para esto, es importante determinar
el número de observaciones históricas que se utilizan en los pronósticos de volatilidad y
correlación. Para calcular el número de días efectivos 𝐾 utilizados por los pronósticos de
varianza (volatilidad) y covarianza (correlación) se utiliza la siguiente ecuación:
,
Ω,
+ = (1 − 𝜆) N 𝜆%
%)+
Donde Ω,
+ es el nivel de tolerancia, Υ-
𝑙𝑛𝛾-
𝐾=
𝑙𝑛𝜆
13
44. Por ejemplo, al establecer un nivel de tolerancia al 1% y el factor de decaimiento de

97%, EWMA utiliza aproximadamente 151 días de datos históricos para pronosticar la
volatilidad y la correlación futura. Por lo tanto, cuanto más cercano sea el factor de
decaimiento a 1, menos sensible será a los datos más recientes.
5.1.2 Factor de decaimiento
45. RiskMetrics utiliza un factor de decaimiento óptimo aplicado como un promedio

ponderado de factores de decaimiento óptimos individuales, donde los pesos son una
medida de la precisión del pronóstico individual. Aplicando esta metodología a los retornos
diarios y mensuales, encontraron que el factor de decaimiento para el conjunto de datos
diarios es 0.94, y 0.97 para la información mensual. Esto se debe a que la compañía
descubrió que, a través de un rango de diferentes variables de mercado, este valor
proporciona pronósticos de la tasa de variación más cercana a la tasa de variación realizada
(Morgan, 1996).
46. Este modelo captura la persistencia de la volatilidad y refleja un intercambio entre

incrementar el número de observaciones y un muestreo más cercano a un determinado
punto del tiempo. EWMA es conocido como un modelo integrado y tiene poder predictivo
para horizontes de corto plazo pues no está condicionado a un nivel medio de volatilidad y
como resultado se ajusta a cambios en la volatilidad incondicional rápidamente. Los
modelos EWMA tienden a pronosticar volatilidades más grandes la mayoría del tiempo,
pues no hay restricciones sobre la estacionariedad o convergencia a la varianza
incondicional.
5.2 Especificaciones generales del modelo GARCH
47. Para la estimación de la volatilidad de un activo financiero es de interés modelar la

varianza de forma condicional o con dependencia del tiempo, es decir, una volatilidad
heteroscedástica. Una característica de los retornos de los activos financieros es la
volatilidad cambiante a través del tiempo. Lo anterior debido a que se observan algunos
fenómenos como choques causados por nueva información, influencia o persistencia de
choques de volatilidad anteriores, asimétricos por cambios positivos y negativos de los
retornos, o la incertidumbre propia de los precios de estos activos.
48. En 1986, Bollerslev presentó una mejora al modelo ARCH, introduciendo una
relación entre la varianza condicional y realizaciones anteriores o rezagos de ésta. El
modelo GARCH es un modelo autorregresivo generalizado que captura las agrupaciones
de volatilidad de las rentabilidades a través de la varianza condicional. En otras palabras,
esta técnica encuentra la volatilidad promedio a mediano plazo mediante una
autorregresión que depende de la suma de perturbaciones rezagadas (p) y de la suma de
varianzas rezagadas (q).
49. El GARCH más simple pero ampliamente reconocido es el GARCH (1,1) y es

utilizado para variaciones a largo plazo, en el corto plazo el EWMA y el GARCH tienen
resultados parecidos. Una de las limitaciones del modelo es que la volatilidad reacciona a
choques positivos y negativos simétricamente (Hull, 2015).
50. El modelo GARCH Univariado (p,q), donde p se refiere al componente

autorregresivo y q al componente residual. La perturbación definida como:
14
𝜀% = (𝑟% − 𝑟̅ ) ~ 𝑁(0,1) e independiente de 𝜎%(

Donde:
• 𝑟% es el rendimiento de la variable en el período de tiempo 𝑡.
• 𝑟̅ es el promedio de las rentabilidades de la variable.
• 𝜀% corresponde a la distancia entre la observación 𝑟% y su media.
Si se define,
𝜔 = 𝛾𝑉-
Donde:
• 𝛾 es el peso asignado tasa de variación promedio a largo plazo, 𝑉- ;
Entonces, el modelo GARCH (p,q) se puede escribir como:

! .
𝜎%( = 𝜔 + N 𝛼! 𝜀%&!
( (
+ N 𝛽. 𝜎%&.
!)' .)'
Donde:
• 𝜎%( es la varianza de la variable en el día 𝑡;
• 𝛼 es el peso asignado a la perturbación al cuadrado de ese período de tiempo (𝑡 −
(
𝑝), 𝜀%&! ;
• 𝛽 es el peso asignado a la varianza histórica anterior a ese período de tiempo (𝑡 −
(
𝑞), 𝜎%&. .
51. Los coeficientes 𝜔, 𝛼, 𝛽, se estiman con el método de Máxima Verosimilitud. De esta

forma se encuentra la ponderación para la varianza de las observaciones recientes y para
la varianza de las observaciones históricas.
52. A partir de esta formulación general, el modelo GARCH (1,1) tiene las siguientes
características:
• Los parámetros 𝛾 > 0 y 𝛼 + 𝛽˂1.

• Se cumple la condición de estacionariedad en media, la suma de todos los
parámetros es menor o igual que 1.
53. El modelo EWMA es un caso particular del GARCH (1,1) donde 𝛾 = 0, 𝛼 = 1– 𝜆 y

𝛽 = 𝜆.
54. Una vez estimados los parámetros 𝜔, 𝛼 y 𝛽, se calcula 𝛾 como 1 − 𝛼 − 𝛽 y la

variación promedio a largo plazo 𝑉- se obtiene a partir de 𝜔`𝛾.
55. En la práctica, las tasas de variación tienden a ser reversiones a la media. El modelo
GARCH (1,1) incorpora la reversión a la media, mientras que el modelo EWMA no. Por lo
tanto, GARCH (1,1) es teóricamente más atractivo que el EWMA. Sin embargo, en
circunstancias donde el mejor valor de ω resulta ser negativo, el modelo GARCH (1,1) no
es estable y tiene sentido estimar un EWMA.
56. La estimación de los parámetros se realiza por máxima verosimilitud a partir de datos
históricos en EWMA y GARCH (1,1). Este método implica el uso de un procedimiento
15
iterativo para determinar los valores de los parámetros que maximizan la probabilidad de
que ocurran los datos históricos. Una vez que se han determinado sus parámetros, se
puede juzgar un modelo GARCH (1,1) según lo bien que elimine la autocorrelación de las
perturbaciones.
57. Una de las debilidades de los modelos GARCH es la dificultad de capturar por
completo los efectos de apalancamiento entendidos como la reacción de la volatilidad a
caídas o subidas del precio de la misma magnitud, pues el modelo GARCH asume que
dicha reacción es simétrica, lo cual no sucede en la realidad, pues la volatilidad condicional
reacciona más fuertemente ante una caída que ante una subida del precio en la misma
magnitud. No obstante, el GARCH captura el fenómeno de Volatility Clusters, es decir,
agrupamiento de la volatilidad en períodos de alta volatilidad y períodos de baja volatilidad.
5.3 Especificación del modelo GJRGARCH
58. El modelo GJR GARCH de Glosten (1993) modela los choques positivos y negativos
asimétricos de la varianza, mediante el uso de una variable indicadora (dummy).
! .
𝜎%( =𝜔+ (
N(𝛼! 𝜀%&! + (
𝛾! 𝐼%&! 𝜀%&! ) (
+ N 𝛽. 𝜎%&.
!)' .)'
59. Donde 𝛾! representa el efecto apalancamiento. La función indicadora 𝐼 toma el valor

de 1 para ε ≤ 0 y 0 de lo contrario. Debido a la presencia de la función 𝐼, la persistencia del
modelo depende de la asimetría de la distribución condicional utilizada.
60. Este modelo permite capturar el hecho de que los choques negativos suelen tener
más efecto sobre la varianza en el siguiente periodo, que los choques positivos (efecto
apalancamiento).
5.4 Especificación del modelo ARCH de potencia asimétrica (APARCH)
61. El modelo de potencia asimétrica APARCH de Ding, Granger y Engle (1993), se

define como:
! .
𝜎%/ / /
= 𝜔 + N 𝛼! (b𝜀%&! b − 𝛾𝜀%&! ) + N 𝛽. 𝜎%&.
!)' .)'
62. El parámetro −1 < 𝛾 < 1 captura la asimetría, mientras que el parámetro 𝛿 ∈ ℝ0

ayuda a capturar la dinámica de volatilidad de manera más flexible que para otras
especificaciones GARCH. APARCH anida varios modelos GARCH y se reduce a GJR-
GARCH cuando 𝛿 = 2 y 0 < 𝛾 < 1, y a un GARCH cuando 𝛿 = 2 y 𝛾 = 0.
63. Este es un modelo de memoria larga que evidencia particularmente la existencia de

una mayor correlación entre los retornos absolutos que entre los retornos al cuadrado y su
persistencia en los rezagos largos. Esta propiedad es más fuerte cuando 𝛿 se encuentra
alrededor de 1. Adicionalmente, permiten capturar el hecho de que los choques negativos
suelen tener más efecto sobre la varianza en el siguiente periodo, que los choques
positivos, efecto apalancamiento.
16
5.5 Especificación del modelo CSGARCH
64. El modelo de Lee y Engle (1999) discrimina la varianza condicional en un

componente de corto y largo plazo. Donde 𝑞% representa el componente permanente de la
varianza condicional y el modelo se puede escribir como:
! .
𝜎%( = 𝑞% + N 𝛼! ( 𝜀%&!
( (
− 𝑞%&! ) + N 𝛽. ( 𝜎%&! − 𝑞%&. )
!)' .)'
( (
𝑞% = 𝜔 + 𝜌𝑞%&' + 𝜙(𝜀%&' − 𝜎%&' )
donde el intercepto del modelo GARCH varía en el tiempo siguiendo el primer orden
dinámico de tipo autorregresivo. La diferencia entre la varianza condicional y su tendencia,
(
𝜎%&! − 𝑞%&! es el componente transitorio de la varianza condicional. Adicionalmente, la
suma de los parámetros 𝛼! y 𝛽. debe ser menor que 1 y 𝜌 < 1, para asegurar la no
negatividad de la varianza y la estacionariedad.
5.6 Especificación del modelo FGARCH
65. La familia de modelos FGARCH propuesta por Hentschel (1995) es conocido como
un modelo ómnibus que recoge la mayoría de modelos GARCH. Este cuenta con muchas
similitudes con el modelo APARCH, pero es más generalizado debido a que permite que la
descomposición de los residuales en la ecuación de la varianza condicional sea jalonada
por diferentes potencias para 𝑧% y 𝜎% , y adicionalmente permite cambios de nivel y de
rotación en casos donde la curva sea impactada significativamente por nueva información,
donde los cambios de nivel son la principal fuente de asimetría en choques pequeños y la
rotación recoge los choques grandes. Este modelo se puede escribir de la siguiente forma:
3 . !
1 1
𝜎%1 = k𝜔 + N 𝜁2 𝑣2% m + N 𝛼2 𝜎%&2 (b𝑧%&2 /
− 𝜂(2 b − 𝜂'2 (𝑧%&2 − 𝜂(2 )) + N 𝛽2 𝜎%&2
2)' 2)' 2)'
Donde,
∑32)' 𝜁2 𝑣2% : son los parámetros de variables externas a incluir que puedan afectar el proceso ARMA del modelo.
𝑧2 : son los residuales estandarizados de la variable en el momento t
El cual es una transformación Box-Cox de la desviación condicional estándar cuya forma

es determinada por 𝜆, y el parámetro 𝛿 transforma la función de valor absoluto que está
sujeta a los cambios en nivel y rotación a través de los parámetros 𝜂'2 y 𝜂(2 ,
respectivamente. El FGARCH se vuelve GARCH cuando 𝜆 = 𝛿 = 2 y 𝜂'2 = 𝜂(2 = 0;
APARCH si 𝜆 = 𝛿, 𝜂(2 = 0 y 𝜂'2 ≤ 1; el FGARCH completo propuesto por Hentschel tiene
la condición 𝜆 = 𝛿.
5.7 Especificación del modelo EGARCH
66. Para incluir el efecto asimétrico que tiene el cambio de los precios de un activo en
su volatilidad, Nelson (1991) propone el modelo EGARCH (modelo exponencial
generalizado, auto-regresivo, condicionalmente heteroscedástico). Modela el efecto de
17
asimetría al considerar una función g de las innovaciones 𝑧% , que son variables i.i.d. de
media cero, que involucra, tanto el valor de la innovación 𝑧% como su magnitud expresada
por medio de |𝑧% | − 𝐸(|𝑧% |).
3 . !
(
𝑙𝑜𝑔4 (𝜎%( ) = k𝜔 + N 𝜁2 𝑣2% m + N(𝛼2 𝑧%&2 + 𝛾2 (b𝑧%&2 b − 𝐸b𝑧%&2 b)) + N 𝛽2 𝑙𝑜𝑔4 (𝜎%&2 )
2)' 2)' 2)'
Donde el coeficiente 𝛼2 captura el efecto de signo y 𝛾2 el efecto de tamaño. Este modelo

busca relajar las restricciones a los coeficientes que aseguran la no negatividad de la
varianza.
5.8 Especificación del modelo GARCH multivariado con correlaciones

condicionales dinámicas (DCC – GARCH)
67. Los modelos univariados capturan las características estilizadas de la volatilidad,

tienen una limitación por no considerar los movimientos conjuntos de volatilidad de varios
mercados o activos diferentes; es decir, no es posible modelar las varianzas y su
correspondiente correlación en forma simultánea. Bollerslev, Engle y Wooldridge (1988)
amplían la metodología al contexto multivariado modelando las covarianzas cambiantes en
el tiempo y simplificando las relaciones dinámicas entre los procesos de volatilidad de los
rendimientos de varios activos.
68. Es importante mencionar que como se requiere el efecto de spillovers entre las
volatilidades de cada variable incluida en la estimación de matrices de volatilidad, se
procede a utilizar el GARCH multivariado, que permite compilar una matriz de varianza-
covarianza con la posibilidad de estimar cada variable como un GARCH (1,1) al tiempo que
calcula las correlaciones entre éstas.
69. Siguiendo a Engle y Sheppard (2001), el modelo GARCH multivariado supone que
los retornos de 𝑘 activos son condicionalmente multivariados con distribución normal, media
cero y matriz de varianza-covarianza 𝐻% .
𝑟% ~𝑁(0, 𝐻% )
y
𝐻% = 𝐷% 𝑅% 𝐷′%
Donde
• 𝐷% es la matriz diagonal de dimensión 𝑘 × 𝑘 de las desviaciones estándar de los
modelos GARCH univariados.
• y 𝑅% es la matriz de correlación variable en el tiempo.
Este tipo de modelos son una extensión del GARCH univariado en dos etapas: la primera
estima modelos GARCH univariados para cada serie residual, y en la segunda, se obtienen
los residuales de la desviación estándar estimada durante la primera etapa.
5.9 Especificaciones generales del modelo de volatilidades estocásticas
70. El modelo de SV asume que cada observación de la muestra sigue un proceso de

retornos, cuya log-varianza es a su vez un proceso autorregresivo de orden 1. Basado en
la inferencia Bayesiana, esta especificación permite tener una distribución del proceso de
18
generación de retornos y una formulación estocástica para la varianza del proceso. Esto es
conveniente dado que la estimación de la volatilidad en un punto del tiempo sale de un
proceso probabilístico, a diferencia de una fórmula determinística como en el caso de los
modelos de la familia GARCH.
71. Si se define 𝒚 = (𝑦' , 𝑦( , 𝑦5 , … , 𝑦6 )$ como el vector de retornos distribuido en una

Normal con media cero y varianza 𝑒 7. , el proceso en su forma jerárquica se puede definir
como:
𝑦% |ℎ% ~ 𝑁(0, 𝑒 7. ) (1)
ℎ% |ℎ%&' ~ 𝑁 (𝜇 + ∅(ℎ%&' − 𝜇), 𝜎6( ) (2)
ℎ8 |𝜇, ∅, 𝜎6 ~ 𝑁(𝜇, 𝜎6( /(1 − ∅( )) (3)
Donde 𝑁(𝜇, 𝜎6( ) denota una distribución normal con media µ y varianza 𝜎6( . También se
denota el vector de parámetros a estimar como 𝜽 = (𝜇, ∅, 𝜎6 )$ . µ denota el nivel de log-
varianza, la persistencia de esa varianza como ∅ y la volatilidad de la log-varianza como
𝜎6 .
72. El vector de parámetros 𝜽 define la distribución previa del proceso Bayesiano. Si se

tiene información previa del proceso de varianza, se pueden inferir estos parámetros, sin
embargo, la aproximación más factible es hallar los valores por medio de una optimización
de máxima verosimilitud. Este último se basa en encontrar cuáles son los valores de los
parámetros que hacen que el proceso de varianza prediga mejor futuras volatilidades
(dentro de la muestra). Una vez especificado el modelo y sus parámetros, la estimación
probabilística de la varianza se hace por medio de inferencia sobre la distribución posterior
de cada observación.
73. Para obtener la distribución posterior, se utiliza la metodología Cadena de Markov

Monte Carlo (MCMC). Monte Carlo es una técnica de simulación de números aleatorios
dentro de unos parámetros especificados. Por su parte, una cadena de Markov es una
representación de cómo una variable cambia de estado en el tiempo. Una de las
propiedades de la Cadena de Markov es que la probabilidad del estado futuro sólo depende
de la información del estado de esa variable hoy, lo que pasó antes no tiene importancia
dentro del proceso, es un proceso sin memoria.
74. La aplicación de MCMC al ejercicio de volatilidades estocásticas consiste en simular

un número aleatorio con Monte Carlo, la Cadena de Markov que contiene los parámetros
establecidos en el paso anterior entra a influenciar el siguiente número aleatorio generado
por Monte Carlo y así hasta repetir el número de iteraciones definidas, que en el caso de
este ejercicio es 10,000. Este proceso es el que genera la distribución posterior sobre la
cual se hace inferencia para la estimación de la volatilidad. El proceso MCMC arroja un
vector de muestreo sobre la distribución posterior para cada punto en el tiempo que se
quiera estimar, a este vector se le aplica alguna técnica para obtener la estimación de la
varianza, sea la media de ese vector, un cuantil o la mediana.
19
6. Metodología de selección del modelo de Matrices de Volatilidad
75. La elección del modelo debe resolver dos criterios competitivos, el tiempo y la
frecuencia de medición a utilizar. Por un lado, los modelos incondicionales funcionan incluso
cuando la observación de datos no es suficiente; mientras que los condicionales requieren
datos de alta frecuencia. La base de datos del documento está compuesta por 482
observaciones diarias de la volatilidad para los 20 factores de riesgo de la matriz que publica
la SFC. Se evaluaron 382 ventanas móviles para realizar los pronósticos correspondientes.
76. A partir de esta información se calcularon los parámetros de los modelos EWMA y
DCC-GARCH (anexo 2 del capítulo XXI de la CBCF) con ventanas móviles de 75 y 100
observaciones12 respectivamente; y los parámetros de los modelos EWMA, APGARCH,
CSGARCH, GJRGARCH, EGARCH, FGARCH y SV (anexo 3 del capítulo XVIII de la
CBCF). Con los pronósticos y la variable observada día a día se realizaron las siguientes
pruebas de ajuste, por cada variable:
'
• Error absoluto medio (MAE): 59( ∑59( (
•"( b
")' b𝜎" − 𝜎
(𝜎•"( − 𝜎"( )(`

• Raíz del error cuadrático medio (RMSE): ‚∑59(
")' 382
• Conjunto de confianza de modelos (MCS), esta prueba fue desarrollada por Hansen
et al (2011) para clasificar jerárquicamente distintos modelos, en la selección de
volatilidades que cuenta el paquete de R MCS de Bernardi y Catania (2014), se
selecciona una función de pérdida con base en la minimización de (𝜎•"( − 𝜎"( )(
77. Con esto, se busca evaluar cuál de los modelos estudiados presenta un mejor
desempeño en términos de poder predictivo en cada una de las pruebas. A diferencia del
MAE y el RMSE, el MCS realiza 5,000 simulaciones para determinar la superioridad de un
modelo frente a otro, excluyendo un modelo cuando el otro sea significativamente superior
(al 95% de intervalo de confianza).
12
Debido a restricciones computacionales del modelo DCC-GARCH, se necesitan mínimo 100 observaciones para estimar el modelo.
20
7. Resultados
7.1 Resultados de los modelos multivariados - anexo 2 del capítulo XXI CBCF
78. La tabla 3 muestra la comparación de los resultados de la estimación. Estos indican

que, el EWMA es superior en todas las variables bajo las pruebas de MAE y RMSE. En
promedio, el modelo DCC-GARCH presenta una variación de 0.52% en el MAE y de 0.91%
en RMSE, al tiempo que el EWMA reporta variaciones en MAE y RMSE de 0.36% y 0.54%,
respectivamente (Ver anexo 1).
Tabla 3. Comparación de MAE, RMSE y MCS entre el DCC-GARCH y el EWMA
MAE RMSE MCS (jerarquía)

DCC-GARCH EWMA DCC-GARCH EWMA DCC-GARCH EWMA
CP1_PESOS 0.20% 0.14% 0.38% 0.26% Eliminado 1
CP1_UVR 0.14% 0.12% 0.27% 0.21% Eliminado 1
CP2_UVR 0.18% 0.05% 0.36% 0.09% Eliminado 1
CP3_UVR 0.11% 0.03% 0.26% 0.06% Eliminado 1
CP1_TESOROS 0.85% 0.71% 1.28% 0.92% 2 1
CP2_TESOROS 0.31% 0.22% 0.46% 0.31% Eliminado 1
CP3_TESOROS 0.22% 0.12% 0.35% 0.16% Eliminado 1
DTF_CP 0.12% 0.03% 0.25% 0.05% Eliminado 1
DTF_LP 0.22% 0.04% 0.75% 0.06% Eliminado 1
IPC 0.60% 0.18% 1.06% 0.23% Eliminado 1
TCRM 0.73% 0.43% 1.02% 0.58% Eliminado 1
EURO_PESO 0.75% 0.48% 1.10% 0.63% Eliminado 1
MSCI_World 0.91% 0.65% 1.50% 1.02% 2 1
CARCOLEC 0.20% 0.06% 0.50% 0.10% Eliminado 1
COLCAP 0.98% 0.91% 1.89% 1.56% 2 1
CDS 2.66% 2.35% 4.61% 3.47% 2 1
MAE, RMSE, menor variación en negrita y cursiva; MCS significativo en negrita.
79. Por el lado del MCS, se observa una superioridad del EWMA generalizado a través
de todas las variables. El DCC-GARCH fue eliminado en 14 de las 18 variables. Se observó
que en 4 variables la jerarquía no fue significativa (CP1_TESOROS, MSCI_World, COLCAP
y CDS), lo que sustenta que según el MCS es indiferente entre EWMA y DCC-GARCH, por
lo cual en el agregado se prefiere el EWMA.
80. Después de comparar el rendimiento del pronóstico utilizando el RMSE, el MAE y el

MCS, se puede afirmar que el EWMA es superior al DCC-GARCH en la información
utilizada para matrices de volatilidad.
7.2 Resultados de los modelos univariados - anexo 3 del capítulo XVIII CBCF
21
81. En el ejercicio para el anexo 3 se estima la volatilidad de 4 factores por separado y

se obtienen los resultados que se observan en la tabla 4. (Ver anexo 2)
Tabla 4 Comparación de MAE y RMSE entre la SV y GARCH
RMSE MAE MCS(jerarquía)

SV GARCH EWMA SV GARCH EWMA SV GARCH EWMA
TCRM 0.93% 0.89% 0.58% 0.84% 0.62% 0.43% 3 2 1
EURO_PESO 1.98% 0.94% 0.63% 0.95% 0.67% 0.48% 3 2 1
MSCI_World 6.28% 1.55% 1.02% 4.87% 0.90% 0.65% 3 2 1
COLCAP 13.26% 1.85% 1.56% 9.47% 0.96% 0.91% 3 2 1
82. Para los 4 factores en las pruebas, el modelo EWMA arroja un menor error de
predicción frente a los modelos GARCH13 y SV, el mismo comportamiento se puede
observar para la prueba de jerarquía MCS. Las pruebas de error para las series TCRM y
EURO_PESO son similares los modelos, estas series se caracterizan por tener un
rendimiento poco volátil y una rápida reversión a la media después del choque de volatilidad
ocasionado por el Covid-19 en el periodo evaluado. Las variables MSCI_World y COLCAP
fueron más volátiles en el periodo estudiado y su reversión a los niveles promedio de
volatilidad previos al choque de Covid-19 fue más lento.
83. La tabla 5 compara los resultados de la estimación para el factor de riesgo IBR. En
general, la familia GARCH es superior bajo las pruebas de MAE y RMSE. Para las distintas
ventanas y nodos, estos modelos resultan en un error menor de predicción que el EWMA.
Por lo tanto, para las variables del anexo 3 se seleccionó el modelo EWMA para TCRM,
EURO, MSCI World, COLCAP y la familia GARCH para el IBR.
Tabla 5 Comparación de MAE y RMSE entre la EWMA y GARCH
RMSE MAE
EWMA GARCH EWMA GARCH
FD_m1 _1m 0.01% 0.00% 0.00% 0.00%
FD_m3 _1m 0.03% 0.01% 0.01% 0.00%
FD_m6 _1m 0.07% 0.03% 0.04% 0.01%
FD_y1 _1m 0.18% 0.07% 0.14% 0.04%
FD_y2 _1m 0.51% 0.19% 0.37% 0.10%
FD_y5 _1m 1.88% 0.56% 1.28% 0.29%
FD_m3 _3m 0.09% 0.02% 0.05% 0.01%
FD_m6 _3m 0.19% 0.03% 0.12% 0.01%
FD_y1 _3m 0.45% 0.07% 0.31% 0.04%
FD_y2 _3m 1.03% 0.20% 0.80% 0.10%
FD_y5 _3m 2.69% 0.55% 2.18% 0.29%
FD_m6 _6m 0.42% 0.02% 0.25% 0.01%
FD_y1 _6m 0.88% 0.07% 0.60% 0.04%
FD_y2 _6m 1.67% 0.20% 1.28% 0.10%
FD_y5 _6m 3.51% 0.55% 3.01% 0.29%
FD_y1 _1y 0.94% 0.05% 0.62% 0.03%
FD_y2 _1y 1.82% 0.15% 1.37% 0.08%
FD_y5 _1y 3.78% 0.43% 3.31% 0.23%
*FD_nodo_ventana
13
Los modelos GARCH hacen referencia al resultado del mejor de los modelos GARCH estudiados.
22
8. Metodología de la SFC para el cálculo de las Matrices de Volatilidad
84. Después de comparar el rendimiento del pronóstico de los modelos EWMA y DCC-
GARCH, y demostrar que el EWMA es superior al DCC-GARCH en la información utilizada
para matrices de volatilidad, la SFC concluye que es posible continuar estimando un modelo
EWMA en días calendario (equivalentes a 75 días hábiles) de rezago con un parámetro de
decaimiento (λ) de 0.94 y un nivel de confianza del 99%, para el cálculo de las volatilidades
diarias de los factores del anexo 2 del capítulo XXI de la CBCF, tal y como se venía haciendo
previa publicación de este documento técnico.
85. Así mismo, luego de comparar el rendimiento de los pronósticos de los modelos de
la familia EWMA, GARCH y SV, y evidenciar que el modelo EWMA es superior a los
modelos de la familia GARCH y SV, la SFC propone seguir calculando las volatilidades
diarias de los factores del anexo 3 del capítulo XVIII estimando un EWMA en días calendario
(equivalentes a 75 días hábiles) de rezago con un parámetro de decaimiento (λ) de 0.94 y
un nivel de confianza del 99%. Con respecto al factor de riesgo IBR se evidenció que la
familia GARCH responde mejor a los movimientos del mercado en todos los nodos y
ventanas del modelo, las especificaciones respectivas son reportadas en la Tabla 6.
Tabla 6 Especificaciones GARCH factores IBR
Ventana 1m Ventana 3m Ventana 6m Ventana 1y

Orden Orden Orden Orden Orden Orden Orden Orden
Modelo Modelo Modelo Modelo
Arma GARCH Arma GARCH Arma GARCH Arma GARCH
Nodo 1m gjrGARCH 1,1 1,1
Nodo 3m gjrGARCH 2,1 1,2 gjrGARCH 1,1 2,1
Nodo 6m gjrGARCH 1,1 1,1 fGARCH 1,1 1,2 eGARCH 1,1 1,1
Nodo 1y gjrGARCH 1,1 1,2 fGARCH 1,1 1,2 fGARCH 1,2 1,1 csGARCH 1,1 1,1
Nodo 2y apARCH 1,1 1,1 eGARCH 1,2 2,1 fGARCH 2,1 1,1 apARCH 1,1 1,1
Nodo 5y apARCH 1,1 1,2 fGARCH 1,2 1,2 csGARCH 2,1 1,2 csGARCH 1,1 1,2
23
9. Conclusiones
86. El pronóstico de la volatilidad sigue cobrando relevancia y los estudios dirigidos a su

estimación continúan multiplicándose, proponiendo nuevas técnicas y modelos. A lo largo
de este documento, se ha evaluado el mejor modelo para predecir y pronosticar la
volatilidad de los factores de riesgo utilizados en las matrices de volatilidad reportadas por
la SFC14, comparando la efectividad de los modelos multivariados DCC-GARCH y EWMA
y univariados GARCH, APARCH, CSGARCH, GJRGARCH, EGARCH, FGARCH, EWMA y
SV. Los resultados obtenidos permiten afirmar que los modelos EWMA y la familia GARCH
logran modelar y explicar, de manera bastante satisfactoria, la volatilidad de los factores de
riesgo en comparación con el modelo multivariado DCC-GARCH y SV.
87. A partir de mayo de 2021 se utilizará como referente del factor Acciones Colombia,
el índice accionario MSCI Colcap (antes Colcap). Por otro lado, la SFC modificará el insumo
utilizado para la estimación del factor de riesgo IBR; particularmente, se dejará de utilizar la
tasa IBR de 3 meses y en su lugar se reemplazará por los factores de descuento de la curva
swap IBR para 6 nodos (1 mes, 3 meses, 6 meses, 1 año, 2 años y 5 años) y 4 ventanas
de tiempo (1 mes, 3 meses, 6 meses, 1 año). Este cambio será efectivo desde la publicación
que se realizará en junio de 2021 con el fin de tener en cuenta la heterogeneidad en las
volatilidades de los diferentes nodos.
88. Después de demostrar que el EWMA es superior al DCC-GARCH en la información

utilizada, la SFC confirma que el modelo EWMA empleado hasta la fecha para el cálculo de
las volatilidades diarias de los factores de las matrices de volatilidad continúa siendo
adecuado. Este último utiliza 75 días hábiles, con un parámetro de decaimiento (λ) de 0.94
y un nivel de confianza del 99%,
89. En la metodología donde no se requiere el cálculo de la matriz de varianza-

covarianza, la SFC estima un EWMA para los factores de riesgo TRM, Euro/peso, Acciones
Global (MSCI World) y Acciones Colombia (MSCI Colcap). Con respecto al factor de riesgo
IBR se evidenció que la familia GARCH responde mejor a los movimientos del mercado en
todos los nodos y ventanas del modelo.
14
En todo caso, el subnumeral 1.4.1 del Anexo 3 del Capítulo XVIII de la Circular Básica Contable y Financiera de la SFC, establece que la
volatilidad diaria estresada que se debe utilizar para calcular el factor de crédito en las operaciones derivados debe ser calculada por los
proveedores de precios para valoración según su propia metodología. Sin embargo, solo cuando el proveedor de precios para valoración no le
suministre a la entidad la volatilidad diaria estresada del subyacente, esta corresponderá a aquella publicada mensualmente por la SFC en la
Matriz para el Reporte Oficial de Riesgos de Mercado (VeR informativo) disponible en la página web de la SFC.
24
10. Anexos
Anexo 1
Resultados de las estimaciones de los modelos EWMA y GARCH para las variables del
anexo 2 del capítulo XXI de la CBCF de la SFC para el periodo entre el 30 de octubre de
2018 hasta el 20 de octubre de 2020.
25
26
Anexo 2
Resultados de las estimaciones de los modelos EWMA y GARCH para las variables del
anexo 3 del capítulo XVIII de la CBCF de la SFC para el periodo entre el 30 de octubre
de 2018 hasta el 20 de octubre de 2020.
27
Factor de riesgo IBR
28
29
11. Referencias
Bessis, J. (2015). Volatility . En J. Bessis, Risk Management in Banking (págs. 169-178).

BIS, B. C. (2011). Messages from the academic literature on risk measurement for the
trading book. Bank for International Settlements Communications.
BIS, C. d. (Noviembre de 2005). Enmienda al Acuerdo de Capital para incorporar riesgos
de mercado. Basilea, Suiza.
BIS, C. d. (Diciembre de 2010). Basilea III: Marco regulador global para reforzar los
bancos y sistemas bancarios. Basilea, Suiza.
BIS, C. d. (Enero de 2016). Requerimientos mínimos de capital por riesgo de mercado .
Basilea, Suiza.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of
Econometrics, 307–327.
Bollerslev, T., Engle, R., & Wooldridge, J. (1988). A Capital Asset Pricing Model with Time
Varying Covariances. Journal of Political Economy, 96(1), 116-131.
Botha, M., Vuuren, G. v., & Styger, P. (2001). The Effect of Dynamic Exponential Decay
Factor on Volatility and VaR. Journal of Applied Sciences, 24.32.
Cappiello, L., Engle, R., & Sheppard, K. (2006). Asymmetric Dynamics in the Correlations
of Global Equity and Bond Returns. Journal of Financial Econometrics,, 4(4), 537-
572.
Carroll, R., & Kearney, C. (2009). GARCH modelling of stock market volatility. Stock
market volatility, 71-90.
Catania, L., & Bernardi, M. (2015). The Model Confidence Set package for R. CEIS Tor
Vergata Research Paper Series, 13(11).
Chou, R., Wu, C.-C., & Liu, N. (2009). Forecasting time-varying covariance with a range-
based dynamic conditional correlation model. Review of Quantitative Finance and
Accounting, 33(4), 327-345.
Ding, J., & Meade, N. (2010). Forecasting accuracy of stochastic volatility, GARCH and
EWMA models under different volatility scenarios. Applied Financial Economics,
771-783.
Engle, R. (1982). Autoregressive Conditional Heteroskedasticity With Estimates of the
Variance of U.K. Inflation. Econometrica, 987-1008.
Engle, R. F., & Patton, A. J. (2001). What good is a volatility model? Quantitative Finance,
237 - 245.
Engle, R., & Sheppard, K. (2001). Theoretical and empirical properties of dynamic
conditional correlation multivariate GARCH. NATIONAL BUREAU OF ECONOMIC
RESEARCH, 1-44.
30
Eric Ghysels, A. H. (1996). Stochastic Volatility. Handbook of Statistics Vol 14.

Franses, P. H., & Dijk, D. V. (1996). Forecasting stock market volatility using (non-linear)
Garch models. Journal of forecasting, 229-235.
Hakmaoui, O. E., & Abdelati. (2019). GARCH Family Models vs EWMA: Which is the Best
Model to Forecast Volatility of the Moroccan Stock Exchange Market? Métodos
Cuantitativos Para La Economía Y La Empresa, 237-249.
Hansen, P., Lunde, A., Nason, & J.M. (2011). The model confidence set. Econometrica,
79(2), 453-497.
Hentschel, L. (1995). All in the family nesting symmetric and asymmetric garch models.
Journal of Financial Economics, 1(39), 71-104.
Hull, J. C. (2015). Estimating volatilities and correlations. En J. C. Hull, Options, futures,
and other derivatives (págs. 520-542). Toronto: Pearson.
Jacquier, P. &. (1994). Bayesian Analysis of Stochastic Volatility Models. Journal of
Business & Economic Statistics.
Kumar, S. (2006). Comparative performance of volatility forecasting models in Indian
markets. Decision, 26-40.
Lee, G., & Engle, R. (1999). A permanent and transitory component model of stock return
volatility. In Cointegration Causality and Forecasting A Festschrift in Honor of Clive
WJ Granger. Oxford University Press, 475-497.
Miron, D., & Tudor, C. (2010). Asymmetric Conditional Volatility Models: Empirical
Estimation and Comparison of Forecasting Accuracy. Romanian Journal of
Economic Forecasting, 74 - 92.
Morgan, J. (1996). Estimation and forecast . En J. Morgan, RiskMetricsTM—Technical
Document (págs. 75-100). New York: Reuters Ltd.
Nelson, D. (1991). Conditional heteroskedasticity in asset returns: A new approach. .
Econometrica, 2(59), 347–70.
Nilsson, C. (2017). Forecasting Swedish Stock Market Volatility and Value-at-Risk: A
Comparison of EWMA and GARCH Models. School of economics and
management department of economics, 1-46.
On the relation between the expected value and the volatility of the nominal excess return
on stocks. (1993). Journal of Finance, 48(5), 1779-1801.
Sangjoon Kim, N. S. (1998). Stochastic Volatility: Likelihood Inference and Comparison
with ARCH Models. The Reviewing of Economic Studies, 361-393.
Schwert, A., Pagan, R., & William, G. (1990). Alternative models for conditional stock
volatility. Journal of Econometrics, 267-290.
Sironi, A., & Resti, A. (2012). Volatility Estimation Models. En A. R. Andres Sironi, Risk
Management and Shareholders' Value in Banking: From Risk Measurement
Models to Capital Allocation Policies (págs. 163-183). John Wiley & Sons Ltd.
31
Taylor, S. J. (1982). Financial returns modelled by the product of two stochastic

processes, a study of daily sugar prices. The International Library of Critical
Writings in Economics, 423-446.
Yuen Meng Wong, R. A. (2014). Exchange Rate Responses to Macroeconomic Surprises:
Evidence from the Asia-Pacific Markets. World Finance Conference 2014. Venice,
Italy.
Zhuanxin Ding, C. W. (Junio de 1993). A long memory property of stock market returns
and a new model. Journal of Empirical Finance, 1(1), 83-106.
32

Dirección de Investigación, Innovación Y Desarrollo Subdirección de Investigación Y Análisis

Cargado por

Copyright:

Formatos disponibles

Dirección de Investigación, Innovación Y Desarrollo Subdirección de Investigación Y Análisis

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

Dirección de Investigación, Innovación Y Desarrollo Subdirección de Investigación Y Análisis

Cargado por

Copyright:

Formatos disponibles

DIRECCIÓN DE INVESTIGACIÓN, INNOVACIÓN Y DESARROLLO

SUBDIRECCIÓN DE INVESTIGACIÓN Y ANÁLISIS

METODOLOGÍA DE CÁLCULO DE LAS VOLATILIDADES PARA EL REPORTE

Palabras claves: Volatilidad, modelo EWMA, modelo GARCH

Clasificación JEL: C13, C53

1. Resumen Ejecutivo ...............................................................................................................3

Se presenta el uso de técnicas condicionales y no condicionales tanto en la modelación de

Comparando la efectividad de los modelos con métricas de error de pronóstico (MAE,

2. En el contexto económico, las decisiones de los inversionistas en los mercados

3. El estudio de la volatilidad, como una herramienta de gestión del riesgo, constituye

4. El trabajo pionero de Engle (1982) desarrolla el modelo autorregresivo de

5. Taylor (1982) propuso una aproximación diferente a la estimación de la volatilidad,

6. La importancia de la volatilidad en la valoración de derivados es que permite

actores de los mercados financieros. De hecho, con el Acuerdo de Basilea de 19966, el

7. Para el Comité de Basilea los requerimientos de capital pueden determinarse por

8. El riesgo de mercado se define como la posibilidad de sufrir pérdidas en posiciones

9. La presencia de las entidades financieras en los mercados de capitales hace que

10. Además de esta introducción, este documento se encuentra dividido en siete

• Los rendimientos al cuadrado están correlacionados positivamente, lo que implica

12. Hakmaoui (2019) descubrió que el modelo IGARCH es superior prediciendo la

examinar la dinámica de correlación entre las diferentes clases de activos e investigar la

15. La propuesta de RiskMetrics (1996), para determinar la volatilidad reduce la inercia

17. Kumar (2006) evalúa la capacidad de diez modelos de predicción de volatilidad

18. Según el documento de Basilea (2011)7, a partir de JP Morgan (1996) el enfoque

4. Descripción de los datos

Tabla 1. Factores de riesgo utilizados para el cálculo de las matrices de volatilidad

Riesgo Factor Fuente de insumos Cálculo de la variación diaria

24. Los componentes principales 1, 2 y 3 describen los choques de tasa paralelo, de

1. TCRM: tasa de cambio del peso colombiano frente al dólar americano.

Gráfico 1. Retornos diarios de los factores TCRM, EURO_PESO, MSCI_World y COLCAP

ventanas de variación (mensual, trimestral, semestral y anual) para varios nodos de la

Gráfico 2. Retornos de la curva swap IBR

4.1 Modelación del factor de riesgo IBR

29. La fórmula de Exposición Potencial Futura (EPF) establecida en el anexo 3 del

𝐹𝐶 = 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑖𝑎𝑟𝑖𝑎 𝑒𝑠𝑡𝑟𝑒𝑠𝑎𝑑𝑎 ∗ D(𝑇)

31. La metodología sugerida, estima una volatilidad en variaciones logarítmicas del

33. Las entidades, en caso de que su proveedor de precios no publique las

34. Donde i corresponde al plazo, en días hábiles, de la ventana de variación

5. Generalidadades de las Metodologías

36. El resumen de los modelos mencionados se encuentra en la siguiente tabla:

Tabla 2: Modelos de Volatilidad

Nombre Modelo Tipo de

5.1 Especificaciones generales del modelo EWMA

40. La ecuación que se utiliza para medir la desviación estándar es:

𝜎 = K(1 − 𝜆) N 𝜆%&' (𝑟% − 𝑟̅ )(

41. Cada observación que interviene en el cálculo de 𝜎 se pondera con 𝑊" =

42. El estimador de covarianza, en el modelo multivariado, sería:

5.1.1 Ventana de tiempo

43. Los pronósticos de volatilidad y correlación basados en el modelo EWMA requieren

44. Por ejemplo, al establecer un nivel de tolerancia al 1% y el factor de decaimiento de

5.1.2 Factor de decaimiento

45. RiskMetrics utiliza un factor de decaimiento óptimo aplicado como un promedio

46. Este modelo captura la persistencia de la volatilidad y refleja un intercambio entre

5.2 Especificaciones generales del modelo GARCH

47. Para la estimación de la volatilidad de un activo financiero es de interés modelar la

49. El GARCH más simple pero ampliamente reconocido es el GARCH (1,1) y es

50. El modelo GARCH Univariado (p,q), donde p se refiere al componente

𝜀% = (𝑟% − 𝑟̅ ) ~ 𝑁(0,1) e independiente de 𝜎%(

• 𝛾 es el peso asignado tasa de variación promedio a largo plazo, 𝑉- ;