UNA APLICACIN DE LA TEORA DE VALORES

EXTREMOS AL CLCULO DEL VALOR EN RIESGO

Joaqun Aranda Gallego - joaquin@[Link]
J. Alberto de Luca Martnez - jalberto@[Link]
Universidad de Murcia

Reservados todos los derechos.

Este documento ha sido extrado del CD Rom Anales de Economa Aplicada. XIV Reunin ASEPELT-Espaa. Oviedo,
22 y 23 de Junio de 2000.
ISBN: 84-699-2357-9
 Una aplicacin de la
Teora de Valores Extremos
al clculo del Valor en Riesgo

Aranda Gallego, Joaqun

De Luca Martnez, J. Alberto
Dpto. de Mtodos Cuantitativos para la Economa
Universidad de Murcia

Ponencia
Abril 2000

Resumen: El Valor en Riesgo, VaR, constituye en la actualidad la herramienta bsica de todo gestor
de riesgos financieros as como el referente ms reciente de la aplicacin masiva de las tcnicas estads-
ticas al campo de las Finanzas.

Desde su incorporacin al instrumental bsico de la prctica financiera, han sido mltiples las
caracterizaciones y propuestas de cmputo que se han venido realizando. Sin embargo, en la mayora
de las ocasiones, entendemos que se ha perdido la perspectiva del verdadero problema: la mayor parte
de estos planteamientos olvida el hecho de que VaR es un cuantil extremo y as, en lugar de hacer uso de
las herramientas que la Estadstica ofrece para el estudio de estos sucesos de baja probabilidad, recurren
a mtodos tpicos de inferencia que, si bien son apropiados para determinar los valores centrales de una
distribucin, son poco eficaces para recoger el comportamiento en las colas.

En nuestro trabajo, proponemos una aproximacin al clculo del VaR basada en la Teora de Va-
lores Extremos, una rama de la Teora de la Probabilidad cuyo objetivo es, precisamente, analizar los
extremos observados de una distribucin y predecir ms all de estos.

Palabras clave: Riesgo de Mercado, VaR, Teora de Valores Extremos

rea: G2. Mtodos de estadstica econmica

Correos electrnicos: joaquin@[Link], jalberto@[Link]

 1

1 Fundamentos del Valor en Riesgo

El progresivo acortamiento de los mrgenes de intermediacin del negocio bancario
tradicional, vivido en los ltimos 20 aos, ha provocado que las entidades financieras
se vuelvan cada vez ms hacia los mercados financieros como forma de complementar
sus cuentas de resultados. De esta manera, las entidades de crdito a nivel mundial
comenzaron a verse potencialmente afectadas, no slo por el tradicional riesgo de que
sus acreditados no devolvieran los crditos, sino tambin, y de una forma cada vez
mayor, por los riesgos derivados de los cambios de los precios de los activos financie-
ros en los que invertan. Dicho de otra forma, los sistemas bancarios a nivel interna-
cional se exponan de forma importante, no solo al tradicional riesgo de crdito, sino
tambin al de mercado, entendido ste, segn la definicin del Banco Internacional de
Pagos de Basilea, BIS (1988), como El riesgo de prdidas en las posiciones de dentro
y fuera de balance derivadas de movimientos en los precios de mercado

Las instituciones supervisoras, conscientes de esta situacin, fueron emitiendo

normativas nacionales tendentes a incluir, de una forma u otra, el riesgo de mercado
en los requisitos de capital de las entidades financieras y fue surgiendo la necesidad,
en un entorno financiero cada vez ms globalizado, de que se llegara a un consenso a
nivel internacional sobre esta cuestin.

As, en Abril de 1993, el Comit de Basilea de Supervisin Bancaria emiti una

recomendacin donde se recoga un conjunto de sistemas de cmputo de la exposicin
al riesgo de mercado de las entidades financieras, conformando lo que se conoce como
modelo estndar. Apenas dos meses despus de la quiebra de Barings PCL, en Abril
de 1995, dicho Comit public tres documentos adicionales, BIS (1995a, 1995b,
1995c), anticipando sus intenciones de modificar el Acuerdo de Capital de 1988.

Finalmente, en enero de 1996 se emiti la Enmienda al Acuerdo de Capital pa-

ra incorporar el riesgo de mercado, BIS (1996), la cual estableca que, a ms tardar
el 1 de enero de 1998, se debera incluir el riesgo de mercado en el computo de los
requerimientos de recursos propios de las entidades. Si bien la propia Enmienda reco-
ga una ampliacin del modelo estndar, su principal novedad radic en que permita
a las entidades la utilizacin de sus propios modelos internos de determinacin del
 2

riesgo de mercado para la cuantificacin de los requerimientos mnimos de recursos

propios.

No obstante, el acuerdo del BIS estableci que las entidades que se acogieran a
la opcin de utilizar sus modelos internos haban de considerar en ellos una serie de
requisitos mnimos tanto de carcter cualitativo (existencia de una unidad indepen-
diente de control de riesgo, emisin de informes diarios...) como cuantitativo. En la
definicin de estos ltimos tomaban una gran importancia dos conceptos que resultan
complementarios, el Value-at-Risk (VaR), que trata de cuantificar el riesgo que asu-
me una entidad usualmente por su participacin en los mercados, y el Stress Testing,
un ejercicio que tiene por objeto evaluar el riesgo en que se incurre en situaciones ex-
cepcionales. Ambas tcnicas, no obstante, ya se estaban empezando a implantar en
una parte de la industria financiera, sobre todo a medida que se generalizaba la ope-
rativa con productos derivados.

Como una primera aproximacin, siguiendo a Jorion (1997), se puede definir el

VaR como un mtodo de clculo del riesgo de mercado que utiliza tcnicas estadsti-
cas estndar para medir la peor prdida previsible del valor de una cartera de activos
(V ) en un intervalo de tiempo (h ) bajo condiciones normales de mercado a un nivel
de confianza dado (u ) . Esto es, el VaR sera aquel valor tal que

Pr Vt h Vt p VaR I t  1  u

siendo I t el conjunto de informacin disponible en t. As pues, si el VaR diario de

una cartera al 99% es de 10 millones de euros, se tiene una confianza de que solo el
1% de los das la variacin diaria de los precios de mercado har perder a la entidad
ms de 10 millones de euros. Alternativamente, el VaR puede entenderse, como apun-
ta Prisker (1996), como el volumen de capital que la entidad requerira para absorber
las prdidas registradas por su cartera en casi todas las circunstancias.

La Enmienda concretaba, de una forma un tanto confusa, que cuando el VaR

fuera a servir de base para la determinacin del los requerimientos mnimos de capital
de una entidad, se deba computar diariamente, a un nivel del confianza del 99% y
para un periodo de mantenimiento de los activos de 10 das.
 3

As, la obtencin del VaR se limita a algo que, a priori, parece de gran sencillez:
calcular diariamente el percentil de orden 0,01 de la distribucin de incrementos de-
cenales del valor de la cartera. Computado este percentil, tras algunos ajustes, se de-
terminara el nivel de capital necesario para hacer frente al riesgo de mercado. Sin
embargo, llegados a este punto aparecen tres dificultades bsicas a la hora de calcular
el VaR.

En primer lugar tendramos que determinar el origen del riesgo al que se enfren-
ta la cartera o, desde un punto de vista ms operativo, el conjunto de factores de
riesgo que alteran los precios de mercado de los activos. Por ejemplo, en el caso de
instrumentos cuyos precios dependen de los tipos de inters, el BIS propone que se
identifiquen un mnimo de seis factores de riesgo que den cuenta de los movimientos
de la estructura temporal de los tipos de inters; para riesgo de cambio, el BIS pro-
pone que se consideren como factores de riesgo todos los tipos de cambio que pueden
afectan al valor de la cartera...

Definidos los factores de riesgo, el siguiente paso en el proceso de medicin de

riesgos consiste en determinar la forma en que aqullos afectan a los precios y, por
ltimo, encontrar la distribucin que siguen los factores de riesgo1. Desgraciadamente,
ninguna de estas tareas es sencilla y ambas pueden ser fuente de errores importantes
en la estimacin del riesgo. Precisamente ha sido en estas cuestiones en las que se ha
centrado la investigacin en los ltimos cinco aos dando a un gran nmero de pro-
puestas alternativas de clculo del VaR que difieren, bsicamente, en las ltimas dos
circunstancias: en el uso o no de aproximaciones para el clculo de las variaciones en
el valor de las carteras y en el tipo de distribucin que se asume para los factores de
riesgo.

Atendiendo a la primera, pueden distinguirse, muy someramente, dos grandes

categoras de mtodos: los mtodos delta y delta-gamma y los mtodos de valoracin
completa (o full valuation). Los primeros proponen aproximar el cambio en el valor de
la cartera mediante un desarrollo en serie de Taylor de orden uno (los mtodos delta)

1
Con mayor precisin, la distribucin de las variaciones de los factores de riesgo, pues son stas la
que originan los cambios en los precios. A partir de ahora, entindase que al hablar de factores de
riesgo como fuente del riesgo de mercado, nos referimos a sus variaciones.
 4

o de orden dos (los mtodos deltagamma) en el cambio en los factores de riesgo. Los
segundos, mucho ms lentos pero ms exactos, sobre todo para posiciones con fuertes
no linealidades como es el caso de los activos con opcionalidad, simulan posibles tra-
yectorias de los factores de riesgo a lo largo del tiempo y proceden a la valoracin
exacta de los activos de la cartera en cada escenario.

En un gran nmero de mtodos, y ste es el tercero de los problemas, es necesa-

rio disponer de una distribucin para los rendimientos de los factores de riesgo. Ante
este problema, es comn asumir una distribucin normal para los rendimientos, su-
puesto ste, que si bien facilita enormemente los clculos y desarrollos, no parece muy
realista a la vista de las principales referencias sobre distribuciones de rendimientos
de activos financieros2. En todas ellas se rechaza la hiptesis de normalidad y, aunque
no se alcanza un consenso sobre la distribucin exacta que subyace a los rendimien-
tos, todos coinciden en que la distribucin ha de tener colas gruesas.

La deteccin de colas gruesas no hace ms que complicar el problema a que nos

enfrentamos ya que, como indican Jansen y De Vries (1991), hay una considerable
controversia en relacin con la masa exacta de probabilidad que reside en las colas de
la distribucin, cuando precisamente el VaR se define como un cuantil extremo. Esta
misma circunstancia es la que hace no recomendable el uso de los mtodos de ajuste
estadstico habituales. Diebold (1998) hace referencia explcitamente a esta cuestin:
[Los] mtodos paramtricos implcitamente se centran en realizar un buen ajuste en
las regiones donde estn la mayora de los datos [...], incluso sofisticados mtodos no
paramtricos [...] es bien conocido que realizan un ajuste pobre en las colas. Pero es
que es ms, el escaso nmero de observaciones extremas hace muy difcil encontrar un
mtodo que, sobre la base exclusivamente de esta informacin, sea capaz de ofrecer
estimaciones fiables para futuros eventos extremos.

Ambas apreciaciones nos llevan a pensar que la estimacin de una funcin de

densidad completa no parece la mejor forma de aproximarnos al problema de la esti-
macin de extremos, el caso que aqu nos ocupa. En este sentido, las recientes aplica-

2
Puede verse, por citar solo las ms significativas, Mandelbrot (1963, 67), Fama (1965), Praetz
(1972), Blattberg et al. (1974), Kon (1984), Boothe y Glassman (1987) o Mittnik y Rachev (1993).
 5

ciones de la Teora de Valores Extremos, EVT en adelante, al campo de las Finanzas

parecen ofrecer un punto de vista novedoso y, a priori, bien fundamentado desde un
punto de vista estadstico, con el que realizar la estimacin de medidas del riesgo de
mercado. Esto es as porque la EVT se centra en el estudio de los extremos de una
distribucin, de los sucesos de baja probabilidad, desarrollando un conjunto de he-
rramientas a partir de las cuales es posible determinar los cuantiles extremos de una
distribucin sin necesidad de conocer la distribucin completa.

Siendo nuestro objetivo ilustrar la aplicacin de la EVT al clculo del VaR, or-
ganizamos lo que resta del presente trabajo de la siguiente forma: en el epgrafe se-
gundo realizamos una breve resea de los principales desarrollos tericos y de estima-
cin de la Teora de Valores Extremos orientando nuestra resea hacia el estudio de
informacin financiera; en el tercero, realizamos una aplicacin al clculo del VaR de
una posicin en divisas, haciendo especial hincapi en su comparacin con los mto-
dos normales de clculo del VaR; finalizaremos con unas breves conclusiones.

2 Teora de Valores Extremos

Si bien los orgenes de esta disciplina podemos encontrarlos en el siglo XVIII, su desa-
rrollo se ha producido bsicamente en los ltimos 100 aos. De hecho, no fue sino
hasta 1958 cuando E. J. Gumbel public Estadsticos de extremos, el primer libro
dedicado ntegramente a la EVT. En esta publicacin se define el objetivo de la EVT
como [...] analizar los extremos observados y predecir ms all de stos. Este obje-
tivo, aunque ambicioso, es alcanzable, en la medida que, tal como resea Gumbel
Los extremos no son constantes sino que son nuevas variables estadsticas que de-
penden de la distribucin inicial y del tamao de la muestra. No obstante, se pueden
alcanzar resultados ciertos que no dependen de la distribucin inicial.

En la breve resea terica que realizamos a continuacin nos centraremos en los

desarrollos de distribuciones asintticas del mximo3 de un conjunto de variables

3
Nos centramos, por comodidad, en el caso del mximo, lo cual no supone una prdida de generali-
dad en la medida que, como es conocido, min X 1, X 2 , !, X n
  max X 1, X 2, !, X n
.
 6

aleatorias, pues sta es la base para lograr plantear una versin estimada de la fun-
cin de distribucin de las variables originales, vlida nicamente en los extremos, a
partir de la cual estimar los cuantiles extremos deseados.

2.1 Distribucin asinttica del mximo de un conjunto de

variables aleatorias

Partimos de un conjunto X1, X 2, !, Xn , de variables aleatorias no degeneradas, inde-

pendientes e idnticamente distribuidas con funcin de distribucin desconocida, F y
estadsticos de orden X1:n p X 2:n p ! p X n :n y estamos interesados en estudiar la
distribucin del mximo, X1:n , que vendr dada por

F1:n (x )  Pr X1:n b x  Pr max X1 , X 2 , !, X n

b x  F (x )n

ahora bien, la utilidad prctica de esta expresin es muy limitada en nuestro caso en
la medida que requiere conocer la distribucin de las variables aleatorias de partida
que, por hiptesis, es desconocida.

Ante esto, se puede realizar un planteamiento alternativo, inspirado en el Teo-

rema Central del Lmite, y que consiste en estudiar la distribucin asinttica del m-
ximo de un conjunto de variables aleatorias con el objetivo de que nos sirva de apro-
ximacin para analizar la distribucin del mximo de un nmero lo suficientemente
alto de variables aleatorias.

Dicho de otro modo, estamos interesados en estudiar bajo qu condiciones exis-

ten las constantes cn  0 y dn  tal que se verifica que cn (X1:n  dn ) tiende en Ley
a alguna variable aleatoria no degenerada, cules son las posibles leyes lmite y bajo
qu condiciones dicha convergencia tiene lugar hacia una distribucin lmite concreta.

El Teorema de Tipos Extremos, uno de los resultados fundamentales de la EVT,

da respuesta a la pregunta anterior en tanto que establece que, si existen las constan-
tes de normalizacin, nicamente pueden existir tres tipos de leyes que pueden jugar
el papel de variables lmite, los llamados tipos extremos.
 7

Teorema 1. Teorema de Tipos Extremos4

Sea X1, X 2, !, Xn una sucesin de variables aleatorias, independientes e idntica-
mente distribuidas con funcin de distribucin F y sea X1:n p X 2:n p ! p X n :n sus
estadsticos de orden. Si existen las constantes de normalizacin cn  0 y dn \ tal
que se verifica

cn X1:n  dn
l
L
G (1)

siendo G una variable aleatoria lmite no degenerada, entonces G pertenece a alguno

de los tres tipos de valores extremos siguientes:

0 x b0
Frchet
Tipo 1 G1,B (x ) 
exp x B
x0

Weibull exp < x
B > x b0
Tipo 2 G2,B (x ) 
0 x 0

Gumbel
Tipo 3 G3,B (x )  exp < exp x
> x\

siendo B  0 el ndice de cola de la distribucin.

Inversamente, cada uno de los tres tipos puede aparecer como distribucin lmite en
(1) y de hecho aparece cuando G es la distribucin de las variables X. ,

En definitiva, partiendo del supuesto de que el mximo debidamente normaliza-

do de una sucesin de variables aleatorias tiene una distribucin lmite no degenera-
da, este teorema garantiza su atraccin hacia alguno de los tres tipos extremos (esto
es, su pertenencia al dominio mximo de atraccin del tipo que corresponda). Hemos
de indicar que este resultado, como otros que seguirn, no depende crucialmente de la
verificacin del supuesto de independencia e igualdad de distribucin de las variables
de partida sino que es generalizable, con leves modificaciones, a sucesiones dependien-
tes5.

4
Puede verse la demostracin en Resnick (1987).
5
Una excelente referencia para consultar esta cuestin es Leadbetter et al. (1983); tambin puede
consultarse en Galambos (1978).
 8

Por ltimo, es de inters resear que existe una representacin alternativa de los
tipos extremos, debida a Jenkinson y von Mises que resulta de gran utilidad en la
medida que representa los tres tipos en una nica familia de funciones de distribucin
dependientes de un parmetro Y que guarda una estrecha relacin con B.

Definicin 2. Tipo generalizado de valores extremos

Definimos el tipo generalizado de valores extremos, G, como

exp (1  Yx )1/ Y Yv0

GY (x ) 
exp < exp(x )> Y0

con Y  y tal que 1  Yx  0 . ,

Se puede fcilmente comprobar que esta funcin, dependiendo de los valores de

Y, puede dar lugar a los tres tipos extremos. De hecho, si Y  B1  0, se tiene el tipo
Frchet, cuando Y  B1  0, se obtiene el tipo Weibull y el caso Y  0, es, trivial-
mente, el Gumbel.

2.2 Colas de la distribucin original y dominios de atraccin

La principal aportacin del Teorema de Tipos Extremos es que facilita una especifica-
cin funcional aproximada con la que estudiar la distribucin del mximo de un n-
mero lo suficientemente alto de rendimientos haciendo innecesario conocer, al menos
en principio, la distribucin completa de la variable aleatoria original. Ahora bien,
este resultado sobre la distribucin asinttica del mximo aparentemente parece que
tiene poco que ver con nuestro objetivo original: estimar el VaR, un cuantil extremo
de una distribucin de rendimientos, no de su mximo.

Sin embargo existe una estrecha relacin entre la distribucin asinttica del m-
ximo y el comportamiento en la cola de la distribucin original. Intuitivamente parece
claro, el mximo es un suceso que, por definicin, pertenece a la cola derecha de la
distribucin y, por tanto, la distribucin asinttica del mximo debera estar estre-
chamente relacionada con la distribucin de la variable aleatoria original cuando nos
situamos en su cola. El siguiente Teorema y su Corolario permiten centrar definiti-
vamente esta cuestin.
 9

Teorema 3. Aproximacin de Poisson6

Sea {X n } una sucesin de variables aleatorias independientes e idnticamente distri-
buidas con funcin de distribucin F. Sea 0 b U b d y supongamos que existe una
sucesin (no decreciente) de nmeros reales {un } tal que se verifica

lim n <1  F (un )>  U (2)

n ld

entonces

lim Pr <Xn :n b un >  exp(U ) (3)

n ld

La inversa tambin es cierta. ,

Ntese que, a partir de la aproximacin de Poisson, particularizando adecuada-

mente el valor de U para cada x, podemos llegar fcilmente al Teorema 1.

La aproximacin de Poisson no hace ms que justificar la intuicin anterior so-

bre la relacin entre la cola y el mximo, ya que si se cumple la ecuacin (2),
1  F (un ) ha de ser extremadamente pequeo, lo cual implica que estamos en la cola
de la distribucin original y, por tanto, en ese caso y solo en ese caso, podemos pasar
a (3). Precisamente esta relacin entre la cola y el mximo, unida al Teorema 1 per-
mite caracterizar los dominios de atraccin de los tres tipos de valores extremos a
partir del comportamiento en la cola de la distribucin original.

Corolario 4. Condicin alternativa de convergencia7

La funcin de distribucin F pertenece al dominio mximo de atraccin de algn tipo
de valores extremos, G Y , con constantes de normalizacin cn  0 y bn  si y solo si

lim n 1  F x / cn  dn
  ln GY (x )
n ld

entendiendo que cuando G (x )  0 el lmite es infinito. ,

As, dicho al contrario, si estimamos el ndice de cola de la distribucin asintti-

ca del mximo tendremos absolutamente determinada la parte derecha de la expre-

6
La demostracin puede consultarse en Leadbetter et al. (1983).
7
Puede verse la demostracin, por ejemplo, en Embrechts et al. (1997).
 10

sin anterior y, por tanto, podremos utilizarla, bajo ciertas condiciones, para realizar
una aproximacin8 a la cola de la distribucin de la variable aleatoria original, que era
el objetivo buscado.

2.3 Variaciones regulares y tipos extremos

Ante una muestra de datos financieros concreta y asumiendo que las premisas del
Teorema de Tipos Extremos se cumplen, surge ahora una nueva pregunta qu tipo
extremo es el relevante para esa muestra? Analizando esta cuestin desde un punto
de vista estrictamente terico, existe un amplio conjunto de condiciones necesarias
y/o suficientes que ha de cumplir la variable aleatoria original para pertenecer a cada
uno de los dominios de atraccin9.

En cualquier caso, al aplicar la Teora de Valores Extremos al anlisis de rendi-

mientos financieros el problema de la eleccin del tipo extremo se simplifica bastante
al ser posible analizar las condiciones de pertenencia a los dominios de atraccin a la
luz de las regularidades estadsticas de las variables financieras. Concretamente, como
se ha comentado anteriormente, la principal constante de los ltimos 30 aos en la
modelizacin de rendimientos es que las distribuciones no son normales y que presen-
tan colas gruesas.

Si bien es cierto que a nivel estadstico no existe una definicin unvoca sobre lo
que se entiende por una distribucin de cola gruesa no lo es menos que si nos centra-
mos en la literatura financiera reciente el consenso es prcticamente generalizado10,
por no decir total: una distribucin tiene colas gruesas si 1  F (x ) vara regularmen-
te11 en infinito con ndice a  0 , condicin sta que nos permite seleccionar el dominio

8
Es muy importante destacar que la aproximacin slo es vlida cuando estamos muy a la derecha
de la distribucin original, esto es cuando F (x )  1 .
9
Una referencia muy til para consultar la amplia gama de condiciones de convergencia para cada
tipo de valores extremos es Embrechts et al. (1997).
10
Vease, por ejemplo, Jansen y De Vries (1991), Hols y De Vries (1991), Longin (1996), Lux (1996),
Bassi et al. (1997), Dannielson y De Vries (1997a), Dannielson y De Vries (1997b), Embrechts et al.
(1997), Kearns y Pagan (1997), Resnick (1997), Dannielson et al. (1998), Diebold et al. (1998),
Resnick y Starica (1998), Dewachter y Gielens (1999), McNeil (1999).
11
Puede consultarse este concepto y algunas de sus propiedades en Feller (1971).
 11

mximo de atraccin del tipo Frchet en virtud del siguiente Teorema debido a Gne-
denko (1943):

Teorema 5 Condicin necesaria y suficiente de pertenencia al dominio mximo

de atraccin del tipo Frchet
Una funcin de distribucin F pertenece al dominio mximo de atraccin del tipo
Frchet si y solo si se verifica que

1  F (tx ) B0
\
x F  sup x ; F (x )  1  d ^ lim
t ld 1  F (t )
 x B
x0

en este caso, las constantes de normalizacin de la convergencia vendrn dadas por

1
cn  F 1 1  n 1
dn  0 ,

Dicho de otro modo, una funcin de distribucin pertenece al dominio mximo de

atraccin del tipo Frchet si, no teniendo punto final a la derecha, vara regularmente
con ndice B  0 .

2.4 Tcnicas de estimacin

Existen, al menos desde un punto de vista histrico, dos mtodos para enfrentarnos al
problema de la estimacin del ndice de cola de un tipo extremo: la estimacin para-
mtrica, planteada inicialmente por Gumbel (1958), y que actualmente se encuentra
en desuso a nivel financiero, y la estimacin que se puede denominar de Dominio M-
ximo de Atraccin, MDA, que parte de los artculos de Pickands (1975) y Hill (1975)
y que actualmente es, prcticamente, la nica que se utiliza en nuestro campo.

Las tcnicas de estimacin MDA parten del supuesto de que se dispone de un

conjunto de variables aleatorias, X1, X 2, !, Xn , no degeneradas, independientes e
idnticamente distribuidas segn una funcin de distribucin, F, desconocida que per-
tenece al dominio mximo de atraccin de algn tipo extremo y con estadsticos de
orden X1:n p X 2:n p ! p X n :n .

Mediante la aplicacin de alguna de las propiedades asintticas derivadas de la

pertenencia a los dominios mximos de atraccin, estas tcnicas consiguen obtener una
versin paramtrica o semiparamtrica de la distribucin original, vlida para los ma-
 12

yores valores de la variable, a partir de la cual realizar la estimacin del ndice de cola.
En funcin de la propiedad utilizada aparecen los diferentes estimadores del ndice de
cola, por orden cronolgico, Pickands (1975), Hill (1975), De Haan y Resnick (1980),
Smith (1987), Decker et al. (1989), Leabetter (1991) y Kratz y Resnick (1995).

En cualquiera de los casos, merece la pena destacar que el verdadero nexo de

unin entre estas tcnicas se encuentra, desde nuestro punto de vista, en el hecho de
que solamente se cumplen sus supuestos cuando x l d o, dicho de otra forma,
cuando se quiere conocer el comportamiento de la variable para valores de la variable
suficientemente altos. Es por ello que, como decamos, slo utilizan una parte de la
informacin de la muestra original, en particular, las mayores observaciones, para
realizar la estimacin.

La idea intuitiva que subyace a estos mtodos de estimacin es utilizar nica-

mente la informacin que pertenece (presumiblemente) a la cola de la distribucin,
puesto que se desea realizar inferencia sobre el mximo (la cola) de sta, eliminando
as la informacin central de la muestra que, a nuestros efectos, es irrelevante. Es por
ello que este tipo de mtodos estadsticos tambin se conocen bajo el acrnimo de
Let the tails speaks for themselves

Tambin es importante destacar que, en lo que sigue, utilizaremos indistinta-

mente las dos notaciones introducidas con anterioridad para el ndice de cola, esto es,
su notacin habitual, B, y la notacin inversa Y, teniendo en cuenta que en el caso
Frchet, Y  B1 .

El estimador de Hill

En este trabajo utilizaremos el estimador propuesto por Bruce M. Hill en 1975 en su

artculo A simple general approach to inference about the tail of a distribution que,
sin duda alguna, es el estimador del ndice de cola ms importante y extendido en el
campo de las Finanzas. Su expresin viene dada por

1
1m
l
B H
m :n  ln X i:n  ln X m:n (4)
m i 1

siendo m el nmero de estadsticos de orden que entran a formar parte de la estima-

cin.
 13

El estimador de Hill es, bajo ciertas condiciones sobre n y m, dbilmente consis-

tencia, Mason (1982), fuertemente consistente, Deheuvels et al. (1988), y, tal como
puede verse en Hall (1982), Goldie y Smith (1987) o De Haan y Resnick (1996)

m  H L
Y m:n  Y l
N 0, Y 2

Es crucial destacar que no se utilizan todas las observaciones disponibles en la

muestra para estimar el ndice de cola sino nicamente las m superiores surgiendo,
as, el principal problema de estos mtodos de estimacin: la eleccin de m. Si lo ana-
lizamos desde un punto de vista ligado a la inferencia, podemos hacer la siguiente
reflexin informal, para un tamao de muestra fijo:

por una parte nos interesa elegir un m lo suficientemente alto como para que, al
incrementarse el nmero de datos con el que realizamos la estimacin, se consiga
que la distribucin y varianza del estimador se acerquen lo ms posible a sus
versiones asintticas.

pero, por otra parte, tambin interesa elegir un m suficientemente bajo, ya que
un m demasiado alto implica salirnos del conjunto de observaciones que, presu-
miblemente, cumplen las condiciones de la estimacin.

Existe, por tanto, un claro trade-off entre varianza y sesgo. Conforme se consi-
gue disminuir la varianza de la estimacin se aumenta su sesgo y viceversa: el objeti-
vo fundamental de cualquier tcnica de seleccin de m ha de ser establecer un equili-
brio adecuado entre ambas fuerzas.

Desafortunadamente no existe ningn procedimiento ptimo de eleccin de m, si

bien una de las herramienta ms extendida son los llamados grficos de Hill (o del
estimador de que se trate) que representan los valores del ndice de cola estimado
como funcin del nmero de estadsticos de orden que entran a formar parte de la
estimacin, esto es

\ m, Bl m:n
, 1 b m b n, m `^

La idea intuitiva que subyace a la utilizacin del grfico es que conforme se in-
crementa m, la varianza del estimador va disminuyendo y el sesgo aumentando y, por
 14

tanto, es de prever que exista en el grfico una zona intermedia para la cual se obser-
ve un relativo equilibrio entre ambas fuerzas y el estimador permanezca estable.

2.5 Clculo del VaR

Una vez que se dispone de una estimacin del ndice de cola de la distribucin de los
factores de riesgo, el ltimo paso para calcular el VaR es construir la versin estima-
da de la cola de dicha distribucin.

Se puede demostrar fcilmente12, a partir de los planteamientos anteriores, que

sta vendr dada por

lH
B
m x
m :n

n
F (x )  1 
n x m:n

y, por tanto, la expresin del cuantil de orden p, p  1 , ser

lH
1/ B
n m :n

xlp  x m:n (1  p)
m

siendo muy importante destacar, an a riesgo de ser reiterativos, que esta expresin
solo es vlida para calcular cuantiles extremos de la distribucin original y, en ningn
caso, se puede tomar como una expresin general de los cuantiles de dicha distribu-
cin.

En definitiva, si nuestras variables son los rendimientos de los factores de riesgo

de una determinada cartera, la expresin anterior permite, disponiendo de una esti-
macin del ndice de cola, calcular los cuantiles extremos de dicha distribucin y, por
tanto, utilizando cualquier modelo que relacione los rendimientos de los factores de
riesgo con el valor de la cartera, calcular el VaR.

12
Vease, por ejemplo, Embrechts et al. (1997).
 15

3 Una aplicacin de la EVT al clculo del VaR

En este epgrafe vamos a aplicar los desarrollos anteriores a un caso de clculo del
VaR de una posicin simple en divisas (straight FX) de dlares estadounidenses,
USD, frente a yenes japoneses, JPY.

La eleccin de este tipo de posicin no es arbitraria sino que responde al hecho

de buscar un activo con el que fuera posible calcular el VaR fcilmente para as cen-
trar nuestra atencin en los efectos y consecuencias de la estimacin de valores ex-
tremos ms que en la propia problemtica usual del clculo del Valor en Riesgo. As,
se ha buscado un activo para el cual el factor de riesgo, segn indica el Banco Inter-
nacional de Pagos, es el propio rendimiento del activo y que se relaciona linealmente
con la variacin de valor de la cartera.

Por tanto, el VaR vendra dado, simplemente, por el producto del valor al con-
tado de la cartera de USD, valorado en JPY, y el cuantil que corresponda de la dis-
tribucin de rendimientos del tipo de cambio JPY/USD.

La muestra original consiste en los promedios bidask de los tipos de cambio

interbancarios diarios JPY/USD tomados todos los mircoles desde el 3 de enero de
1990 hasta el 29 de diciembre de 1999, en total 522 observaciones. Si llamamos x t al
tipo de cambio del da t, el factor de riesgo vendra dado por la tasa de variacin se-
manal, en porcentaje, del tipo de cambio, esto es, ft  100(x t / x t 7  1) .

En el Apndice presentamos la representacin grfica de ambas series as como

sus principales estadsticos descriptivos; nicamente destacar el valor del coeficiente
de curtosis del factor de riesgo que claramente supera el registro de la distribucin
normal.

Evidentemente, con la informacin disponible, podemos calcular tanto el VaR

de una posicin larga al contado en USD como el de una posicin corta, que corres-
ponderan, respectivamente a los cuantiles de orden 0,01 y 0,99 de la distribucin del
factor de riesgo.
 16

3.1 Estimacin de los ndices de cola

Puesto que nos interesa calcular el VaR de las dos posiciones vamos a realizar el an-
lisis de las colas de la distribucin de rendimientos por separado, evitando as el
apriorstico supuesto, por lo dems habitual, de que son simtricas. Para ello, dividi-
mos la muestra original del factor de riesgo en dos submuestras: la de valores positi-
vos, 253 observaciones, y la de valores negativos, 268 observaciones.

Como hemos visto con anterioridad, el principal problema de la estimacin del

ndice de cola radica en determinar dnde comienza exactamente la cola de la distri-
bucin y, por tanto, seleccionar, cara a realizar la estimacin, nicamente aquellas
observaciones de la muestra original que pertenecen a la cola de la distribucin. Ante
la inexistencia de un procedimiento bien fundamentado de seleccin del m ptimo que
resebamos con anterioridad, hemos optado por realizar la seleccin basndonos en
el grfico de Hill, aun a pesar de la subjetividad que conlleva. Para ello, hemos cal-
culado el valor del estimador de Hill, de acuerdo a nuestra ecuacin (4), para los 125
primeros estadsticos de orden de cada cola y construidos los grficos de Hill corres-
pondientes, que se presentan en la Figura 1.

6,0 6,0

5,0 5,0

4,0 4,0

3,0 3,0

2,0 2,0

1,0 1,0

0,0 0,0
0 25 50 75 100 125 0 25 50 75 100 125
Cola izquierda Cola derecha

Figura 1. Grficos de Hill del tipo de cambio JPY/USD

La primera caracterstica que hemos de destacar de los grficos es que, para los
valores de m relevantes, las estimaciones ndice de cola son claramente positivas,
dando, de alguna forma, verosimilitud, junto con la fuerte leptocurtosis del factor, a
nuestro supuesto de partida de que la distribucin perteneca al dominio mximo de
atraccin del tipo Frechet.
 17

Por otra parte, centrndonos ya en el propio grfico, entendemos que en ambos

casos se sigue razonablemente el comportamiento usual que resebamos en el ep-
grafe anterior para esta herramienta. As, en la zona en la que m es bajo, los valores
estimados del parmetro experimentan fuertes oscilaciones, debido a que los valores
estimados por el estimador de Hill, como consecuencia del escaso nmero de estadsti-
cos de orden que entran a formar parte de su clculo, es muy sensible a una entrada
adicional y, por tanto, vara fuertemente ante la entrada de nueva informacin. Con-
forme se van incorporando ms observaciones en su clculo, los valores estimados se
van estabilizando alcanzando una cierta estabilidad en las zonas indicadas que, pre-
sumiblemente, son aqullas en las cuales se produce el deseado equilibrio entre sesgo y
varianza. Finalmente, al ir entrando progresivamente estadsticos de orden que cla-
ramente no pertenecen a la cola de la distribucin, los valores estimados se van ses-
gando registrando una tendencia descendente.

Pasando ya al estudio detallado de las zonas estables del grfico de Hill de la

cola izquierda, hemos decidido seleccionar la primera zona relativamente estable que
aparece en el grfico y que se encontrara entre m  29 y m  38 donde el valor es-
timado se mueve en torno a 2,7612. El principal motivo que nos lleva esta eleccin es
elegir un valor de m (un conjunto de valores, estrictamente hablando) que, cumplien-
do el requisito de estabilidad del grfico, sea lo ms bajo posible para asegurar que
los valores observados que entran a formar parte de la estimacin pertenezcan a la
cola de la distribucin. Se podra objetar a esta eleccin que aparecen otras zonas es-
tables a partir de m  40 pero entendemos que stas se encuentran incluidas dentro
de la zona en la que presumiblemente el sesgo comienza a incrementarse (aunque n-
tese que se va produciendo a saltos, lo que podra deberse a otro tipo de consideracio-
nes fuera del mbito de este anlisis).

Al analizar la zona estable de la cola derecha, observamos que es necesario se-

leccionar valores algo altos de m para encontrar una zona donde el estimador se man-
tenga relativamente estable en un intervalo de valores de m de una amplitud relevan-
te. La primera zona estable aparece, desde nuestro punto de vista, desde m  46 has-
ta m  76 en torno a un valor estimado de 2,4227. En este caso, s se observa con
mayor claridad cmo al finalizar la zona de estabilidad los valores estimados van ses-
gndose de forma lenta pero progresiva.
 18

Ante la necesidad de elegir un valor concreto de m para proceder a la estima-

cin del ndice de cola, hemos decidido seleccionar aquel m que hace que valor esti-
mado del ndice de cola sea el que ms se acerca a su valor medio en la zona. En
cualquier caso, esta eleccin concreta tiene escasa relevancia en los resultados finales
ya que, por la propia construccin del estimador, tanto los valores del ndice de cola
estimado como los del ltimo estadstico de orden utilizado son, dentro de cada zona,
muy similares. La estimacin final del ndice de cola y los estadsticos relevantes de
cada cola los resumimos en la Tabla 1.

Valores Cola Cola

estimados izquierda derecha
n 253 268

m 35 66
x m :n -2,3524 1,4245
Bm :n 2,7603 2,4210

Tabla 1. Estimaciones del ndice de cola JPY/USD

3.2 Clculo del VaR

Una vez que disponemos de ambas estimaciones del ndice de cola, por aplicacin di-
recta de las frmulas expuestas en 2.5 podemos calcular los cuantiles extremos de la
distribucin del factor de riesgo. As, en la tabla siguiente recogemos el cuantil del 1%
de la distribucin de los incrementos porcentuales del factor, vlido para calcular el
VaR de una posicin larga en USD y el del 99%, til para calcular el de la posicin
corta.

Cola izquierda Cola derecha

Posicin Larga Posicin Corta
Estimaciones bajo EVT
-6,0932% 5,3506%

Estimaciones bajo normalidad

-3,5723% 3,5723%

Tabla 2. Cuantiles del factor de riesgo JPY/USD

Para calcular el VaR bastara con cambiar de signo el producto del valor de la
cartera de USD, expresado en JPY, por los cuantiles anteriores. Si el valor de la car-
tera lo fijamos en 100 JPY, el Valor en Riesgo de la cartera de USD sera de 6,0932
JPY para la posicin larga y de 5,3506 JPY para la corta. Merece la pena destacar
que el cuantil izquierdo registra un valor algo superior al derecho, dando lugar a pen-
 19

sar que el mantenimiento de una posicin larga en USD es ms arriesgado, si habla-

mos de riesgo en trminos estrictos de VaR, que el mantener la posicin corta.

Pero donde realmente se pone de manifiesto la relevancia del anlisis es al com-

parar los resultados obtenidos por Teora de Valores Extremos con los que se des-
prenderan utilizando el supuesto usual de normalidad. En nuestro caso, para la mis-
ma cartera de USD con valor contado 100 JPY, el VaR descendera hasta 3,5723
JPY: prcticamente la mitad. As, una entidad que realizara el clculo del VaR utili-
zando el supuesto de normalidad, de forma consciente o inconsciente mediante la uti-
lizacin de un procedimiento de caja negra, estara infravalorando en casi un 50% el
riesgo que soporta al mantener la posicin en divisas. O, dicho de otra forma, el nivel
de confianza al que est calculando su VaR est muy lejos del 99% exigido por el
BIS.

Una forma alternativa de apreciar este hecho venda dada por la Figura 2 en la
que representamos, con los niveles de confianza en el eje de abcisas, los valores esti-
mados para el VaR segn la estimacin de Teora de Valores Extremos (lnea gruesa)
y la basada en la Normal (lnea fina) para ambas posiciones.

20,0 20,0

15,0 15,0

10,0 10,0

5,0 5,0

0,0 0,0
0,95 0,96 0,97 0,98 0,99 1 0,95 0,96 0,97 0,98 0,99 1

Posicin larga Posicin corta

Figura 2. VaR EVT vs VaR Normal

Como era de esperar, conforme se incrementa el nivel de confianza con que se

realiza la estimacin, mayor es el error en que se incurre, evidenciando la importancia
que tienen los sucesos extremos y poco probables en el clculo de una medida de lo
poco probable como es el VaR.
 20

4 Conclusin
Partiendo de la idea de que estimar el VaR es, en ltima instancia, estimar un cuantil
extremo de una distribucin, en este trabajo hemos intentado poner de manifiesto la
necesidad de implementar mtodos de clculo de este cuantil que estn especficamen-
te diseados para la estimacin de sucesos extremos.

As, frente a los mtodos de inferencia paramtrica y no paramtrica tradicio-

nales de los que se viene haciendo uso asiduamente para estas cuestiones, aparecen
otros, los basados en la Teora de Valores Extremos, que ofrecen un instrumental al-
ternativo, especficamente diseado para trabajar con sucesos extremos.

Para ilustrar esta afirmacin hemos realizado una aplicacin de clculo del VaR
para una posicin USD/JPY llegando a un resultado claro: la estimacin del VaR
utilizando el supuesto usual de normalidad infravalora el riesgo de la posicin en casi
un 50%, con las consecuencias que esto implica.

Si bien es cierto que, en la medida que el tipo de cambio permanezca estable o

evolucione de forma favorable para la entidad, la situacin no tiene por qu tener
mayores consecuencias (de hecho, los beneficios sern muy satisfactorios13), no lo es
menos que un movimiento adverso y extremo (que bien puede ser puramente coyun-
tural) puede hacer que se materialicen, de forma sbita e inesperada, quebrantos muy
importantes en la cartera FX. En cualquier caso, aunque la probabilidad de este suce-
so es muy pequea, no es menos cierto en este terreno merece la pena ser prudentes.

Bibliografa
BANK FOR INTERNATIONAL SETTLEMENTS (1988): International convergence of capital measurements
and capital standard, Basle Committee on banking supervision, Basilea.
BANK FOR INTERNATIONAL SETTLEMENTS (1995a): An internal model-based approach to market risk
capital requirements, Basle Committee on banking supervision, Basilea.

13
Las operaciones de Nick Leeson, el operador jefe de Barings PCL en Singapur, y que a la postre
haran quebrar el Banco el 23 de febrero de 1995, haban generado una quinta parte de los benefi-
cios de Barings en 1994.
 21

BANK FOR INTERNATIONAL SETTLEMENTS (1995b): Planned supplement to the Capital Accord to
incorporate market risks, Basle Committee on banking supervision, Basilea.
BANK FOR INTERNATIONAL SETTLEMENTS (1995c): Proposal to issue a supplement to the Basle Capital
Accord to cover market risks, Basle Committee on banking supervision, Basilea.
BANK FOR INTERNATIONAL SETTLEMENTS (1996): Amendment to the Capital Accord to incorporate
market risks, Basle Committee on banking supervision, Basilea.
BASSI, F., P. EMBRECHTS Y M. KAFETZAKI (1997): A survival kit on quantile estimation, Swiss Federal
Institute of Technology, Zurich (Preprint), pp. 19.
BLATTBERG, R. C. Y N. J. GONEDES (1974): A comparison of the stable and student distributions as
statistical models for stock prices, Journal of business, 47, pp. 244-280.
BOOTHE, P. Y D. GLASSMAN (1987): The statistical distribution of exchange rates, Journal of
international economics, 22, pp. 297-319.
DANIELSSON, J. Y C. G. DE VRIES (1997): Beyond the sample: extreme quantile and probability
estimation, Tinbergen Institute Technical Report, 39.
DANIELSSON, J. Y C. G. DE VRIES (1997a): Value-at-risk and extreme returns, Financial Market
Group Working Paper 273, London School of Economics, 33 pp.
DANNIELSON, J. Y C. G. DE VRIES (1997b): Extreme returns, tail estimation, and value-at-risk,
Tinbergen Institute Discussion Paper, 29 pp., Rotterdam.
DE HAAN, L. Y S. I. RESNICK (1980): A simple asymptotic estimate for the index of a stable
distribution, Journal of the Royal Statistical Society, B (42), pp. 83-87.
DEKKERS, A. L. M., J. H. J. EINMAHL Y L. DE HAAN (1989): A moment estimator for the index of an
extreme-value distribution, Annals of statistics (47), pp. 1833-1855.
DEWACHTER, H. Y G. GIELENS (1999): Setting futures margins: the extremes approach, Applied
financial economics (9), pp. 173-181.
DIEBOLD, F. X., T. SCHUERMANN Y J. D. STROUGHAIR (1998): Pitfalls and opportunities in the use of
extreme value theory in risk management, Wharton Financial Institutions Center WP 98-10, 20
pp., Pennsylvania.
EMBRECHTS, P., C. KLPPELBERG Y T. MIKOSCH (1997): Modelling extremal events, Springer-Verlag,
1 ed., Berlin.
FAMA, E. F. (1965): The behaviour of stock-market prices, Journal of business, 34, pp. 34-105.
FELLER, W. (1971): An introduction to probability theory and its applications, vol. II., John Wiley &
Sons, 2 ed., New York.
GALAMBOS, J. (1987): Asymptotic theory of extreme order statistics, Krieger, 2 ed., Florida.
GNEDENKO, B. V. (1943): Sur la distribution limite du terme maximum d'une srie alatoire, Annals
of mathematics, 44, pp. 423-453.
GUMBEL, E.J. (1958): Statistics of extremes, Columbia University Press, 1 ed., Nueva York
HILL, B. M. (1975): A simple general approach to inference about the tail of a distribution, Annals
of statistics, 3 (5), pp. 1163-1174.
HOLS, M. C. A. B. Y C. G. DE VRIES (1991): The limiting distribution of extremal exchange rate
returns, Journal of applied econometrics, 6, pp. 287-302.
JANSEN, D. W. Y C. G. DE VRIES (1991): On the frecuency of large stock returns, putting booms and
busts into perspective, Review of economics and statistics, LXXIII, pp. 18-24.
JORION, P. (1997): Value at risk, McGraw Hill, 1 ed.
KEARNS, P. Y A. PAGAN (1997): Estimating the density tail index for financial time series, Review of
economics and statistics, LXXIX (2), pp. 171-175.
 22

KON, S. J. (1984): Models of stock returns A comparison, Journal of finance, XXXIX (1), pp. 147-
165.
KRATZ, M. F. Y S. I. RESNICK (1995): The qq-estimator and heavy tails, Cornell University, School of
Operational Research and Industrial Engineering Technical Report 1122, 25 pp..
LEADBETTER, M. R. (1991): On the basis for 'peaks over threshold' modeling, Statistical probability
letters (12), pp. 357-362.
LEADBETTER, M. R., G. LINDRENG Y H. ROOTZN (1983): Extremes and related properties of random
sequences and processes, Springer Series in Statistics, Springer-Verlag, 1 ed., New York.
LONGIN, F. M. (1996): The asymptotic distribution of extreme stock market returns, Journal of
business, 69 (3), pp. 383-408.
LUX, T. (1996): The stable Paretina hypothesis and the frequency of large returns: an examination of
major German stock, Applied financial economics (6), pp. 463-475.
MANDELBROT, B. (1963): The variation of certain speculative prices, Journal of business, 36, pp.
394-419.
MANDELBROT, B. (1967): The variation of some others speculative prices, Journal of business, 40,
pp. 393-413.
MCNEILL, A. J. (1999): Extreme value theory for risk managers, Swiss Federal Institute of Technology,
Zurich Preprint, 22 pp..
MITTNIK, S. Y S. T. RACHEV (1993): Modeling asset returns with alternative stable distributions,
Econometric reviews, 12 (3), pp. 261-330.
PICKANDS, J. III (1975): Statistical inference using extreme order statistics, Annals of statistics (3),
pp. 119-131.
PRAETZ, P. D. (1972): The distribution of share price changes, Journal of business, pp. 49-55.
PRITSKER, M. (1996): Evaluating Value at Risk methodologies: Accurancy versus computational time,
Wharton Financial Institutions Center WP 96-48, 77 pp., Pennsylvania.
RESNICK, S. I. (1987): Extreme values, regular variation and point processes, Springer-Verlag, Nueva
York.
RESNICK, S. I. (1997): Heavy tail modelling and teletraffic data, Annals of statistics, 25, pp. 1805-
1869.
RESNICK, S. I. Y STARICA, C. (1997): Smoothing the Hill estimator, Advances in applied probability
(29), pp. 271-293.
SMITH, R. L. (1987): Estimating tails of probability distributions, Annals of statistics, pp. 1174-1207.
 23

Apndice
Recogemos a continuacin un breve resumen de los principales estadsticos descripti-
vos de las series utilizadas.

Tipo de cambio JPY/USD

Nm. datos 522 Cuantiles muestrales

Media 118,7244 Orden Valor Orden Valor
Varianza 259,3943 0,005 83,27 0,995 158,60
Asimetra 0,1632 0,010 83,72 0,990 157,86
Curtosis -0,4070 0,025 87,24 0,975 151,80
Mnimo 80,6000 0,050 96,99 0,950 145,91
Mediana 0,0296 0,100 99,85 0,900 138,37
Mximo 159,6600 0,250 106,17 0,750 129,90

Factor de riesgo JPY/USD

Nm. datos 521 Cuantiles muestrales

Media -0,0557 Orden Valor Orden Valor
Varianza 2,4322 0,005 -5,4630 0,995 3,6978
Asimetra -0,5679 0,010 -4,5456 0,990 3,4063
Curtosis 2,9139 0,025 -3,5885 0,975 2,8624
Mnimo -8,1614 0,050 -2,6470 0,950 2,2869
Mediana 0,0296 0,100 -1,8898 0,900 1,5888
Mximo 6,8487 0,250 -0,8786 0,750 0,9197

Representacin grfica
160,0 10,0
150,0 8,0
6,0
140,0
4,0
130,0 2,0
120,0 0,0
110,0 -2,0
-4,0
100,0
-6,0
90,0 -8,0
80,0 -10,0
90 91 92 93 94 95 96 97 98 99 90 91 92 93 94 95 96 97 98 99
Tipo de cambio Factor de riesgo