Valor en Riesgo y simulación: una revisión sistemática

Resumen

El valor en riesgo es la medida de mercado utilizada por las instituciones financieras y adoptada por el Comité de Basilea para calcular y gestionar el riesgo, lo que la convierte en una medida necesaria para el sector financiero. En este artículo se realiza un estudio bibliométrico del Valor en Riesgo (VaR) y su cálculo mediante procesos de simulación. Para ello se revisan las investigaciones publicadas en los últimos 20 años en las bases de datos Scopus y Web of Science, recopilando los documentos más relevantes para su análisis. Posteriormente se presenta la justificación del tema y se elabora la red social utilizando la analogía del árbol, en la que cada uno de los documentos más importantes se clasifican como raíz, tronco u hoja. Finalmente, se identifican las perspectivas de investigación del tema mediante un análisis de co-citaciones. Se concluye que las mujeres tienen un alto grado de participación en cargos gerenciales, sin embargo, se nota una diferencia significativa de 3.492.556 pesos en los salarios de los dos sexos, donde los hombres son quienes obtiene mayores ingresos.

Palabras clave: Riesgo; valor en riesgo; VaR; bibliometría; mapeo científico.

Referencias

Asimit V, Peng L, Wang R y Yu A (2019). An efficient approach to quantile capital allocation and sensitivity analysis. Mathematical Finance. doi: 10.1111/mafi.12211

Aria, M. y Cuccurullo, C. (2017) Bibliometrix: una herramienta R para el análisis exhaustivo de la cartografía científica. Journal of Informetrics, 11 (4), pp 959-975, Elsevier. Tomado de: https://cran.r-project.org/web/packages/bibliometrix/vignettes/bibliometrix-vignette.html

Anderso F, Mausser H, Rosen D, Uryasev S. (2.001). Credit risk optimization with Conditional Value-at-Risk criterion. Math. Program.Ser. pp: 273–291. doi: 10.1007/s101070000201

Andriosopoulos K y Nomikos N (2015). Risk management in the energy markets and Value-at-Risk modelling: a hybrid approach. The European Journal of Finance, 21, pp 548-574. doi: 10.1080/1351847X.2013.862173

Artzner P, Delbaen F, Eber J, Heath D. (1.999). Coherent Measures Of Risk. Mathematical Finance, Vol. 9, No. 3, pp 203–228, doi: 10.1111/1467-9965.00068

Babazadeh H y Esfahanipour A. (2019). A novel multi period mean-VaR portfolio optimization model considering practical constraints and transaction cost, Journal of Computational and Applied Mathematics 361 pp. 313–342. https://doi.org/10.1016/j.cam.2018.10.039.

Bastian M, Heymann S, (Gephi 2009): An Open Source Software for Exploring and Manipulating Networks. Proceedings of the Third International ICWSM Conference (2009).

Bollerslev T (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics 31 pp 307-327. doi: 10.1016/0304

Broadie M, Du Y y Moallemi C. (2011) Efficient Risk Estimation via Nested Sequential Simulation. Management Science 57 pp 1172-1194. http://dx.doi.org/10.1287/mnsc.1110.1330

Buitrago, S., Duque, P., & Robledo, S. (2020). Branding Corporativo: una revisión bibliográfica. ECONÓMICAS CUC, 41(1). https://doi.org/10.17981/econcuc.41.1.2020.Org.1

Chen Q, Gerlach R y Lu Z (2012). Bayesian Value-at-Risk and expected shortfall forecasting via the asymmetric Laplace distribution. Computational Statistics an Data Analysis. No 56. Pp 3498-3516. doi 10.1016/j.csda.2010.06.018

Colletaz G, Hurlin C y Pérignon C (2013). The Risk Map: A new tool for validating risk models. Journal of Banking & Finance 37, pp 3843-3854. http://dx.doi.org/10.1016/j.jbankfin.2013.06.006

Dahlgreen R, Ching C yLawarree J. (2003). Risk Assessment in Energy Trading. IEEE Transactions on Power Systems, Vol. 18, No2, pp 503- 511. doi: 10.1109/TPWRS.2003.810685

Du Z, Escanciano J. (2017). Backtesting Expected Shortfall: Accounting for Tail Risk. Management Science. 63(4); 940-958. https://doi.org/10.1287/mnsc.2015.2342.

Duffie D y Pan J. (1.997). An Overview of Value at Risk. The Journal Of Derivatives, pp 7-49, doi: 10.3905/JOD.1997.407971

Duque, P. & Cervantes-Cervantes, L.-S. (2019). Responsabilidad Social Universitaria: una revisión sistemática y análisis bibliométrico. Estudios Gerenciales, 451–464. https://doi.org/10.18046/j.estger.2019.153.3389

Duque, P., & Duque, J. (2020). Marketing digital y comercio electrónico: un análisis bibliométrico. In M. I. Redondo Ramírez, A. M. Barrera Rodríguez, & C. C. Duque

Gómez (Eds.), Nuevos modelos de negocio (pp. 74–96). Centro de Investigaciones Facultad de Ciencias Económicas, Administrativas y Contables. http://hdl.handle.net/10901/18463

Engle R (1.982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, Vol. 50, No. 4, pp. 987-1007. doi: 10.2307/1912773

Engle R, Manganelli S. (2004). CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles. Journal of Business & Economic Statistics. article: http://dx.doi.org/10.1198/073500104000000370

Escanciano J y Pei P (2012). Pitfalls in backtesting Historical Simulation VaR models

Journal of Banking & Finance, pp 2233–2244. http://dx.doi.org/10.1016/j.jbankfin.2012.04.004

Gaglianone W, Renato L, Linton O y Smith D (2011) Evaluating Value-at-Risk Models via Quantile Regression. Journal of Business & Economic Statistics, pp 150-160.doi: 10.1198/ jbes.2010.07318

Gaio L, Pimenta T, Guasti F, Passos I, Oliveira N, (2018). Value-at-risk performance in emerging and developed countries, International Journal of Managerial Finance, https://doi.org/10.1108/IJMF-10-2017-0244

Glasserman P, Heilderberg P y Shahabuddin P. (2002). Portfolio value-at-risk with heavy-tailed risk factors. Mathematical Finance, Vol. 12, No. 3, pp 239–269. doi: 10.1111/1467-9965.00141

Glasserman P y Li J. (2005). Importance Sampling for Portfolio Credit Risk. Management Science.Vol. 51, No. 11, pp. 1643–1656. doi: 10.1287/mnsc.1050.0415.

Gephi.org (2017). Gephi, recuperado de: https://gephi.org/

Gençay R, Selçuk F y Ulugülyagci A. (2003). High volatility, thick tails and extreme value theory in value-at-risk estimation. Insurance. Mathematics and Economics 33 pp 337–356, doi 10.1016/J.INSMATHECO.2003.07.004

Gencay R, Selcuk F (2004). Extreme value theory and Value-at-Risk: Relative performance in emerging markets, International Journal of Forecasting pp. 287 – 303. doi:10.1016/j.ijforecast.2004.09.005.

Glosten L, Jagannathan R y Runkle D. (1.993). On the Relation between the Expected Value and the Volatility of the Nominal Excess. The Journal of Finance, Vol. 48, No. 5 pp. 1779-1801, doi 10.2307/2329067

Gordy M y Juneja S. (2010). Nested Simulation in Portfolio Risk Measurement. Management Science. Institute for Operations Research and the Management Sciences, pp 1833-1848. doi:10.1287/mnsc.1100.1213

Hong L (2009). Estimating Quantile Sensitivities. Operations Research 57 pp 118-130. http://dx.doi.org/10.1287/ opre.1080.0531

Huanga D, Zhub S , Fabozzi F y, FukushimaM (2008). Portfolio selection with uncertain exit time: A robust CVaR approach. Journal of Economic Dynamics & Control 32 pp. 594–623. doi 10.1016/j.jedc.2007.03.003

Jabr R.(2005). Robust Self-Scheduling Under Price Uncertainty Using Conditional Value-at-Risk. IEEE Transactions on Power Systems, Vol. 20, NO. 4. pp 1852-1858. doi: 10.1109/TPWRS.2005.85695

Kennedy J y Elberhart R. (1995). Particle Swarm Optimization. Purdue School of Engineering and Technology. doi: 10.1109/ICNN.1995.488968

Kupiec P (1995). Techniques for Verifying the Accuracy of Risk Measurement Models The Journal of Derivatives. Pp73-84. doi: 10.3905/JOD.1995.407942

Kuester K, Mittnik S y Paoella M (2005). Value-at-Risk Prediction: A Comparison of Alternative Strategies. Journal of Financial Econometrics, 2006, Vol. 4, No. 1, 53–89. doi: 10.1093/jjfinec/nbj002

Liu B y Liu Y. (2002). Expected Value of Fuzzy Variable and Fuzzy Expected Value Models. IEEE Transactions on Fuzzy Systems, VOL. 10, NO. 4. Pp 445- 450. doi: 10.1109/TFUZZ.2002.800692

Lwin K, Qu R, MacCarthy B (2017), Mean-VaR Portfolio Optimization: A Nonparametric Approach, European Journal of Operational Research. doi: 10.1016/j.ejor.2017.01.0053.

Markowitz H (1.952). Portfolio Selection, The Journal Of Finance. (V7. No 1 pp 77 – 91). https://doi.org/10.1111/j.1540-6261.1952.tb01525.x

Marimoutou V, Raggad B y Trabelsi A. (2009). Extreme Value Theory and Value at Risk: Application to oil market. Energy Economics, pp 519–530. doi: 10.1016/j.eneco.2009.02.005

McNeil A. y Frey R. (2.000). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Journal of Empirical Finance 7, pp 271–300. doi: 10.1016/S0927

Moazeni S, Coleman T, y Li Y (2013). Smoothing and parametric rules for stochastic mean-CVaR optimal execution strategy. Springer Science Business Media New York. doi: 10.1007/s10479-013-1391-7

Muller F, Brutti M (2017). Numerical comparison of multivariate models to forecasting risk measures. Risk Manag. doi: 10.1057/s41283-017-0026-8

Nelson B. (1.991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, Vol. 59, No. 2 , pp. 347-370. 10.2307/2938260. doi: 10.2307/2938260

Novales A y Garcia L (2018): Backtesting extreme value theory models of expected shortfall. Quantitative Finance. doi: 10.1080/14697688.2018.1535182

Paolella M. (2017). The Univariate Collapsing Method for Portfolio Optimization. Econometrics 2017. doi: 10.3390/econometrics5020018

Perignon C, Smith D. (2010). The level and quality of Value-at-Risk disclosure by commercial Banks. Journal of Banking & Finance 34 pp 362–377. doi: 10.1016/J.JBANKFIN.2009.08.009

Ping C, Vijverberg W Y Taspinar S (2015). Linking Tukey’s Legacy to Financial Risk Measurement. Computational Statistics and Data Analysis (2015), http://dx.doi.org/10.1016/j.csda.2015.08.018

Pritsker M (2006). The hidden dangers of historical simulation. Journal of Banking & Finance. Pp561-582. doi:10.1016/j.jbankfin.2005.04.013

R Core Team (2020). R: A language and environment for statistical. computing. R Foundation for Statistical Computing, Vienna, Austria.

URL https://www.R-project.org/.

Robledo, S., Osorio, G., & Lopez, C. (2014). Centro de Investigación de la Universidad Distrital Francisco José de Caldas. Revista vínculos, 11(2), 6–16. https://doi.org/10.14483/2322939X.9664

Rockafellar R, 2000, J Risk, V2, P21. doi: 10.21314/JOR.2000.038

Scheller F y Auer B (2018): How does the choice of Value-at-Risk estimator influence asset allocation decisions? Quantitative Finance. doi: 10.1080/14697688.2018.1459806

Vijverberg, C.-P.C. y Vijverberg, W.P.M (2015). Linking Tukey’s Legacy to Financial Risk Measurement. Computational Statistics and Data Analysis (2015), http://dx.doi.org/10.1016/j.csda.2015.08.018

Wasserman, S., & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press. https://books.google.com/books/about/Social_Network_Analysis.html?hl=&id=CAm2DpIqRUIC

Wang B, Wang S, Watadata J. (2011). Fuzzy-Portfolio-Selection Models With Value-at-Risk. IEEE Transactions on Fuzzy Systems, vol. 19, No. 4, pp 758-769. doi: 10.1109/TFUZZ.2011.2144599

Yao H, Li Z, Lai Y (2013). Mean–CVaR portfolio selection: A nonparametric estimation framework. Computers & Operations Research. pp1014-1022. doi: 10.1016/J.COR.2012.11.007

Wang C, Chen Q y Gerlach R (2018): Bayesian realized-GARCH models for financial tail risk forecasting incorporating the two-sided Weibull distribution. Quantitative Finance. doi: 10.1080/14697688.2018.1540880

Xu L. (2014). Model-free inference for tail risk measures. Econometric Theory, 2014, pp 1-32. doi:10.1017/S0266466614000802

Yao H, Li Z y Lai Y (2.013). Mean–CVaR portfolio selection: A nonparametric estimation framework. Computers & Operations Research 40, pp 1014-1022

http://dx.doi.org/10.1016/j.cor.2012.11.007

Zaichao Du, Escanciano J. (2016). Backtesting Expected Shortfall: Accounting for Tail Risk. Management Science 63(4):940-958. https://doi.org/10.1287/mnsc.2015.2342

Zhang L, Luo M, Boncella R.(2017). Product information diffusion in a social. Electronic Commerce Research (2018). doi: 10.1007/s10660-018-9316-9

Zhang Q, Wang X (2009). Hedge Contract Characterization and Risk-Constrained Electricity Procurement. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 24, NO. 3. Pp 1547-1548. doi: 10.1109/TPWRS.2009.2021233

Ziggel D, Berens T, Weib G, Wied D. (2014). A new set of improved Value-at-Risk back tests. Journal of Banking & Finance 48 pp 29–41. doi:10.1016/J.JBANKFIN.2014.07.005

Zuluaga, M., Robledo, S., Osorio Zuluaga, G. A., Yathe, L., Gonzalez, D., & Taborda, G. (2016). Metabolómica y Pesticidas: Revisión sistemática de literatura usando teoría de grafos para el análisis de referencias. Nova, 14(25), 121. https://doi.org/10.22490/24629448.1735

Descargas

La descarga de datos todavía no está disponible.

Acerca de los Autores

Mauren Silene Pineda Guerrero, Casautos / Caja de Compensación Familiar de Caldas

Es tecnóloga en Finanzas de la Universidad de Caldas, Administradora Financiera Universidad de Caldas. Miembro del grupo de investigación en Finanzas cuantitativas adscrito a la Facultad de Administración de la Universidad Nacional de Colombia Sede Manizales

Alberto Antonio Agudelo Aguirre, Universidad Nacional de Colombia

Es Profesional en Administración de Empresas de la Universidad Nacional de Colombia Sede Manizales. Con especialización en Ingeniería Administrativa y Financiera de la Universidad Nacional de Colombia Sede Medellín. Magister (MsC) en Administración con énfasis en Finanzas de la Universidad Nacional de Colombia Sede Manizales y Doctor (PhD) en Finanzas de la Universidad del CEMA de Buenos Aires Argentina. Mis intereses académicos se enfocan hacia el análisis de la inversión en el mercado de capitales y el análisis y gestión del riesgo de proyectos, riesgo corporativo y riesgo de inversión. Actualmente me desempeño como profesor asociado del departamento de Administración de la Universidad Nacional de Colombia Sede Manizales, en el área de finanzas

Ricardo Alfredo Rojas Medina, Universidad Nacional de Colombia

Es Contador Público graduado de la Universidad Externado de Colombia. Especialista en Evaluación Socioeconómica de Proyectos de la Universidad de Antioquia. Magíster en Investigación de Operaciones y Estadística de la Universidad Tecnológica de Pereira. Coordinador del GTA Finanzas cuantitativas. Profesor asociado de la Universidad Nacional de Colombia, sede Manizales. Experto en el diseño e implementación de los costos y su utilidad para el análisis y toma de decisiones; docente en distintos estamentos universitarios orientando asignaturas de sistemas de costos, contabilidad administrativa, contabilidad gerencial, contabilidad financiera, simulación financiera, estadística.

Pedro Luis Duque Hurtado, Universidad Católica Luis Amigó

Es Docente investigador tiempo completo de la Universidad Católica Luis Amigó. Administrador de empresas, Magister en Administración, Estudiante doctorado en Administración de la Universidad Nacional de Colombia. Marketing como principal área de interés.

Publicado
2021-07-21
Cómo citar
Pineda Guerrero, M., Agudelo Aguirre, A., Rojas Medina, R., & Duque Hurtado, P. (2021). Valor en Riesgo y simulación: una revisión sistemática. ECONÓMICAS CUC, 43(1). https://doi.org/10.17981/econcuc.43.1.2022.Econ.3
Sección
Artículos: Economía y Finanzas