riesgos financieros en corporaciones industriales resumen del

RIESGOS FINANCIEROS EN CORPORACIONES INDUSTRIALES
AUTOR: Azqueta Arrúe, Isabel.
Directores: Del Canto Iglesias, Álvaro; García Álvarez, Javier.
Entidad Colaboradora: Management Solutions
RESUMEN DEL PROYECTO
Las corporaciones industriales están expuestas a diversos riesgos tanto en sus
actividades de negocio como en sus actividades de financiación. Uno de los objetivos
de las empresas se centra en estimar las desviaciones que pueden obtener en dichas
actividades respecto a lo esperado.
La variación o divergencia entre un valor estimado a priori y lo realmente alcanzado
es una de las muchas acepciones del riesgo. Dicha divergencia puede manifestarse
tanto en forma de pérdidas, en el caso de que el resultado obtenido esté por debajo del
esperado, como en forma de beneficios, en caso de que las situaciones concurridas sean
más favorables a las estimadas en un principio. Los riesgos deben ser medidos y
gestionados correctamente, por ello la gestión de riesgos es una función principal para
las empresas.
La gestión de riesgos se puede definir como la función de la organización
encargada de medir, vigilar y controlar su exposición al riesgo y definir el conjunto de
políticas y procedimientos para mitigar sus efectos.. Ésta función es fundamental en
entidades financieras y en los último años está cobrando relevancia en otros sectores
como es el caso del sector energético.
En épocas de mayor inestabilidad, volatilidad o incertidumbre, como las actuales,
la gestión de riesgos se hace aún más necesaria y los riesgos han asumido aún si cabe
mayor importancia para las compañías energéticas.
Entre todos los tipos de riesgo, uno de los que tiene mayor importancia es el riesgo
de mercado en el cual se centra principalmente este proyecto. En el proyecto se realiza
un estudio de la gestión de los riesgos de mercado (de tipo de cambio, de tipo de
interés, de commodity, etc). El caso práctico se centra concretamente en la gestión del
riesgo de spread.
El spread refleja esencialmente el margen o prima de rentabilidad exigido por el
mercado para instrumentos con más riesgo que los instrumentos considerados libres
de riesgo (usualmente, instrumentos emitidos por el estado o por el Banco Central).
Los spread varían a lo largo del tiempo en respuesta a factores tales como cambios
esperados en la calificación crediticia, variaciones en la volatilidad de un mercado en
particular, cambios en la oferta y condiciones de liquidez, entre otros.
Al aumentar el spread aumenta la dificultad de acceso a la financiación para una
empresa y los costes asociados a dicha financiación, pudiendo afectar a la liquidez de
la empresa. Por tanto, el riesgo de spread puede ocasionar graves perjuicios
económicos para la empresa o incluso suponer su quiebra.
Hoy en día no existen medidas normalizadas y comúnmente aceptadas para la
medición del riesgo asociado al spread. Por ello y por la relevancia de este riesgo para
las corporaciones industriales, el caso práctico de este proyecto se ha centrado en
analizar posibles modelos para la estimación del riesgo de spread. Para ello se ha
tomado como ejemplo la compañía energética Gas Natural Fenosa (GNF) que se ha
visto muy influida por el valor de su spread de crédito en los últimos años.
El caso práctico ha comenzado con un estudio de las variables que afectan a la
evolución del spread de la compañía y se ha observado que su modelización depende
fundamentalmente de: el Rating propio del grupo, del CDS (Credit Default Swap) que
indica la percepción que el mercado tiene sobre la compañía y del iTraxx que es un
índice sobre derivados de crédito.
Una vez halladas las variables, se ha realizado un análisis de las mismas para
determinar en qué grado influyen en el spread de crédito de la compañía. Como
conclusión a dicho análisis se ha obtenido que el CDS de GNF se puede modelar en
función del iTraxx de la siguiente manera: CDSGNF = α + β·iTraxx + ε, donde β es el
índice de relación entre ambas variables.
Una vez profundizado más dicho análisis, para determinar el índice de relación (β)
entre el CDS y el iTraxx, e introduciendo los datos del spread de crédito según el rating
otorgado a GNF por la agencia de calificación Standard & Poor’s, se ha obtenido que el
spread de crédito de Gas Natural Fenosa se puede estimar en base a dichas variables
por medio de una relación como la siguiente:
SpreadGN = 0,8*CDS(iTraxx) + 0,2*Spread(rating) + ε
Este modelo permite calcular el spread de Gas Natural Fenosa a distintos plazos a
partir de la cotización de iTraxx y del rating de la compañía, sin embargo, no es
suficiente para estimar dicho valor a futuro.
Por ello, se ha realizado un análisis de diferentes modelos para simular el spread de
Gas Natural Fenosa basado en la simulación de Montecarlo. Entre los modelos
estocásticos posibles para realizar dicha simulación se han elegido: el modelo
autoregresivo, el modelo exponencial y el modelo exponencial con reversión a la media
(modelo de Vasicek) y se ha evaluado con valores históricos cuál es el que mejor ajuste
tiene y por tanto, cuál es mejor para realizar la simulación.
Para analizar los modelos, se ha tomado como referencia la variable CDS-5Y de Gas
Natural Fenosa y se ha analizado qué modelo se ajusta más a su comportamiento
histórico. Tras el análisis, se ha llegado a la conclusión de que el modelo exponencial
de media 0 es el que mejor se ajusta ofreciendo unos resultados suficientemente buenos
como para utilizar dicho modelo en la simulación.
Esta decisión se debe a que los resultados de la simulación del CDS dentro del
intervalo de confianza definido por los percentiles 5% y 95% son próximos al 90% y
recoge bien los comportamientos de las colas de la distribución, tanto por encima del
intervalo de confianza (4, 37% frente al 5% que cabría esperar) como por debajo del
intervalo de confianza (3,28% frente al 5%).
Abstract
Industrial corporations are exposed to various risks both in its business activities
and in their financing activities. One of the objectives of companies focuses on
estimating the deviations they can be obtained in such activities with respect to
expectations.
The variation or difference between a priori estimated value and the actually
achieved value is one of the many meanings of risk. This difference may manifest in
the way of losses, in the case the result is below expectations, and in the way of
benefits, in case the final situations are more favorable than the estimated at first. Risks
should be measured and managed properly, that is why risk management is a key role
for businesses.
Risk management can be defined as the enterprise’s role responsible for measuring,
monitoring and controlling the exposure to risk and it also responsible for defining the
set of Policies and Procedures to mitigate its effects. This role is crucial in financial
institutions and in the last few years it is becoming more important in other sectors
such as energy sector.
At times when volatility or uncertainty is greater, like it is currently, risk
management becomes even more necessary and the risks themselves have even
assumed greater importance for energy companies than before.
Among all types of risk, one of the most important is the market risk which is the
main issue of this project. The project is a study of how market risks are managed
(exchange rate, interest rate, commodities, etc). The practical case focuses specifically
on managing the risk of spread.
The spread reflects mainly the profit margin or premium required by the market for
instruments with more risk than the instruments considered free of risk (usually,
instruments issued by the state or by the Central Bank). The spread varies over time in
response to such factors as expected changes in credit rating, changes in volatility of a
particular market, changes in supply and liquidity conditions, among others.
Increasing the spread increases the difficulty of access to finance for a company and
the costs associated with such financing. This may affect the liquidity of the company.
Therefore, the risk of spread could cause serious economic damage to the company or
even lead to bankruptcy.
Nowadays, there are no standard and commonly accepted measures for measuring
the risk associated with spread. Therefore, and for the relevance of this risk to
industrial corporations, the practical case study of this project has focused on
analyzing possible models for estimating the risk of spread. The Spanish energy
company Gas Natural Fenosa (GNF) has been taken for this project as an example of a
company which has been strongly influenced by the value of its credit spreads in
recent years.
The practical case study began with a study of the variables which affect the
evolution of the company’s spread and it was found that their modeling depends
critically on: the internal group's rating, the CDS (Credit Default Swap) that indicates
the perception that the market has over the company and the iTraxx which is an index
about credit derivatives.
Once the variables have been found, a deeper analysis has been performed to
determine in which grade these variables influence on the company’s credit spread. In
conclusion to this analysis, it has been obtained that the CDS of GNF can be modeled
according to the iTraxx as follows: CDSGNF = α + β·iTraxx + ε, where β is the index of
relationship between both variables.
Following this analysis, to determine the relationship index (β) between the CDS
and iTraxx, and entering the data of the credit spread based on the rating given to GNF
by rating agency Standard & Poor's, Gas Natural Fenosa’s credit spread can be
estimated on the basis of these variables by the following relationship:
SpreadGN = 0,8*CDS(iTraxx) + 0,2*Spread(rating) + ε
This model allows calculating the spread of Gas Natural Fenosa at different times
from the price of iTraxx and the rating of the company; however, it is not sufficient to
estimate the future value.
Therefore, an analysis with different models has been conducted to simulate the Gas
Natural Fenosa’s spread based on Monte Carlo’s simulation. Among possible
stochastic models for the simulation were chosen: the autoregressive model, the
exponential model and exponential model with reversion to the mean (Vasicek model).
It has been evaluated with historical values which one has better fit and so, which one
is better for the simulation.
To analyze the models, the variable CDS-5Y of Gas Natural Fenosa has been taken
as reference in order to analyze which model is more suited to their historical behavior.
After the analysis, it has concluded that the exponential model with mean 0 is the one
which best suited offering good enough results to use in the simulation.
This decision is because the simulation results of the CDS within the confidence
interval defined by the percentiles 5% and 95% are close to 90%, and it reflects well the
behavior of the tails of the distribution, both above the range of confidence (4, 37%
versus 5% expected) and below the confidence interval (3.28% versus 5%).