El riesgo de mercado en futuros agrarios J. David Cabedo Semper Departamento de Finanzas y Contabilidad Universidad Jaume I Ismael Moya Clemente Departamento de Economía y Ciencias Sociales Universidad Politécnica de Valencia Datos de contacto J. David Cabedo Semper Departamento de Finanzas y Contabilidad Universidad Jaume I Campus Riu Sec 12071 Castellón Tel. 964728569 Fa. 964728565 e-mail: [email protected] El riesgo de mercado en futuros agrarios Resumen En el presente trabajo se propone la utilización del valor en riesgo (VaR) para la cuantificación del riesgo de variación en el precio de los futuros sobre productos agrarios. El VaR puede ser usado para el diseño de estrategias de gestión del riesgo y para el cálculo de los depósitos de garantía. Se analizan tres enfoques para la estimación del VaR del precio del futuro sobre trigo: el estándar de simulación histórica, la propuesta de uno alternativo al anterior que introduce los modelos ARMA, y el de varianzas-covarianzas basado en modelos ARCH. Palabras clave: Valor en riesgo; futuros agrarios; riesgo de mercado. 1 El riesgo de mercado en futuros agrarios 1. Introducción El comportamiento volátil del precio de los futuros sobre commodities agrarias hace necesaria una cuantificación adecuada del riesgo. Para este fin resulta especialmente apropiado el denominado valoren riesgo (VaR). El valor en riesgo se ha convertido en una herramienta esencial en los mercados financieros a la hora de cuantificar el riesgo de mercado de una cartera (el riesgo asociado con los movimientos de los precios). El VaR determina la máxima pérdida que se puede producir en una cartera durante un periodo preestablecido (denominado período de tenencia), con un nivel prefijado de fiabilidad estadística. De este modo el VaR es útil, por ejemplo, para evaluar la performance de los gestores de carteras al suministrar una cuantificación del riesgo, expresada en unidades monetarias, que puede ser usada junto con el rendimiento de la cartera (también expresado en unidades monetarias) para este fin. Además, resultara de utilidad para que los gestores de carteras determinen la política más conveniente de gestión del riesgo ante cualquier escenario. En los mercados de futuros sobre productos agrarios, el valor en riesgo se puede usar para cuantificar la máxima variación en el precio del futuro asociada a un nivel de confianza estadístico. Esta cuantificación resulta fundamental, para los agentes económicos implicados en el sector, en el diseño de estrategias de gestión del riesgo, y puede resultar especialmente útil a la hora de determinar el importe que, en concepto de garantía, deben depositar los agentes para poder operar con estos derivados. Para el cálculo del valor en riesgo se pueden utilizar diversos métodos1: los denominados métodos de simulación histórica, los métodos de simulación de Monte Carlo y los métodos basados en predicciones de la varianza. La principal ventaja de los primeros radica en la sencillez de su aplicación, aunque como inconveniente de los mismos se puede señalar el que ofrecen unas estimaciones del VaR excesivamente rígidas en entornos altamente volátiles. Por su parte, los métodos de simulación de Monte Carlo tienen la desventaja del enorme esfuerzo computacional que requieren para realizar estimaciones del valor en riesgo; por este motivo son quizá los menos utilizados. Finalmente, es en los métodos basados en las predicciones de la varianza donde se ha producido un número mayor de desarrollos técnicos. De este modo es, dentro de estos métodos, donde se utilizan los modelos de heteroscedasticidad condicional 1 Sobre métodos de cálculo del valor en riesgo puede consultarse Cabedo y Moya (2001). 2 El riesgo de mercado en futuros agrarios autorregresiva para estimar el valor en riesgo. Hasta la fecha, la literatura sobre el valor en riesgo no aporta prácticamente aplicaciones al sector de los precios agrarios. Los pocos trabajos realizados sobre el tema son de reciente aparición, como por ejemplo en España el de García Machado et al. (2002) en el cual se cuantifica el valor en riesgo en el sector del fresón en Huelva utilizando el método estándar de simulación histórica. En este contexto, resulta fundamental el desarrollo de métodos de cuantificación del valor en riesgo para commodities agrarias. El objetivo de este trabajo es doble: en primer lugar establecer cual debe ser el procedimiento a seguir para la cuantificación el valor en riesgo del precio de los futuros agrarios utilizando los dos enfoques que resultan operativos: el enfoque de simulación histórica y el de varianzas-covarianzas. En segundo lugar, desarrollar un nuevo método de simulación histórica que supere los inconvenientes que presenta el enfoque estándar. El resto del trabajo se estructura de la siguiente forma: en el apartado siguiente se analiza el enfoque de simulación histórica para el cálculo del valor en riesgo y se desarrolla el método a emplear para superar sus inconvenientes. En el apartado tercero se aplica la metodología propuesta sobre una serie histórica de precios del contrato de futuro sobre una commodity agraria: el trigo, constatándose las mejoras que la nueva metodología reporta. En el apartado cuarto se procede a la modelización de la varianza de los mencionados precios mediante un esquema de heteroscedastidcidad condicional autorregresiva. En el quinto, utilizando estas estimaciones de la varianza se procede al cálculo del valor en riesgo y los resultados se comparan con los proporcionados por la metodología propuesta. Finalmente, en el último de los apartados se recogen las principales. 2. El enfoque de simulación histórica para el cálculo del valor en riesgo en el precio de los futuros sobre trigo Uno de los enfoques ampliamente utilizados para calcular el valor en riesgo es el denominado método de simulación histórica. En éste, el máximo cambio en el precio del contrato a futuro asociado a un nivel de confianza estadística determinado, se calcula como la máxima variación que hubiera experimentado dicho precio a lo largo de un período histórico, dentro de un percentil prefijado. Este percentil, precisamente, ofrece el nivel de fiabilidad estadística del importe calculado. El punto clave de este método reside en la elección del período histórico a considerar. La principal ventaja de los métodos de simulación histórica se basa en el hecho de que no es necesario realizar hipótesis estadísticas sobre el comportamiento de los rendimientos. En otros enfoques de estimación del VaR estas hipótesis son 3 El riesgo de mercado en futuros agrarios imprescindibles, aunque no siempre es posible contrastar con éxito su grado de adecuación. No obstante, los métodos de simulación histórica adolecen de una limitación: las estimaciones del valor en riesgo que proporcionan son excesivamente rígidas, adaptándose mal a un entorno real de rendimientos muy cambiantes. El método de simulación histórica propuesto en el presente trabajo salva esta limitación del método estándar, aprovechando al mismo tiempo las ventajas citadas de la no necesidad de asumir ninguna hipótesis sobre la distribución estadística. Concretamente, la propuesta de este trabajo se basa en integrar un modelo ARMA dentro del enfoque de simulación histórica. De este modo, el cálculo el valor en riesgo requerirá seguir las siguientes etapas: • Primera etapa: Autocorrelación de las variaciones históricas en los precios del contrato a futuro. En esta primera fase deben calcularse los rendimientos, en valor absoluto, en dicho precio, a lo largo de un determinado período histórico. Asimismo, deben estudiarse las funciones de autocorrelación y de autocorrelación parcial de dichos rendimientos. Como resultado de este estudio pueden obtenerse las siguientes alternativas: - En primer lugar, puede que no sea detectada autocorrelación en las variaciones históricas. En este caso, no será factible la estimación de un modelo ARMA para las mismas. Es decir, no se podrán realizar predicciones sobre los valores futuros de las variaciones del precio del contrato a futuro (valor absoluto) en base al comportamiento de dichas variaciones en el pasado. La mejor predicción, por tanto, será una variación nula, que, dentro del modelo que se plantea, podrá utilizarse directamente en la tercera de las etapas. En todo caso, el uso de una predicción de esta índole es equivalente a la aplicación del enfoque estándar en el método de simulación histórica. - El segundo de los posibles resultados puede ser la constatación de una autocorrelación elevada, pero que no decrece a partir de un determinado retardo. Esta situación denota un comportamiento no estacionario de la serie temporal analizada. En este caso también será factible, por supuesto, la utilización del método estándar de simulación histórica, pero al mismo tiempo también será posible la realización de alguna transformación en la serie original que la haga estacionaria. Concretamente, podrán tomarse sucesivas diferencias sobre esta serie, 4 El riesgo de mercado en futuros agrarios y tras comprobar la estacionariedad, respecto a la media, de la serie transformada, reiniciar el proceso con la misma. - Finalmente, la tercera de las posibilidades es la detección de autocorrelación en la serie estudiada, dándose además el hecho de que dicha autocorrelación decrezca a partir de un determinado retardo. En este caso si que se podrá estimar un modelo ARMA, y por tanto será posible el paso a la siguiente de las fases de la metodología propuesta. • Segunda etapa: Estimación de un modelo ARMA. El estudio de las funciones de autocorrelación y autocorrelación parcial de los rendimientos de los precios del contrato a futuro (tomando valores absolutos) permitirá la determinación de los retardos que pueden resultar estadísticamente significativos, y la estimación, a través de la metodología de Box-Jenkins, de los coeficientes del modelo correspondientes a dichos retardos. • Tercera etapa: Predicciones históricas. En base a los coeficientes estimados en la fase anterior, en esta tercera etapa se deben realizar predicciones de las variaciones en los precios del contrato a futuro. Para la realización de estas predicciones es necesario tomar un período histórico, contenido en el considerado, para la estimación del modelo ARMA. La finalidad de esta fase no es otra que la de determinar la cuantía del error de estimación cometido. • Cuarta etapa: Estimación del VaR. En la última de las fases del método propuesto se procede a la estimación del valor en riesgo. Dicho valor se determina utilizando una predicción del rendimiento futuro, en valor absoluto, realizada en base al modelo estimado, en la segunda etapa, para el período histórico inmediatamente anterior. No obstante, las predicciones realizadas se corrigen con los errores obtenidos en la fase tercera del proceso. De este modo, según cual sea el grado de fiabilidad estadística que se pretenda obtener, la corrección se realizará empleando los correspondientes percentiles de la distribución del error, determinada en la tercera etapa. Así, si el nivel de confianza estadística que se desea alcanzar es del 99%, la corrección se efectuará de acuerdo con el percentil 99 de la distribución de los errores. El valor en riesgo será el obtenido con esta predicción corregida. Con el fin de mostrar la utilidad del modelo propuesto, a continuación se realiza una aplicación empírica del mismo. Para dicha aplicación se utilizan los precios diarios del futuro sobre trigo. Los datos empleados corresponden a las cotizaciones de cierre diario 5 El riesgo de mercado en futuros agrarios del Kansas City Board of Trade. Cada uno de los contratos a futuro que se negocian en este mercado corresponde a 5.000 búsels de trigo hard red winter, que deben entregarse en los vencimientos establecidos (marzo, mayo, julio, septiembre y diciembre) en los lugares especificados en las condiciones del contrato (Kansas City y Hutchinson, Kansas). Se han utilizado las observaciones diarias correspondientes al periodo comprendido entre enero de 1992 y diciembre de 2001. Para cada uno de los días se ha considerado el precio del contrato de futuro cuyo vencimiento estuviese más próximo, siempre y cuando el período entre el mencionado día y dicho vencimiento fuese superior a un mes. El periodo se ha subdividido en dos intervalos: • El primero (años 1992 a 2000) se usa para la estimación de los coeficientes del modelo. • El segundo (año 2001) se utiliza para validar las estimaciones realizadas del valor en riesgo. En el gráfico 1 se muestra la evolución de los precios del futuro sobre trigo durante el período considerado. Gráfico 1: Precios diarios del futuro sobre trigo Enero 1992 - Diciembre 2001 (datos en centavos por búsel) 800 700 600 500 400 300 200 100 0 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 Como paso previo a la aplicación del método propuesto a continuación se muestran los resultados que proporcionaría la aplicación del método estándar de simulación histórica. 6 El riesgo de mercado en futuros agrarios Tal y como ha quedado establecido, en primer lugar se obtienen los cambios diarios en el precio (calculados en términos relativos utilizando la transformación logarítmica) correspondientes a los años 1992 a 2000. Estos rendimientos diarios se han dividido en dos grupos: uno para los de signo positivo y otro para los negativos. El VaR para el primero de los días del año 2001 se ha calculado utilizando la distribución estadística de ambos grupos de rendimientos. Concretamente asumiendo un nivel de fiabilidad estadística del 99%, para dicho día se ha obtenido una doble estimación para el VaR: • Una primera, que se corresponde con el percentil 99 de la distribución estadística de las variaciones en los precios de signo positivo. Esta primera estimación proporciona una cuantificación del VaR para posibles incrementos en los precios. • Una segunda, que se corresponde con el percentil 1 de la distribución estadística de las variaciones de signo negativo en los precios. Esta segunda estimación proporciona una cuantificación del VaR para posibles disminuciones en los precios. El procedimiento descrito se ha repetido para el resto de días del año 2001, utilizándose en cada uno de ellos la distribución, de las variaciones diarias en los precios del periodo de nueve años, inmediatamente anterior. Gráfico 2: Cambios en el precio del futuro y cuantificación del VaR . Enfoque estándar de simulación histórica 25 Variación diaria (centavos) 20 15 10 5 0 -5 -10 -15 -20 -25 01-01 03-01 05-01 07-01 09-01 11-01 Tiem po En el gráfico 2 se muestra la cuantificación del VaR junto con la variación real en el precio del futuro. Tal y como se puede comprobar, el VaR estimado se sitúa, en valor 7 El riesgo de mercado en futuros agrarios absoluto, por encima de la variación real en el precio en todos los días. El VaR es superior a dicha variación, en términos de valor absoluto, para el 100% de los días, un porcentaje superior al esperado, de acuerdo con el nivel de fiabilidad estadística asumido (99%). Adicionalmente, en el gráfico 2 se puede comprobar que las estimaciones del VaR realizadas utilizando el enfoque estándar de simulación histórica resultan tremendamente rígidas: dichas estimaciones forman una línea casi horizontal. Esto parece que no sea excesivamente adecuado dada la volátil evolución de los precios en la realidad. Estas estimaciones rígidas del VaR mejoran cuando se introduce un modelo ARMA en el esquema de cálculo, tal y como ha sido definido anteriormente. De este modo, utilizando las variaciones diarias en los precios del futuro, se han seguido las cuatro etapas que se relacionan a continuación: 1. Utilizando los datos correspondientes a los años 1992 a 2000 se han analizado las funciones de autocorrelación de los rendimientos diarios del precio del futuro (tomados en valor absoluto), aplicando el test de Ljung-Box. En la tabla 1 se muestran los resultados obtenidos. Tal y como se puede apreciar en esta tabla, las series presentan un nivel de autocorrelación estadísticamente significativo. Tabla 1:Estadístico Q de Ljung-Box para la serie original (variaciones en el precio del futuro) Retardo Considerado Test de Ljung-Box Q(12) Q(24) Q(36) 264,7442* 367,1330* 398,4658* * : Nivel de significación menor que 0.05 2. Una vez constatada la existencia de autocorrelación estadísticamente significativa se procede a la estimación de un modelo ARMA, utilizando la metodología de BoxJenkins. A partir de los resultados que proporciona la función de autorrelación y de autocorrelación parcial, el modelo estimado ha sido un ARMA (1,1), el valor de los coeficientes de este modelo, así como su nivel de significación se recogen dentro del cuadro 1. 8 El riesgo de mercado en futuros agrarios Cuadro 1: Estimación de un modelo ARMA (1,1) para la serie original (variaciones en los precios del futuro) Variable Coef. Desv.Tip. Est-t Signif. ***************************************************************************** 1, CONSTANTE 0,010304437 0,000541872 19,01636 0,0000000 2, AR{1} 0,956764292 0,013508320 70,82778 0,0000000 3, MA{1} -0,883983396 0,021728559 -40,68302 0,0000000 El análisis de los residuos del modelo estimado demuestra que, con el mismo, la autocorrelación detectada ha sido eliminada (véase tabla 2). Tabla 2: Estadístico Q de Ljung-Box para los residuos del modelo ARMA Retardo Considerado Test de Ljung-Box Nivel de sign. Q(12) Q(24) Q(36) 15,9415 32,7595 44,5380 0,07 0,05 0,09 3. Con los coeficientes anteriormente estimados se realizan predicciones para los rendimientos diarios del precio del futuro correspondientes a los años 1992 a 2000. La finalidad de estas primeras predicciones es la de estudiar el error de estimación cometido con las mismas. La distribución estadística de este error va a resultar necesaria para efectuar una estimación del VaR en el primer día de 2001. De este modo, y de acuerdo con el nivel de fiabilidad estadística asumido se obtiene el percentil 99 de la distribución estadística de los errores de predicción. Debe destacarse que se ha estimado de forma separada la función de distribución para los errores de signo positivo y para los de signo negativo, no siendo por tanto necesario asumir ninguna hipótesis acerca de la simetría de dicha distribución. 4. Utilizando los coeficientes del modelo ARMA calculado en la última etapa anterior, se realiza una predicción para la variación en el precio del futuro en el primer día de 2001. De este modo, y a diferencia de las anteriormente realizadas, esta última predicción se efectúa ex-ante. Adicionalmente, la predicción efectuada se corrige utilizando el percentil 99 de la distribución del error, calculado en la tercera etapa. En el gráfico 3 se muestran los valores calculados para el valor en riesgo en cada uno de los días, junto con las variaciones reales en el precio del futuro. Tal y como se puede apreciar, las cifras del VaR calculadas se sitúan (en términos de valor absoluto) por encima de las variaciones reales en el precio para la práctica totalidad de los días. Concretamente, el VaR es superior a estas variaciones para el 98,7% de los días, un 9 El riesgo de mercado en futuros agrarios porcentaje prácticamente idéntico al que cabría esperar de acuerdo con el nivel de fiabilidad estadística asumido (99%). Resulta conveniente señalar que, tal y como puede apreciarse en el gráfico 3, la cuantificación del VaR realizada utilizando la metodología propuesta resulta ser más eficiente, ya que es más flexible y adaptable a los continuos cambios en los precios. Gráfico 3: Variaciones en el precio del futuro y cuantificación del VaR utilizando el método de simulación histórica propuesto Variación diaria (centavos) 15 10 5 0 -5 -10 -15 01-01 03-01 05-01 07-01 09-01 11-01 Tiem po 3. Estimación del VaR utilizando un modelo de heteroscedasticidad condicional autorregresiva Como un paso previo a la estimación del modelo, se han calculado los rendimientos diarios para los precios del futuro correspondientes a los años 1992 a 2000. En el gráfico 4 se muestran los resultados obtenidos. Este sugiere un comportamiento de heteroscedasticidad condicional autorregresiva (ARCH) para dichos rendimientos ya que, tal y como se puede apreciar, las grandes variaciones van seguidas de grandes variaciones y las pequeñas de pequeñas variaciones. 10 El riesgo de mercado en futuros agrarios Gráfico 4: Variaciones diarias en el precio del futuro (datos en tanto por uno) Enero 1992 – diciembre 2000 0,08 0,03 -0,02 -0,07 -0,12 1992 1993 1994 1995 1996 1997 1998 1999 2000 Estos indicios deben ser confirmados utilizando herramientas econométricas adecuadas. En este sentido, en primer lugar, se han analizado las funciones de autocorrelación y autocorrelación parcial. Los resultados obtenidos se resumen en la tabla 3. Tal y como se puede apreciar en dicha tabla, el valor del estadístico Q de Ljung-Box evidencia la no existencia de autocorrelación estadísticamente significativa. Tabla 3: Estadístico Q de Ljung-Box para los rendimientos diarios del precio del futuro Retardo considerado Test de Ljung-Box Nivel de signif. Q(12) Q(24) Q(36) 18,1539 35,4037 50,9705 0,11 0,06 0,05 Sin embargo, cuando se toma el cuadrado de los rendimientos diarios, aparece autocorrelación. En este sentido, y para confirmar que sigue un esquema ARCH, se realizan dos tests: se analiza la autocorrelación de dicho cuadrado, tal y como propone Enders (1996) y se realiza el tests de multiplicadores de Lagrange, propuesto por Engle (1982). En la tabla 4 se detallan los resultados obtenidos. 11 El riesgo de mercado en futuros agrarios Tabla 4: Contrastes ARCH Estadístico Q(12) Q(24) Q(36) χ2 Valor 75,9367 92,1834 100,6049 16,518387 Nivel de signif. 0,00 0,00 0,00 0,00 Q(n): valor del estadístico Q Ljung-Box para n retardos (rendimientos al cuadrado). χ2: Valor del test de multiplicadores de Lagrange Como se muestra en la tabla 4, el test de multiplicadores de Lagrange rechaza la hipótesis nula contrastada y por lo tanto, se puede afirmar que un esquema de heteroscedasticidad condicional autorregresiva es adecuado para modelizar el comportamiento de la serie objeto de estudio. Cuadro 2: Estimación de un modelo GARCH (1,1) Variable Coef. Desv. Típ. Estad-t Signif. ******************************************************************************* Constant (ARCH) 0,0001066004 0,0000143017 7,45367 0,00000000 0,2667391197 0,0214332378 12,44512 0,00000000 ε t2−1 σ t2−1 0,2279548519 0,0836794076 2,72415 0,00644682 Dentro de la familia de modelos de heteroscedasticidad condicional autorregresiva, el GARCH (1,1) es el que se considera más idóneo para modelizar la varianza de las series financieras. Por tanto, este es el esquema seleccionado para modelizar la varianza de los precios a futuro. Los resultados de la estimación realizada de los parámetros del modelo se detallan en el cuadro 2. Utilizando estos parámetros estimados se realizan predicciones de la varianza para el periodo de validación (año 2001). De este modo, de acuerdo con el nivel de fiabilidad estadística asumido (99%) el VaR (en valor absoluto) se calcula multiplicando 2,33 por el valor estimado para la desviación típica del rendimiento. Esta cifra (2,33) es el parámetro correspondiente al nivel de fiabilidad estadística asumido dentro de una distribución normal. En el gráfico 5 se muestran las estimaciones del VaR realizadas utilizando un modelo GARCH (1,1). 12 El riesgo de mercado en futuros agrarios Gráfico 5: Variaciones en el precio del futuro y cuantificación del VaR utilizando un modelo GARCH (1,1). Función de distribución Normal 25 Variación diaria (centavos) 20 15 10 5 0 -5 -10 -15 -20 -25 01-01 03-01 05-01 07-01 09-01 11-01 Tiem po El nivel de fiabilidad que el modelo proporciona es del 97,4% (concretamente la cuantificación del VaR realizada es inferior a la variación real en los precios en 6 días, durante el periodo de validación), un porcentaje claramente inferior al nivel de fiabilidad estadística asumido a priori del 99%. La eficacia de los modelos ARCH en el presente contexto puede ser mejorada mediante la utilización de una distribución alternativa a la normal, como puede ser la t de Student. Para que dicha distribución proporcione unos resultados similares a los que ofrece el modelo de simulación histórica propuesto en el presente trabajo, se debe asumir un numero de grados de libertad igual a 8. En estas condiciones, la eficacia del modelo ARCH sería equivalente a la del modelo de simulación histórica propuesto: 98,7% de fiabilidad (nivel prácticamente idéntico al asumido a priori). En el gráfico 6 se muestran las estimaciones del VaR realizadas utilizando un modelo GARCH (1,1) –con una función de distribución t de Student con 8 grados de libertad-. Asimismo, en dicho gráfico se pueden comparar dichas estimaciones con las proporcionadas con el modelo propuesto en el presente trabajo. Tal y como se ha comentado, para ambos modelos las pruebas de backtesting realizadas proporcionan unos resultados idénticos: un grado de cobertura para el 98,7% de los días, en consonancia con el nivel de fiabilidad estadística asumido. Ahora bien, junto a las anteriores, en el presente trabajo se han realizado pruebas de stress testing. Concretamente, el comportamiento de los modelos en situaciones 13 El riesgo de mercado en futuros agrarios extremas se ha analizado a través del cálculo del promedio de las variaciones en los precios del futuro no cubiertas con el valor en riesgo estimado. Cuando el método utilizado es el basado en un modelo GARCH (1,1), con una función de distribución t de Student con 8 grados de libertad, el mencionado promedio asciende a 2,01 centavos por búsel; cuando el modelo de cuantificación del valor en riesgo utilizado es el de simulación histórica propuesto el promedio es de 0,32 centavos por búsel (importe que supone solamente el 16% del valor promedio que proporcionaba el modelo GARCH). En resumen se puede afirmar que el modelo de simulación histórica propuesto proporciona una cuantificación del riesgo de los precios del futuro sobre trigo tan eficaz como la proporcionada por un modelo GARCH. Es más, el modelo presenta dos ventajas sobre el GARCH: en primer lugar, la mayor sencillez en su proceso de cálculo (lo cual hace que sea operativa su implementación en los mercados); y en segundo lugar, la menor cuantía de las violaciones detectadas en las pruebas de stress testing realizadas. Variación diaria (centavos) Gráfico 6: Variaciones en el precio del futuro y cuantificación del VaR utilizando un modelo GARCH (1,1) -Función de distribución t de Student- y el método de simulación propuesto 25 20 15 10 5 0 -5 -10 -15 -20 -25 01-01 03-01 05-01 07-01 09-01 11-01 Tiem po Rend. GARCH+ GARCH- SH+ SH- 4. Conclusiones El entorno volátil que caracteriza a los mercados de futuros sobre materias primas agrarias hace necesaria la implementación de mecanismos de cuantificación del riesgo. El valor en riesgo (VaR) se ha convertido en una herramienta de obligada referencia 14 El riesgo de mercado en futuros agrarios cuando se abordan temas de cuantificación del riesgo. El VaR, que tuvo su origen en el análisis del riesgo en los mercados financieros, puede ser utilizado dentro de los mercados de commodities para cuantificar la máxima variación en el precio del futuro que se puede producir a lo largo de un periodo determinado, asociada a un nivel de fiabilidad estadística preestablecido. Esta cuantificación constituye un aspecto esencial a la hora de diseñar estrategias de gestión del riesgo por parte de los agentes económicos implicados en este sector, y puede resultar especialmente útil para determinar el importe de las garantías a depositar para poder operar en los mercados de derivados. La estimación del VaR puede realizarse utilizando diversas metodologías. En el presente trabajo se emplean tres de ellas: el enfoque estándar de simulación histórica, considerado como el método más operativo; un método de simulación histórica alternativo (propuesto en el presente estudio), que introduce los modelos ARMA y que mantiene la facilidad de aplicación y operatividad del enfoque estándar; y un método de varianzas-covarianzas basado en modelos ARCH, que han sido ampliamente utilizados para modelizar la volatilidad de los precios en los mercados financieros. El método de simulación histórica propuesto, al contrario del enfoque estándar, no obtiene directamente el VaR a partir de rendimientos históricos. El método requiere un modelo ARMA para estimar estos rendimientos, que se usa para cuantificar los errores de predicción. La distribución estadística de dichos errores y los coeficientes del modelo ARMA estimados se emplean para cuantificar el VaR. Este método tiene una importante ventaja: no requiere asumir ninguna hipótesis sobre los rendimientos históricos, hipótesis que es necesaria dentro de otros enfoques, como el que utiliza los modelos ARCH. Los métodos anteriormente mencionados se aplican para calcular el valor en riesgo asociado al precio del contrato de futuro sobre trigo. Para este fin se han utilizado observaciones diarias correspondientes a los años 1992 a 2001. Estas observaciones se han dividido en dos subperiodos: el primero, años 1992 a 2000, se ha utilizado como base para realizar las estimaciones; el segundo, año 2001, se ha empleado para validar los modelos y estudiar la precisión de sus estimaciones. Los resultados obtenidos muestran que la modificación propuesta en el método de simulación histórica proporciona estimaciones del VaR más eficientes que las que se obtienen cuando se aplica el método estándar: con un nivel de eficacia adecuado, el método propuesto proporciona unas estimaciones del VaR más flexibles y que se adaptan mejor a las variaciones continuas en los precios del futuro. 15 El riesgo de mercado en futuros agrarios Asimismo, los resultados obtenidos muestran como, con un mismo grado de eficacia, las estimaciones del VaR realizadas con el método propuesto presentan dos ventajas sobre las proporcionadas por los modelos ARCH: en primer lugar, la mayor sencillez en su esquema de cálculo (lo cual hace que sea operativa su implementación en los mercados); y en segundo lugar, la menor cuantía de las violaciones detectadas en las pruebas de stress testing realizadas. Bibliografía: Bera, A. K.; Higgins, M. L. (1993): ARCH models: Properties, estimation and testing. Journal of Economic Surveys, 7 (4), pp. 305 - 366. Bollerslev, T. (1986): Generalized autorregresive conditional heteroscedasticity. Journal of Econometrics, 31, pp. 307 – 327. Bollerslev, T.; Chou, R.Y.; Kroner, K.F. (1992): ARCH modelling in Finance: A review of the theory and empirical evidence. Journal of Econometrics, 52, pp. 5 - 59. Cabedo, J.D.; Moya, I. (2001): Cuantificación del riesgo de cambio. Revista de Economía Aplicada. 9 (27), pp. 133 – 156. Costa, L.; Font, M. (1993): Commodities. Mercados financieros sobre materias primas. ESIC Editorial. Madrid. Enders, W. (1996): Rats handbook for econometric time series. John Willey & Sons. London. Engle, R. F. (1982): Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50 (4), pp. 987 - 1007. García, J.J; de la Vega, J.J.; Toscano, D. (2002): Análisis del riesgo de precios en el sector fresero mediante un modelo de valor en riesgo (VaR): aplicación al mercado nacional e internacional. X Foro de Finanzas. Sevilla Hendricks, D. (1996): Evaluation of Value at Risk Models Using Historical Data. Federal Reserve Bank of New York Economic Policy Review, April, pp. 39-69. Hopper, G.P. (1996): Value at Risk: a New Methodology for Measuring Portfolio Risk. Business Review. Federal Reserve Bank of Philadelphia, July August, pp. 19-30. J.P. Morgan y Reuters (1996): Riskmetrics - Technical document. Morgan Guaranty Trust Company of New York. 16