Amancio Betzuen Zalbidegoitia* y Aitor Barañano Abasolo
Transcripción
Amancio Betzuen Zalbidegoitia* y Aitor Barañano Abasolo
50 ANÁLISIS FINANCIERO Amancio Betzuen Zalbidegoitia* y Aitor Barañano Abasolo** Simulación estocástica en la determinación del valor en riesgo de los activos financieros. Stochastic simulation in determining the value at risk of financial assets. RESUMEN El Valor en Riesgo o VaR (Value at Risk) es una medida estadística que con un solo dato resume el riesgo de un valor, o cartera de valores, de generar pérdidas derivadas de movimientos normales de mercado. Pérdidas superiores al VaR se producen sólo en movimientos anormales de mercado, y tienen, por tanto, una pequeña probabilidad de producirse. Para la determinación de dicho valor necesitamos proyectar flujos de caja y para ello acudiremos a las técnicas de simulación que consisten en asignar distribuciones de frecuencias a las variables del modelo que tienen riesgo y, posteriormente generar números aleatorios acorde a esas distribuciones “simulando” el comportamiento que se considera (miles de escenarios) que tendrán en el futuro. De esta manera es posible darle más realismo al modelo obteniendo resultados más confiables a la hora de tomar una decisión. Palabras clave: Simulación Monte Carlo; Valor en Riesgo; Correlación. ABSTRACT Value at Risk (VaR) is a statistical measure that summarizes data in a single risk of a security or portfolio, generating losses resulting from normal market movements. Losses exceeding VaR occur only in abnormal market movements and have therefore a small probability of occurring In determining that value cash flows and projected need for this we turn to the simulation techniques that consist of frequency distributions assigned to model variables that are at risk and then generate random numbers according to these distributions “mimicking” the behavior that is considered (thousands of scenarios) that will in the future. This makes it possible to give more realism to the model to obtain more reliable results when making a decision. Key words: Monte Carlo Simulation; Value at Risk; Correlation Recibido: 05 de Septiembre de 2011 Aceptado: 28 de Octubre de 2011 * Catedrático de Universidad. Departamento Economía Financiera I. Facultad de CC. Económicas y Empresariales. Universidad del País Vasco. ** Profesor Asociado de Universidad. Departamento Economía Financiera I. Facultad de CC. Económicas y Empresariales. Universidad del País Vasco. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 SIMULACIÓN ESTOCÁSTICA EN LA DETERMINACIÓN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS 1. INTRODUCCIÓN El VaR es una medida que representa un dato de pérdidas potenciales en circunstancias normales. Es el límite de pérdidas potenciales de un periodo temporal determinado (por ejemplo en un día) que está incluido en un porcentaje determinado de las ocasiones (habitualmente el 95%). Este porcentaje se corresponde estadísticamente con el intervalo de confianza. A efectos prácticos, si el VaR a 1 día y para un intervalo de confianza del 95% de una acción de Repsol es de 0,29 euros. Significa que en un 95% de los casos no perderíamos más de 0,29 euros con cada acción de Repsol en las siguientes 24 horas. La forma de medición de este concepto puede variar, y de hecho varía. Además de que el VaR puede referirse a un día o a una semana, o tener distintos intervalos de confianza, la forma en la que se calcula estadísticamente este dato varía. En nuestra opinión la simulación estocástica es el mejor método para proyectar flujos que consistirá en un modelo de activos, consistente con el mercado, que permita la proyección de precios y rentabilidades (de los activos financieros). En virtud del modelo de simulación estocástico, el valor esperado será igual a la media de esas proyecciones estocásticas. Para proceder de una forma adecuada en las proyecciones estocásticas de los activos, se tendrán en cuenta los aspectos siguientes: • El horizonte temporal de la proyección debe ser suficientemente amplio como para reflejar todos los flujos de caja. • El número de proyecciones debe ser lo suficientemente amplio como para garantizar un grado razonable de convergencia en los resultados. Se debe analizar la sensibilidad de los resultados respecto al número de proyecciones. • Las proyecciones se deben basar en los activos poseídos actualmente y reflejarán los principios y prácticas de gestión empresarial aplicados por ésta. Además, el modelo estocástico será consistente con la actual estructura temporal de tipos de interés sin riesgo. Cabe destacar que muy pocos modelos (si es que hay alguno) pueden replicar todos los valores de mercado observables para una amplia gama de clases de activos. Nuestra experiencia nos indica que es preciso aplicar el buen criterio profesional para obtener estimaciones fiables de aquellos parámetros que no puedan inferirse directamente de los precios de mercado (como consecuencia de la existencia de mercados incompletos, volatilidad a largo plazo, etc.). En estas circunstancias, es aceptable ajustar el modelo utilizando datos extraídos del mejor histórico de precios disponible, el grado de liquidez más reciente o la última calificación crediticia del emisor. Esta parametrización del modelo se ajustará al plazo, grado de liquidez o calidad crediticia deseada de la calibración. A nuestro entender, es la propia compañía quién debería determinar un rango de parámetros fiables a utilizar en la valoración. En lo que respecta a los riesgos financieros para los que no existe cobertura la valoración es, por lo general, ajena al ámbito de los instrumentos financieros negociables (vencimientos distintos a los de los instrumentos negociables, activos no negociables o no realizables, etc.) y, por consiguiente, no será posible derivar la volatilidad implícita a partir de los actuales instrumentos negociables. En esos casos, se recurrirá a la volatilidad histórica (si está disponible) corregida para incorporar toda diferencia observable respecto a volatilidades históricas pasadas. 2. SIMULACIÓN ESTOCÁSTICA: MÉTODO MONTECARLO En el caso de que un modelo de simulación no considere ninguna variable importante, comportándose de acuerdo con una ley probabilística, estamos ante un modelo de simulación determinista. En estos modelos la salida queda determinada una vez que se especifican los datos y relaciones de entrada al modelo, tomando una cierta cantidad de tiempo de cómputo para su evaluación. Sin embargo, muchos sistemas se modelan tomando en cuenta algún componente aleatorio de entrada, lo que da la característica de modelo estocástico de simulación. El método de Monte Carlo es un método no determinista, usado para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud. El método se Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 51 52 ANÁLISIS FINANCIERO llamó así en referencia al Casino de Monte Carlo (Principado de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un generador simple de números aleatorios. VaR en la distribución de probabilidades Media: prdida esperada o promedio 0.1 El procedimiento de la simulación Monte Carlo podríamos aplicarla en tres etapas: 1ª etapa: se especifican procesos estocásticos para las variables y se estiman sus parámetros con datos históricos o implícitos. 0.08 Probabilidad • 0.09 0.07 0.06 0.05 Capital econmico: cubre prdidas inesperadas hasta cierto percentil prdidas inesperadas 0.04 0.03 • 2ª etapa: se simulan trayectorias para las variables y para el horizonte deseado. 0.02 previsiones 0 0 • Percentil 99.5% 0.01 Probabilidad que las prdidas excedan el VaR (esperadas + inesperadas): 0.05% 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5 Prdida en % 3ª etapa: se obtiene la distribución de su rentabilidad y calculamos el VaR. Gráfico 1 Fuente: Elaboración propia. En cuanto a la valoración de activos, la utilización del método Monte Carlo permite obtener el valor final que tendría un activo financiero, o una cartera de ellos, después de replicar miles de veces la trayectoria que puede seguir en el tiempo los precios de los activos. Este ejercicio irá desde el caso más simple, en el que se valora un único activo básico -un bono o una acción-, hasta el más complejo, en el que se valora una cartera compuesta por varios activos y/o derivados. En todos los casos, la premisa básica es la asunción de alguna hipótesis sobre el comportamiento estocástico de los precios. De todas formas, antes de realizar cualquier simulación recomendamos la realización de la Bondad de Ajuste. A modo ilustrativo, se incluye un gráfico en el que se representa el VaR mediante una distribución de probabilidades y teniendo en cuenta el intervalo de confianza elegido anteriormente. Esquema de la metodogía del VAR mediante simulación Montecarlo VaR Simulación montecarlo Generar escenarios de comportamiento para cada factor de riesgo. 1 2 3 n Valor Actual Tradicionalmente, la teoría financiera supone que los precios siguen una distribución lognormal, o bien que los rendimientos siguen una normal, en cuyo caso el valor del activo en cualquier instante del tiempo se puede expresar como: 1 2 3 n Valor Actual Calcular cambios implícitos en el valor del portafolio para cada escenario y ordenar. Escenario 1 Escenario 2 - Escenario n ∆ P1 ∆ P2 ∆ P50 ∆ Pn ∆ Pn ∆ P32 - - Calcular VaR. siendo µ el rendimiento medio. En definitiva, mediante la simulación Monte Carlo, se estiman posibles evoluciones de un valor o de una cartera de valores. Según los datos obtenidos en la simulación de la evolución del valor de mercado se obtiene el punto en el que se dividen las pérdidas entre, por ejemplo, el 95% (percentil 95) de los casos y el 5% restante. Gráfico 2 Fuente: Elaboración propia. La información que aporta éste gráfico está relacionada con la metodología que vamos a seguir en la implementación del método Montecarlo para un caso de estudio concreto. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 SIMULACIÓN ESTOCÁSTICA EN LA DETERMINACIÓN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS 3. CASOS PRÁCTICOS 53 Rentabilidad esperada de la cartera individualizada mediante simulación Montecarlo 3.1. Valoración individualizada de activos financieros Supongamos que partimos de una cartera de renta variable que está compuesta de acciones de una única compañía, siendo el valor actual del portfolio de 1.000.000 euros. Terico (Normal) Probabilidad que sea MENOR que R% 12 meses Monte Carlo 100% 90% 80% 70% 60% Antes de realizar las simulaciones, obtenemos los datos históricos de la evolución de los distintos índices en aras a obtener rentabilidades medias, desviaciones típicas, etc. 50% 40% 30% 20% R% 10% Simulación Montecarlo mediante Visual Basic 100% 75% 50% 25% 0% -25% 0% 50% A modo de ejemplo, partimos de que nuestra cartera obtiene históricamente un rendimiento y volatilidad medios anuales del 8% y 18% respectivamente, y deseamos saber cuál es la perdida probable que puede resultar, pues bien, tal y como hemos comentado anteriormente, no habría más que generar miles de números aleatorios que siguiesen una normal estándar, sustituir cada uno de ellos en la expresión anterior y obtener para cada uno de ellos el precio al cabo del año. Gráfico 4 En el gráfico se puede apreciar que existe una probabilidad de pérdida entorno al 35%. Adicionalmente, se observa que la simulación Monte Carlo se ajusta con la Teórico Normal. Rentabilidad esperada de la cartera individualizada mediante simulación Montecarlo 100% 90% 80% MonteCarlo Probabilidad que Portfolio sea MENOR que ÛX en 12 meses 70% 60% 50% 40% 30% 20% 10% Para hacer simulaciones, se ha diseñado, mediante programación en visual Basic, una macro para Excel que genera una multitud de simulaciones. Se adjunta parte de la codificación que hemos empleado en Visual Basic. A continuación, en la hoja de cálculo introducimos los datos de rentabilidad y volatilidad del activo. Tras realizar 10.000 réplicas, mediante el gráfico siguiente recogemos los distintos porcentajes de rentabilidad esperados así como su probabilidad de ocurrencia: 1.648.000 ÛX 1.702.000 1.540.000 1.594.000 1.432.000 1.486.000 1.378.000 1.270.000 1.324.000 1.162.000 1.216.000 1.054.000 1.108.000 946.000 1.000.000 838.000 892.000 784.000 676.000 Gráfico 3 730.000 0% Gráfico 5 Dado que nuestro objetivo es calcular el VaR de la cartera debemos establecer un Intervalo de Confianza y un periodo de tiempo. En nuestro caso, utilizaremos el percentil 90 a un año. Para este caso podemos observar que el valor esperado de la cartera sería de 838.000 euros. Por consiguiente, teniendo en cuenta que tenemos una cartera actual valorada en 1.000.000 euros la pérdida esperada a un año y con un Intervalo de Confianza del 90% ascendería a 162.000 euros. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 54 ANÁLISIS FINANCIERO 3.2. Valoración conjunta de activos financieros Supongamos que tenemos otra cartera compuesta por cuatro activos Indexados: S&P 500, Nasdaq, Gold/Silver Index y Russel 2000. Partimos de un valor actual de dicha cartera de 1.000.000 euros y el porcentaje de asignación de la cartera a cada uno de los activos es equitativa, es decir, asignamos un 25% de la cartera a cada uno de los cuatro activos que componen nuestra cartera. Antes de realizar las simulaciones, obtenemos los datos históricos de la evolución de los distintos índices en aras de obtener rentabilidades medias, desviaciones típicas, y en su caso, reflejar la correlación existente entre ellos. Estructura de las carteras Fecha inicio: Fecha final: Date ene-99 feb-99 mar-99 abr-99 may-99 jun-99 jul-99 ago-99 sep-99 oct-99 nov-99 dic-99 ene-00 feb-00 mar-00 abr-00 may-00 jun-00 jul-00 ago-00 sep-00 oct-00 nov-00 dic-00 ene-01 feb-01 mar-01 abr-01 may-01 jun-01 jul-01 ago-01 sep-01 oct-01 nov-01 dic-01 ene-02 feb-02 mar-02 abr-02 01-ene-99 01-feb-10 ^GSPC 1279.64 1238.33 1286.37 1335.18 1301.84 1372.71 1328.72 1320.41 1282.71 1362.93 1388.91 1469.25 1394.46 1366.42 1498.58 1452.43 1420.60 1454.60 1430.83 1517.68 1436.51 1429.40 1314.95 1320.28 1366.01 1239.94 1160.33 1249.46 1255.82 1224.38 1211.23 1133.58 1040.94 1059.78 1139.45 1148.08 1130.20 1106.73 1147.39 1076.92 Diario Semanal Mensual ^XAU 63.26 60.56 59.76 73.42 60.87 66.93 62.87 67.34 80.26 69.55 67.04 67.97 59.98 59.76 56.50 54.75 56.28 57.81 50.85 52.34 49.92 43.87 47.08 51.41 48.86 52.51 47.57 55.13 57.13 53.25 53.06 56.56 57.79 54.53 52.57 54.53 61.33 65.16 70.89 7.96 ^RUT 427.22 392.26 397.63 432.81 438.68 457.68 444.77 427.83 427.30 428.64 454.08 504.75 496.23 577.71 539.09 506.25 476.18 517.23 500.64 537.89 521.37 497.68 445.94 483.53 508.34 474.37 450.53 485.32 496.50 512.64 484.78 468.56 404.87 428.17 460.78 488.50 483.10 469.36 506.46 510.67 108 datos ^IXIC 2505.89 2288.03 2461.40 2542.86 2470.52 2686.12 2638.49 2739.35 2746.16 2966.43 3336.16 4069.31 3940.35 4696.69 4572.83 3860.66 3400.91 3966.11 3766.99 4206.35 3672.82 3369.63 2597.93 2470.52 2772.73 2151.83 1840.26 2116.24 2110.49 2160.54 2027.13 1805.43 1498.80 1690.20 1930.58 1950.40 1934.03 1731.49 1845.35 1688.23 OBTENER DATOS HISTÓRICOS DE LOS ÍNDICES (AITOR) Nomenclatura de los índices ^AORD AUSTRALIA ^BIX BANK INDEX ^BTK BIOTECH INDEX ^DJI DOW ^NFA FINANCIAL ^FCHI FRANCE ^XAU GOLD/SILVER INDX ^GHA HARDWARE ^HCX HEALTHCARE ^HSI HONG KONG ^N225 JAPAN ^SSEC MEXICO ^MSCI MOODYS COMMOD ^IXIC NASDAQ ^XOI OIL INDEX ^RLX RETAIL INDEX ^RUT RUSSELL 2000 ^GSPC S&P 500 ^SOXX SEMICONDUCTOR ^STI SINGAPORE ^PSE TECH INDEX ^GSPTSE TORONTO INDEX ^DJT TRANSPORTATION ^FTSE UK ^SMSI MADRID GENERAL ^GDAXI DAX Tabla 1 Fuente: Elaboración propia. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 SIMULACIÓN ESTOCÁSTICA EN LA DETERMINACIÓN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS Para obtener los datos históricos hemos realizado una macro que recopila la información durante el periodo de observación y temporalidad que queramos. 55 Una vez detraído la información que necesitamos, después de calcular los datos estadísticos y mediante el coeficiente de Pearson obtenemos la matriz de correlaciones entre los distintos activos/índices. Resultados estadísticos históricos de índices Activos Promedio revalorización índices Desviación Estándar Distribución S&P 500 GOLD/ SILVER INDX RUSSELL 2000 NASDAQ 0,207% 1,355% 0,697% 0,373% Rentabilidad esperada de la cartera conjunta Terico (Normal) Probabilidad que el Portfolio sea MENOR que R% en 12 meses Monte Carlo Prdida LogNormal 100% 90% 80% 3,9% 9,1% 5,5% 7,9% 70% 25,0% 25,0% 25,0% 25,0% 60% 50% Tabla 2 Probabilidad que el Portfolio sea MENOR que R% en 12 meses 40% Fuente: Elaboración propia. 30% 20% R% 10% Es importante, en el momento de agregar cada riesgo (índice) individual, tener en cuenta la correlación existente entre ellos. La agregación de riesgos, evidentemente, no es la suma de los riesgos individualizados. Para ello, tendremos en cuenta el coeficiente de correlación que estandariza la covarianza de manera que no dependa de las unidades en que estamos midiendo. 80% 70% 60% 50% 40% 30% 20% 10% 0% -10% -20% -30% 0% -40% Mediante los datos históricos observados en la evolución de los distintos índices, hemos obtenido los estadísticos: media y volatilidad con la finalidad de realizar la proyección utilizando dichos parámetros. Gráfico 6 Realizamos, por cada uno de los índices 10.000 simulaciones Monte Carlo y teniendo en cuenta las correlaciones obtenidas anteriormente por el coeficiente de Pearson, vemos, por un lado, que la distribución se ajusta a una LogNormal, y por otro lado, la probabilidad de que la cartera tenga pérdidas asciende al 32% Valor esperado de la cartera conjunta 100% 90% Resultados matriz de correlaciones de los índices mediante coeficiente de Pearson NASDAQ 40% 30% 20% 10% Gráfico 7 Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 1.619.592 1.516.327 1.413.062 1.309.796 1.206.531 0% 1.103.265 80% 10% 83% 100% 1.000.000 Fuente: Elaboración propia. 50% RUSSELL 2000 70% 28% 100% 83% 896.735 Tabla 3 60% 793.469 107 registros S&P 500 GOLD/ SILVER S&P 500 100% 14% GOLD/SILVER IND> 14% 100% RUSSELL 2000 70% 70% NASDAQ 80% 10% 70% 690.204 Matriz Correlación 80% Probabilidad MonteCarlo que Portfolio sea MENOR que ÛX en 12 meses ÛX 56 ANÁLISIS FINANCIERO Por último, reflejamos los distintos valores esperados de la cartera para distintos probabilidades de ocurrencia, acorde a los 10.000 escenarios simulados. En el gráfico se puede apreciar el valor de la cartera esperado para los diferentes Intervalos de Confianza. REFERENCIAS BIBLIOGRÁFICAS 4. CONCLUSIONES BENNETT, D.J. (1998). “Randomness”. Cambridge: Harvard University Press. 1.- Mediante la simulación Monte Carlo obtenemos resultados de tipo probabilístico a diferencia del análisis determinista o “estimación de un solo punto”. De esta manera, mediante la simulación estocástica, los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado. BESIS, Joël (2004). “Risk Management in Banking” (second edition). John Wiley and Sons Inc. 2.- Claridad en los resultados. Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas. 3.- En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados finales. En cambio, en los análisis deterministas es más difícil ver las variables que más afectan el resultado. 4.- Mediante la simulación Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los análisis, y por consiguiente, facilita el análisis de escenarios. Sin embargo, en los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. 5.- En la simulación Monte Carlo es posible modelar la correlación o relaciones interdependientes entre diferentes variables de entrada. Esto es importante para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros suben o bajan paralelamente. Tal y como hemos realizado en nuestro segundo caso práctico. 6.- Dicha simulación puede incorporar variación temporal en los parámetros, colas gruesas y escenarios extremos y, por ende, puede tener una amplia gama de riesgos. ARTZNER, P.; DELBAEN, J.; EBER, M. y HEATH, D. (1999). “Coherent measures of Risk”. Mathematical Finance, (9), pp. 203-228. CANTO, A. del y M. DELFINER (2009): “La exigencia de capitales mínimos por riesgo de Mercado”, Nota técnica. BCRA. EFRON, B. (1981). “Non parametric estimates of standard error: the Jackknife, the Bootstrap, and other methods”. Biometrika, (68), pp. 589-599. EFRON, B. (1982). “The Jackknife, the Bootstrap and other resampling plans”. SIAM. FRANCIS, J. C. y S. H. ARCHER. (1977). “Análisis y Gestión de Carteras de Valores”, (Madrid: Ediciones ICE). FRANCIS, Jack y TAYLOR, Richard (1992): “Theory and Problems of Investments”. McGraw Hill. Nueva York. JOY, C.; BOYLE, P.P. y Tan, K.S. (1996). “Quasi-Monte Carlo Methods in Numerical Finance”. Management Science, (42-2), pp. 926. KAYE (2005): “A Guide to Risk Measurement, Capital Allocation and Related Decision Support Issues”. MALKIEL, B. G. (1992). “Un Paseo Aleatorio por Wall Street”. (Madrid: Alianza Editorial). MASCAREÑAS, Juan (2002): “Gestión de Activos Financieros de Renta Fija”. Ediciones Pirámide. McNEIL, Frey and EMBRECHTS (2005): “Quantitative Risk Management – Concepts, Techniques and Tools”. MENEU, V.; E. NAVARRO y M.T. BARREIRA (1992): “Análisis y Gestión del riesgo de interés”. Editorial Ariel Economía, Barcelona. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57 SIMULACIÓN ESTOCÁSTICA EN LA DETERMINACIÓN DEL VALOR EN RIESGO DE LOS ACTIVOS FINANCIEROS PARR, W.C. (1983). “A note on the Jackknife, the Bootstrap and the Delta method estimators of bias and variance”. Biometrika, (70-3), pp. 719-722. PASHIGIAN, B. P. (1996). “Teoría de los Precios y Aplicaciones“. (Madrid: McGraw-Hill). 57 QUENOUILLE, M. (1949). “Approximate tests of correlation in time-series”. J. Roy. Statist. Soc. Ser. B, (11), pp. 18-44. SÁNCHEZ-FERNÁNDEZ, J.L. (2001): “Curso de Bolsa y Mercados Financieros”. Editorial Ariel Economía, Barcelona. Amancio Betzuen Zalbidegoitia y Aitor Barañano Abasolo: Simulación estocástica en la determinación del valor en riesgo de los activos financieros Stochastic simulation in determining the value at risk of financial assets. Análisis Financiero n° 117. 2011. Págs.: 50-57