Desde la crisis financiera global de 2008-2009, las técnicas de VaR (Value-at-Risk - VaR) se han convertido en herramientas críticas para monitorear y pronosticar el riesgo de mercado y liquidezde los activos financieros. Estas técnicas de modelación del riesgo financiero, que han sido reconocidas por el Bank for International Settlements (BIS) o el Comité de Basilea sobre suficiencia de capital y regulaciones bancarias, miden y previenen pérdidas potenciales que surgen, no sólo de los cambios en el precio de los valores y de la interdependencia entre diferentes tipos de activos (acciones, divisas, tasas de interés o commodities), sino también de comovimientos negativos de las coberturas de cola (riesgo de evento colateral) en condiciones bajistas del mercado.
En la eventualidad de una crisis financiera o una desaceleración del mercado, conviene que exista una modelización adecuada del riesgo de liquidez. Precisamente, la principal ventaja de los modelos VaR es su enfoque en el riesgo a la baja(es decir, el impacto de los resultados de rentabilidad negativa) y su interpretación directa en términos monetarios.
Sin embargo, especialmente en tiempos de turbulencias financieras, los modelos VaR tradicionales no toman en cuenta adecuadamente la dependencia no lineal entre los activos de una cartera y se vuelven ineficientes en escenarios de mercado ilíquidos. A pesar de los avances en los modelos de medición, obtener estimaciones precisas del riesgo de liquidez del mercado y su aplicación para optimizar las carteras siguen siendo un desafío para las entidades financieras.
Es por ello que en el artículo “Multivariate dependence and portfolio optimization algorithms under illiquid market scenarios”, publicado en el European Journal of Operational Researchjunto con mis colegas José Arreola, de la Rennes Business School (Francia), Theo Berger, de la Universidad de Bremen (Alemania) y Duc Khuong Nguyen, de IPAG Business School (Francia), proponemos un modelo que considere patrones de dependencia multivariadosen los activos financieros, así como la evaluación de su impacto en el rendimiento y el diseño óptimo de carteras de inversión estructuradas.
La evaluación y previsión del riesgo de liquidez depende de muchos factores interconectados, como la dependencia entre los precios de los activos y sus variaciones temporales, las fricciones de mercado específicas del sector, la disponibilidad de información financiera y de mercado, la confianza del mercado de valores, regulaciones de comercio financiero en mercados bajo estrés, shocks repentinos del mercado que resultan en desaceleraciones y contracciones del mercado en la entrada y salida de capital, y niveles de reserva de capital de las instituciones financieras y comerciales.
Nuestro modelo VaR evalúa el riesgo en mercados ilíquidos, teniendo en cuenta la dependencia multivariada de los activos . También examinamos el impacto de los cambios en el riesgo de liquidez estimado en la asignación óptima de la cartera. Para ello, nuestro enfoque de modelado combina algoritmos LVaR (Liquidity Value-At-Risk) para la medición del riesgo de liquidez, modelos de cópula dinámica condicional (DCC) t-copula para estimación de estructura de dependencia y algoritmos de optimización no lineal.
El objetivo de nuestra investigación es examinar si los algoritmos de optimización reales basados en cómputo LvaR y modelos de cópula dinámica condicional (DCC) para la estimación de la dependencia son capaces de producir una mejor asignación de activos múltiples en escenarios de mercado adversos, teniendo en cuenta las limitaciones de frontera operacionales y financieras, evidenciadas en gran medida por shocks de iliquidez durante la crisis financiera global.
Este tipo específico de modelado es nuevo en la literatura y permite a los gestores de carteras anticipar los horizontes de liquidez requeridos (períodos de cierre) y determinar la asignación robusta de múltiples activos de acuerdo con condiciones de mercado realistas. Además, los resultados empíricos obtenidos indican que nuestro enfoque de modelado produce mejores portafolios eficientes que los modelos de optimización competitivos (por ejemplo, el enfoque tradicional de Markowitz para la optimización de la cartera de media variación).
