Hay varias formas diferentes de lograr tu objetivo. Una de ellas implicaría modelar cada serie temporal financiera y luego conectar estas distribuciones marginales usando una cópula. Monte Carlo es entonces cuestión de simular las distribuciones marginales y la cópula.
Al utilizar tu matriz de Cholesky, estás utilizando implícitamente una distribución elíptica (piensa en Gaussiana y Student t). Si quieres, por ejemplo, crear una simulación de MC Gaussiana en la que las distribuciones marginales son Gaussianas y la cópula es Gaussiana, entonces solo necesitas las desviaciones estándar de cada serie temporal para las distribuciones marginales y el enfoque estándar de simulación de MC.
En "pseudocódigo" los pasos son (asumo cero deriva por simplicidad)
1) Generar números aleatorios uniformes en el intervalo [0,1] (como Rand() en Excel)
2) Convertir cada uno de los aleatorios uniformes a aleatorios Gaussianos estándar (como NORMSINV)
3) Multiplicar la matriz de Cholesky por el vector aleatorio Gaussiano para crear un vector de aleatorios correlacionados para cada "fecha" de simulación
4) Para cada subyacente, multiplicar el nuevo "Gaussiano correlacionado" por la desviación estándar correspondiente a ese subyacente/activo
5) Utilizando tus pesos de cartera y los retornos de activos recién simulados, calcular el retorno de la cartera
6) Calcular tus estadísticas (como la función PERCENTILE en Excel)
La serie de pasos anterior puede convertirse en otras distribuciones marginales aparte de la Gaussiana, y se pueden utilizar cópulas más realistas que la cópula Gaussiana.
Al modelar tus distribuciones y cópula, estás haciendo suposiciones que conllevan riesgo de modelo. Esto no quiere decir que este sea un mal enfoque, pero uno simplemente necesita ser consciente de los errores de ajuste que surgen al realizar dicho ejercicio.
Hay otro método de simulación que podrías considerar que es muy fácil y que podría usarse como una verificación del método de MC: una especie de "simulación histórica de remuestreo".
Nuevamente en pseudocódigo:
1) Convertir las series de precios a series de rendimientos logarítmicos
2) Numerar las "fechas" de los datos del 1 al 2000 (el tamaño de tu serie temporal)
3) k = 1
4) Elegir un entero aleatorio i con igual probabilidad de ser de 1 a 2000 inclusive
5) Aplicar los retornos de la "fecha i" a los precios de hoy (el precio base que tenemos hoy)
6) Utilizando los pesos de cartera, calcular la fluctuación en el valor de la cartera y registrarla en un vector con índice k
7) k = k + 1
8) si K < 10,001 ve al paso 3) anterior
9) Calcular el VaR utilizando el vector de retornos de la cartera (como PERCENTILE en Excel)
Si este "VaR de remuestreo histórico" es extremadamente diferente de tu VaR de MC Gaussiano entonces probablemente necesitas utilizar un conjunto más realista de suposiciones de distribución marginal y cópula. Un buen primer paso sería intentar con las distribuciones Student t y la cópula.
0 votos
¿Podría haber alguna manera de calcular esto usando Excel?
4 votos
Es bueno ver que el doctor está manejando prudentemente su futuro financiero.